Paikkatiedon keruu ja muokkaus: kaukokartoitus

Esitys aiheesta: "Paikkatiedon keruu ja muokkaus: kaukokartoitus"— Esityksen transkriptio:

1 Paikkatiedon keruu ja muokkaus: kaukokartoitus
Paikkatietotekniikan erikoistumisopinnot ZM06 Paikkatiedon keruu ja muokkaus: kaukokartoitus Luento 4 Ilmakuvaus Kartoitusprosessi Tulkinta Visuaalinen Ohjattu Ohjaamaton CORINE Land Cover 2000

2 ILMAKUVAUS Fotogrammetrian ehdottomasti yleisin sovellus on ilmakuvakartoitus Suomessa valtakunnallinen peruskartoitus 1:20'000 tehtiin koko maan osalta ensimmäisen kerran ilmakuvilta vuosina Kartoituskuvaukset ovat pystykuvauksia ja kuvaus pyritään tekemään stereokuvauksena Koska koko kuvausalue tulee kattaa stereomallein, kuvaus tehdään jonoina, joissa peräkkäiset kuvat peittävät toisensa yli 50 % ja vierekkäiset jonot toisensa %

3 ILMAKUVAUS Tämä edellyttää erikoisvalmisteista sarjakuvakameraa
230 mm x 230 mm negatiivikoko, geometrisesti lähes virheetön objektiivi ja erotuskyvyltään vähintään viivaparia millimetrillä toistava kuvausjärjestelmä Uutuuksia: 1990-luvulla satelliittipaikannukseen perustuva navigointi ja kuvauksen ohjaus, sekä kameran stabilointi ja kuvan maaliikkeen kompensointi valotuksen aikana 2000-luvulla digitaalisten ilmakuvakameroiden tulo markkinoille

4 KUVAUS Kartoituskuvaukset tehdään lähes yksinomaan pystykuvauksina ja stereokuvauksen normaalitapauksen mukaisina stereomalleina Kuvaus tehdään jonoina, joissa mallit muodostuvat, kun peräkkäiset kuvat peittävät toisensa yleensä 60 % (pituuspeitto) Vierekkäiset jonot kuvataan siten, että ne peittävät toisensa % (sivupeitto)

5 KUVAUS Runsailla peitoilla pyritään varmistumaan siitä, että koko alue tulee kuvattua stereomalleina Suurta tarkkuutta vaativissa kartoitustöissä kuvaukset tehdään myös jonojen kesken 60 % sivupeitolla (tarkka kartoituskuvaus) Tällöin useimmat maaston yksityiskohdista näkyvät vähintään neljällä kuvalla ja kohteita jää katveisiin vastaavasti vähemmän Kamerassa käytettävän objektiivin polttoväli f (suunnilleen sama kuin kameravakio c) ja kuvauskorkeus H määrittyy kartoitustarpeen mukaan

6 KUVAUS- JA KARTOITUS-MITTAKAAVAT
Suomessa yleisimmin käytetyt kuvausmittakaavat. Kartoituslaji Kartoituksen tarkkuusluokka Kuvaus-mittakaava Kameran objektiivi Lento-korkeus Korkeakuvaus - 1 : 60000 f = 15 cm 9200 m Peruskartta 1 : 10000 1 : 30000 4500 m Maastotietokanta laatuluokat A ja B 1 : 31000 f = 21 cm 6500 m Pohjakartta (ortokuva) 1 : 5000 1 : 16000 3350 m Kantakartta (yleiskaavoitus) 1 : 20000 3000 m Kantakartta 1 : 2000 1 : : 10000 1050 m m

7 KUVAUS- JA KARTOITUS-MITTAKAAVAT
Kartoituslaji Kartoituksen tarkkuusluokka Kuvaus-mittakaava Kameran objektiivi Lento-korkeus Kantakartta 1 : 1'000 1 : 3' : 6'000 f = 15 cm 500 m m 1 : 500 1 : 3' : 3'500 450 m m Tiesuunnittelu, yleissuunnittelun maastomalli 1 : 2'000 1 : 12'000 1'900 m Tiesuunnittelu, tarkka numeerinen maastomalli 1 : 3'300 500 m Metsätalouden vääräväri-kuvaukset 1 : 30'000

8 KARTOITUSKUVAUS Kartoituskuvaus tehdään mikäli mahdollista karttalehtijaon mukaan ja alue kuvataan pääilmansuuntien suuntaisin jonoin Stereomallien kannalta on edullista, jos yksittäiset kuvat peittävät esimerkiksi koko karttalehden tai sen puolikkaan Tällöin karttalehdet koostuvat kokonaisista malleista Aluekuvauksen kuvajoukkoa kutsutaan ilmakuvablokiksi

9 KARTOITUSKUVAUS Suomessa käytetään yleisimmin laajakulma- tai välikulmakameraa Laajakulmakamera (c=15 cm) soveltuu erityisesti topografiseen kartoitukseen Sillä kuvattaessa stereomallin kantasuhde on parempi kuin välikulmakameralla, millä on merkitystä korkeusmallien mittaustarkkuuteen

10 KARTOITUSKUVAUS Välikulmakameraa (c=21 cm) käytetään mm. maanmittauslaitoksen maastotietokannan ajantasaistustoiminnassa, jossa kartoitus perustuu aiemmin mitattuun korkeusmalliin ja ns. ortokuvaukseen Välikulmaobjektiivilla kuvattaessa maaston peitteisyydestä aiheutuvat katveet ovat kuvalla pienemmät kuin laajakulmaobjektiivilla kuvattaessa

11 KOORDINAATISTO JA SIGNALOINTI
Kartan tulee muodostua saumattomaksi kokonaisuudeksi yhdessä ja samassa koordinaatistossa Koordinaatisto on merkitty maastoon taso- ja korkeuslähtöpisteinä, joihin koko ilmakuvablokki sidotaan Kartoitusalue tulee rajata niin, että kaikki stereomallit sijaitsevat lähtöpisteverkon sisällä

12 KOORDINAATISTO JA SIGNALOINTI
Mallien liitospisteet: kaikki stereomallit sidotaan toisiinsa ja lähtöpisteiden kautta koko kartoitusalueen koordinaatistoon omilla tukipisteillään Signalointi: kaikki lähtöpisteet näkyvöitetään ennen kuvaamista Liitospisteinä voidaan käyttää myös luonnollisia pisteitä, jotka valitaan kuvilta kuvauksen jälkeen

13 KOORDINAATISTO JA SIGNALOINTI
Kuvassa maapistelava (Ossi Jokinen, Padasjoki, ) Peruskartoituksessa lähtöpisteiden näkyvöittämiseen käytetään pärelavoja Signaalin tulee näkyä kuvalla, joka otetaan 4500 metrin korkeudesta Signaali keskistetään maassa olevan kolmiopisteen tasosijainnin suhteen Jos samaa signaalia käyte- tään myös korkeuslähtö- pisteenä, sen korkeus maanpintaan on mitattava ja tämä on otettava huomi- oon kuvia orientoitaessa

14 KOORDINAATISTO JA SIGNALOINTI
Kuvassa rajasignaali (Ossi Jokinen, Kuhmoinen, Koivumäki) Ennen kuvausta signaloidaan kaikki maastonkohteet, joiden koordinaatit halutaan rekisteröidä tarkasti Tässä on kyse kiinteistörajan näkyvöittämisestä ja signalointi on tehty maanmittauslaitoksen pohjakartoituksen 1 : yhteydessä Kontrastia on lisätty kuusenhavuilla

15 KOORDINAATISTO JA SIGNALOINTI
Signalointikartta, Humppila Kaikki signalointitiedot merkitään kartalle Tärkeitä muistiin merkittyjä tietoja ovat tiedot signaalien epäkeskisyydestä, korkeusmitoista, varasignaaleista ja niiden sidemitoista Signalointikartalle merkitään myös ne signaloitavat kohteet, joita ei ole maastossa onnistuttu löytämään

16 KUVAUSKALUSTO Ilmakuvakamera Zeiss LMK 2000
Vasemmalta navigointikaukoputki, kuvaliikkeen ohjausyksikkö, keskusyksikön terminaali, sekä kamera.

17 KUVAUSKALUSTO Zeissin LMK 2000 koostuu seuraavista perusyksiköistä:
Objektiivikartioita LC 2000 on neljälle polttovälille. Kussakin on kiinteä fokusointi, kuvaportti, suljinkoneisto, lisätietojen rekisteröintilaitteet ja valotusmittari. Käyttöyksikössä DU 2000 on kaksi erillistä osaa kasetin molemmin puolin. Yksikössä on filmin siirtomoottori, tyhjiöpumpun moottori ja näiden vaatimia ohjauslaskimia. Filmikasetissa MA 2000 on veto- ja varastopuola, imu- ja painolevy, filmin siirtomekanismi ja kuvaliikkeen kompensoinnin laitteet. Stabiloidulla jalustalla SM 2000 kamera kiinnitetään lentokoneeseen. Jalusta on kolmen koordinaattiakselin suhteen gyrostabiloitu. Eri objektiivikartioita varten on omat adapterirenkaat.

18 KUVAUSKALUSTO Kuvaliikkeen ohjausyksikköä CU 2000, jossa on elektro-optinen etsinjärjestelmä kameran suuntaamiseksi, maa- ja kuvaliikkeen määrittämiseksi, peiton määrittämiseksi ja komponentit kuvaliikkeen kompensoinnin ohjaamiseksi. Navigointi- ja ohjausyksikköä NCU 2000, jossa on etsinkaukoputki visuaalista navigointia varten, voidaan käyttää vaihtoehtoisesti kuvaliikken ohjausyksikön kanssa. Kummassakin on sama jalustaosa. Keskusyksikkö CM 2000 sisältää päätietokoneen, joka on kameran toiminnallinen keskusyksikkö. Keskusyksikön terminaalin kautta syötetään kameralle kaikki kuvauslennon ohjaustiedot ja kuvan laitaan tulostettavat lisätiedot.

19 KUVAUSKALUSTO Ulkoinen orientointi
Kameran ulkoisen orientoinnin muuttujat: kameran sijainti (X, Y ja Z) sekä kierrot koordinaattiakselien ympäri (kappa, phi ja omega) Kuvausta ohjataan satelliitti-paikannusta käyttäen, lisäksi kameran projektiokeskuksen koordinaatit rekisteröidään kuvaushetkellä Jälkikäsiteltyinä koordinaattien epätarkkuus on alle 10 cm Kameran jalusta stabiloidaan niin, että kallistukset ovat keskimäärin alle 0.5 astetta.

20 KARTOITUSPROSESSI Kartoitusprosessi: niiden työvaiheiden muodostama kokonaisuus, jotka ovat tietyn kartan valmistamiseksi välttämättömiä Kanta- ja peruskartoilla prosessiin kuuluu useimmiten kalliita maastotyövaiheita Erikois- ja sovelletuilla kartoilla maastotöiden osuus on vähäisempi, mutta teeman osuus korostuu

21 KARTOITUSPROSESSI

22 KARTOITUSPROJEKTI Kartoitusprojekti sisältää työsuunnitelman, aikataulun, resurssivaraukset, kustannusarvion Kartoitusprosessi sisältää työmenettelyn kartan valmistamiseksi Projekti on valmis, kun kartta on valmis ja vastaa sille asetettuja vaatimuksia, ja sekä asiakas eli kartan käyttäjä ja tuottaja eli kartan tekijä ovat kummatkin tyytyväisiä lopputulokseen

23 1. TARJOUSPYYNTÖ Kartan tarkoitus
Selvitys aineistoista, joilla kartan tekemisen kannalta on merkitystä: aiemmat kartoitukset alueella, pisterekisteri, pyykkien koordinaatit… Selvitys muista mittaustarpeista: kaivot, viemärit, maanalaiset johdot… Asiakkaan tiedostoformaatit: Fingis, Tekla, Intergraph… Muut kartoitusprosessiin vaikuttavat tarpeet: 3-D digitointi, pistetihennys…

24 2. TYÖSUUNNITELMA Työtehtävät, aikataulu, kuka tekee ja vastaa
Asiakkaan kannalta hyvä aikataulu on seuraava: tammi-helmikuu: tarjouspyynnöt toukokuu: kuvaus kesäkuu: stereokartoitus elokuu: maastotäydennykset joulukuu: lopputarkastus

25 3. KUVAUS Esimerkiksi lentokorkeus h = 600 m kuvausmittakaava 1:4,000
kuvaus väripositiivifilmille Geodeettisten runkopisteiden signalointi Kuvausajankohta yleensä loppukeväästä kun lumi on sulanut mutta lehtipuissa ei ole vielä lehtiä

26 4. PISTETIHENNYS Ilmakolmiointi eli fotogrammetrinen pistetihennys
Kuville määritetään tarpeellinen määrä koordinaateiltaan tunnettuja tukipisteitä stereokartoitusta varten Tuotetaan koordinaattihavaintoja geodeettisen runkoverkon tihennyspisteille, rajamerkeille sekä niille luonnollisille, kuvilla näkyville kohteille, joita käytetään stereomallien tai ortokuvien tukipisteinä Kolmiointipisteiden 3-D koordinaatit ratkaistaan tasoittamalla kuvahavainnot kolmiulotteisena verkkona (blokkikolmiointi)

27 4. PISTETIHENNYS Punaiset ympyrät ja kolmiot: geodeettisen runkoverkon taso- ja korkeuskiintopisteitä Vaaleanharmaat ympyrät: tihennyspisteet, eli pisteet joille ollaan määrittämässä geodeettisia koordinaatteja Vaaleansiniset neliöt: ilmakuvat jotka muodostavat kuvablokin Tummansiniset pisteet: kiinto- ja tihennys- pisteitä vastaavat kuvapisteet

28 4. PISTETIHENNYS Kolmioinnin tuloksena saadaan välillisesti ratkaistua kuvien ulkoiset orientoinnit Nykyisin kuvien orientoinnit voidaan määrittää tarkkaan myös suorin GPS-havainnoin, inertiaalisin navigointihavainnoin sekä kameran kallistushavainnoin Tästä huolimatta kolmiointi tehdään, koska sillä varmistetaan kartoituskoordinaatiston tasalaatuisuus koko kartoitusalueella.

29 5. STEREOKARTOITUS

30 5. STEREOKARTOITUS Kartoituksen tehtävänä on tulkita näkymä ja esittää se yksityiskohdittain koordinaatistoon sidottuna geometria- ja ominaistietona Stereotulkintaa käytetään maanpinnan topografiseen havaitsemiseen ja mittaamiseen sekä mallintamiseen korkeusmalliksi Stereoskooppinen havainnointi auttaa myös erottamaan maaston, sen kasvuston ja yksityiskohdat, rakenteet ja rakennukset tarkasti sekä erottamaan kartalle piirrettävät kuviorajat selvinä Kun maasto on kertaalleen kartoitettu ja siitä on olemassa korkeusmalli, kartan ajantasaistus voidaan tehdä yksikuvamittauksena ja perustaa se ortokuvien tulkintaan

31 6. TÄYDENNYSMITTAUKSET ja 7. KARTAN EDITOINTI
Yleensä maastossa ja geodeettisesti Peitteiset alueet kuten sankka metsä tällöin maastomalli mitattava paikanpäällä Räystäsmittaukset sekä mahdolliset sokkelimitat asiakkaalta Editointi Paikkatietoaineiston muokkaus, koordinaatistomuunnokset sekä visualisointi

32 8. KARTAN TARKISTUS JA 9. TULOSTUS
Graafinen Numeerinen: heti stereotyön jälkeen Tulostus Graafisesti muoville piirturilla Numeerisesti haluttuun formaattiin

33 Tulkinta Visuaalinen tulkinta Ihminen suorittaa katsomalla kuvaa
Tietokoneen suorittama tulkinta Kohdetta kuvaava jatkuva muuttuja, esim. puuston kuutiotilavuus (mallintaminen) Kohdetta kuvaava kategoria eli diskreetti muuttuja (luokittelu)

34 Visuaalinen tulkinta Etsitään yhtenäisiä ja samankaltaisia alueita kuvilta Tunnistetaan eri alueet maastokohteiksi tai maankäyttöluokiksi Erotellaan sävyn, muodon, koon, tekstuurin, varjojen, ympäröivien kohteiden avulla

35 Vis 1: Havainto ja erottuminen
Sävyerot huomataan (erot joko teräviä tai asteittaisia) Objekti havaitaan kun suoraan havaittu sävyero on niin suuri että se erotetaan ympäristöstään Erottaminen riippuu havainnoijan kokemuksesta ja kuvalla olevien sävyerojen kontrastista Ei välttämättä virheetöntä havainto voi johtaa harhaan objekti erottuu huonosti ympäristöstään

36 Vis 2: Koon määrittäminen ja identifiointi
Oikea arvio kohteen koosta on oleellista oikean identifioinnin tekemiseksi Kohteen identifiointi voi perustua sen geometriaan (koko, muoto, korkeus, varjo), kohteen paikkaan tai sen kontekstiin (asiayhteys) Kohde on identifioitu, kun se voidaan nimetä

37 Vis 3: Analyysi ja johtopäätökset
Liitetään merkitys nimetylle kohteelle Määritetään kohteiden väliset yhteydet ja riippuvuudet

38 Sävy Kohteen sävy kuvaa suhteellista kirkkausarvoa kuvalla.
Sen perusteella pääasiassa tehdään kohteiden tunnistamista kuvalla Eri sävyisten kohteiden muoto, koko yms. erottuvat

39 Muoto Muodon perusteella voidaan määritellä mikä kohde on, esim
ihmisen tekemät kohteet ovat muodoltaan terävämpiä ja säännöllisempiä esim. tiet, rakennelmat luonnonkohteet rajoiltaan epäsäännöllisiä ja epämääräisiä

40 Koko Eri alueellisen erotuskyvyn kuvilla kohteet ovat eri kokoisia
Kohteiden koko suhteessa muihin kohteisiin auttaa tunnistamisessa

41 Kuvio Samankaltaista kohdetta on paljon, muodostuu kuvio
Voi päätellä jotain yksittäisistä kohteista tai alueesta

42 Tekstuuri / pinnan karkeus
Alueen / kohteen karkeus verrattuna instrumentin alueelliseen erotuskykyyn Jos tekstuuri on pienipiirteisempää, kohde näkyy tasaisena alueena Kuten avoalue viereisellä kuvalla

43 Varjot Voi auttaa kohteen tunnistamisessa ja koon määrittämisessä
Toisaalta estää alleen jäävän kohteen tunnistamisen

44 Yhteys muihin kohteisiin
Kohde voidaan tunnistaa ympäröivien kohteiden avulla, vaikka se ei itsessään olisikaan tunnistettava

45 Mallintaminen Määritetään kaukokartoitushavaintojen ja geofysikaalisen parametrin välinen yhteys Parametri jatkuva muuttuja Esimerkkejä puuston m3/ha, maaperän kosteus, veden suolaisuus Lähestymistapoja mallintamiseen Empiirinen Semi-empiirinen Teoreettinen

46 Empiirinen mallintaminen
Tehdään tilastollinen malli kaukokartoitushavaintojen x (selittävä muuttuja) ja geofysikaalisen parametrin y (selitettävä muuttuja) välille Yksinkertaisimmassa tapauksessa kyseessä on lineaarinen regressioanalyysi, yksi selittävä muuttuja: y = a0 + a1 * x Mallin kertoimet a määritetään minimoimalla virhettä mallilla estimoidun ye ja tunnetun y välillä Kertoimet a määrittävät vain muuttujien välisen yhteyden eivätkä vastaa mitään reaalimaailman ilmiötä

47 Empiirinen mallintaminen
Landsat ETM Ch5 vs. puuston pituus a0 = 9.13, a1 = -0.09 PIT = * DN RMSE = 1.22 m RMSE% = 61.0% PCC = -0.60 R2 = 35.8

48 Empiirinen mallintaminen
Landsat ETM Ch5 vs. puuston pituus, puuttomat alueet poistettu a0 = 7.70, a1 = -0.06 PIT = * DN RMSE = 0.62 m RMSE% = 21.7% PCC = 0.74 R2 = 54.9

49 Digitaalinen tulkinta: luokittelu
Sama tavoite kuin visuaalisessa tulkinnassa: luokitellaan pikselit eri luokkiin Tehdään numeerisesti Eri kanavien arvoihin perustuen Ohjelmilla / algoritmeilla

50 Luokitteluprosessi 1. Mittaus: satelliitin keilain muodostaa käsiteltävät hahmot, kuvapikselit 2. Esikäsittely: eliminoidaan virheet radiometrinen ja geometrinen korjaus 3. Piirteiden valinta ja irrotus: valitaan osajoukko koko datasta, jossa on suurin informaatio (kanavasuhde, erotuskuvat pääkomponenttimuunnos)

51 Luokitteluprosessi 4. Esitysmuoto: 5. Tunnistus:
vektori (yksi pikseli kaikilla kanavilla/piirteillä) Pikseli: hahmovektori 5. Tunnistus: hahmot jaotellaan tunnettuihin tai tuntemattomiin luokkiin määritetään luokkien samankaltaisuutta määritetään luokittelun luotettavuus!!!

52 Luokat Spektraaliset luokat Yhtenäiset (tai lähes) pikseliryhmät
Ts. samanlainen spektri Informaatioluokka Luokittelun lopullinen tavoite Esim. eri puulajit, pellot, kivilajit, hakkuualueet, muuttuneet alueet, saastuneet alueet, lajien levinneisyyskartat…

53 Luokat Yhdistetään spektraaliset luokat haluttuihin informaatioluokkiin. Harvoin kuitenkaan spektraalinen luokka suoraan vastaa haluttua lopullista luokkaa Vaikeaa koska: Kuvalta löytyy spektrisesti yhtenäisiä alueita, jotka eivät muodosta mitään haluttua lopullista luokkaa Lopullinen luokka voi koostua useista spektraalisista osaluokista.

54 Luokittelu 1. ohjattu (supervised) 2. ohjaamaton (unsupervised)

55 Ohjattu luokittelu Pohjaa kuvalta poimittaviin / osoitettaviin homogeenisiin edustaviin näytteisiin kustakin luokasta = opetusalue Kerrotaan luokittelijalle millaisia eri luokkien spektraaliset ominaisuudet ovat Eli millaisia luokkien tyypilliset hahmovektorit ovat sekä näiden hajonta

56 Opetusalue Etsitään luokkia vastaavat alueet kuvalta ja nimetään ne kunkin luokan opetusalueiksi Hyvän opetusalueen valinta riippuu siitä kuinka paljon alueesta on muuta tietoa: aiempi luokittelumateriaali ja kartat ym. muut tiedot (peruskartta) maastokäynnit / inventoinnit eli kuinka tuttu alue on

57 Opetusalueet

58 Opetusalueiden keskiarvot kanavittain

59 Piirteiden valinta ja irrotus:
Valitaan käytettävät kanavat / piirteet (turha tieto pois!) Suhdekuvat, pääkomponentit, erotuskuvat Data, josta tulevat luokat erottuvat parhaiten toisistaan Mitä vähemmän dataa sen parempi! Kuvan eri kanavien lisäksi hahmovektori voi siis käsittää muitakin piirteitä, kuten vaikka lasketun NDVI:n yhtenä kanavana

60 Ohjattuja luokittelumenetelmiä
Bayesin päätössääntö todennäköisyysteoreettinen menetelmä, etsitään sitä luokkaa joka parhaiten vastaa havaintoja Lähimmän naapurin päätössääntö perustuu hahmevektoreiden välisiin etäisyyksiin, useita eri versioita periaatteena että lähekkäin olevat hahmovektorit kuuluvat samaan luokkaan Diskriminanttifunktiot määritetään luokkien rajat

61 Bayesin päätössääntö Haetaan todennäköisintä luokkaa kullekin datajoukon pikselille Määritetään kullekin pikselille x todennäköisyys, että se kuuluu luokkaan wj Luokkia j: 1 , … , n Määritellään todennäköisyys luokalle wj (a posteriori todennäköisyys) että pikseli x kuuluu ko luokkaan: P( wj|x)

62 Bayesin päätössääntö P(wj|x) = luokan a posteriori todennäköisyys
p(x) = x:n yhteistiheysfunktio =  p(x|wj) * pi luokitellaan x luokkaan, jolle P(wj|x) on kaikkein suurin!

63 a posteriori todennäköisyyden laskentaan tarvitaan:
p(x|wj): luokan j todennäköisyys tietyn tyyppiselle pikselille x luokan j tiheysfunktio hahmovektorille x ilmaiseen hahmovektorin x ja luokan j opetusjoukon välisen etäisyyden kuinka paljon x kuuluu luokkaan j Pj: luokan j etukäteistodennäköisyys kuinka suuri osa kaikista pikseleistä kuuluu luokkaan j

64 Bayesin päätössääntö Yksinkertaisimmassa tapauksessa x luokitellaan siihen luokkaan jolla on suurin a posteriori todennäköisyys Jos virheluokittelusta on suuret vahingot, hylätään mieluummin kuin luokitellaan väärin! Hylkäyskynnys: lr Luokitellaan luokkaan j : w(x)=wj jos P(wj|x) = max P(wi|x) > 1-lr Hylätään: w(x)=w0 jos P(wj|x) = max P(wi|x) <= 1-lr

65 Suurimman uskottavuuden luokittelija (maximum likelihood classifier) MLC
Bayesin päätössääntö + parametrinen tiheysfunktio Parametrit estimoidaan opetusjoukon avulla Yleensä luokat oletetaan normaalijakautuneiksi, määritettävä luokille keskiarvovektorit ja kovarianssimatriisit Bayesin kaavassa käytetään luokan tiheysfunktion kaavana normaalijakauman tiheysfunktion kaavaa

66 Kanavan1 arvot Kanavan2 arvot a a a a a a a d d d d d d b c x ellipsin säde x = luokan keskiarvo

67 Tulosten analysointi Minimoidaan luokitteluvirhe -> virheen estimointi on oleellinen osa luokittelua Määritettävä estimaatin luotettavuus Virhe estimoidaan luokittelemalla 1. tulkinta-alue, eli poimitut ja nimetyt alueet tulkinta-alueen luokitteluvirhettä ei kuitenkaan voi yleistää koskemaan koko kuvaa 2. testialue, joka on eri kuin opetusalueet

68 Virhematriisi Tarkkuutta arvioidaan virhematriisin avulla
Diagonaalilla oikein luokittuneet Muut ovat virheluokituksia Riveillä: mihin luokitellaan Sarakkeilla: mikä luokan pitäisi olla testialueiden mukaan eli ”oikea luokka”

69 Virhematriisi testialueen oikeat luokat
testialueen luokituksen tulokset

70 Tarkkuuslukuja Lasketaan virhematriisista
Luokituksen keskimääräinen tarkkuus Miten luokat keskimäärin luokittuneet, eli keskiarvo kaikkein pikselien luokittelutarkkuudesta Tuottajan tarkkuus / tulkintatarkkuus Kertoo siitä, miten hyvin luokan testipikselit ovat luokittuneet Käyttäjän tarkkuus / kohdetarkkuus Kertoo todennäköisyyden, että luokkaan I luokiteltu pikseli todella kuuluu kyseiseen luokkaan KHAT-arvo eli Kappakerroin Luokitustuloksen ero satunnaiseen luokitteluun

71 Maastoaineisto Maastohavainnot eli käynti alueella, esim. kuvioittainen metsäninventointi Aiemmat kartat huomioitava tekovuosi, onko alue muuttunut!! Mikä tahansa tieto alueelta auttaa Tärkeää olla jotain validointiaineistoa jolla arvioida tarkkuutta

72 Ohjaamaton luokitttelu
Ensin ryhmitellään spektraalisesti samankaltaiset alueet datalta Pohjataan vain kuvalta saataviin numeroarvoihin Tunnistetaan jälkikäteen luokiksi

73 Ohjaamaton luokittelu
Ei käytetä opetusalueita eikä etukäteistietoa Määritellään luontaisesti erottuvat (tilastolliset) ryhmät datasta Ryhmiä kutsutaan klustereiksi Ryhmien lukumäärä annetaan tai algoritmi määrittää Muita mahdollisia parametreja: luokkien tilastollinen erottuvuus ts. kuinka kaukana/lähellä eri luokat saavat olla toisistaan luokan sisäinen spektrien vaihtelu (sisäinen hajonta)

74 K-means Aluksi valitaan satunnaiset ryhmäkeskiarvot, esim 5 kappaletta. Luokitellaan muut pikselit lähimpien ryhmäkeski-arvojen mukaan Lasketaan uudet ryhmäkeskiarvot ryhmitellystä datasta Ryhmitellään data uudestaan uusien ryhmäkeskiarvojen mukaan. Iteroidaan, kunnes keskiarvot tai ryhmittelytulos ei muutu

75 ISODATA Modifioitu k-means-menetelmä
Ryhmiä voidaan iteroinnin kuluessa jakaa kahteen eri ryhmään tai yhdistellä läheisiä ryhmiä Ryhmiä jaetaan, kun ryhmien lukumäärä kaukana halutusta, ryhmän sisäinen hajonta suuri, ryhmän koko liian suuri Ryhmiä yhdistellään kun, ryhmien lukumäärä kaukana halutusta, jokin ryhmä liian pieni, kaksi ryhmää lähellä toisiaan

76 Ohjaamaton luokittelu - etuja
Koska spektriset erottuvuudet määrittävät luokat, saatetaan löytää sellaisia luokkia, joita alun perin ei osattu ajatella olevan olemassa Esim. kasvillisuustyyppien lisäksi myös kasvien terveys Opetus on myös usein mahdoton homma silloin kun luokkia on paljon

77 Hybridi luokittelija Määritetään ensin klusteroimalla spektrisesti hyvin erottuvat alueet osakuvalta. Käytetään sitten näitä alueita varsinaisen luokittelun opetusalueena. Saadaan hyvät ja spektrisesti erottuvat opetusalueet Hyvä erityisesti silloin, kun yksittäisiin luokkiin sisältyy useita spektrisesti yhtenäisiä osaluokkia, mutta varsinainen kokonainen luokka on spektrisesti hajanainen.

78 SPOT-kuvan ryhmittely
Valkea ja ruskea vastaavat paljasta maata ja ihmisen tekemiä kohteita, pelto keltaista, tumman vihreä puustoa, vaalean vihreä muuta kasvillisuutta ja sininen vettä.

79 IMAGE2000 AND CORINE Land Cover Update 2000
IMAGE2000: activities related to satellite image acquisition and processing CORINE2000 (CO-oRdination of INformation on the Environment): activities related to interpretation and mapping of land cover and cover change

80 CORINE Land Cover Provide the greatest possible number of users with information which is homogeneous, fully comparable for all countries concerned and which is updated periodically, at present every 10 years Original CORINE Programme ran from 1985 to 1990 To get reliable and consistent information about the location and status of ecosystems, habitats and species in need of protection and to make this information accessible to policy-makers

81 CORINE LAND Cover Priority topics were:
sites ("biotopes") of major importance for nature conservation emissions into the air land cover soil water coastal erosion

82 CORINE Land Cover Visual interpretation using satellite images and ancillary maps Mapping scale 1: Mapping accuracy is at least 100m for all national and European products Minimum mapping unit is 25 ha Only areas (polygons) are mapped Minimum mapping unit can be smaller in national products Hierarchial classification, 44 classes at level 3

83 IMAGE2000 Satellite image database of Europe
Landsat-7 ETM, 185 km * 185 km

84 IMAGE2000 Images Summer 2000 ± 1 year Output
National mosaics in national map projections European database in a European projection

85 MATERIAL FOR CORINE2000 IN FINLAND
Datasources: SLICES Map Database 1:50 000 Topographic Database 1:20 000 IMAGE2000 Interprete variables like CC: tree crown cover H: tree height VC: vegetation cover Proportions of deciduous and coniferous trees

86 1. Artificial surfaces 1.1 Urban fabric
1.1.1 Continuous urban fabric (SLICES, Map Database 1: ) 1.1.2 Discontinuous urban fabric (SLICES, Map Database 1: ) 1.2 Industrial, commercial and transport 1.2.1 Industrial or commercial units (SLICES, Map Database 1:50 000) 1.2.2 Road and rail networks and associated land (SLICES) 1.2.3 Port areas (SLICES) 1.2.4 Airports (SLICES) 1.3 Mine, dump and construction sites 1.3.1 Mineral extraction sites (SLICES) 1.3.2 Dump sites (SLICES) 1.3.3 Construction sites (Not in Finland) 1.4 Artificial, non-agricultural vegetated areas 1.4.1 Green urban areas (SLICES, Map Database 1:50 000) 1.4.2 Sport and leisure facilities (SLICES)

87 2. Agricultural areas 2.1 Arable land
2.1.1 Non-irrigated arable land (SLICES, Topographic Database 1:20 000) 2.1.2 Permanently irrigated land (Not in Finland) 2.1.3 Rice fields (Not in Finland) 2.2 Permanent crops 2.2.1 Vineyards (Not in Finland) 2.2.2 Fruit trees and berry plantations (SLICES) 2.2.3 Olive groves (Not in Finland) 2.3 Pastures 2.3.1 Pastures (SLICES, Topographic Database 1:20 000) 2.4 Heterogeneous agricultural area 2.4.1 Annual crops associated with permanent crops (Generalized from Corine 2.1 and 2.2) 2.4.2 Complex cultivation (Slices, generalized from Corine 2.1, 2.2 and 2.3) 2.4.3 Land principally occupied by agriculture, with significant areas of natural vegetation (Generalized from Corine 2.1, 2.2, 2.3 and 3.x) 2.2.4 Agro-forestry areas (Not in Finland)

88 3. Forests and seminatural areas
3.1 Forests (Crown cover > 30%, Height > 5m) 3.1.1 Broad-leaved forest (CC>75%, IMAGE2000, Topographic Database 1:20 000) 3.1.2 Coniferous forest (CC>75%, IMAGE2000, Topographic Database 1:20 000) 3.1.3 Mixed forest (Main CC<75%, IMAGE2000, Topographic Database 1:20 000) 3.2 Shrub and/or herbaceous vegetation associations 3.2.1 Natural grassland (CC<25%, Vegetation Cover>75%, H<1.5m, IMAGE2000) 3.2.2 Moors and heathland (CC<30%, VC>75%, H<3m, IMAGE2000) 3.2.3 Sclerophyllous vegetation (Not in Finland) 3.2.4 Transitional woodland/shrub (CC<30%, H<7m, IMAGE2000) 3.3 Open spaces with little or no vegetation 3.3.1 Beaches, dunes, and sand plains (CC<30%, Topographic Database 1:20 000, IMAGE2000) 3.3.2 Bare rock (CC<10%, Topographic Database 1:20 000, IMAGE2000) 3.3.3 Sparsely vegetated areas (CC<10%, VC<50%, IMAGE2000) 3.3.4 Burnt areas (Not in Finland) 3.3.5 Glaciers and perpetual snow (Not in Finland)

89 4. Wetlands 4.1. Inland wetlands
4.1.1 Inland marshes (Topographic database, IMAGE2000) 4.1.2 Peatbogs (SLICES, Topographic database, IMAGE2000) 4.2 Coastal wetlands 4.2.1 Salt marshes (Topographic database, IMAGE2000) 4.2.2 Salines (NOT in Finland) 4.2.3 Intertidal flats (NOT in Finland)

90 5. Water bodies 5.1 Inland water
5.1.1 Water courses (Topographical Database 1:20 000) 5.1.2 Water bodies (SLICES, Topographical Database 1: ) 5.2 Marine waters 5.2.1 Coastal lagoons (Topographical Database 1:20 000, digitizing Nautical charts and Topographic maps) 5.2.2 Estuaries 5.2.3 Sea and ocean (SLICES, Topographical Database 1:20 000)

91 CLC2000 tietotuotanto Suomessa
Satelliittikuvien esiprosessointi pilvien tulkinta ja poisto ilmakehäkorjaus kuvien mosaikointi yhteen Karttatiedon valmistelu -rasterointi, luokitteli, mosaikointi, … Satelliittikuvien tulkinta -automaattisesti -puoliautomaattisesti Latvuspeitto Puuston pituus Puulajit Kasvipeitteisyys Päivitetty Maankäyttö SLICES Maa-perä MTK Tiedon yhdistely Tietoa kansalliseen käyttöön (n kpl 25 m rasteri) Yleistys Rasterista vektoriin Tietoa EU:lle

92 IMAGE2000 - Satelliittikuvamosaiikki Suomesta
Pilvien tulkinta Ilmakehä-korjaus (VTT SMAC) Topografia-korjaus Lapissa Mosaikointi 25 m (15m) maastopikseli sijaintitarkkuus m Yhtenäiskoordi-naatistossa käytössä 2004 ERDAS IMAGINE, ECW, MrSid

93 Maanpeiteaineiston tuotanto
Lähtöaineistot: Maaperä Maastotietokanta Satelliittikuvat Maastotieto Metsähallitus UPM-Kymmene Maankäyttö SLICES

94 Rakennetut alueet ja maatalousalueet
SLICES RHR SLICES rakennetun ’päivitys’ Sorakuoppien päivitys IMAGE2000 avulla Uudet maa-ainestenottoalueet MOTTO rekisteristä osasta aluekeskuksia valmiiksi digitoidut alueet (PKA, UUS, PPO) mukaan Maastotietokanta Digitointi

95 SLICES-päivitys SLICES ja Image2000 - turvetuotantoalueet laajentuneet
Satelliittikuvalta tulkitut alueet päivitetään CORINE:en

96 Metsät sekä avoimet kankaat ja kalliomaat
Automaattinen luokittelu - VTT-PROBA Ohjaamaton luokittelu Maastotieto ryhmille maastotiedon avulla ja pikseleille lähimpien ryhmien painotettuna keskiarvona Suot ja kivennäismaat erikseen >> Maanpeitettä kuvaavat teemat: Puuston pituus Puuston latvuspeittävyys Lehtipuiden osuus Kasvillisuustyyppi ja –peitteisyys (ylä-Lappi) >> Kynnystämällä ja yhdistämällä CORINE luokat

97 Satelliittikuvien tulkinta
Metsätulkinta Koko Suomi: Puuston pituus(m) Puuston tiheys(cc) lehtipuuston osuus(%)… Ylä-Lapissa lisäksi: Tunturikankaiden jako kasvipeitteisyyden mukaan

98 Kosteikot ja avoimet suot
Maastotietokannan avosuot Avosoiden laajennus turv la latvuspeittävyyden mukaan (< 10%) Turvetuotantoalueiden (MTK+SLICES) päivitys IMAGE2000 avulla Rantakosteikot johdetaan puoliautomaattisella IMAGE2000 tulkinnalla yhdessä MTK luokkien kanssa ylä-Lapissa PerusCD

99 Vesialueet Vesien tulkinta IMAGE2000 avulla SLICES vesi
Vesistötietokanta – ranta20 (MML+SYKE) – järvi/joki/meri

100 Fin CORINE2000 – 25m rasteri Erillisten teemojen yhdistäminen:
Kosteikot ja avoimet suot Vesialueet Rakennetut alueet Maatalousalueet Metsät sekä avoimet kankaat ja kallioalueet >> mahdollisuus tuottaa eril. yhdistelmiä

101 Yleistys Automaattinen yleistysmenetelmä
Fin CORINE20000 (25 m pikseli) >>>>>> EU CORINE (25 ha vektori) Arc/Info rasteri- ja vektorimenetelmät Menetelmä viilattu Suomen CLC2000 datoihin

102

103 CORINE Land Cover 1990 –2000

104 TARKKUUDEN ARVIOINTI Geometrinen tarkkuus Sijainnin tarkkuus
Kuinka hyvin kohteet oikealla paikallaan Temaattinen tarkkuus Ominaisuustietojen oikeellisuus Jatkuvien muuttujien estimointivirhe Luokittelussa oikeinluokituksen todennäköisyys

105 GEOMETRINEN TARKKUUS Kansallisen tulkinnan pikseli 25 x 25 m2
Kuvien oikaisun testipisteiden RMSE virhe tasosuunnassa: kaikkien keskiarvo: 12.9 m pienimmän virheen omaava kuva: RMSE-ka 6.1 m, 189/16 Keitele suurimman virheen omaava kuva: RMSE-ka 18.8 m, 191/15 Rannikko Sijaintivirheet pienempiä kuin pikselin koko

106 TEMAATTINEN TARKKUUS Ulkoinen tarkkuusarviointi
EEA: vertaa yleistettyä tulkintaa ja satelliittikuvaa METLA: CLC-estimaatteja ja luokitusta verrattu VMI-tietoihin Sisäinen tarkkuusarviointi Tulkintatyön kuluessa Osa referenssikuvioista käytettiin tarkkuuden arviointiin

107 TEMAATTINEN TARKKUUS Jatkuvien muuttujien tarkkuus
CLC-estimaatti vs. VMI CLC-estimaatti vs. CLC-testikuviot Luokittelun tarkkuus CLC-luokitus vs. VMI-perusteinen CLC-luokitus CLC-luokitus vs. CLC-testikuviot Pinta-alojen vastaavuus CLC vs. VMI

108 KOEALUEET Oulujärvi: ETM 188/15 26.7.2000 Posio: ETM 190/13 30.7.2002
Puulavesi: ETM 187/ Pyhäjärvi: ETM 190/ Rannikko: ETM 191/16, Ylä-Lappi: kuvamosaiikki, kasv.vyöh. 4c ja 4d

109 CLC2000-LUOKKIEN MUODOS-TAMINEN VMI-TIEDOISTA
VMI-tiedoista pystyttiin muodostamaan seuraavat luokat: Rakennetut alueet: CLC2000 päätaso 1 Rakennetut alueet paitsi luokka 1.3.1 Maa-ainesten ottoalueet: CLC2000-luokka 1.3.1 Maatalousalueet: CLC2000 päätaso 2 Maatalousalueet Lehtimetsä mineraalimaalla: CLC2000-luokka Lehtimetsä turvemaalla: CLC2000-luokka Havumetsä mineraalimaalla: CLC2000-luokka Havumetsä turvemaalla: CLC2000-luokka Havumetsä kalliomaalla: CLC2000-luokka Sekametsä mineraalimaalla: CLC2000-luokka Sekametsä turvemaalla: CLC2000-luokka Luonnonniityt, varvikot ja nummet sekä harvan kasvillisuuden alueet: CLC2000-luokat 3.2.1, ja 3.3.3 Harvapuustoinen alue mineraalimaalla: CLC2000-luokka Harvapuustoinen alue turvemaalla: CLC2000-luokka Harvapuustoinen alue kalliomaalla: CLC2000-luokka Erittäin harvapuustoiset alueet mineraalimaalla: CLC2000-luokka Rantahietikot ja duunialueet sekä Kalliomaat: CLC2000-luokat ja 3.3.2 Sisämaan kosteikko maalla: CLC2000-luokka Avosuo: CLC2000-luokka Turvetuotantoalue: CLC2000-luokka Sisävedet mukaanlukien osa kosteikoista: CLC2000-luokat 5.1.1, ja Merivedet mukaanlukien osa kosteikoista: CLC2000-luokat ja

110 CLC2000 vs. VMI-LUOKITTELU Muodostettiin virhematriisit kullekin alueelle Näistä määritettiin luokittelun kokonaistarkkuus sekä luokkakohtaiset tuottajan ja käyttäjän tarkkuudet Vertailuja tehtiin lisäksi kansalliselle CLC2000-luokittelulle ja tästä yleistetylle versiolle VMI-koealoja versiosta riippuen

111 LUOKITTELUTARKKUUS CLC2000 vs. VMI Kokonaistarkkuus, koko Suomi
Punainen viiva: kansallinen CLC2000 Punainen katkoviiva: kansallinen CLC2000, poistettu kuviorajan lähellä olevat koealat Sininen viiva: yleistetty CLC2000 Sininen katkoviiva: yleistetty CLC2000, VMI-koealojen moodi Sininen katkopisteviiva: yleistetty CLC2000, VMI-koealojen moodi, n>2

112 PINTA-ALOJEN VERTAILU
Vertailu hankalaa koska eri luokitukset eivät täysin vastaa toisiaan CLC2000 SLICES VMI9*** 25m, km2 25ha, km2 km2 Rakennettu maa (1) 12 766 4702* 8025 12 731 Maatalousmaa (2) 25 633 29 465** 27 565***** 27 943 Metsät ym.(3) Sähkölinjat (3246) 473 **** 523 990 Yhteensä * Turvetuotantoalueet kuuluvat metsät ym. pääluokkaan – ei voi erotella ** Sisältää myös rakennettuja alueita ja pieniä metsätalousmaan kuvioita maatalousmaan yhteydessä *** Alustavia VMI9 tuloksia **** sisältyy metsät ym. pääluokkaan – ei voi erotella *****SLICES-maatalous sisältää maatalouden rakennetut alueet

113 Tiedon jakelu Lopputuotteet paikkatietona Tilastot HERTTAssa
ympäristöhallinnon paikkatietopalvelimilla karttakäyttöliittymissä (ARC/GIS, WWW) Tilastot HERTTAssa Paikkatiedot saatavissa maksutta WWW:n kautta Hakusana CORINE, löytyy hakuohje

114 EU CLC2000 (25 ha vektori) aineistojen saatavuus EEA:ssa
Periaatteellinen avoimen ja helpon tiedon saatavuuden politiikka Aineistot ladattavissa EEA:n kotisivuilta (lisäinfoa) EEA:n aineistot ovat käytettävissä ilmaiseksi tietyillä vaatimuksilla maakohtaisista aineistoista erillinen hakemus tieto aineistopyynnöstä aineiston tuottajalle  lupa aineiston käyttämiseen voidaan evätä? aineistoja ei saa käyttää kaupallisiin tarkoituksiin käytettäessä viittaus EEA:aan palaute EEAlle käytöstä ja tuloksista raportointi EEA:lle

115 IMAGE2000 (kuvat+mosaiikki) saatavuus JRC:ssa
Satelliittikuvat ladattavissa JRC:n kotisivuilta Ilmaiseksi tietyillä vaatimuksilla EU instituutioille Euroopan yhteisön alaisille toimijoille sekä ei-kaupallisille toimijoille (kansalliset aineistontuottajat, julkiset laitokset, yhteisöt, säätiöt ja yhdistykset, oppilaitokset, julkiset tutkimuslaitokset) kaupallisille toimijoille (yritykset, konsultit) erilliset hinnat, ohjeet ja yhteystiedot (Metria, Eurimage) Aineistoista tulee täyttää erillinen rekisteröinti / käyttötarkoitus käytto vain rekisteröinnissä mainittuun tarkoitukseen projektin/käyttötarkoituksen päätyttyä kuvat tulee palauttaa tai tuhota Saatavilla Yksittäiset orto-oikaistut satelliittikuvat Eurooppalainen mosaiikki tulossa jakoon

116 CORINE2006 Euroopassa Lopputuote: Tuotanto ja rahoitus (yht. 14 M€)
Satelliittikuvamosaiikki (SPOT) – IMAGE2006 keskitetysti – EU/ESA (5.5 M€) Maanpeitteen muutokset ( > 5 ha) Kansallisesti (4 M€) Taajamarajaus ja raken-tamisen intensiteetti (> 1 ha) keskitetysti – EU (2 M€)