slide1 l.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Simulazione mediante una Rete Neurale dei valori mancanti nelle immagini SPOT4-VEGETATION PowerPoint Presentation
Download Presentation
Simulazione mediante una Rete Neurale dei valori mancanti nelle immagini SPOT4-VEGETATION

Loading in 2 Seconds...

play fullscreen
1 / 32

Simulazione mediante una Rete Neurale dei valori mancanti nelle immagini SPOT4-VEGETATION - PowerPoint PPT Presentation


  • 126 Views
  • Uploaded on

Simulazione mediante una Rete Neurale dei valori mancanti nelle immagini SPOT4-VEGETATION. Silvio Griguolo Istituto Universitario di Architettura Dipartimento di Pianificazione VENEZIA. Massimo Mazzanti Istituto Universitario di Architettura CIRCE-LIT VENEZIA.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Simulazione mediante una Rete Neurale dei valori mancanti nelle immagini SPOT4-VEGETATION' - noelle


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

Simulazione mediante una Rete Neurale dei valori mancanti nelle immagini

SPOT4-VEGETATION

Silvio Griguolo

Istituto Universitario di Architettura

Dipartimento di Pianificazione

VENEZIA

Massimo Mazzanti

Istituto Universitario di Architettura

CIRCE-LIT

VENEZIA

INPUT 2003 - PISA 5-6 Giugno 2003

slide2

Le immagini satellitari apportano informazione digitale, continuamente aggiornata,che permette:

dizonizzare vaste regioni secondo la lunghezza, l’intensità e

la forma del ciclo vegetativo, creado dellemappe eco-

climatiche;

disorvegliare la stagione agricola, confrontando la dinamica

corrente della vegetazione con quella attesa, costruendo mappe

dellearee a rischio

 dicreare mappe classificate delle coperture del suolo

Le mappe si possono importare in un GIS e confrontare/integrare con informazione raster o vettoriale da altra fonte

slide3

Progetti rivolti alla classificazione delle coperture del suolo alla scala continentale o globale:

CORINE(EC, alta risoluzione, fotointerpretazione, Europa)

IGBP, NOAA-AVHRR, 1.1 km, classificazione automatica,

globale

PELCOM (Pan-Europe Land Cover Monitoring)

(EC, NOAA-AVHRR, 1.1 km, class. automatica, Europa

GLC2000 (Global Land Cover)- in via di completamento

Utilizza le nuove immagini SPOT4-VEGETATION per l’anno

2000 (partecipazione volontaria, SPOT4-/VGT, 1 km, globale).

slide4

Le immagini NOAA-AVHRR (usate da IGBP e PELCOM)

non sono geometricamente accurate.

Esse non garantiscono buoni risultati quando si debbano

classificare insiemi di immagini multitemporali.

Chiunque può costruire una stazione ricevente per il satellite

NOAA e trattare le immagini ricevute.

Non è dunque garantita unaqualità standard delle immagini.

La prossima slide mostra alcune immagini ricevute dall’archivio

MARS per il progetto PELCOM.

actual effect of angular viewing on resolution
Actual effect of angular viewing on resolution

Niger Delta, Dec 1, 1999: close to nadir

Dec 3, 1999: close to swath edge

slide8

Qualità dell’immagine

Distribuzione dei 3648 ground control points

slide9

Ricezione centralizzata e sistema di produzione garantiscono

un prodotto standardizzato

  • Prodotti giornalieri o sintesi a 10 giorni (S10)
  • Prodotti direttamente interpretabili, già calibrati e corretti
  • Integrazione diretta in un GIS (già georeferenziati)
  • Prodotti con alta precisione geometrica e distorsione molto

bassa  multispettrali < 200 m, multidata < 500 m

slide10

Immagine del pianeta (17,000 righe di 40,000 pixel ca.)

 Sul sito di distribuzione sono disponibili

immagini globali o dei singoli continenti

consequence on temporal superimposition

Expected accuracy for VEGETATION

IFOV

Multitemporal Field of View

  • Registrations
    • Multispectral : <0.2 km
    • Multitemporal : <<0.5 km for one year
  • Absolute location <0.8 km

1 km

G. Saint, 1998

Consequence on temporal superimposition

Observed location of AVHRR pixels in a time series, after D. Meyer, IJRS

slide12

The new VEGETATION images are much better!

  • They are captured,processed for calibration and atmospheric
  • correctionand distributed by three co-operating European
  • Centres in Sweden, Belgium and France that guarantee a high
  • homogeneous quality
  • They are suitable for multitemporal processing

…and they can be freelydownloaded!

slide13

1998: SPOT4 is launched.

It carries onboard the sensor VEGETATION1.

Images were initially distributed for a cost

Since short, with the support of the EC, all images

older than 3-4 months can be freely downloaded from

http://free.vito.vgt.be

 Four bands, plus NDVI.

Daily synthesis (S1), 10-day synthesis (S10)

May 2002: SPOT5 ha been launched, with VEGETATION 2

slide15

Bande radiometriche VEGETATION

B0 0.43-0.47 μBlu

B2 0.61-0.68 μRosso

B3 0.78-0.89 μInfraRosso vicino

MIR 1.58-1.75 μInfraRosso medio

NDVI(Indice di Vegetazione alle differenze normalizzate)

calcolato pixel a pixel secondo la definizione seguente:

dove NIR e R sono nell’ordine le riflettanze sui canali dell’Infrarosso vicino e del Rosso.

slide16

The NDVI is a good indicator of the amount of healthy vegetal

biomass on the ground.

-1 <= NDVI <= +1

Positive NDVI values: presence of vegetation (the higher the value,

the more dense and vital the vegetation)

Values close to zero: bare soil

negative values: water

slide18

Maximum Value Composites (MVC)

Per il prodotto S10 (ten days composites):

Per ciascuna banda e ciascun pixel viene scelto il valore

associato al più alto valore dell ’NDVI.

I valori dell’NDVI sono molto irregolari in un modo imprevedibile.

Nuvolosità parziale o foschia abbassano il valore NDVI.

Le serie dei singoli pixel vanno ricostruite/smussate opportunamente.

Anche i valori mancanti (punti nuvolosi) vanno simulati.

slide20

 Curva in rosso (irregolare): serie dei valori NDVI osservati

per un pixel

Curva in blu: la stessa serie dopo che sono stati compensati i

picchi negativi dovuti a nuvolosità parziale o foschia, e dopo

aver smussato con una media mobile di ordine 3, con pesi

uguali

slide21

(Qui il progetto con le immagini ricostruite

Poi quello con i casi non ricostruibili)

slide22

SI PROVA CON UNA RETE NEURALE...

  • Immagini: 1793 righe di 1345 pixel ciascuna.
  • Risoluzione: 1 km - Corno d’Africa, Etiopia
  • Stagione delle piogge critica
  • Da ricostruire: anno 2001
  • Considerate 80 immagini:
  • quattro ultime decadi del 1999
  • anno 2000
  • anno 2001
  • quattro prime decadi del 2002
slide23

L’intorno spazio temporale

del pixel di riferimento.

L’intorno temporale abbraccia nove decadi nell’anno corrente e nove in quello precedente.

Nello spazio, si considerano gli intorni del secondo ordine per tutte le decadi.

L’analista fissa lo schema che determina i valori che entrano a far parte del pattern di input.

slide26

Sequenza (software scritto allo scopo)

Costruzione di un file in formato BIP (Band Interleaved by Pixel)

che contiene le serie ordinate di tutti i pixel (80 valori ciascuna)

EXTRACT

Estrazione dei pattern di input a 65 valori per istruzione/verifica: estratti 145169 casi con un massimo di 30 valori mancanti

24195 usati per il training

120974 usati per la verifica

Registrazione del valore target

Ricodifica dei valori da [1…255] a [0.1…0.9]

slide27

RUNNET

Istruzione della Rete: l’errore globale diminuisce da 22 a circa

8-9. Non troppo soddisfacente.

Provati diversi valori (tra 15 e 39) per i nodi intermedi.

Verifica

EXTRACT

Estrazione dei pattern di input per i valori da ricostruire (20358).

Stesso criterio di prima, solo ora il valore centrale è mancante.

Memorizzazione dell’offset dei valori estratti nel file.

RUNNET Effettua il calcolo del valore simulato

INSERT Inserimento dei valori ricostruiti nel file BIP

BIP2RAW Ri-estrazione delle immagini singole dal .BIP

slide30

Dipendenza della deviazione standard dell’errore dal numero dei valori mancanti nel pattern di input

La dipendenza appare critica

La posizione degli zeri (valori mancanti) è sempre variabile. Come può imparare la Rete?

Si arriverebbe ad un risultato

peggiore se si calcolasse

semplicemente la media dei

valori non nulli nel pattern di

input?

slide31

Conclusioni (del tutto provvisorie)

I

  • In progress...
  • Qualcosa si è ottenuto, ma bisogna continuare a lavorarci,
  • specialmente sui valori mancanti nel pattern di input
  • quanti sono, dove stanno...