MONITORIZAREA MEDIILOR URBANE UTILIZÂND IMAGINI SATELITARE RADAR ȘI ELECTRO-OPTICE [307587]
[anonimizat]-OPTICE
Detectarea schimbărilor
Acoperirea terenului descrie obiectele care au caracteristici naturale sau antropice aflate pe suprafața Pământului. [anonimizat], [anonimizat], precum zonele construite sau agricole. Studierea acoperirii terenurilor în timp poate oferi detalii despre evoluția unei regiuni. Unele studii pun accent pe schimbări care au loc în zone naturale (Omo-Irbaor, 2006), [anonimizat] (Azaz 2005; Michishita, Jiang și colab. 2012; Fonji și Taff 2014). Schimbările în distribuția spațială a unui oraș de-a lungul unei perioade de timp pot caracteriza stagiile prin care a trecut un oraș pentru a ajunge la stadiul actual (Taubenböck, Esch și colab. 2012; Vermeiren, Van Rompaey și colab. 2012).
[anonimizat], dar la momente diferite de timp (Pillai și Vatsavai 2013). Monitorizarea ariilor extinse sau detectarea schimbărilor în acoperirea terenurilor obișnuiau să fie scumpe și consumatoare de timp. Principalele metode folosite în trecut erau măsurătorile în teren și imaginile aeriene. [anonimizat]. Imaginile satelitare reprezintă o [anonimizat], mai ales datorită rezoluției temporale sporite și posibilității acoperirii zonelor geografice extinse (Villa 2012).Imaginile istorice ale unei zone pot fi folosite pentru a identifica și cuantifica tendințele ce caracterizează evoluția peisajului. [anonimizat], [anonimizat] a [anonimizat] a înțelege modul în care populația a interacționat cu regiunea observată de-a lungul timpului (Fonji and Taff 2014). [anonimizat] (Azaz 2005; Belal și Moghanm 2011; Taubenböck, Esch și colab. 2012; Wakode, Baier și colab. 2013). Urbanizarea se caracterizează printr-o creștere a [anonimizat], [anonimizat] (Wakode, Baier și colab. 2013). Studiul lui Azaz (2005) a folosit două imagini Landsat datate în anii 1984 și 1993, care surprind orașul egiptean Alexandria și a [anonimizat]. [anonimizat] (Belal și Moghanm 2011). Considerând o [anonimizat]. (2013) [anonimizat]-a lungul a trei perioade diferite de timp, 1989-2000, 2000-2005 și 2005-2011, a fost influențat de decizii administrative sau politice. În același sens, observarea procesului de urbanizare al orașului București în diferite perioade de timp este foarte importantă, deoarece România a traversat regimuri politice diferite, reflectate în modul de dezvoltare și planificare al capitalei în ultimii 30 de ani.
Stadiul actual la nivel internațional al monitorizării mediilor urbane prin detectarea schimbării utilizând imagini electro-optice
Imagini electro-optice
În timp, au fost dezvoltate și folosite multe metode de clasificare în studii pentru detectarea schimbării. Cercetătorii au folosit clasificări orientate-obiect în special pentru imagini cu rezoluție spațială mare (Sandric, Mihai și colab. 2007), clasificări la nivel de sub-pixel (Frauman și Wolff 2003; Michishita, Jiang și colab. 2012) (Fig. 1.1), și clasificări bazate pe informațiile de la nivelul pixelilor (Lo și Faber 1997; Lu și Weng 2005; Baker, Lawrence și colab. 2006). Din cauza disponibilității limitate a imaginilor cu rezoluție mare și a echipamentului folosit pentru a colecta informația spectrală pe teren, metodele orientate pe obiect și metodele la nivel de sub-pixel nu au fost luate în considerare pentru evaluare în studiul prezent. Pe de altă parte, metodele de clasificare supervizată bazate pe pixeli sunt numeroase și foarte populare în aplicațiile pentru detectarea schimbării tocmai datorită disponibilității imaginilor satelitare de rezoluție medie (Landsat, SPOT, Sentinel-2) (Bagan lși Yamagata, 2012; Jat, Garg și colab. 2008) (Fig. 1.2).
Figura . Clasificarea compozitelor multitemporale de culoare. Clasele de schimbare sunt reprezentate cu verde, iar cele care indică stabilitate sunt reprezentate cu roșu și roz. Sursa: Frauman and Wolff 2003
Senzorii Landsat Thematic Mapper au fost lansați în 1982 (Landsat 4) și 1984 (Landsat 5). Landsat TM prezintă șase benzi spectrale cu o rezoluție spațială de 30 m. Trei benzi spectrale se află în partea vizibilă a spectrului electromagnetic (albastru, verde și roșu), o bandă în regiunea infraroșu apropiat și două în infraroșu mijlociu. Landsat TM prezintă de asemenea o bandă în regiunea infraroșu termal cu o rezoluție spațială de 120 m x 120m. Landsat 7 ETM+, lansat în 1999 prezintă aceleași benzi spectrale cu excepția celei de-a două bande din infraroșu mijlociu, care a fost înlocuită de o bandă pancromatică cu o rezoluție spațială de 15 m.
Figura .. Imagini Landsat care alcătuiesc serii de timp pentru hărțile de acoperire ale orașelor Beijing, Bruxelles, Seul, Los Angeles. Sursa: Bagan și Yamagata, 2012
Cel mai utilizat algoritm de clasificare folosit în studii de detectare a schimbării din imagini spectrale de rezoluție medie este cel al verosimilității maxime (Manandhar, Odeh și colab. 2009). Considerată în trecut una dintre metodele cu cea mai mare precizie (Yue și colab. 2007), acest tip de clasificare a fost de asemenea aplicat și pentru studiul schimbărilor în zonele urbane. Dewan și Yamaguchi (2009) (Fig. 1.3) au aplicat metoda verosimilității maxime pentru a studia schimbarea acoperirii terenurilor în Dhaka, Bangladesh, observând că aceasta se pretează cel mai bine pentru zonele în care informația spectrală este distribuită normal. Într-un studiu condus în Morion Count, Indiana SUA, Lu și Wang (2005) au comparat diferite metode de prelucrare pentru a determina variabile care pot fi folosite în teledetecție în clasificări de zone urbane. Variabilele care au fost incluse în analiză erau reprezentate de semnătură spectrală și textură. Concluzia la care s-a ajuns a fost că informația preluată de senzorii de teledetecție din zonele urbane tinde să fie afectată de zgomot, și nu este distribuită normal, ceea ce o face nepotrivită pentru o clasificare bazată pe metoda verosimilității maxime. Manandhar, Odeh și colab. 2009 au testat metode care îmbunătățesc precizia clasificărilor. După ce au îmbunătățit histogramele zonelor alese ca referință, contopind semnăturile spectrale multiple și derivând indicii spectrali, acesta a reușit să crească precizia clasificării de la 71% a 91%. Însă munca depusă pentru îmbunătățirea preciziei post-clasificare a fost considerată prea laborioasă, iar metodologia strict dependentă de zona de studiu, astfel neputând fi aplicată în alte tipuri de studii.
Figura .. Clasificări de imagini multispectrale pentru studiul schimbărilor în Dhaka, Bangladesh. Sursa: Dewan si Yamaguchi 2009
Pentru a putea aborda complexitatea mediilor urbane, au fost adoptați tipuri mai noi de algoritmi de clasificare, precum cele ce constau în învățare automată. Aceste abordări sunt bazate pe arbori decizional (AD) (Brodley and Friedl 1997) sau vectori de suport (VS) (Griffiths, Hostert și colab. 2010) Aceste două metode oferă avantaje în comparație cu metoda verosimilității maxime. Ambele sunt non-parametrice și s-au dovedit superioare în discriminarea obiectelor din imaginile satelitare (Brodley and Friedl 1997).
Construirea arborelui decizional este intuitivă, și este bazată pe teste statistice aplicate pentru a împărți seturile de date astfel încât acestea să devină omogene și să maximizeze volumul de informație (Brodley și Friedl 1997). După ce deciziile arborelui sunt testate și ajustate pentru zone de instruire, cunoscute, legile de decizie sunt aplicate imaginii întregi pentru a obține o hartă ce conține clase de tipuri de acoperire a terenului
Metoda bazată pe vectori suport folosește algoritmi de optimizare pentru a determina locația limitelor de decizie, astfel încât produce o separare optimă între clasele considerate (Cortes, 1995). În formă să cea mai simplă, această metodă este un clasificator binar. Pentru a putea aplica o discriminare între mai multe clase, mai multe clasificări VS trebuie combinate în clasificatori binari corespunzători fiecărei perechi posibile de clase.
Chiar dacă aceste două metode, AD și VS sunt preferabile față de metodă celor mai mari probabilități, în special datorită acurateței pe care acestea o oferă, un număr considerabil mai mic de studii au aplicat aceste metode în teledetecție. Baker, Lawrence și colab. 2006 au realizat o discriminare a zonelor riverane față de restul tipurilor de acoperire din imagine folosind arbori decizionali, și obținând o precizie de 86% în clasificarea acestora. Pal și Mather 2005 și Schneider 2009 (Fig. 1.4) au clasificat zone urbane folosind toate cele trei metode de clasificare descrise mai sus și au comparat rezultatele obținute din punct de vedere al preciziei și al performanței acestora atunci când sunt aplicate pentru seturi mari de date. Pal and Mather 2005 a obținut cea mai mare precizie a clasificării folosind metodă VS, care a fost considerată superioară deoarece poate fi folosită pentru seturi de date de dimensiuni mari folosind zone de instruire restrânse. Pe de altă parte, (Schneider 2012) a considerat că atât metodele AD și VS au arătat o precizie comparabilă a rezultatelor clasificării, însă metoda AD este mai eficientă în prelucrarea datelor, mai ales în cazul golurilor de informații.
Figura .. Studiul evoluției tipurilor de culturi în zona limitrofă a orașelor chineze Chengdu, Xi’Am și Kumming, între anii 1988 și 2009, utilizând imagini Landsat. Sursa: Schneider, 2009
Imagini Radar
Din cauza acoperirii frecvente de nori, ceață, smog sau opacității și întunericului de iarnă, datele optice nu pot fi disponibile întotdeauna în timpul ciclului critic de monitorizare Deoarece senzorii radar preiau informații în ciuda condițiilor de vreme nefavorabile sau a momentului de preluare (zi/noapte), aceștia reprezintă surse de date importante pentru cartografierea tipurilor de utilizare și acoperire a terenurilor. Sistemele radar noi, precum TerraSAR-X, RADARSAT-2 și Sentinel-1A și B furnizează date SAR de rezoluție înaltă cu diferite frecvențe, la intervale prestabilite de timp, având de cele mai multe ori rezoluții temporale mai bune decât sateliții cu senzori pasivi. Prin urmare, capacitatea SAR pentru clasificarea zonelor urbane trebuie evaluată și exploatată cu orice ocazie.
În general suprafețele acoperite de apă sunt reprezentate prin zone întunecate în imaginile SAR, iar suprafețele naturale sunt caracterizate de efectul de speckle (aspect de sare și piper în imagini). Zonele urbane sunt caracterizate atât de magnitudini mari ale semnalului recepționat cât și de eterogenitate (Henderson, 1987). Eterogenitatea mare poate fi explicată prin densitatea ridicată de reflectori puternici care cauzează apariția unui număr mare de pixeli luminoși sau obiecte liniare aflate în zone cu fundal închis. Motivul pentru care construcțiile antropice apar astfel în imaginile SAR este faptul că acestea au forme poliedrice (limitele lor sunt fațade plane). Obiectele plane apar luminoase în cazul în care unghiul de incidență β este mic, sau întunecate în cazul în care unghiul β este mare iar semnalul este reflectat în direcții opuse senzorului. De aceea, primul pas în identificarea zonelor care reprezintă așezări omenești este de a căuta componente inter-conectate sau o densitate mare de pixeli luminoși și izolați.
Metoda bazată pe identificarea pixelilor luminoși izolați nu se pretează pentru zonele urbane dense, acolo unde pixelii luminoși sunt mult prea apropiați sau chiar inter-conectați. Pentru a rezolva astfel de situații au fost adoptate o serie de metode mai sofisticate pentru a identifica așezările antropice în imagini radar. De exemplu, Gouinaud (1996) au dezvoltat un algoritm care distinge zonele din imagini bazându-se pe tipul de histograme care le caracterizează. Limitele histogramelor sunt impuse în funcție de statistica imaginii în vecinătatea pixelilor izolați și luminoși. Acest algoritm a fost aplicat de asemenea de către He și colab., (2006), care rulează procedura iterativ și adaptează mărimea ferestrei pentru care aplică statistica astfel încât să îmbunătățească delimitarea zonelor urbane. O altă abordare prin care se extrag așezările urbane a fost propusă de Dell’Acqua și Gamba (2009) (Fig. 1.5). Se propune inițial segmentarea suprafețelor de apă, acoperire care este cel mai ușor de detectat, și excluse din căutările ulterioare. Imaginea este apoi interpolată cu un grid de 5 m și 256 de niveluri de gri, de la 0 la 255. O diferență mare între valoarea maximă și cea mică regăsite într-o fereastră de 5×5 pixeli este considerată un semn că în fereastra respectivă ar putea exista construcții. O analiză ulterioară a texturii ajută la separarea așezărilor antropice de vegetație înaltă. Dificultatea de a discrimina aceste două clase este descrisă de către Dekker (2003), care a analizat diferite tipuri de textură pentru datele ERS. Principalul dezavantaj al metodelor ce folosesc schemele de clasificare bazate pe pixeli este că în primul pas decizional acestea neglijează contextul. De multe ori rezultatul unei astfel de metode este o zonă care prezintă speckle în locul zonelor urbane omogene dorite. Există și metode precum Markov Random Fields care iau în considerare contextul încă de la primul pas (Tison și colab., 2004).
Un concept cu totul diferit este segmentarea regiunilor în cadrul unui pas anterior prelucrării și clasificarea acestor segmente. Cea mai populară abordare a acestei metode este prin intermediul programului comercial eCognition care efectuează o segmentare la scări multiple și exploatează informații cu privire la geometria, textura și ierarhia obiectelor în vederea clasificării. Această metodă este aplicată preponderent pentru extragerea de zone urbane din date SAR aeropurtate cu rezoluție mare (Esch și colab., 2005) (Fig. 1.6).
Figura .. Stânga: extragerea apei și a zonei urbane din imagini multispectrale de rezoluție mare; Dreapta: extragerea infrastructurii urbane prin segmentarea imaginilor multispectrale. Sursa: Dell’aqua și Gamba, 2009
Figura 1.6. Clasificarea zonelor construite din imagini multispectrale de rezoluție medie.
Sursa: Esch și colab, 2005
Caracterizarea zonelor locuite
Caracterizarea așezărilor umane poate fi folositoare pentru un număr mare de scopuri. Henderson și Xia (1997) au prezentat un raport comparativ cu privire la stadiul actual al aplicațiilor ce utilizează date SAR pentru detectarea așezărilor, estimarea populației, evaluarea impactului populației asupra mediului înconjurător, analiza tendințelor zonelor construite în timp, interpretarea unor caracteristici socio-economice și detectarea schimbărilor. Aplicabilitatea SAR pentru aceste scopuri depinde de unghiurile de incidență ale semnalului, lungime de undă, polarizare, rezoluția spațială și de cea radiometrică.
Diferitele sub-clase urbane precum zonele industriale, suburbiile sau, zone rezidențiale sau centrele orașelor, sunt caracterizate de diferite mărimi, forme și densități, aceste însușiri ajutând la determinarea tipurilor de așezare. Cu toate acestea este dificilă generalizarea însușirilor de orice fel atunci când se face trecerea de la o regiune la alta sau de la o țară la alta, din cauza varietății mari ce poate apărea într-o astfel de sub-clasă, datorată influențelor istorice sau culturale asupra structurilor urbane. Henderson și Xia (1997) au confirmat că abordările care au dat rezultate bune pentru orașele din Statele Unite ale Americii nu au putut fi aplicate în Germania din cauza structurii urbane diferite.
Nivelul de detaliu al analizelor depinde foarte mult de caracteristicile senzorului SAR și mai ales de rezoluția spațială a acestuia. Datcu (2000) a aplicat MRF (Markov Random Fields) unei imagini SAR cu o rezoluție spațială de aproximativ 2 m. Aceștia au parcurs în procesare o serie de pași: îndepărtarea efectului de speckle din imagine, segmentarea componentelor inter-conectate care au caracteristici asemănătoare și deosebirea a 5 clase de acoperire a terenului, inclusiv cea urbană. Tison și colab., (2004) analizează date SAR aeropurtate cu o rezoluție mai mare de jumătate de metru (Intermap Company, senzor AeS-1 ). Din datele cu rezoluție atât de înaltă este posibilă extragerea unui nivel de detaliu mai mare, astfel că algoritmul MRF este utilizat pentru distingerea între trei tipuri de acoperișuri (întunecat, mediu și deschis) și alte trei clase (sol, vegetație întunecată, vegetație deschisă). Clasele de sol, vegetație închisă și acoperișuri luminoase pot fi identificate ușor deoarece coeficienții corespunzători de pe diagonala matricei de confuzie ajung la valori de aproape 100%. Pe de altă parte, numerele corespunzătoare claselor de vegetație deschisă, acoperișuri întuneccate și medii scad până la valori de 58-67%. Autorii propun utilizarea de structuri în formă de L pentru a discrimina clădirile de vegetație (Lankoande și colab., 2005) (Fig. 1.7).
Deosebirea vegetației de clădiri este de multe ori o sarcină greu de rezolvat în cazul imaginilor singulare. O analiză multitemporală (Niu și colab., 2013) este benefică deoarece obiectele înscrise în clasele de vegetație variază foarte mult în timp din cauza proceselor fenologice, în timp ce structurile antropice persistă pentru perioade mai lungi și dau dovadă de o stabilitate mult mai mare.
Figura 1.7. Segmentarea imaginilor SAR modelul Markov Random Field. Sursa: Lankoande și colab., 2005
Clasificarea imaginilor SAR multitemporale
Schimbările fenologice sau agricultura conduc la o decorelare temporală a semnalului în zonele de vegetație, în timp ce mediul urban constituit din clădiri și infrastructură rămân stabile. Pentru a profita de această proprietate sunt necesare serii de imagini preluate din aceeași poziție de-a lungul timpului. Coeficientul de corelație între amplitudinile a două imagini este utilizat în determinarea similiarității dintre două imagini. Dacă imaginile obținute sunt complexe este posibilă determinarea unui coeficient de corelație complex, denumit coerență.
Niu și colab., (2005) au analizat seturi de date SAR provenit de la cinci imagini Radatsat-2 (cu rezoluție 10 m) preluate din diferite poziții ale senzorului (ascendentă și descendentă) și sub diferite unghiuri de iluminare. Amplitudinea imaginilor este utilizată pentru a discrimina trei clase de acoperire urbană (zone cu densitate mare a construcțiilor, densitate mică și căi de comunicații) și șase clase de vegetație și apă. Dacă algoritmii de clasificare sunt aplicați asupra imaginilor brute se obține un coeficient Kappa foarte mic, de aproximativ 0.2. Coeficientul Kappa redă corelația între rezultatele clasificării și situația reală din teren în urma validării. Acesta poate fi îmbunătățit semnificativ prin filtrarea efectului de speckle (Kappa devine aproximativ 0.75) și încorporarea texturii (Kappa crește până la 0.89).
O altă metodă de a profita de seriile de timp este de a suprapune amplitudinile necoerent. Astfel, atât zgomotul cât și efectul de speckle sunt diminuate. În special construcțiile sunt cele care apar mult mai clar în imaginile rezultate, aspect foarte important pentru segmentare. În contrast cu procedeul de multi-looking (compresie a imaginii), în cazul medierii imaginilor rezoluția spațială se păstrează.
Strozzi și colab., (2000) (Fig. 1.8), analizează serii de 3, 4 și 8 imagini ERS. Din cauza valurilor cauzate de vânt, zonele acoperite de apă sunt caracterizate de cea mai mare variabilitate temporală a amplitudinii. Pentru zonele cu vegetație variabilitatea este medie (agricultură, creșterea vegetației) iar pentru zonele construite și păduri, aceasta este foarte mică. În ceea ce privește coerența pe termen lung, după o perioadă de 35 de zile (un ciclu de revizitare al ERS) doar zonele urbane arată o coerență mai mare de 30%. Autorii au clasificat zona de studiu în patru clase de acoperire, apă, zona urbană, pădure și vegetație folosind trei metode diferite: metoda cu limite impuse manual, metoda verosimilității Maxime și segmentare. Rezultatele obținute au avut o precizie asemănătoare, de aproximativ 75%.
Bruzzone și colab., (2004) au analizat aceleași 8 imagini ERS preluate deasupra Bernei de-a lungul unui an, utilizând metoda rețelelor neuronale pentru a deosebi așezările de celelalte clase de acoperire precum apa, zonele agricole și pădurea. Cel mai bun rezultat (Kappa = 87%) a fost obținut prin exploatarea variației temporale a amplitudinii cât și a coerenței în timp.
Figura 1.8. Clasificarea imaginilor ERS pentru punerea în evidență a zonelor urbane.
Sursa: Strozzi și colab., 2000
Fuziuni de date electro-optice și radar
În ultimul deceniu se folosește o abordare complexă a prelucrării datelor de teledetecție. Această abordare presupune utilizarea în comun a rezultatelor măsurătorilor obținute cu ajutorul diferitelor instrumente, dintre care senzorii care efectuează cartografierea în benzile optice și radar joacă un rol important.
Deoarece observațiile Pământului au caracteristici specifice, anumite aplicații ale acestora prezintă avantaje și limitări, prelucrarea comună a datelor putând oferi un avantaj față de prelucrarea separată, datorită extinderii cantității de informație utilizată. Scopul principal al procesului de combinare a datelor radar și a datelor optice este extinderea domeniului de aplicare a problemelor rezolvate cu fiecare dintre metode și îmbunătățirea calității acestor date (de exemplu, îmbunătățirea fiabilitatea, eliminarea sau reducerea gradului de incertitudine, optimizarea gradului de detaliere necesar pentru clasificare și completarea regiunilor fără date, cauzate de nebulozitate (în cazul imaginilor optice) sau de fenomenul de umbrire (pentru imaginile radar).
În literatura științifică străină, combinarea diferitelor date pentru analiza și prelucrarea comună ulterioară se numește fuziune de date. Acest termen reflectă faptul că imaginea combinată obținută integrează informații bazate atât pe datele electro-optice cât și radar și conține un volum de date care este mai mare decât cel obținut după combinarea simplă a câmpurilor de informații ale imaginilor analizate separat. Fuziunea datelor este definită cel mai adesea ca "grup de metode și abordări care utilizează date cu surse multiple, de natură diferită pentru a spori calitatea informațiilor conținute în date" (Zhang, 2010). Imaginile obținute în banda optică conțin informații despre energia solară reflectată de suprafața observată și despre compoziția chimică a stratului de suprafață. Imaginile obținute în banda cu microunde conțin date despre parametrii geometrici și fizici ai suprafeței (rugozitate, orientare, structură fizică și proprietăți dielectrice).
Fuziunea datelor SAR și a datelor optice a fost recunoscută ca fiind importantă pentru două motive principale. În primul rând, date din diferite părți ale spectrului electromagnetic furnizează informații complementare și duc adesea la o îmbunătățire a preciziei de clasificare. În al doilea rând, prin rezoluția temporală mărită a sateliților SAR, sunt umplute golurile de informații cu informații din imagini preluate pe timp de noapte sau condiții de vreme nefavorabile. Studiile anterioare au demonstrat avantajele sinergiei dintre date SAR și date electro-optice de rezoluție medie (Kuplich și colab. 2000, Santos și Messina, 2008, Ban, 2003, Zhu și Tateishi, 2006) (Fig 1.9).
Câteva studii au explorat fuziunea datelor SAR și a datelor optice de înaltă rezoluție pentru analiza zonelor urbane care au suferit daune precum prăbușirea clădirilor (Schiavon și colab., 2003) (Fig. 1.10), unde o imagine de înaltă rezoluție a fost utilizată ca referință pentru validarea rezultatelor SAR, detectarea schimbărilor (Orsomando și colab., 2007), detectarea și cartografierea daunelor în urma hazardelor din mediile urbane (Stramondo și colab., 2007) și estimări ale structurii pădurilor (Hyde și colab., 2006). Cu toate acestea, nu s-au găsit studii privind fuziunea între date electro-optice de rezoluție foarte mare și date SAR pentru cartografiere urbană. În primul rând, acest lucru s-ar putea datora faptului că zgomotul din datele SAR și rezoluția spațială inferioară datelor optice pot degrada calitatea rezultatelor.
Figura 1.9. Clasificarea datelor electro-optice și radar de rezoluție medie pentru diferențierea tipurilor de acoperire a terenului în Palma Oriente (Clase: Pădure, Palmieri, Pajiște, Sol descoperit/Construcții, Apă). Sursa: Santos și Messina, 2008
Figura 1.10. Clasificarea zonelor urbane prin fuziuni de date pentru identificarea clădirilor prăbușite și validarea rezultatelor prin corelație cu imagini optice de rezoluție înaltă. Sursa: Schiavon și colab., 2003
Studii care utilizează date SAR pentru clasificarea zonelor urbane și detectarea schimbărilor au arătat rezultate foarte promițătoare (Dell'acqua și Gamba 2003, Ban și Wu 2005, Ban și Ahmed 2007, Ban și Hu 2010) (Fig. 1.11). Aceste cercetări sugerează că fuziunea datelor SAR și a datelor electro-optice cu rezoluție mare, precum Quickbird poate duce la îmbunătățirea preciziei pentru cartografierea zonelor urbane.
(a) (b) (c) (d)
Figura 1.11. Comparația reprezentării culturilor de soia, porumb și pajiște obținute din imagini electro-optice cu rezoluție înaltă (a) și (c) Quickird și imagini SAR (b) și (d) RADARSAT. Sursa: Ban și Hu 2010.
În cazul fuziunilor la nivel de pixel, rezoluțiile diferite ale imaginilor cauzează anumite probleme. Această provocare este cunoscută din cazul senzorilor precum SPOT și Landsat TM care preiau imagini pancromatice și multispectrale la aproximativ aceleași date. Imaginile pancromatice au o rezoluție de 2-4 ori mai mare în comparație cu cele multispectrale. Există multe studii care se ocupă cu exploatarea acestor imagini încercând să transforme cât mai multă informație din imaginile pancromatice și spectrale în spațiul 3D RGB al computerului. Klonus și colab., (2008) propun o metodă asemănătoare pentru fuziunea datelor provenite de la senzori multipli în cazul unei zone de studiu rurale: imaginile TSX cu rezoluție mai mare oferă informații despre geometria obiectelor, contribuind la îmbunătățirea analizei unor imagini multispectrale cu rezoluție mai slabă. Algoritmul propus a generat rezultate mai bune în comparație cu alte abordări, autorii ajungând la concluzia că performanța clasificărilor devine evidentă în cazul unui raport al rezoluțiilor mai mare de 1 la 10.
Fuziunea datelor a fost de asemenea aplicată în zone urbane. Solberg și colab., (1996) au aplicat metoda MRF de fuziune a datelor ERS și Landsat TM pentru a discrimina zonele urbane de apă, pădure și două clase agricole (teren arat și nearat). Clasificarea a fost îmbunătățită semnificativ prin fuziunea datelor. Haack și colab., (2002) au utilizat date Radarsat-1 și Landsat TM pentru delimitarea zonelor urbane, ajungând la concluzia că cele mai bune rezultate pot fi obținute atunci când se ia în considerare textura obiectelor derivate din imaginile SAR.
Waske și Benediktsson (2007) aplică metoda SVM (Supported Vector Machine) pentru serii cronologice de imagini provenite de la senzorii ERS 2 și ASAR și imagini multispectrale complementare pentru a deosebi șapte clase naturale și zonele urbane. Deoarece SVM este o metodă binară de clasificare, apare problema discriminării a mai mult de 2 clase. Autorul propune o schemă ierarhică în care fiecare sursă de date este clasificată separat folosind SVM. Clasificarea finală se bazează pe fuziunea rezultatelor obținute pentru fiecare senzor. Ulterior Waske și Van der Linden (2010) utilizează o metodă de clasificare asemănătoare pentru date provenite de la senzori multipli, pe care o îmbunătățesc însă cu utilizarea algoritmului Random Forest (RF).
Rezoluția mare a datelor SAR impune ca datele complementare să fie la rândul lor de calitate bună. Ca regulă generală, precizia registrației trebuie să egaleze rezoluția spațială a datelor. Prin urmare o precizie de 20 m, suficientă în cazul fuziunii dintre Landsat TM și ERS nu este acceptabilă pentru fuziuni cu date SAR precum TSX sau pentru imagini preluate de senzori aeropurtați. Registrația imaginilor cu rezoluție mare necesită evaluarea similarităților, care ar putea fi bazate fie pe obiecte distincte din imagini (limite sau linii), fie pe distribuția locală a semnalului (Sportouche și colab., 2009).
Hong și Schowengerdt (2005) au propus impunerea limitelor pentru registrația dintre imagini SAR și imagini satelitare optice ale zonelor urbane care fuseseră aliniate în prealabil cu o precizie de câteva zecimi de pixel. Datele SAR ERS utilizate sunt filtrate și registrate cu imagini optice preluate de Landsat TM. Dare și Dowman (2001) propun o abordare similară, cu deosebirea că înainte de registrația finală bazată pe limite, sunt puse în corespondență zonele omogene din imagine ale căror forme și dimensiuni sunt similare.
Inglada și Giros (2004) descriu modul de aplicare a unor paramteri statistici, ca de exemplu informația comună, pentru registrația imaginilor SPOT-4 și ERS-2. După reeșantionarea unei imagini în funcție de cealaltă, erorile rămase sunt cel mai probabil cauzate de necunoașterea topografiei reale a zonei de studiu. Obiectele 3D din zonele urbane, precum clădirile, apar translatate în imagini din cauza înălțimii lor. Poziția acestor obiecte depinde de asemenea și de pozițiile senzorului și de principiile preluării imaginii. De aceea, aceste erori ar putea fi utilizate pentru generarea de modele digitale ale terenului îmbunătățite. Wegner și colab., (2008) au utilizat metoda descrisă pentru a determina înălțimea podurilor cu ajutorul imaginilor SAR și a imaginilor aeriene.
Obiectivul utilizării fuziunilor de date în acest studiu este de a evalua eficiența datelor electro-optice de rezoluție medie Landsat și Sentinel-2 și a datelor SAR, Sentinel-1A în clasificarea și detectarea schimbărilor zonei urbane și periurbane a orașului București. Prin propunerea unei metodologii de fuziune a datelor, se urmărește obținerea de rezultate îmbunătățite în ceea ce privește precizia clasificărilor.
Stadiul actual al monitorizării mediilor urbane prin detectarea schimbării utilizând imagini electro-optice și radar la nivel național
O căutare în baza de date online Scopus pentru identificarea studiilor anterioare de teledetecție aplicată pentru zona urbană a Bucureștiului a returnat trei articole. Sandric, și colab. 2007 au încercat să folosească un algoritm de segmentare pentru a clasifica imagini de rezoluție înalta, precum CORONA (1966) și IKONOS (2002). Din cauza geometriei slabe a imaginilor, algoritmul propus nu a putut fi aplicat, așa că schimbările importante între cele două date au fost identificate prin interpretarea vizuală a imaginilor.
Costăchioiu și Datcu 2010 (Fig. 1.12) și Costăchioiu și colab., 2014 au identificat arii ale Bucureștiului care au fost afectate de schimbări între 1984 și 2011 aplicând algoritmul VS. Costăchioiu și Datcu 2010 au folosit același algoritm pentru a observa schimbările care au caracterizat evoluția indicilor spectrali de vegetație (NDVI – Normalized Difference Vegetation Index) și de construcții (NDBI – Normalized Difference Building Index). Autorii au utilizat mai mult de 100 de imagini Landsat suprapuse, aplicând algoritmul VS pentru informația spectrală regăsită în benzile Landsat TM, mai puțin în infraroșu termal. Evoluția ariei construite a fost apoi comparată cu dinamica populației în București precum și în împrejurimile orașului.
Figura 1.12. Hărți de schimbare obținute prin analiza semantică. Sursa: Costăchioiu și Datcu, 2010
La nivelul întregii țări, au fost realizate studii de detectare a schimbării, din care majoritatea au utilizat imagini electro-optice provenite de la senzorii Thematic Mapper și Enhanced Thematic Mapper ai Landsat. Studiile de detectare a schimbărilor s-au axat pe zona costieră a Mării Negre (Zoran și Anderson, 2006; Zăvoianu și colab., 2004) (Fig. 1.13) și zonele montane sau împădurite (Prăvălie și colab., 2014; Feranec și colab., 2000, Mihai și colab., 2007). Studiile care se mai axează pe detectarea schimbării în zonele urbane din România se concentrează în principal pe utilizarea datelor satelitare electro-optice (Kuemmerle și colab., 2008., Petrișor și colab., 2010., Ianoș și colab., 2016).
Studiile care utilizează date radar pentru detectarea schimbării la nivel național vizează inundații în zone muntoase (Popescu și colab., 2009) sau impactul mediului asupra orașelor (Zoran și colab., 2013). Zoran și Weber, 2007 au utilizat imagini electro-optice Landsat și SAR, MODIS, pentru un studiu de detectare a schimbării în București. MODIS prezintă însă rezoluții extrem de scăzute în comparație cu Landsat, cea mai mare fiind de 250 de m, neoferind astfel posibilitatea îmbunătățirii rezultatelor unei clasificări într-o zonă urbană. Autorii au utilizat prin urmare exclusiv datele optice Landsat pentru o interpretare vizuală a schimbărilor survenite între 1989-2004.
O parte restrânsă din aria Bucureștiului se regăsește în publicația lui Corbane și colab., 2008 (Fig.1.14), care au utilizat imagini SPOT-4 și Radarsat-1 pentru a evalua eficiența fuziunii de date electro-optice și radar pentru cartografierea rapidă a zonelor urbane. Inițial, pentru comparație, imaginile electro-optice și cele SAR au fost clasificate separat. Validarea rezultatelor a arătat faptul că zona construită a fost estimată cu o diferență de 16.1 m2 în minus pentru imaginile optice și respectiv 13.3 m2 în plus pentru imaginile radar față de suprafața de referință. Concluzia principală a experimentelor realizate pentru o arie de 46 km2 din București a fost că în urma fuziunilor de date, diferența dintre suprafața estimată din clasificarea imaginii rezultate și imaginea de referință a scăzut la -2.46 m2.
Figura 1.13. Detectarea schimbării prin utilizarea a două imagini Landsat preluate la interval de 10 ani pentru zona costieră a Mării Negre. Schimbările sunt puse în evidență prin tonuri deschise de gri. Sursa: Zăvoianu și colab., 2004
Figura 1.14. Analiza zonei construite din București prin utilizarea imaginilor (a) electro-optice SPOT-4 (zona construită identificată este reprezentată prin contur galben), poligoanele roșii reprezintă zonele construite identificate din fuziunea imaginilor SPOT-4 și imagini SAR Radarsat-1; (b) clasificări obținute din prelucrarea separată a imaginilor electro-optice și SAR. Sursa: Corbane și colab, 2008.
Monitorizarea deplasărilor
Deformațiile suprafeței terenului pot fi declanșate de o serie de procese naturale sau antropice, precum cutremurele, activitățile vulcanice și alunecările de teren, mineritul sau extracția apei. Mărimea deplasărilor care produc deformații poate fi de ordinul milimetrilor sau centimetrilor pe an. Depinzând de tipul acesteia, procesul de deformare poate avea o viteză mică și constantă în timp, sau poate fi abrupt (cutremure). Este imposibil ca astfel de deformații să fie urmărite cu ajutorul senzorilor optici. Posibilitatea de a identifica și monitoriza deplasări de magnitudine mică a suprafețelor prin intermediul interferometriei a fost evaluată pentru prima dată acum aproape două decenii, de către Rosen și colab.,, 2000. Ideea de bază este separarea impactului pe care deplasarea îl are asupra diferenței de fază.
La momentul actual, metodele principale care au fost dezvoltate de-a lungul timpului sunt pentru studiul eficient al deplasărilor în zonele urbane sunt reprezentate de tehnicile de interferometrie SAR multi-temporală precum tehnica Țintelor Persistente (Persistent Scatterer Interferometry – PSI) și Metoda bazelor de preluare minime (Small BAseline Subset – SBAS) . Ambele tehnici au la bază principiile InSAR descrise în capitolul 6.
Stadiul actual al monitorizării deplasărilor în mediile urbane la nivel internațional
Capitolul curent prezintă cele mai importante aplicații ale tehnicii de interferometrie multitemporală în mediul urban. Majoritatea exemplelor sunt bazate pe date SAR achiziționate de senzorii ERS 1/2 și Envisat, care au reprezentat până de curând cea mai importantă sursă de date pentru aplicarea interferometriei satelitare. Odată cu lansarea sateliților TerraSAR-X, mai recentă, se observă o creștere a aplicațiilor în mediul urban (Strozzi și colab., 2008). Studiul mai facil al mediului urban depinde în special de rezoluția crescută a senzorulu, care a putut oferi baza pentru studiul și monitorizarea unor structuri singulare precum clădiri. Trebuie totuși menționat faptul că noul sistem prezintă limitări legate de disponibilitatea datelor pentru anumite zone precum și costul ridicat al imaginilor.
Analiza deformațiilor ce apar la nivelul unei întregi zone metropolitane este una dintre cele mai importante aplicații a tehnicilor PSI și SBAS în mediul urban. Acest tip de analiză, care exploatează în totalitate avantajele tehnicilor interferometrice multitemporale, constând în acoperirea unor zone întinse, măsurarea fenomenelor de deformație trecute și costul scăzut, permite surprinderea în ansamblu a fenomenului de deformare care caracterizează o zonă de interes.
Tehnica PSI este utilizată în prezent pentru a monitoriza fenomele de subsidență sau ridicare în diferite zone urbane din lume. Exemple relevante în acest sens sunt date de Dixon și colab., (2006) (Fig. 1.15), care prezintă o hartă de subsidență a New Orleans obținută cu ajutorul PSI. Această hartă arată zonele din oraș care prezintă subsidență rapidă cu trei ani înainte de Uraganul Katrina din 2005. Zerbini și colab., (2007) descriu un studiu interesant al subsidenței naturale și antropice care afectează zona de sud-est a Câmpiei Po (Italia), care include și orașul Bologna. Autorul efectuează o analiză ce combină diferite tehnici de extragere a informaților cu privire la variabilitatea temporală a subsidenței: GNSS, gravitație și rezultate PSI. Alte aplicații de tehnici interferometrice multitemporale au fost descrise și de Lanari și colab., (2004), Hilley și colab., (2004), Herrera și colab., (2007), Crosetto și colab., (2008) și Vallone și colab., (2008).
Figura1.15. Suprinderea fenomenului de subsindență în New Orleans prin intermediul PS-INSAR: culoarea punctelor indică sensul și viteza de deplasare a acestora în timp. Sursa:Dixon și colab., 2006
Monitorizarea deformațiilor cauzate de extracția apei, gazului sau petrolului reprezintă una dintre cele mai importante aplicații ale PSI. Exemple de studii ale urmărilor extracției apelor subterane sunt prezentate de Tomas și colab., (2005) și Bell și colab., (2008). În proiectul de validare al Terrafirma se monitorizează schimbările care au loc după extracții de gaze subterane în diferite orașe.
În unele cazuri analiza PSI oferă informații cheie pentru studiul faliilor seismice din zonele urbane, precum studiile lui Burgmann și colab., (2006) sau Funning și colab., (2007). Ambele studii se concentrează asupra Golfului San Francisco. Studiul lui Funning se bazează pe o analiză ce combină date satelitare cu măsurători GNSS. În plus, PSI a dedus caracteristici importante ale deformațiilor scoarței terestre provocate de activitatea vulcanică în zona Napoli (Italia) (Lanari și colab., 2003a).
Există și studii de alunecări de teren în zonele urbane cu ajutorul PSI. Deoarece rata de deformare ce poate fi surprinsă este limtată, PSI este utilizată doar în cazul alunecărilor de teren lente (Hilley și colab., 2004).
Un avantaj important al PSI este capacitatea de a surprinde în întregime zone metropolitane întinse cu o rezoluție spațială care, în unle cazuri, ne permite chiar și măsurarea unor structuri sau clădiri individuale. Un exemplu de urmărire a unei infrastructuri este dat de către Crosetto și colab., (2008) care s-au concentrat asupra comportamentului digului principal din portul Barcelonei (Spania). Un alt exemplu de monitorizare a unui dig, care privește evaluarea sistemelor de siguranță a apei, este un subiect de mare interes pentru țările situate la altitudini joase precum Olanda (Hanssen și Van Leijen, 2008). Aceștia arată că în cazul Olandei, PSI poate fi utiliza pentru a obține informații săptămânale cu privire la stabilitatea digurilor pentru o mare parte din digurile existente pe teritoriul întregii țări.
Perissin și Roca (2006) au aplicat tehnica PSI pentru obținerea de modele digitale ale terenului exploatând eroare topografică reziduală. Limitarea PSI pentru astfel de aplicații în mediul urban vine din faptul că numărul de puncte determinate prin această tehnică este considerat mic pentru realizarea de modele digitale de calitate pentru zonele urbane.
Așa cum s-a menționat mai sus, tehnicile PSI au fost propuse inițial de Ferretti și colab., (2000, 2001) și Colesanti și colab., (2003) și apoi dezvoltate și de alți autori. Tehnica Small Baseline Subset (SBAS) este una dintre cele mai importante și mai bine documentate metode de aplicare a principiilor PS (Berardino și colab., 2002; Lanari și colab., 2004; Pepe și colab., 2005). O tehnică asemănătoare a fost propusă de Lanari și colab., (2003b). Companii precum Gamma Remote Sensing și Altamira Information au descris modul de aplicare al metodei în articolele lui Werner și colab., (2003) și respectiv Duro și colab., (2003). Hooper și colab., (2004) a descris o procedură folositoare în aplicațiile geofizice. Crossetto și colab., (2005) au propus o metodă simplificată bazată pe funcții liniare pentru a determina deformațiile. Crossetto și colab., (2008) și Crosetto și colab., (2010) (Fig. 1.16; Fig. 1.7) au descris un model de procesare PSI care include un procedeu de rezolvare a ambiguităților de fază. Alte contribuții relevante mai recente au fost aduse de Kampes și Hanssen (2004), care au adaptat metoda LAMBDA utilizată în GNSS în cazul PSI și de Van Leijen și Hanssen (2007), care au descris utilizarea de modele de deformații adaptabile pentru PSI. Un exemplu în care obiectul de studiu a fost reprezentat de clădiri, dar de această dată prin aplicarea metode SBAS, este cel al lui Manunta și colab., (2008), vizând construcții istorice din Roma (Italia) (Fig. 1.18).
Figura 1.16. Vizualizare 3D în Google Earth a unor puncte PS în Barcelona. Cercurile colorate reprezintă punctele PS măsurate, care au fost georeferențiate. Culoarea fiecărui punct PS reprezintă eroarea altimetrică a punctului. Sursa: Crossetto și colab., 2010.
Figura 1.17. Exemplu de hartă cu reprezentarea vitezelor de deplasare pe verticală ale țintelor persistente (PSI) în Roma, care au fost georeferențiate și reprezentate în Google Earth. În partea stângă este reprezentat un detaliu al zonei studiate. În dreapta este reprezentantă o serie de timp care descrie comportarea unui punct (PS) localizat într-o zonă stabilă și un punct care indică deformații. Sursa: Crossetto și colab., 2010.
Figura 1.18. Exemplu de puncte PSI georeferențiate.imaginea din dreapta arată dispunerea punctelor după eliminarea erorii planimetrice.
Campanii de validare ale măsurătorilor PSI
Pentru a fi acceptată de cercetători și utilizatori, fiecare tehnică nouă de măsurare a deformațiilor trebuie să demonstreze calitatea prelucrării. De aceea, recent au început să fie depuse eforturi mai mari pentru a studia calitatea rezultatelor PSI. Având în vedere rezultatele publicate în literatură, trebuie menționat faptul că performanța tehnicii PSI variază în funcție de mai mulți factori, precum disponibilitatea imaginilor SAR, densitatea punctelor PS și calitatea acestora, tendințele de deformare în timp și întinderea zonei studiate. Evaluarea oricărui experiment de validare ar trebui să ia în considerare în primul rând caracteristicile experimentului. De obicei, rezultatele unei validări nu se pot extrapola pentru alte domenii.
Majoritatea campaniilor de validare existente se referă în principal la validarea vitezei de deformare, în timp ce un alt rezultat important al tehnicii PSI, seriile de timp ale deformărilor, sunt mult mai puțin studiate. Sunt necesare studii mai amănunțite pentru validarea seriilor de timp PSI (Fig. 1.19). Crosetto și colab., (2008) au efectuat validarea unor măsurători PSI prin nivelment pentru un dig în portul Barcelonei, Spania. A fost găsită o corelație bună între măsurătorile PSI și cele de nivelment: diferența maximă determinată între vitezele deformațiilor a fost de 0.7 mm/an. Același articol descrie un exemplu de dilatare termală a unei clădiri industriale. Chiar dacă nu este un exemplu de validare, este un exemplu important pentru precizia măsurătorilor PSI, care pot surprinde deplasări de numai câțiva mm, precum cele datorate temperaturilor. Colesanti și colab., (2003) descriu rezultatele unor campanii de validare a măsurătorilor pentru alunecări de teren într-un oraș din Ancona, Italia, bazându-se pe nivelment (Fig. 1.19). Herrera și colab., (2007) analizează subsidența în Murcia, Spania, cu ajutorul seriilor de timp PSI. În studiul lor se compară două metode PSI (PS și SBAS) (Fig. 1.20), iar măsurătorile se validează cu ajutorul extensometrelor. Teatini și colab., (2007) analizează Veneția (Fig. 1.21) utilizând rezultatele PSI. Validarea măsurătorilor se face prin comparația rezultatelor obținute prin tehnica PSI și măsurători de nivelment, oferind un exemplu interesant de interpretare a ariilor urbane.
Există și studii în care rezultatele validării PSI au fost negative. Primul este proiectul PSIC4, un proiect ESA axat pe validarea rezultatelor PSI (earth.esa.int/psic4). În acest proiect au fost analizate și validate rezultatele a 8 serii de măsurători PSI. Performanța scăzută a PSI s-a datorat în special deformațiilor mari care au caracterizat zona studiată fiind datorate activităților de minerit. Rezultatele negative ilustrează tocmai limitările măsurătorilor PSI în cazul mișcărilor rapide și modelelor liniare folosite. Al doilea exemplu negativ este dat de campania de validare efectuată de compania Terrafirma pentru Jubilee Line (Londra). Analiza a vizat deformațiile induse de lucrările de construcție a unui tunel. Rezultatele slabe au fost cauzate de densitatea și frecvența mică a punctelor PS în comparație cu zona în care se manifesta fenomenul de deformație.
Figura 1.19. Alunecări de teren determinate prin tehnica PS-INSAR. Tipuri de puncte de reper instalate la sol pentru validarea măsurătorilor satelitare. Sursa: Colesanti și colab., 2003
Figura 1.20. Exemplu de subsidență determinată în Murcia, Spania prin intermediul PS-INSAR. Sursa: Herrera și colab., 2007.
Figura 1.21. Fenomenul de subsidență identificat în Veneția, Italia prin intermediul tehnicii PS-InSAR. Sursa: Teatini și colab., 2007.
Stadiul actual al monitorizării deplasărilor în mediile urbane utilizând imagini radar la nivel național
Utilizarea tehnicilor interferometrice SAR pe teritoriul țării noastre nu are o istorie foarte îndelungată, fiind abordată mai ales în ultimii 5 ani. La nivel național au fost aplicate atât tehnica PS cât și SBAS pentru studii ecologice (Gheorghe & Armaș, 2015), studiul mediilor urbane (Poncos și colab., 2014) și a elementelor de infrastructură de detaliu (Vasile și colab., 2012, Anghel și colab., 2017). Studiul mediilor urbane a vizat în special determinarea fenomenului de subsidență din București utilizând imagini ale sateliților Envisat și ERS, dar și date cu rezoluție înaltă ale sateliților TSX (Fig. 1.22) (Poncos și colab., 2014). Alte studii care au utilizat datele satelitare pentru studiul mediilor urbane și implicit al construcțiilor, au fost cele ale lui Bălan și colab., 2016a, Bălan și colab., 2016b și Dana Negula și colab., 2015.
Andronic și colab., 2014 au aplicat tehnica InSAR în studiul zonelor urbane și au comparat rezultatele cu măsurători in-situ terestre, obținând o corelație bună. Vasile și colab., 2012 au evaluat posibilitatea de a aplica PS pentru monitorizarea unor elemente de infrastructură precum diguri. Anghel și colab., 2015 au prezentat o metodă de a îmbunătăți tehnica de monitorizare a infrastructurii prin refocusarea imaginilor SAR în scopul identificării mai precise a punctelor de interes de pe construcții.
Bălan și colab., 2016a au utilizat imagini TerraSAR-X din perioada 2011-2013 pentru studiul în detaliu al unor construcții de interes din București, dar și al centralei Cernavodă. Aceștia au aplicat tehnica Țintelor Persistente pentru identificarea eventualelor nereguli apărute în evoluția mișcărilor clădirilor în timp. Bălan și colab., 2016b au prelucrat imagini provenite de la satelitul Sentinel-1A pentru același tip de aplicație în orașul București. Iulia Dana Negula și colab., 2015 a studiat în special clădirile din patrimoniul UNESCO, construcții vechi, precum mănăstiri, Cetatea Orăștie și Cetatea veche Sighișoara. Punctele rezultate pentru clădirile studiate au indicat stabilitate în ciuda vechimii construcțiilor (Fig. 1.23).
Există studii care tratează mișcările scoarței terestre în raport cu existența pânzei freatice din București (Răduțu și colab., 2017) sau București și Ocnele Mari (Poncos și colab., 2012). Răduțu și colab., 2017 au utilizat 20 de imagini TerraSAR-X preluate în intervalul Martie 2014-Februarie 2015 pentru a studia legătura dintre fluctuațiile pânzei freatice inclusive în zona magistralei M5 de metrou, însă nu au găsit o corelație clară între creșterea sau scăderea nivelului apei și valorile de subsidență sau ridicare arătate de rezultatele InSAR:
Descrierea Geohazardelor în București din raportul PanGeo susținut de Comisia Europeană prin Programul de cooperare Space Call 3, este cel mai interesant studiu pentru obiectivul acestei teze de doctorat. Raportul conține rezultatele prelucrării imaginilor satelitare preluate de sateliții istorici ERS și Envisat pentru perioada 1992-2000 pe teritoriul Bucureștiului (Fig. 1.24)
Chiar dacă în ansamblu suprafața terestră din București este caracterizată de valori mici ale deplasărilor (-1.50 mm-1.50 mm), în toate hărțile de deformație rezultate au fost identificate și anumite zone restrânse caracterizate de subsidență (-13.50 mm – 3.50 mm). Aceste zone de subsidență au fost analizate din punct de vedere geologic (Fig. 1.25) iar fenomenul de subsidență a fost explicat prin existența unor cariere vechi de piatră care au fost acoperite cu pământ și a unor vechi mlaștini create de vechiul curs al Dâmboviței, care au fost apoi acoperite și utilizate pentru construirea de noi cartiere rezidențiale. În lipsa validării rezultatelor obținute din imagini satelitare, autorii au acordat un grad de încredere mediu interpretării acestora, iar zonele de subsidență nu au mai fost identificate și analizate în nici un alt studiu privind deplasările la nivelul Bucureștiului până în prezent.
Figura 1.22. Determinarea subsidenței în București prin tehnica PS-INSAR. Sursa: Poncos și colab., 2014.
Figura 1.23. Puncte PS pentru studiul clădirilor de patrimoniu: Turnul cu ceas, Cetatea veche a Sighișoarei. Sursa: Dana Negula și colab., 2015
Figura 1.24. Harta vitezelor de deplasare medii anuale exprimate în mm/an, calculate pentru perioada 1992-2000 utilizând imagini SAR ERS, orbită descendentă. Sursa: raportul PANGEO
Figura 1.25. Identificarea unei zone afectate de subsidență în harta vitezelor medii de deplasare pentru București. Sursa: raportul PANGEO
SCURT ISTORIC AL TELEDETECȚIEI
Disciplina modernă de teledetecție a apărut odată cu dezvoltarea zborului. Pentru preluarea imaginilor timpurii erau utilizați porumbeii mesageri, zmeiele, rachetele și baloanele fără pilot. Însă, cu excepția celor preluate din baloane , aceste prime imagini nu erau utile pentru realizarea hărților sau pentru scopuri științifice.
În 1858, prima fotografie aeriană a fost preluată dintr-un balon suspendat la câteva sute de metri deasupra Văii Bievre de către fotograful francez Gaspard-Felix Tournachon. Acest moment este considerat începutul teledetecției și a observării Pământului de la distanță. Cu toate acestea, rezultatele muncii sale inițiale au fost distruse. Zece ani mai târziu, în 1868, a preluat fotografii oblice ale Parisului dintr-un balon aflat la câteva sute de metri altitudine.
Fotogrametria aeriană a fost dezvoltată în principal în scopuri militare pentru supraveghere și recunoaștere începând cu Primul Război Mondial. În timpul acestuia, avioanele au fost folosite la scară largă în acest scop, dovedindu-se a fi platforme mai fiabile și mai stabile decât baloanele.
Cele mai importante descoperiri în domeniul fotogrametriei aeriene și al interpretării fotografice au avut loc în timpul celui de-al Doilea Război Mondial. În această perioadă a fost dezvoltată fotografierea în domeniul infraroșu apropiat și infraroșu termic, folositoare pentru a diferenția vegetația reală de camuflaj, și radarul.
După războaie, sistemele de teledetecție au continuat să evolueze. Primul satelit artificial care a orbitat planeta noastră a fost Sputnik, lansat de URSS în anul 1957 (Fig. 2.1). La începutul anilor 1960 teledetecția satelitară a avansat, odată cu lansarea primelor platforme cu destinație meteorologică. Primul satelit meteorologic (TIROS1 – Television and InfraRed Observation Satellite) a fost lansat de NASA în anul 1960. Acest satelit a furnizat zilnic imagini cu formațiunile de nori, reprezentând piatra de temelie pentru prognoza meteorologică. În același timp, în anul 1959, era lansat satelitul KeyHole (nume de cod Corona), care avea un senzor cu rezoluție de 2 m, fiind utilizat în scopuri militare și operat de către Forțele Aeriene ale SUA:
Ulterior, în 1970, programul TIROS a fost redenumit NOAA (National Oceanic and Atmospheric Administration). În prezent Radiometrul de Înaltă Rezoluție NOAA, (National Oceanic and Atmospheric Administration), orbitează planeta și preia informații în domeniul vizibil, infraroșu și termal pentru studiul fenomenelor meteorologice.
În 1972, Statele Unite ale Americii (SUA) lansează primul satelit cu senzor de baleiaj, care era destinat aplicațiilor militare cât și civil. Scopul principal al satelitului era cartografierea suprafeței terestre la scări medii și mici, posibilitate oferită de senzorul MSS (MultiSpectral Scanner), care prelua imagini cu o rezoluție de 79 m x 57 m. Denumirea inițială a satelitului era ERTS-1 (Earth Resources Technology Satellite, ulterior devenind Landsat-1, primul satelit din seria Landsat care continuă și în prezent (Fig. 2.2).
Landsat 2 și 3 au fost lansați în 1975, respectiv 1978, având aceleași componente ca și primul satelit din serie. Acestea au fost schimbate in 1982, odată cu lansarea platformei Landsat 4, unde se introduce un senzor mai performant din punct de vedere tehnic, Thematic Mapper (TM), care are o rezoluție spațială de 30 m.
Figura 2.1. Satelitul rusesc Sputnik, primul satelit lansat în spațiu. Sursa: www.nasa.gov
Figura 2.2. Satelitul Landsat 1, SUA. Sursa: www.airandspace.si.edu
În 2013 a fost lansat cel mai recent satelit din serie, Landsat 8, marcând, de asemenea, retragerea satelitului Landsat 5. Landsat 8 are la bord doi senzori: Operational Land Imager (OLI) și Thermal InfraRed Sensor (TIRS), iar benzile din domeniul vizibil ajung la o rezoluție spațială de 10 m. Landsat este cea mai longevivă misiune axată exclusiv pe obținerea de imagini satelitare de rezoluție spațială medie, având o arhivă impresionantă de milioane de imagini.
În anii ’80 și ’90, sunt inițiate și alte misiuni de observare a Pământului, ca de exemplu primul satelit SPOT (Satellite Pour l’Observation de la Terre) lansat de Franța în 1986, IRS (Indian Remote Sensing Programme) în 1988 și altele.
Un pas important a fost lansarea, în 2002, a platformei Ikonos, care are un sistem multispectral ce înregistrează informații în patru benzi (albastru, verde, roșu și infraroșu) la o rezoluție spațială de 4 metri. Ikonos dispune și de o bandă pancromatică cu o rezoluție spațială de 1 m. În 2001 a fost lansat satelitul QuickBird, având rezoluțiile de 2.44 m, respectiv, 0.61 m. În 2008 a fost lansat satelitul GeoEye, având rezoluțiile de 1.64 m, respectiv 0.41 m. În 2009 a fost lansat satrlitul WorldView-2, care dispune de un număr mai mare de benzi, anume 8 benzi multispectrale, cu rezoluții de 1.8 m și o bandă pancromatică cu rezoluție de 0.46 m.
În ceea ce privește senzorii de preluare activi, primul satelit cu senzor în domeniul microundelor, mai exact în banda X (3 cm), a fost RADAM (Radar of the Amazon), lansat în anul 1971 în Brazilia.
În 1978, SUA lansa SEASAT, platformă civilă dotată cu senzor SAR în banda L. Datorită succesului acestui prim satelit civil în domeniul SAR, Agenția spațială europeană, ESA (European Space Agency) a decis inițierea unor programe de observare a Pământului bazate pe senzori activi de teledetecție. Cele mai importante platforme care au urmat au fost SIR-A/B, lansați de SUA în 1981 și 1984, ERS-1 (ESA, 1991, banda C), SIR-C/X-SAR (SUA, 1994, benzile L, C, X), JERS (Japonia, 1994, banda L), RADARSAT-1 (Canada, 1995, banda C), ERS-2 (ESA; 1995, banda C).
În februarie, 2000 a fost lansat satelitul SRTM (Shuttle Radar Topography Mission), care era primul satelit cu două sisteme radar cu apertură sintetică instalate la bord. Misiunea a fost realizată prin colaborarea dintre SUA, Germania și Italia. Scopul principal al acestei misiuni a fost ca cei doi senzori instalați pe platformă, unul în bandă C și celălalt în bandă X, să preia informații timp de 11 zile pentru alcătuirea unui model digital al terenului care să descrie suprafața continentală a Pământului utilizând tehnici interferometrice. SRTM a realizat o acoperire de 80% pentru suprafața continentală, fiind primul mijloc prin care omenirea a reușit să realizeze un model digital al terenului la nivel global.
Agenția Spațială Europeană a continuat să lanseze platforme satelitare cu senzori activi, precum ENVISAT în 2002 (bandă C). În 2006, Japonia a lansat sateliții ALOS, în banda L. Un an mai târziu, în 2007, Agenția Spațială Germană a lansat sistemul TerraSAR-X, activ și în prezent. În 2010 a fost lansat și al doilea satelit, TanDEM-X, pentru a realiza un model digital al terenului pentru întreaga zonă acoperită de cei doi sateliți prin interferometrie bistatică. În 2007, Italia a lansat COSMO-SkyMed (bandă X), care constă într-o constelație de patru sateliți cu un timp de revizitare extrem de scurt în comparație cu restul sateliților. Canada lansat de asemenea satelitul RADARSAT-2 (banda C) în anul 2007.
Cei mai recenți sateliți au fost lansați de ESA în cadrul programului Copernicus, cel mai ambițios program de observare a Pământului până în prezent. Acesta va furniza informații exacte și ușor accesibile pentru a îmbunătăți gestionarea mediului, pentru a înțelege și a atenua efectele schimbărilor climatice și pentru a asigura securitatea civilă. ESA dezvoltă o nouă familie de sateliți, numită Sentinel.
Sateliții Sentinel vor furniza un set unic de observații, începând cu imaginile radar preluate de Sentinel-1A și -1B, lansați în aprilie 2014 și aprilie 2016. Sentinel-2A, lansat la 23 iunie 2015, este conceput pentru a oferi imagini optice de înaltă rezoluție pentru serviciile funciare. Cel de-al doilea satelit, Sentinel-2B, s-a alăturat satelitului inițial pe orbită pe 7 martie 2017. Sentinel-3A, lansat la 16 februarie 2016, furnizează date despre ocean și pământ.
Platforme satelitare
Vehiculul care poartă senzorul de teledetecție pentru a colecta și a înregistra energia reflectată sau emisă de la o țintă sau de o suprafață se numește platformă. Senzorul trebuie să se afle pe o platformă stabilă îndepărtată de ținta sau de suprafața observată. Platformele pot fi terestre, adică situate pe sol, aeriene, situate pe o aeronavă sau pe un alt tip de platformă din atmosfera Pământului, sau satelitare, dacă se află în afara atmosferei terestre.
Senzorii regăsiți la bordul platformelor satelitare se împart în două categorii principale: senzori activi și senzori pasivi. Senzorii pasivi înregistrează radiațiile reflectate de suprafețele observate. Sursa acestei radiații provine din surse externe senzorului, precum energia solară. Din cauza cerinței de surse externe de energie, senzorii pasivi pot prelua date numai în timpul zilei. Sistemul de senzori Thematic Mapprt (TM) aflat la bordul satelitului Landsat este un senzor pasiv.
Senzorii activi sunt diferiți de senzorii pasivi. Spre deosebire de senzorii pasivi, senzorii activi se bazează pe o sursă de energie care provine de la un emițător afla în componența senzorului. De exemplu, un sistem de detectare la distanță a fasciculului laser este un senzor activ care trimite un fascicul de lumină cu o lungime de undă cunoscută și o frecvență cunoscută. Această rază de lumină atinge ținta și se reflectă înapoi la senzor, care înregistrează timpul necesar fasciculului pentru a se întoarce.
Platforme satelitare cu senzori pasivi
În acest studiu sunt utilizați senzorii pasivi ai platformelor satelitare Landsat 4, Landsat 5, Landsat 7 și Sentinel-2.
Principiile teledetecției pasive presupun exclusiv înregistrarea radiațiilor emise de către obiecte și fenomene, ca de exemplu înregistrarea radiației solare reflectate de către corpuri (teledetecția cu senzor optic) sau a radiațiilor calorice din zona infraroșului termal (teledetecția prin scanare termică).
Figura 2.3. Circuitul radiației solare incidente între sursă, suprafața terestră și senzorul receptor al satelitului
În practică se folosesc patru principii pasive de obținere a imaginilor de teledetecție:
principiul televiziunii satelitare;
principiul scanării multispectrale și hiperspectrale;
principiul radiometriei;
principiul scanării termice;
Senzorii platformelor satelitare Landsat și Sentinel-2 sunt senzori multispectrali. Principiul scanării multispectrale este unul dintre cele mai utilizate datorită disponibilității imaginilor cu rezoluții spectral și spațiale medii. Principiul, perfecționat în ultimele trei decenii, se bazează pe faptul că în natură orice obiect sau fenomen emite radiații electromagnetice iar în funcție de proprietățile fizice și chimice acestea pot fi înregistrate, descrise și analizate.
Aceste aplicații presupun cunoașterea exactă din cercetări de laborator a radiațiilor electromagnetice emise de diferite corpuri sau medii în vederea proiectării, construirii și utilizării unor senzori speciali, în vederea înregistrării radiațiilor sub formă de imagine.
Scanarea multispectrală utilizează radiațiile luminoase cu diferite lungimi de undă emise de către corpurile de pe suprafața terestră. Aceste radiații sunt, de fapt, radiațiile solare reflectate de către obiecte. Imaginile obținute prin acest principiu sunt numite multispectrale și sunt reprezentate prin mai multe înregistrări ce corespund câte unui interval spectral. Legate de acestea sunt noțiunile de bandă spectrală, respectiv scenă satelitară.
Banda spectrală reprezintă un interval finit de lungimi de undă din spectrul electromagnetic. Imaginile preluate într-o anumită bandă spectrală conțin reflectanța obiectului în această regiune a spectrului, fiind reprezentate prin niveluri de gri. Înregistrarea imaginilor se realizează pe principiul baleierii. Sistemele de scanare pot înregistra mai multe benzi spectrale (ex. 4 pentru Landsat MSS, 8 pentru Landsat ETM+, 12 pentru Sentinel-2.).
Landsat
Landsat, coordonată de NASA (National Aeronautics and Space Administration), este cea mai longevivă misiune de teledetecție satelitară, numărând 8 sateliți lansați până în prezent, dintre care 2 încă funcționali (Landsat 7 și Landsat 8).
Senzorii Landsat 4 Thematic Mapper și MultiSpectral Scanner
Lansat de către NASA în 16 iulie 1982, Landsat 4 reprezenta un pas major în dezvoltarea teledetecției pentru observarea Pământului, în primul rând datorită senzorilor îmbunătățiți relativ la cei prezenți pe platformele Landsat 1, 2 și 3. Senzorul MultiSpectral Scanner (MSS), prezent și pe celelalte trei platforme, prelua informații în 4 benzi spectrale, două în domeniul vizibil și două în domeniul infraroșu apropiat. Senzorul Thematic Mapper (TM) era primul scanner radiometric care prelua informații în 7 benzi spectrale, cu o rezoluție spațială de 30 m pentru 6 dintre benzi și 120 de metri pentru banda din infraroșu termic.
Caracteristicile achiziției și transmiterii de date
Imaginile TM și MSS erau primite inițial direct de la satelitul Landsat 4 prin transmiterea de date către stațiile terestre. Ulterior, au fost lansate sisteme satelitare pentru intermedierea transmiterii de date (Tracking and Data Relay Satellite System –TDRSS) de la platformele Landsat spre stații terestre.
Caracteristicile orbitei
Landsat 4 se deplasa pe o orbită helio-sincronă, circulară, aflată la o altitudine de 706 km față de suprafața terestră, cu o înclinare de 98.2o și un interval de revizitare de 16 zile, cu 2 zile mai scurt decât cel al sateliților Landsat precedenți. Parcurgerea unei orbite complete a Pământului dura 99 de minute, astfel satelitul realizând 14 orbite pe zi. Lățimea câmpului de preluare era de 185 km.
Caracteristicile senzorilor TM și MSS
Senzorul TM este un senzor multispectral creat pentru a detecta suprafața terestră cu o rezoluție spațială, spectrală și radiometrică mai bună decât cea a senzorului MSS regăsit pe platformele satelitare precedente. Benzile 1-5 și 7 ale senzorului au un unghi instantaneu de preluare de echivalent cu un pătrat cu latura de 30 m proiectat pe suprafața terestră. Banda 6, care preia informația în infraroșu termal, are un unghi de deschidere proiectat pe suprafața terestră ca un pătrat cu latura de 120 m.
Intervalele benzilor senzorului TM împreună cu aplicațiile lor au fost centralizate în tabelul 2.1.
Senzorul MSS al Landsat 4 este similar instrumentelor MSS instalate pe sateliții precedenți (Landsat 1, 2, 3). Chiar dacă înălțimea orbitei satelitului Landsat 4 este mai mică în comparație cu cea a sateliților mai vechi, rezoluția spațială a fost păstrată la 57×79 m pentru a asigura o continuitate a datelor. Benzile din vizibil ale senzorului MSS corespund benzilor 2 și 3, cuprinse între 0.5-0.6 µm respectiv 0.6-0.7 µm. Celelalte 2 benzi preiau informații în regiunea de infraroșu apropiat, în intervalele 0.7-0.8 µm și 0.8-1.1 µm.
Satelitul Landsat 4 a fost funcțional până la data de 14 decembrie, 1993.
Senzorii Landsat 5 Thematic Mapper și Multispectral Scanner
Lansat la data de 1 Martie, 1984, satelitul Landsat 5 a asigurat continuitatea datelor preluate de Landsat 4, prin instalarea a două tipuri de senzori asemănători celor aflați la bordul acestuia. Achizițiile și transmiterea de date s-au făcut sub aceeași formă precum în cazul Landsat 4, prin intermediul constelației de sateliți TDRSS. Caracteristicile orbitei, înălțimea, înclinarea și timpul de revizitare ale Landsat 5 sunt identice cu cele ale satelitului Landsat 4.
Senzorii MSS și TM instalați la bordul Landsat 5 au avut aceleași însușiri cu cele ale Landsat 4, preluând informația în 4 și respectiv 7 benzi spectrale, cu rezoluții identice (Tabel 2.1). Senzorul MSS al satelitului Landsat 5 a încetat achizițiile globale în 1999, iar senzorul TM a continuat să preia imagini până în Ianuarie 2013, după care satelitul a fost scos din uz în Iulie 2013. Datorită longevității misiunii, Landsat 5 a intrat în Cartea Recordurilor, depășind cu 25 de ani și 10 luni perioada de garanție estimată inițial de NASA (National Aeronautics and Space Administration).
Tabel . .Benzile senzorului Thematic Mapper aflat pe platformele satelitare Landsat
Senzorul Landsat 7 Enhanced Thematic Mapper Plus
Landsat 7 are la bord senzorul Enhanced Thematic Mapper Plus (ETM +), o versiune îmbunătățită a instrumentelor Thematic Mapper care au fost la bordul produselor Landsat 4 si Landsat 5. Senzorul ETM + include caracteristici suplimentare care îl fac un instrument mai versatil și mai eficient pentru studierea schimbărilor globale, monitorizarea și evaluarea acoperirii terenurilor și urmărirea unei suprafețe mari decât predecesorii săi.
Aceste caracteristici sunt:
o bandă pancromatică cu o rezoluție spațială de 15 m, sensibilă la partea vizibilă a spectrului electromagnetic și o zonă din infraroșu apropiat.
calibrare radiometrică absolută de 5%, la bord, cu deschidere completă;
un canal în infraroșu termic cu o rezoluție spațială de 60 m;
înregistrator de date la bord;
Senzorul Landsat 7 a fost numit "cel mai stabil și mai performant instrument de observare a Pământului plasat vreodată pe orbită". Standardele riguroase de calibrare a lui Landsat 7 au făcut ca acesta să fie alegerea de validare pentru mulți senzori de rezoluție grosieră.
Satelitul descrie o orbită polară, helio-sincronă, ceea ce înseamnă că scanează întreaga suprafață a Pământului. Landsat 7 folosește sistemul de poziționare WRS-2 (Worldwide Reference System). Cu o altitudine de 705 kilometri +/- 5 kilometri, este nevoie de 233 orbite sau 16 zile pentru a face acest lucru. Spre deosebire de predecesorii săi, Landsat 7 are o memorie solidă de 378 gb (aproximativ 100 de imagini). De asemenea, are capacitatea de a prelua și transmite 532 de imagini pe zi. Produsele Landsat 7 sunt livrate ca imagini pe 8 biți, cu 256 niveluri de gri. Considerat un triumf în domeniul calibrării, misiunea Landsat 7 s-a desfășurat fără probleme până în mai 2003, când o defecțiune a componentelor hardware (Corectorul Liniei de Scanare, abreviat SLC a cedat) a provocat linii de dată lipsă în imagini.
Sistemul SLC constă într-o pereche de oglinzi mici care se rotesc în jurul unei axe în tandem cu mișcarea oglinzii principalei de scanare ETM+. Scopul SLC este de a compensa mișcarea înainte (along-track) a navei spațiale astfel încât scanările rezultate să fie aliniate paralel una cu cealaltă. Fără efectele SLC, instrumentul scanează Pământul într-o manieră "zig-zag", rezultând în unele zone care sunt înregistrate de două ori și altele care nu sunt înregistrate deloc. Efectul este că aproximativ 22% din datele dintr-o scenă Landsat 7 lipsesc atunci când sunt achiziționate fără un SLC funcțional. Restul senzorului ETM+, inclusiv oglinda primară, continuă să funcționeze, la același nivel înalt de precizie radiometrică și spațială ca înainte de defecțiune. Date din imagini multiple pot fi fuzionate pentru a umple golurile de date SLC-off (Fig. 2.4).
Figura 2.4. Reprezentarea schematic a defecțiunii SLC
Landsat 7 preia imagini în opt benzi spectrale, incluzând o bandă pancromatică și o bandă termală (Tabel 2.2).
Tabel 2.2. Benzile senzorului Enhanced Thematic+ al satelitului Landsat 7
Sentinel-2A
Constelația de sateliți Sentinel reprezintă o flotă de sateliți concepute special pentru a furniza bogăția de date și imagini care sunt esențiale pentru programul Copernicus al Comisiei Europene. Acest program unic de monitorizare a suprafeței terestre, încearcă să realizeze o schimbare treptată în modul în care gestionăm mediul înconjurător, înțelegem și abordăm efectele schimbărilor climatice. Sentinel-2A a fost lansat pe 23 iunie 2015, iar Sentinel-2B a urmat la 7 martie 2017. Comisia Europeană își asumă dreptul de proprietate asupra sateliților.
Sentinel-2A are un senzor multispectral (Multispectral Instrument (MSI) cu rezoluție înaltă, deschidere mare și 13 benzi spectrale pentru o perspectivă nouă asupra Pământului. Combinația de rezoluție spațială. temporală, radiometrică și spectrală mărite, și o deschidere de preluare de 290 km.
Principalele informații pe care misiunea le oferă în prezent se referă la culturile agricole și forestiere, participând la gestionarea securității alimentare. Imaginile satelitare sunt utilizate pentru a determina diferitele caracteristici ale plantelor, precum conținutul de clorofilă și conținutul de apă. Aceste aspecte sunt deosebit de importante pentru predicția eficientă a randamentului culturilor și pentru aplicațiile legate de vegetația Pământului.
Pe lângă monitorizarea creșterii plantelor, Sentinel-2A poate fi utilizat pentru a detecta schimbările în ceea ce privește acoperirea terenurilor și pentru a monitoriza pădurile De asemenea, poate oferi informații despre poluarea lacurilor și a zonelor costiere. Imaginile preluate pentru zone afectate de hazarde precum inundații, erupții vulcanice și alunecări de teren contribuie la cartografierea dezastrelor și contribuie la eforturile depuse pentru ajutor umanitar.
Sentinel-2 este rezultatul unei colaborări strânse între Agenția Spațială Europeană, Comisia Europeană, industrie, furnizorii de servicii și utilizatorii de date. Misiunea a fost proiectată și construită de un consorțiu format din aproximativ 60 de companii conduse de Airbus Defense and Space și sprijinit de Agenția Spațială Franceză CNES pentru optimizarea calității imaginii și de către Agenția Spațială Germană DLR pentru îmbunătățirea recuperării datelor prin intermediul comunicațiilor optice.
Misiunea Sentinel-2 nu oferă doar continuitate, ci se desfășoară în paralel cu misiunile Spot și Landsat, oferind date asemănătoare din punct de vedere al caracteristicilor tehnice.
Caracteristicile achiziției și transmiterii de date
Segmentul terestru de recepționare a datelor Sentine-2 este alcătuit din Segmentul terestru de bază (Core Ground Segment), Segmentul terestru de colaborare (Collaborative Ground Segment) și celelalte segmente terestre ale programului Copernicus.
Segmentul de bază are rolul în monitorizarea platformei spațiale Sentinel-2, achiziția, prelucrarea, arhivarea și diseminarea datelor către utilizatori. Este de asemenea responsabil pentru planificarea misiunilor în conformitate cu un scenariu operațional predefinit, asigurând calitatea produselor de date și performanța senzorilor prin activitățile de monitorizare, calibrare și validare continuă.
Principalele facilități ale segmentului de bază Sentinel sunt:
Segmentul operațiunilor de zbor (FOS) – responsabil pentru toate operațiunile de zbor ale sateliților SENTINEL, inclusiv de monitorizare și control și executarea tuturor activităților platformei.
Stațiile segmentului central: care recepționează date Sentinel în timp real printr-o rețea de stații la sol care comunică prin semnale cu bandă X. Acestea sunt completate de utilizarea satelitului european de transmitere a datelor (European Data relay Satellite);
Centrele de procesare și arhivare în care se efectuează procesarea sistematică a datelor critice. Toate produsele de date sunt arhivate pentru acces online către utilizatori.
Centrele de performanță a misiunii (MPC) – responsabile de etalonare, validare, controlul calității și evaluarea performanțelor sistemului;
Facilitatea SENTINEL de determinare a efemeridelor precise (POD – Precise orbit Deteremination) – folosește datele provenite de la receptorul GNSS pentru a furniza informațiile orbitale necesare generării de produse cu precizie înaltă;
Caracteristicile orbitei
Orbita sateliților Sentinel-2 este helio-sincronă. Orbitele de acest tip sunt utilizate pentru a asigura în permanență o iluminare favorabilă a suprafeței observate. Înălțimea orbitei este de 786 km, cu o înclinare de 98.62o. Timpul de trecere deasupra Ecuatorului este 10:30, comparabil cu cel al misiunilor Landsat (9:45), ceea ce asigură o integrare a datelor cu misiunile existente. Sateliții Sentinel-2A și Sentinel-2B descriu aceeași orbită cu o diferență de 1800, rezultând astfel un timp de revizitare de 5 zile, cea mai mare rezoluție temporală asigurată până acum de o constelație de sateliți cu rezoluție medie.
Caracteristicile senzorului MultiSpectral Instrument (MSI)
Senzorul MSI folosește un concept de push-broom pentru preluarea datelor. Acesta colectează rânduri de date de imagine pe o traiectorie, utilizând mișcarea înainte a navei spațiale de-a lungul orbitei. Proiectarea instrumentului multispectral (MSI) SENTINEL-2 a fost dictată de cerințele de performanță geometrică și spectrală ridicate ale măsurătorilor preluate cu câmpuri de deschidere mari. MSI măsoară radiația reflectată de Pământ în 13 benzi spectrale cuprinse între 400 și 2300 nm. În tabelul 2.3 au fost centralizate datele cu privire la valorile ce caracterizează lungimile de undă ale fiecărei benzi ale satelitului S2A.
Tabel 2.3. Benzile senzorului MultiSpectral instrument al satelitului Sentinel-2A
Platforme satelitare cu senzori de preluare activi
Senzorul activ folosește semnale transmise de o antenă aflată la bordul platformei satelitare, care sunt reflectate, refractate sau împrăștiate de suprafața Pământului sau de atmosfera sa. Senzorii activi din spațiu au o varietate de aplicații legate de meteorologie și de observarea suprafeței și atmosferei Pământului. De exemplu, unul dintre senzorii activi este radarul. Radarele de precipitații măsoară ecoul radarului pentru a determina rata precipitațiilor deasupra suprafeței Pământului; iar radarul profilului norului măsoară revenirea ecoului radar de la nori pentru a furniza un profil tridimensional al reflexiei norului deasupra suprafeței Pământului. Există și tipuri de radar utilizate pentru aplicații terestre, precum observare acoperirii terenurilor sau corpurilor de apă.
Avantajul utilizării microundelor este că acestea trec prin gaze și nori și pot penetra chiar și solide medii solide. Instrumentul radar produce impulsuri regulate de energie, de o lungime de undă cunoscută unde undele vibrează într-o orientare predeterminată. Lungimile de undă ale semnalului emis de antenele radar sunt cuprinse între 1 mm și 20 m
Senzorii activi utilizați pentru crearea de imagini cu rezoluție spațială medie (aprox. 20 m) sunt senzorii cu apertură sintetică. Radarul cu apertură sintetică este un tip de radar rezultat prin înaintarea unei antene normale printr-o serie de poziții de-a lungul unor obiecte observate, alcătuind o antenă virtuală mult mai lungă decât în comparație cu cea normală. Odată cu mărirea antenei, crește și precizia datelor preluate, aceasta fiind direct proporțională cu dimensiunile antenei.
Figura 2.5. Sistemul de scanare al unui radar cu apertură sintetică
Tabelul 3.1 prezintă benzile tipice cu microunde pentru sistemele SAR prin satelit utilizate pentru preluare de imagini de teledetecție (Attema, 1991; Hanssen, 2001; Buckreuss și colab., 2003; Werninghaus, 2004; Rosenqvist și colab., 2007; F.Covello și colab., 2010).
Tabel . Frecvențe tipice ale sistemelor SAR, sisteme satelitare și aplicații specifice
Sateliții European Remote Sensing Satellites (ERS)
Figura ..Satelitul ERS-2. Sursa: www.esa.int
Sateliții europeni de teledetecție (European Remote Sensing satellites) au făcut parte din primul program de observare a Pământului al Agenției Spațiale Europene care utiliza o orbită polară. Primul satelit, ERS-1, a fost lansat pe 17 iulie 1991 pe o orbită sincronă cu soarele cu o altitudine de 782-785 km cu perioadă de 100 minute.
Platforma ERS-1 a fost dotată cu o suită de instrumente pentru observarea Pământului (uscat, apă, zone înghețate și atmosferă) care se bazau pe diferite principii de măsurare:
Altimetre radar cu o singură frecvență care opera în banda K. Acesta avea o precizie de 5 cm pentru determinarea altitudinii.
ATSR-1 (Along-Track Scanning Radiometer) este un radiometru și sondă acustică cu 4 canale care măsura temperaturile la nivelul suprafeței mărilor și deasupra norilor;
SAR (synthetic apertură radar) care opera în banda C cu polarizare liniară verticală (VV), și era utilizat pentru detectarea cu precizie submilimetrică deplasărilor scoarței terestre. Lățimea fâșiei preluate de senzorul SAR era de 100 km. Viteza de deplasare a platformei fiind de 4 km/s, antena sintetică a senzorului SAR avea o lungime de 4 km. Rezoluția spațială a senzorului era de 26.3 m x 30 m;
Senzor radar pentru măsurarea vitezei și direcției vântului;
Radiometru în domeniul microundelor utilizat pentru măsurarea conținutului de apă în atmosferă, precum și pentru corecția determinărilor altimetrice;
Misiunea ERS-1 a avut mai multe faze în care ciclurile de revizitare au variat între 3, 35 și 336 zile. Ciclul de revizitare de 336 zile a corespuns unei misiuni geodezice pentru aplicații de batimetrie în vederea determinării geoidului utilizând Altimetrul Radar. ERS-1 a depășit cu mult speranța de viață de 5 ani prevăzută inițial, încetându-și activitatea pe 10 martie 2000.
Următorul satelit, ERS-2 (Fig. 2.7), a fost lansat pe 21 Aprilie 1995, fiind în mare parte asemănător senzorului ERS-1, la care au fost adăugate instrumentele:
GOME (Global Ozone Monitoring Experiment) este un spectrometru în domeniul ultraviolet și vizibil;
ASTR-2 a inclus 3 benzi spectrale în domeniul vizibil pentru observarea clorofilei și vegetației.
După lansarea ERS-2, ERS-1 s-a deplasat în același plan orbital cu acesta, făcând posibilă o misiune în tandem până în 2000.
Satelitul Envisat
Succesorul sateliților ERS -1/2 este Envisat (”Environmental Satellite”), care conține versiuni îmbunătățite ale instrumentelor de la bordul ERS-2. Envisat este cel mai mare satelit civil de observare a Pământului lansat de către ESA. Envisat a fost lansat în 2002 fiind un satelit destinat în special preluării datelor referitoare la mediul înconjurător. Antena senzorului SAR de la bordul Envisat (ASAR – Advanced Synthetic Aperture Radar) transmitea alternativ semnale polarizate dual, vertical și orizontal, la un unghi de incidență cuprins între 15 și 450. Acest semnal reflectat era receptat de către antenă simultan pe două canale diferite, astfel generând matricea derivată a semnalului reflectat într-o imagine pixel cu pixel. Misiunea sa a fost încheiată oficial pe 9 mai 2012, dar acesta se află încă pe orbită, urmând să se dezintegreze la intrarea în atmosferă, estimată peste 25 de ani.
Senzorii aflați la bordul satelitului Envisat sunt de mai multe tipuri, platforma fiind destinată pentru o gamă largă de aplicații. Dintre acești senzor, cel mai important pentru aplicațiile de monitorizare a suprafeței terestre este senzorul ASAR (Advanced Synthetic Aperture Radar)
Tabel 2.5. Denumirea senzorilor aflați la bordul platformei satelitare Envisat
Tabel 2.6. Însușirile tehnice ale platformei satelitare Envisat și ale senzorului ASAR
Satelitul TerraSAR-X
Figura 2.7. Sateliții Terra-SAR-X și TanDEM-X Sursa:www.dlr.de
Așa cum sugerează literatura în domeniu, studiile urbane necesită senzori cu rezoluție spațială și temporală mare, care pot satisface condiții de urmărire atât unor zone metropolitane în ansamblu cât și a unor detalii precum clădiri sau alte componente de infrastructură. Pentru a veni în sprijinul acestui tip de studii, au fost lansați în 2007, respectiv 2010, sateliții germani comerciali SAR TerraSAR-X și TanDEM-X. Durata de viață a ambilor sateliți a fost estimată la început ca fiind de aproximativ 5 ani. Cu toate acestea, în mai 2014 starea de funcționare a sateliților era încă perfectă. Durata de viață a sateliților a putut fi extinsă până în 2018.
Misiunile TerraSAR-X și TanDEM-X au fost realizate printr-un parteneriat Public Privat între Ministerul German al Educației și Științei reprezentat prin Agenția Spațială Germană și Airbus Defense and Space.
Frecvența înaltă a senzorilor sateliților TerraSAR-X și TanDEM-X, mai exact banda X, oferă posibilitatea obținerii de imagini SAR de calitate superioară celor obținute anterior. Atuurile acestor misiuni nu sunt reprezentate doar de valoarea lungimii de bandă ci și de flexibilitatea modurilor de preluare a imaginilor. Cei doi sateliți operează în TanDEM (Fig. 2.8), într-o formație strânsă, la o distanță de câteva sute de metri. Aceștia achiziționează împreună date pentru a genera un model digital de elevație global, WorldDEM Digital Elevation Model, prin combinarea calității, acoperirii terestre și preciziei mari.
Deoarece sateliții sunt identici, în continuare vor fi prezentate câteva particularități ale satelitului TerraSAR-X cu mențiunea că însușirile descrise pot fi extinse și asupra TanDEM-X.
Tabel 2.7. Însușiri tehnice ale sateliului TerraSAR-X
Satelitul Sentinel-1
Sentinel-1 este primul satelit din seria sateliților lansați în programul Copernicus. Acesta poartă un instrument radar avansat pentru a furniza imagini atât pe timp de zi cât și de noapte despre suprafața terestră.
Radarul cu apertură sintetică (SAR) preia imagini în banda C, asigurând continuitatea sateliților istorici lansați de ESA, ERS-1, ERS-2 și Envisat, precum și a celor lansați de Canada, Radarsat-1 și Radarsat-2.
Ca o constelație de doi sateliți, Sentinel-1A și Sentinel-1B dispuși pe orbită la 180 °, misiunea preia imagini de pe întregul Pământ la fiecare șase zile. Pe lângă transmiterea datelor la o serie de stații de la sol din întreaga lume pentru diseminarea rapidă, Sentinel-1 poartă, de asemenea, un laser care transmite continuu date către satelitul european EDRS (European Data Relay System).
Sentinel-1A a fost lansat la 3 aprilie 2014 și Sentinel-1B la 25 aprilie 2016. Ambele au fost plasate pe orbită de o rachetă Soyuz, lansată din portul spațial al Europei din Guiana Franceză.
Modul principal de funcționare are un câmp de vedere cu lățime de 250 km cu rezoluție geometrică ridicată (de obicei 20 m) și rezoluții radiometrice potrivite pentru majoritatea aplicațiilor.
Instrumentul Sentinel-1 poate prelua imagini în 4 moduri:
Stripmap (SM) – Un mod standard de imagistică SAR stripmap, în cazul în care solul este iluminat cu o succesiune continuă de impulsuri, în timp ce fasciculul antenei indică spre un azimut și unghi de elevație fixe.
Interferometrie cu câmp de preluare larg (Interferometric Wideswath – IW) – datele sunt obținute în trei variante utilizând tehnica de observare a teritoriului cu scanare progresivă (SAR) (TOPSAR). În modul IW, liniile de imagine sunt sincronizate de la trecere la trecere pentru a asigura co-registrarea perechilor interferometrice. IW este modul principal de funcționare a SENTINEL-1 pe uscat.
Interferometrie cu câmp de preluare larg (Extra Wideswath-EW) – datele sunt obținute în cinci straturi folosind tehnica imagistică TOPSAR. Modul EW oferă o acoperire foarte înaltă în detrimentul rezoluției spațiale.
Undă (Wave-WV) – datele sunt achiziționate în mici scene stripmap situate la intervale regulate de 100 km de-a lungul traiectoriei. Modul WV se utilizează de obicei deasupra oceanelor.
Tabel 2.8. Însușiri tehnice ale satelitului Sentinel-1A
Copyright Notice
© Licențiada.org respectă drepturile de proprietate intelectuală și așteaptă ca toți utilizatorii să facă același lucru. Dacă consideri că un conținut de pe site încalcă drepturile tale de autor, te rugăm să trimiți o notificare DMCA.
Acest articol: MONITORIZAREA MEDIILOR URBANE UTILIZÂND IMAGINI SATELITARE RADAR ȘI ELECTRO-OPTICE [307587] (ID: 307587)
Dacă considerați că acest conținut vă încalcă drepturile de autor, vă rugăm să depuneți o cerere pe pagina noastră Copyright Takedown.