SlideShare una empresa de Scribd logo
1 de 79
… po tisíciletí měl člověk představu jen o jeho
      vlastním území, o místě, kde se narodil a žil.
    Poznání teritoria za jeho hranicemi pro člověka
      znamenalo odchod z jeho vesnice;
    A každý člověk přesahující rozhledem jeho území
      se stává obyvatelem Země…

                                  Eratosthenes (275-193 BCE)




1
                  Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
Základy geoinformatiky|Jiří Šmída




Základy geoinformatiky

Téma 3: Dálkový průzkum Země - úvod




               Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
Obsah přednášky

1.   Definice pojmu a oboru DPZ
2.   Struktura DPZ
3.   Fyzikální podstata DPZ
4.   Charakteristika spektrálních oblastí E-M
     záření
5.   Ovlivnění E-M záření
6.   Spektrální chování povrchů
7.   Metody pořizování dat DPZ

3
                Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
1. Definice DPZ

Dálkový průzkum Země
Definice oboru
•       DPZ: dálkový průzkum Země

•       RS: Remote Sensing
•       DPZ je získávání informací o objektech a jevech na dálku bez
        přímého kontaktu s těmito jevy nebo objekty.




    5
Definice

•       Dálkový průzkum je věda i umění získávat užitečné informace o
        objektech, plochách či jevech prostřednictvím dat měřených na
        zařízení, která s těmito zkoumanými objekty, plochami či jevy
        nejsou přímo v kontaktu.
        (Lillesand, Kiefer 1994)

•       Dálkový průzkum je shromažďování informací o přírodních zdrojích
        s využitím snímků pořízených senzory umístěnými na palubách
        letadel nebo družic.
        (Bob Ryerson, CCRS)




    6
Definice „ne-vážně“
•       Dálkový průzkum je umění rozdělit svět na množství
        malých barevných čtverečků, se kterými si lze hrát na
        počítači a odhalovat jejich neuvěřitelný potenciál, který
        vždy přesahuje naše možnosti.
        (Jon Huntington, CSIRO Exploration, Geoscience,
        Australia)

•       Dálkový průzkum je nejdražší způsob, jak vytvořit
        obrázek. (Andrew Bashfield, Intergraph Corporation)




    7
2. Struktura DPZ

  Dálkový průzkum Země
Struktura procesu DPZ


                        A.   Zdroj energie a světla
                        B.   Záření a atmosféra
                        C.   Kontakt s předmětem
                        D.   Zaznamenání odražené
                             energie senzorem
                        E.   Přenos, přijetí a
                             zpracování dat
                        F.   Interpretace a analýza
                             dat
                        G.   Využití informací




9
3. Fyzikální podstata DPZ

          Dálkový průzkum Země
Východisky pro metody DPZ jsou:

    objekty na zemském povrchu pro ně
     charakteristickým způsobem ovlivňují okolí
    distanční metody zaznamenávají hodnoty
     elektromagnetického záření
    viditelná část je zaznamenatelná lidským zrakem
    vyvinuli jsme přístroje schopné zaznamenat další
     části elektromagnetického záření
    E-M záření lze kvantifikovat



    11
Elektromagnetické spektrum
    energie elektromagnetického záření spočívá ve vlnění –
     šíří se v prostoru ve tvaru tzv. elektromagnetické vlny
        2 komponenty (sinusoidy): elektrická vlna (E), magnetická vlna (M)
        svírají navzájem pravý úhel
        šíří se rychlostí světla c
        Charakteristiky:
          vlnová délka ( ),
          frekvence (f)




    12
Elektromagnetické spektrum -
charakteristiky

        Vlnová délka λ je vzdálenost mezi sousedními vrchy
            JEDNOTKA: metr, mikrometr 10-6 m (μm), centimetr 10-2 m
             (cm)
        Perioda T je doba jednoho cyklu = mezi následnými
         stejnými velikostmi
            složky (např. vrchy) JEDNOTKA: sekunda
        Frekvence f je převrácená
         hodnota doby jedné periody,
         udává počet cyklů za sekundu
            JEDNOTKA: s-1 = hertz (Hz)



13
Spektrum E-M záření
 je   spojité




14
Spektrum E-M záření
        podle vlnové délky se dělí do několika oblastí
         = konvence




15
4. Charakteristika spektrálních
             oblastí E-M záření
                Dálkový průzkum Země
Charakteristika oblastí E-M spektra
využitelného v DPZ
    ultrafialové záření (0,1–0,4
     µm)

    viditelné záření (0,1–0,7
     µm)
    infračervené zář. blízké
     (0,7–1,4 µm)
    infračervené zář. střední
     (1,4–3,0 µm)
    tepelné záření (3 µm až 1
     mm)
    mikrovlnné záření
     (1 mm až 1 m)


    17
              Zdroj: http://science-edu.larc.nasa.gov/EDDOCS/Wavelengths_for_Colors.html
UV záření (0,1–0,4 µm)




   k povrchu propouštěna jen malá část (výrazné
    pohlcování atmosférou)
   monitorování ropných skvrn, ložiska zlata (geologické
    aplikace)

          Zdroj: http://www.watertreatmentguide.com/ultraviolet_systems.htm
Viditelné záření (0,1–0,7 µm)
                                         jedno z největších
                                          atmosférických oken
                                         v čisté a suché atmosféře
                                          ovlivňováno jen velmi málo
                                         aerosol - rozptyl a
                                          pohlcování
                                         zdroj = Slunce (pouze den)
                                         schopnost procházet vodním
                                          sloupcem (modrá část)
                                         většina družicových systémů
                                          poskytuje data v této části
                                          spektra
   Zdroj: http://vertebratepest.wordpress.com/tag/wavelength/
Viditelné záření

                   Viditelná část: barvy
                   Červená: 0,620–0,700 m


                   Oranžová: 0,592–0,620 m


                   Žlutá: 0,578–0,592 m


                   Zelená: 0,500–0,578 m


                   Modrá: 0,446–0,500 m


                   Fialová: 0,400–0,446 m
21
Infračervená část (0,7 µm – 1,0 mm)


                         Infračervená část
Blízké IČ záření

    blízké – pokračování viditelného – chování podobné
     – lze zaznamenávat konvenčními metodami i
     elektronicky
    méně pohlcováno a rozptylováno – snímky ostré s
     dobrým kontrastem
    topografické účely, studium vegetace (lesnictví,
     zemědělství)
    voda se chová téměř jako absolutně černé těleso



    24
Střední IŠ záření

    Infračervené záření - střední
    vegetační a geologické studie
    rozpoznávání ledu a sněhu
    odlišení oblačnosti
    studium zdravotního stavu vegetace




    25
Vzdálené IČ - tepelné záření

        dvě atmosférická okna
        teplená bilance objektů
        zjišťování povrchové teploty oceánů (SST)
        mapování tepelného znečištění řek a jezer,
         krajiny
        lokalizace lesních požárů
        poměrně značně ovlivňováno atmosférou
        pouze kvalitativní údaje

26
29
     Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
Mikrovlnné záření

                    několik pásem




31
Mikrovlnné záření

   pasivní snímání
   aktivní = radary
   dlouhé vlnové délky mohou za určitých
    podmínek pronikat i pod povrch
   nejméně závislé na podmínkách počasí
   meteorologické aplikace (srážkové oblasti,
    intenzita srážek)
   plovoucí led, geomorfologie, výškové poměry
   nejintenzivnější rozvoj

32
5. Ovlivnění E-M záření

             Dálkový průzkum Země



34
Ovlivnění E-M záření atmosférou
Vlivy atmosféry na charakteristiky záření závisí na
  těchto faktorech:

• délce dráhy, kterou toto záření prochází atmosférou
• velikostí emitovaného signálu
• atmosférických podmínkách
• vlnové délce




 35
Interakce s atmosférou
záření je ovlivňováno především pohlcováním a rozptylem
Interakce s atmosférou

   Rozptyl
     Molekulární (Rayleighův) rozptyl – částice, které mají
      mnohem menší rozměr než vlnová délka – ovlivňuje
      především krátkovlnné záření
     Aerosolový rozptyl rozptylující částice větší než vlnová
      délka záření – vodní pára, prach
     Neselektivní rozptyl – nezávisí na vlnové délce – velké
      částice – vodní kapky
   Pohlcování
     Hlavní pohlcující plyny jsou ozón, CO2, vodní pára
Atmosférická okna
    Části elektromagnetického spektra, které nejsou
     ovlivňovány pohlcováním a rozptylem
6. Spektrální chování povrchů

                   Dálkový průzkum Země



39
Interakce s povrchem - ZÁVĚRY

   V závislosti na chemickém složení a aktuálním
    fyzikálním stavu bude možno každý typ povrchu
    charakterizovat podle odraženého záření


 Spektrální        odrazivost

 Spektrální        chování
POJMY




     spektrální chování objektů
     spektrální odrazivost
     spektrální křivka odrazivosti
     spektrometrie
     vegetační indexy (leaf area index)
     spektrální příznaky




41
E-M záření na cestě
   záření je částečně absorbováno i odráženo




42
Co má vliv na množství odraženého a
emitovaného záření?



        druh látky nebo objektu
            např. jeho chemické složení
        fyzikální stav
            např. obsah vody, zhutnění povrchu, drsnost
             povrchu
        stav okolí
            např. propustnost atmosféry



43
Spektrální odrazivost
(spectral signature)


     = „množství odraženého záření“
      ρ (λ)
      poměr intenzity odraženého záření (Mr) a
       intenzity záření dopadajícího (Mi) na určité
       vlnové délce λ
                           Mr( )
                     ( )          .100 %
                           Mi ( )


44
Jak lze využít spektrální odrazivosti?


        každá látka (objekt, povrch) na zemském
         povrchu se vyznačuje svojí vlastní spektrální
         charakteristickou (hodnotou ρ (λ))
        některé objekty jsou dobře rozpoznatelné na
         snímcích viditelného spektra, jiné na
         snímcích IR spektra záření
        studujeme, jak intenzivně určitý druh látky
         (objektu/povrchu) odráží/emituje v té které
         části E-M záření
45
Spektrální křivka odrazivosti
spectral response curve
  %
                                 Jak graficky znázornit, že zelený list odráží nejvíce
                                 záření na vlnové délce 0,500–0,578 m?
odrazivost (ρ)




                                  Jak graficky popsat
                                  spektrální chování povrchu?


  30 %

 20 %




                 0,7 µm 0,9 µm             vlnová délka (λ)                                       délkové jednotky


         46
                                  Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
Spektrální křivka odrazivosti
spectral response curve




47
Spektrální křivka odrazivosti
spectral response curve




48
Spektrální chování
   Každý prostorový prvek má
    konkrétní a kontinuální
    průběh spektrální křivky,
    která jej odlišuje od jiných
    prvků, čehož lze využít pro
    jeho rozpoznání

   křivka se mění dle
    fyzikálního stavu objektů


49
Spektrální chování objektů

       SPEKTROMETRIE = disciplína studující
        odrazové vlastnosti objektů
      stanovení spektrální křivek pro různé druhy
        povrchů, jejich vlastností a okamžitých
        fyzických stavů
     a. spektrální projev vegetace
     b. spektrální projev vody
     c. spektrální projev půdy



50
Spektrální chování vegetace




51
        Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
a. Spektrální chování vegetace

    vegetace zastoupena (téměř) na všech
     snímcích DPZ: je nezbytné klasifikovat druh
     vegetace a její fyz. stav

    využíváme odrazových vlastností listů (jehlic)




    52
Důležité faktory ovlivňující spektrální
 chování vegetace:

        vnější uspořádání vegetačního krytu
        vnitřní uspořádání jednotlivých částí rostlin
        obsah vody
        zdravotní stav
        vlastnosti půdního substrátu




53
typické spektrální chování vegetace
(ideálního listu)




     vlnové délky používané v DPZ vegetace:
     A – modré záření
     B – zelené
     C – červené
     D – blízké IČ
     E – krátkovlnné IČ
54
A: Oblast zelených barviv
    určující pigmenty chlorofyl a karoteny; lokální
     maximum odrazivosti v zelené části spektra
     (= příčina zelené barvy vegetace)




55
B: Oblast buněčné struktury
   výrazný nárůst odrazivosti kolem 0,7 µm
   dáno morfologickými vlastnostmi listu a zvýrazněno více
    vrstvami listů  stanovení míry hustoty vegetačního krytu
    (index listové pokryvnosti LAI – leaf area index)




    56
C: Oblast vodní absorpce

    odrazivost nepřímo úměrná obsahu vody v
     listu
    zjištění vodního stresu rostlin




57
Vegetační indexy

   ukazatelé míry přítomnosti zelené hmoty a
    jejího zdravotního stavu




58
Využití


        sdfsdf




59
Spektrální chování vody




60
     Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
b. Spektrální chování vody


        voda téměř na všech snímcích
        poměrně homogenní látka (oproti jiným)
        různé skupenství s odlišnou odrazivostí
        pokud je přítomna v jiných objektech,
         modifikuje jejich spektrální chování




61
b. Spektrální chování vody
        kapalná voda se vyznačuje velmi nízkou odrazivostí ve všech
         vlnových délkách
        max. odrazivosti ve viditelné části spektra
        v IR téměř absolutně černé těleso
        příměsi (plankton – chlorofyl, znečištění – plaveniny) 
         odrazivost roste
        zjišťování hloubky mělkých nádrží (do 20 m)




62
b. Spektrální chování vody


        sníh a led mají ve viditelné a blízké IR části
         spektra vysokou odrazivost
        vliv stáří sněhu, hustoty, znečištění
        radar v X-pásmu odliší stáří ledu, mocnost
         ledu
        odlišení oblačnosti a ledu/sněhu ve středním
         IR spektru



63
Spektrální chování půdy




64
     Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
c. Spektrální chování půdy


        půda heterogenní (komplex biotických a
         abiotických částí)
        vlivy:
            minerální složení
            půdní vlhkost
            obsah organických látek
            textura (drsnost) půdního povrchu




65
c. Spektrální chování půdy
    s narůstající vlhkostí půdy se snižuje
     odrazivost (a: 5 %, b: 20 %, c: 40 %)
    hrubé písčité půdy – vyšší odrazivost
    jílovité půdy – nižší odrazivost




    66
7. Metody pořizování dat DPZ

                  Dálkový průzkum Země



67
POJMY




     metody konvenční a nekonvenční
     metody pasivní a aktivní
     fotografie
     snímací rozkladová zařízení
     radiometr
     skener – mechanooptický a elektrooptický
     systémy multispektrální a hyperspektrální
     obrazový prvek (pixel)




68
Konvenční a nekonvenční metody


     V DPZ měříme intenzitu odraženého nebo
      emitovaného E-M záření
     Známe dva způsoby – metody tohoto měření:
      konvenční a nekonvenční




69
Konvenční metody
    klasické metody
    založeny na exponování filmu ve fotografické
     komoře
    chemická reakce na citlivé vrstvě
     fotografického papíru
    obraz vytvářen tzv. centrální projekcí (tedy v
     jednom okamžiku)
    výsledkem fotografie
    lze zaznamenat 0,3–0,9 µm
    velké prostorové rozlišení
    70
Nekonvenční metody

   dnes především systémy snímacích
    rozkladových zařízení
   vytváří obraz po jednotlivých řádcích
    rovnoběžně nebo kolmo k dráze letu nosiče
   převažují metody pasivní




    71
Rozdíly nekonvenčních metod od
konvenčních
1.   Odlišná technika vytváření obrazu (dynamicky po
     jednotlivých pixelech)
2.   Velké spektrální rozlišení (0,3–14,0 µm)
3.   Omezené prostorové rozlišení (desítky cm až
     desítky/stovky metrů, nejčastěji ale od jednotek
     metrů)
4.   Vznik specifických geometrických zkreslení u
     multispektrálního snímkování
5.   Obrazy zaznamenány elektronicky
6.   Využitelnost počítačového prostředí pro analýzy
     (GIS)

72
RADIOMETR
Snímací rozkladová zařízení
        dva základní druhy:
            mechanooptický skener
            elektrooptický skener
        radiometr – přístroj na měření radiace (množství
         odraženého nebo emitovaného E-M záření) z
         určité elementární plochy zemského povrchu v
         určitém intervalu spektra




73
Elektrooptické snímací rozkladové
zařízení (stírací)


        řádkové pole detektorů
         (označovaných CCD)
        každý detektor registruje
         záření z plochy jednoho
         pixelu
        skener je spolehlivější
        má lepší rozlišovací
         schopnosti



74
Multispektrální a hyperspektrální


        multispektrální zařízení – záznam
         odrazivosti vymezeného území v několika
         intervalech spektra
        hyperspektrální zařízení – záznam v
         několika stovkách úzce vymezených
         spektrálních intervalů




75
Digitální obrazový záznam
    analogový (kontinuální) signál je
     převáděn na signál diskrétní
     představující nejčastěji hodnotu
     radiace
    matice dat o určitém počtu řádků
     a sloupců
    jednotka = obrazový prvek (pixel)
    rozměr pixelu odpovídá
     prostorovému rozlišení záznamu
    každý pixel nese jedno číslo (tzv.
     gidital number – DN)

76
Rozlišovací schopnosti digitálních
obrazových záznamů

   rozlišovací schopnost jednou ze základních
    charakteritik každého snímacího zařízení
   definujeme 4 základní typy rozlišovacích
    schopností:


radiometrická   spektrální   prostorová    časová




77
4 rozlišovací schopnosti obrazových dat DPZ

                    • určena citlivostí detektoru na sílu signálu, který
radiometrická         zaznamenává


                    • udává šířku intervalu vlnových délek E-M
                      spektra, ve kterém senzor zaznamenává E-M
     spektrální       záření
                    • panchromatické pásmo = zaznamenává celé
                      viditelné spektrum

                    • udává nejmenší objekt, který může být na
     prostorová       snímku ještě rozpoznán
                    • dáno velikostí jednoho pixelu


                    • udává, jak často systém poskytuje snímky
      časová          daného území
                    • nejvyšší prostorová schopnost u
                      geostacionárních družic (30 minut)

78
                  Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
děkuji za pozornost




          jiri.smida@tul.cz


79
       Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci

Más contenido relacionado

Más de Jiří Šmída

Gisday2012 pgd cyklodoprava_liberec_1
Gisday2012 pgd cyklodoprava_liberec_1Gisday2012 pgd cyklodoprava_liberec_1
Gisday2012 pgd cyklodoprava_liberec_1Jiří Šmída
 
Trends in daily rainfall erosivity in relation with NAO, MO and WeMO for Spai...
Trends in daily rainfall erosivity in relation with NAO, MO and WeMO for Spai...Trends in daily rainfall erosivity in relation with NAO, MO and WeMO for Spai...
Trends in daily rainfall erosivity in relation with NAO, MO and WeMO for Spai...Jiří Šmída
 
Beranova, Kysely: Links between the NAO Index and temperatures in Europe in c...
Beranova, Kysely: Links between the NAO Index and temperatures in Europe in c...Beranova, Kysely: Links between the NAO Index and temperatures in Europe in c...
Beranova, Kysely: Links between the NAO Index and temperatures in Europe in c...Jiří Šmída
 
Martin Roth: A spatial peaks-over-threshold model in a nonstationary climate
Martin Roth: A spatial peaks-over-threshold model in a nonstationary climateMartin Roth: A spatial peaks-over-threshold model in a nonstationary climate
Martin Roth: A spatial peaks-over-threshold model in a nonstationary climateJiří Šmída
 
Eva Plavcová, Jan Kyselý, Petr Štěpánek: Links between circulation indices/ty...
Eva Plavcová, Jan Kyselý, Petr Štěpánek: Links between circulation indices/ty...Eva Plavcová, Jan Kyselý, Petr Štěpánek: Links between circulation indices/ty...
Eva Plavcová, Jan Kyselý, Petr Štěpánek: Links between circulation indices/ty...Jiří Šmída
 
Jan Picek, Martin Schindler, Jan Kyselý, Romana Beranová: Statistical aspects...
Jan Picek, Martin Schindler, Jan Kyselý, Romana Beranová: Statistical aspects...Jan Picek, Martin Schindler, Jan Kyselý, Romana Beranová: Statistical aspects...
Jan Picek, Martin Schindler, Jan Kyselý, Romana Beranová: Statistical aspects...Jiří Šmída
 
Jozef Pecho: POT and block-maxima analysis of precipitation extremes at selec...
Jozef Pecho: POT and block-maxima analysis of precipitation extremes at selec...Jozef Pecho: POT and block-maxima analysis of precipitation extremes at selec...
Jozef Pecho: POT and block-maxima analysis of precipitation extremes at selec...Jiří Šmída
 
J. Ignacio López-Moreno: Effects of NAO on combined temperature and precipita...
J. Ignacio López-Moreno: Effects of NAO on combined temperature and precipita...J. Ignacio López-Moreno: Effects of NAO on combined temperature and precipita...
J. Ignacio López-Moreno: Effects of NAO on combined temperature and precipita...Jiří Šmída
 
Jan Kyselý, Jan Picek, Romana Beranová: Estimating extremes in climate model ...
Jan Kyselý, Jan Picek, Romana Beranová: Estimating extremes in climate model ...Jan Kyselý, Jan Picek, Romana Beranová: Estimating extremes in climate model ...
Jan Kyselý, Jan Picek, Romana Beranová: Estimating extremes in climate model ...Jiří Šmída
 
Martin Hanel, Adri Buishand: Assessment of projected changes in seasonal prec...
Martin Hanel, Adri Buishand: Assessment of projected changes in seasonal prec...Martin Hanel, Adri Buishand: Assessment of projected changes in seasonal prec...
Martin Hanel, Adri Buishand: Assessment of projected changes in seasonal prec...Jiří Šmída
 
Santiágo Beguería: Covariate-dependent modeling of extreme events by non-stat...
Santiágo Beguería: Covariate-dependent modeling of extreme events by non-stat...Santiágo Beguería: Covariate-dependent modeling of extreme events by non-stat...
Santiágo Beguería: Covariate-dependent modeling of extreme events by non-stat...Jiří Šmída
 
Jules Beersma: Advanced delta change method for time series transformation
Jules Beersma: Advanced delta change method for time series transformationJules Beersma: Advanced delta change method for time series transformation
Jules Beersma: Advanced delta change method for time series transformationJiří Šmída
 
Liberec pod lupou - sborník zpráv o řešení projektů
Liberec pod lupou - sborník zpráv o řešení projektůLiberec pod lupou - sborník zpráv o řešení projektů
Liberec pod lupou - sborník zpráv o řešení projektůJiří Šmída
 
Dny GIS Liberec 2011 - program
Dny GIS Liberec 2011 - programDny GIS Liberec 2011 - program
Dny GIS Liberec 2011 - programJiří Šmída
 

Más de Jiří Šmída (20)

Gisday2012 pgd cyklodoprava_liberec_1
Gisday2012 pgd cyklodoprava_liberec_1Gisday2012 pgd cyklodoprava_liberec_1
Gisday2012 pgd cyklodoprava_liberec_1
 
Trends in daily rainfall erosivity in relation with NAO, MO and WeMO for Spai...
Trends in daily rainfall erosivity in relation with NAO, MO and WeMO for Spai...Trends in daily rainfall erosivity in relation with NAO, MO and WeMO for Spai...
Trends in daily rainfall erosivity in relation with NAO, MO and WeMO for Spai...
 
Beranova, Kysely: Links between the NAO Index and temperatures in Europe in c...
Beranova, Kysely: Links between the NAO Index and temperatures in Europe in c...Beranova, Kysely: Links between the NAO Index and temperatures in Europe in c...
Beranova, Kysely: Links between the NAO Index and temperatures in Europe in c...
 
Workshop programme
Workshop programmeWorkshop programme
Workshop programme
 
Martin Roth: A spatial peaks-over-threshold model in a nonstationary climate
Martin Roth: A spatial peaks-over-threshold model in a nonstationary climateMartin Roth: A spatial peaks-over-threshold model in a nonstationary climate
Martin Roth: A spatial peaks-over-threshold model in a nonstationary climate
 
Eva Plavcová, Jan Kyselý, Petr Štěpánek: Links between circulation indices/ty...
Eva Plavcová, Jan Kyselý, Petr Štěpánek: Links between circulation indices/ty...Eva Plavcová, Jan Kyselý, Petr Štěpánek: Links between circulation indices/ty...
Eva Plavcová, Jan Kyselý, Petr Štěpánek: Links between circulation indices/ty...
 
Jan Picek, Martin Schindler, Jan Kyselý, Romana Beranová: Statistical aspects...
Jan Picek, Martin Schindler, Jan Kyselý, Romana Beranová: Statistical aspects...Jan Picek, Martin Schindler, Jan Kyselý, Romana Beranová: Statistical aspects...
Jan Picek, Martin Schindler, Jan Kyselý, Romana Beranová: Statistical aspects...
 
Jozef Pecho: POT and block-maxima analysis of precipitation extremes at selec...
Jozef Pecho: POT and block-maxima analysis of precipitation extremes at selec...Jozef Pecho: POT and block-maxima analysis of precipitation extremes at selec...
Jozef Pecho: POT and block-maxima analysis of precipitation extremes at selec...
 
J. Ignacio López-Moreno: Effects of NAO on combined temperature and precipita...
J. Ignacio López-Moreno: Effects of NAO on combined temperature and precipita...J. Ignacio López-Moreno: Effects of NAO on combined temperature and precipita...
J. Ignacio López-Moreno: Effects of NAO on combined temperature and precipita...
 
Jan Kyselý, Jan Picek, Romana Beranová: Estimating extremes in climate model ...
Jan Kyselý, Jan Picek, Romana Beranová: Estimating extremes in climate model ...Jan Kyselý, Jan Picek, Romana Beranová: Estimating extremes in climate model ...
Jan Kyselý, Jan Picek, Romana Beranová: Estimating extremes in climate model ...
 
Introduction
IntroductionIntroduction
Introduction
 
Martin Hanel, Adri Buishand: Assessment of projected changes in seasonal prec...
Martin Hanel, Adri Buishand: Assessment of projected changes in seasonal prec...Martin Hanel, Adri Buishand: Assessment of projected changes in seasonal prec...
Martin Hanel, Adri Buishand: Assessment of projected changes in seasonal prec...
 
End
EndEnd
End
 
Santiágo Beguería: Covariate-dependent modeling of extreme events by non-stat...
Santiágo Beguería: Covariate-dependent modeling of extreme events by non-stat...Santiágo Beguería: Covariate-dependent modeling of extreme events by non-stat...
Santiágo Beguería: Covariate-dependent modeling of extreme events by non-stat...
 
Jules Beersma: Advanced delta change method for time series transformation
Jules Beersma: Advanced delta change method for time series transformationJules Beersma: Advanced delta change method for time series transformation
Jules Beersma: Advanced delta change method for time series transformation
 
Gis 5 vystup_2012
Gis 5 vystup_2012Gis 5 vystup_2012
Gis 5 vystup_2012
 
Rektifikace
RektifikaceRektifikace
Rektifikace
 
Gis 3 databaze_2012
Gis 3 databaze_2012Gis 3 databaze_2012
Gis 3 databaze_2012
 
Liberec pod lupou - sborník zpráv o řešení projektů
Liberec pod lupou - sborník zpráv o řešení projektůLiberec pod lupou - sborník zpráv o řešení projektů
Liberec pod lupou - sborník zpráv o řešení projektů
 
Dny GIS Liberec 2011 - program
Dny GIS Liberec 2011 - programDny GIS Liberec 2011 - program
Dny GIS Liberec 2011 - program
 

2 dpz uvod_fyzikalni_metody_2011

  • 1. … po tisíciletí měl člověk představu jen o jeho vlastním území, o místě, kde se narodil a žil. Poznání teritoria za jeho hranicemi pro člověka znamenalo odchod z jeho vesnice; A každý člověk přesahující rozhledem jeho území se stává obyvatelem Země… Eratosthenes (275-193 BCE) 1 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 2. Základy geoinformatiky|Jiří Šmída Základy geoinformatiky Téma 3: Dálkový průzkum Země - úvod Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 3. Obsah přednášky 1. Definice pojmu a oboru DPZ 2. Struktura DPZ 3. Fyzikální podstata DPZ 4. Charakteristika spektrálních oblastí E-M záření 5. Ovlivnění E-M záření 6. Spektrální chování povrchů 7. Metody pořizování dat DPZ 3 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 4. 1. Definice DPZ Dálkový průzkum Země
  • 5. Definice oboru • DPZ: dálkový průzkum Země • RS: Remote Sensing • DPZ je získávání informací o objektech a jevech na dálku bez přímého kontaktu s těmito jevy nebo objekty. 5
  • 6. Definice • Dálkový průzkum je věda i umění získávat užitečné informace o objektech, plochách či jevech prostřednictvím dat měřených na zařízení, která s těmito zkoumanými objekty, plochami či jevy nejsou přímo v kontaktu. (Lillesand, Kiefer 1994) • Dálkový průzkum je shromažďování informací o přírodních zdrojích s využitím snímků pořízených senzory umístěnými na palubách letadel nebo družic. (Bob Ryerson, CCRS) 6
  • 7. Definice „ne-vážně“ • Dálkový průzkum je umění rozdělit svět na množství malých barevných čtverečků, se kterými si lze hrát na počítači a odhalovat jejich neuvěřitelný potenciál, který vždy přesahuje naše možnosti. (Jon Huntington, CSIRO Exploration, Geoscience, Australia) • Dálkový průzkum je nejdražší způsob, jak vytvořit obrázek. (Andrew Bashfield, Intergraph Corporation) 7
  • 8. 2. Struktura DPZ Dálkový průzkum Země
  • 9. Struktura procesu DPZ A. Zdroj energie a světla B. Záření a atmosféra C. Kontakt s předmětem D. Zaznamenání odražené energie senzorem E. Přenos, přijetí a zpracování dat F. Interpretace a analýza dat G. Využití informací 9
  • 10. 3. Fyzikální podstata DPZ Dálkový průzkum Země
  • 11. Východisky pro metody DPZ jsou:  objekty na zemském povrchu pro ně charakteristickým způsobem ovlivňují okolí  distanční metody zaznamenávají hodnoty elektromagnetického záření  viditelná část je zaznamenatelná lidským zrakem  vyvinuli jsme přístroje schopné zaznamenat další části elektromagnetického záření  E-M záření lze kvantifikovat 11
  • 12. Elektromagnetické spektrum  energie elektromagnetického záření spočívá ve vlnění – šíří se v prostoru ve tvaru tzv. elektromagnetické vlny  2 komponenty (sinusoidy): elektrická vlna (E), magnetická vlna (M)  svírají navzájem pravý úhel  šíří se rychlostí světla c  Charakteristiky:  vlnová délka ( ),  frekvence (f) 12
  • 13. Elektromagnetické spektrum - charakteristiky  Vlnová délka λ je vzdálenost mezi sousedními vrchy  JEDNOTKA: metr, mikrometr 10-6 m (μm), centimetr 10-2 m (cm)  Perioda T je doba jednoho cyklu = mezi následnými stejnými velikostmi  složky (např. vrchy) JEDNOTKA: sekunda  Frekvence f je převrácená hodnota doby jedné periody, udává počet cyklů za sekundu  JEDNOTKA: s-1 = hertz (Hz) 13
  • 14. Spektrum E-M záření  je spojité 14
  • 15. Spektrum E-M záření  podle vlnové délky se dělí do několika oblastí = konvence 15
  • 16. 4. Charakteristika spektrálních oblastí E-M záření Dálkový průzkum Země
  • 17. Charakteristika oblastí E-M spektra využitelného v DPZ  ultrafialové záření (0,1–0,4 µm)  viditelné záření (0,1–0,7 µm)  infračervené zář. blízké (0,7–1,4 µm)  infračervené zář. střední (1,4–3,0 µm)  tepelné záření (3 µm až 1 mm)  mikrovlnné záření (1 mm až 1 m) 17 Zdroj: http://science-edu.larc.nasa.gov/EDDOCS/Wavelengths_for_Colors.html
  • 18. UV záření (0,1–0,4 µm)  k povrchu propouštěna jen malá část (výrazné pohlcování atmosférou)  monitorování ropných skvrn, ložiska zlata (geologické aplikace) Zdroj: http://www.watertreatmentguide.com/ultraviolet_systems.htm
  • 19. Viditelné záření (0,1–0,7 µm)  jedno z největších atmosférických oken  v čisté a suché atmosféře ovlivňováno jen velmi málo  aerosol - rozptyl a pohlcování  zdroj = Slunce (pouze den)  schopnost procházet vodním sloupcem (modrá část)  většina družicových systémů poskytuje data v této části spektra Zdroj: http://vertebratepest.wordpress.com/tag/wavelength/
  • 20. Viditelné záření Viditelná část: barvy Červená: 0,620–0,700 m Oranžová: 0,592–0,620 m Žlutá: 0,578–0,592 m Zelená: 0,500–0,578 m Modrá: 0,446–0,500 m Fialová: 0,400–0,446 m
  • 21. 21
  • 22.
  • 23. Infračervená část (0,7 µm – 1,0 mm) Infračervená část
  • 24. Blízké IČ záření  blízké – pokračování viditelného – chování podobné – lze zaznamenávat konvenčními metodami i elektronicky  méně pohlcováno a rozptylováno – snímky ostré s dobrým kontrastem  topografické účely, studium vegetace (lesnictví, zemědělství)  voda se chová téměř jako absolutně černé těleso 24
  • 25. Střední IŠ záření  Infračervené záření - střední  vegetační a geologické studie  rozpoznávání ledu a sněhu  odlišení oblačnosti  studium zdravotního stavu vegetace 25
  • 26. Vzdálené IČ - tepelné záření  dvě atmosférická okna  teplená bilance objektů  zjišťování povrchové teploty oceánů (SST)  mapování tepelného znečištění řek a jezer, krajiny  lokalizace lesních požárů  poměrně značně ovlivňováno atmosférou  pouze kvalitativní údaje 26
  • 27.
  • 28.
  • 29. 29 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 30.
  • 31. Mikrovlnné záření několik pásem 31
  • 32. Mikrovlnné záření  pasivní snímání  aktivní = radary  dlouhé vlnové délky mohou za určitých podmínek pronikat i pod povrch  nejméně závislé na podmínkách počasí  meteorologické aplikace (srážkové oblasti, intenzita srážek)  plovoucí led, geomorfologie, výškové poměry  nejintenzivnější rozvoj 32
  • 33.
  • 34. 5. Ovlivnění E-M záření Dálkový průzkum Země 34
  • 35. Ovlivnění E-M záření atmosférou Vlivy atmosféry na charakteristiky záření závisí na těchto faktorech: • délce dráhy, kterou toto záření prochází atmosférou • velikostí emitovaného signálu • atmosférických podmínkách • vlnové délce 35
  • 36. Interakce s atmosférou záření je ovlivňováno především pohlcováním a rozptylem
  • 37. Interakce s atmosférou  Rozptyl  Molekulární (Rayleighův) rozptyl – částice, které mají mnohem menší rozměr než vlnová délka – ovlivňuje především krátkovlnné záření  Aerosolový rozptyl rozptylující částice větší než vlnová délka záření – vodní pára, prach  Neselektivní rozptyl – nezávisí na vlnové délce – velké částice – vodní kapky  Pohlcování  Hlavní pohlcující plyny jsou ozón, CO2, vodní pára
  • 38. Atmosférická okna  Části elektromagnetického spektra, které nejsou ovlivňovány pohlcováním a rozptylem
  • 39. 6. Spektrální chování povrchů Dálkový průzkum Země 39
  • 40. Interakce s povrchem - ZÁVĚRY  V závislosti na chemickém složení a aktuálním fyzikálním stavu bude možno každý typ povrchu charakterizovat podle odraženého záření  Spektrální odrazivost  Spektrální chování
  • 41. POJMY spektrální chování objektů spektrální odrazivost spektrální křivka odrazivosti spektrometrie vegetační indexy (leaf area index) spektrální příznaky 41
  • 42. E-M záření na cestě  záření je částečně absorbováno i odráženo 42
  • 43. Co má vliv na množství odraženého a emitovaného záření?  druh látky nebo objektu  např. jeho chemické složení  fyzikální stav  např. obsah vody, zhutnění povrchu, drsnost povrchu  stav okolí  např. propustnost atmosféry 43
  • 44. Spektrální odrazivost (spectral signature) = „množství odraženého záření“  ρ (λ)  poměr intenzity odraženého záření (Mr) a intenzity záření dopadajícího (Mi) na určité vlnové délce λ Mr( ) ( ) .100 % Mi ( ) 44
  • 45. Jak lze využít spektrální odrazivosti?  každá látka (objekt, povrch) na zemském povrchu se vyznačuje svojí vlastní spektrální charakteristickou (hodnotou ρ (λ))  některé objekty jsou dobře rozpoznatelné na snímcích viditelného spektra, jiné na snímcích IR spektra záření  studujeme, jak intenzivně určitý druh látky (objektu/povrchu) odráží/emituje v té které části E-M záření 45
  • 46. Spektrální křivka odrazivosti spectral response curve % Jak graficky znázornit, že zelený list odráží nejvíce záření na vlnové délce 0,500–0,578 m? odrazivost (ρ) Jak graficky popsat spektrální chování povrchu? 30 % 20 % 0,7 µm 0,9 µm vlnová délka (λ) délkové jednotky 46 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 49. Spektrální chování  Každý prostorový prvek má konkrétní a kontinuální průběh spektrální křivky, která jej odlišuje od jiných prvků, čehož lze využít pro jeho rozpoznání  křivka se mění dle fyzikálního stavu objektů 49
  • 50. Spektrální chování objektů  SPEKTROMETRIE = disciplína studující odrazové vlastnosti objektů  stanovení spektrální křivek pro různé druhy povrchů, jejich vlastností a okamžitých fyzických stavů a. spektrální projev vegetace b. spektrální projev vody c. spektrální projev půdy 50
  • 51. Spektrální chování vegetace 51 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 52. a. Spektrální chování vegetace  vegetace zastoupena (téměř) na všech snímcích DPZ: je nezbytné klasifikovat druh vegetace a její fyz. stav  využíváme odrazových vlastností listů (jehlic) 52
  • 53. Důležité faktory ovlivňující spektrální chování vegetace:  vnější uspořádání vegetačního krytu  vnitřní uspořádání jednotlivých částí rostlin  obsah vody  zdravotní stav  vlastnosti půdního substrátu 53
  • 54. typické spektrální chování vegetace (ideálního listu) vlnové délky používané v DPZ vegetace: A – modré záření B – zelené C – červené D – blízké IČ E – krátkovlnné IČ 54
  • 55. A: Oblast zelených barviv  určující pigmenty chlorofyl a karoteny; lokální maximum odrazivosti v zelené části spektra (= příčina zelené barvy vegetace) 55
  • 56. B: Oblast buněčné struktury  výrazný nárůst odrazivosti kolem 0,7 µm  dáno morfologickými vlastnostmi listu a zvýrazněno více vrstvami listů  stanovení míry hustoty vegetačního krytu (index listové pokryvnosti LAI – leaf area index) 56
  • 57. C: Oblast vodní absorpce  odrazivost nepřímo úměrná obsahu vody v listu  zjištění vodního stresu rostlin 57
  • 58. Vegetační indexy  ukazatelé míry přítomnosti zelené hmoty a jejího zdravotního stavu 58
  • 59. Využití  sdfsdf 59
  • 60. Spektrální chování vody 60 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 61. b. Spektrální chování vody  voda téměř na všech snímcích  poměrně homogenní látka (oproti jiným)  různé skupenství s odlišnou odrazivostí  pokud je přítomna v jiných objektech, modifikuje jejich spektrální chování 61
  • 62. b. Spektrální chování vody  kapalná voda se vyznačuje velmi nízkou odrazivostí ve všech vlnových délkách  max. odrazivosti ve viditelné části spektra  v IR téměř absolutně černé těleso  příměsi (plankton – chlorofyl, znečištění – plaveniny)  odrazivost roste  zjišťování hloubky mělkých nádrží (do 20 m) 62
  • 63. b. Spektrální chování vody  sníh a led mají ve viditelné a blízké IR části spektra vysokou odrazivost  vliv stáří sněhu, hustoty, znečištění  radar v X-pásmu odliší stáří ledu, mocnost ledu  odlišení oblačnosti a ledu/sněhu ve středním IR spektru 63
  • 64. Spektrální chování půdy 64 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 65. c. Spektrální chování půdy  půda heterogenní (komplex biotických a abiotických částí)  vlivy:  minerální složení  půdní vlhkost  obsah organických látek  textura (drsnost) půdního povrchu 65
  • 66. c. Spektrální chování půdy  s narůstající vlhkostí půdy se snižuje odrazivost (a: 5 %, b: 20 %, c: 40 %)  hrubé písčité půdy – vyšší odrazivost  jílovité půdy – nižší odrazivost 66
  • 67. 7. Metody pořizování dat DPZ Dálkový průzkum Země 67
  • 68. POJMY metody konvenční a nekonvenční metody pasivní a aktivní fotografie snímací rozkladová zařízení radiometr skener – mechanooptický a elektrooptický systémy multispektrální a hyperspektrální obrazový prvek (pixel) 68
  • 69. Konvenční a nekonvenční metody V DPZ měříme intenzitu odraženého nebo emitovaného E-M záření Známe dva způsoby – metody tohoto měření: konvenční a nekonvenční 69
  • 70. Konvenční metody  klasické metody  založeny na exponování filmu ve fotografické komoře  chemická reakce na citlivé vrstvě fotografického papíru  obraz vytvářen tzv. centrální projekcí (tedy v jednom okamžiku)  výsledkem fotografie  lze zaznamenat 0,3–0,9 µm  velké prostorové rozlišení 70
  • 71. Nekonvenční metody  dnes především systémy snímacích rozkladových zařízení  vytváří obraz po jednotlivých řádcích rovnoběžně nebo kolmo k dráze letu nosiče  převažují metody pasivní 71
  • 72. Rozdíly nekonvenčních metod od konvenčních 1. Odlišná technika vytváření obrazu (dynamicky po jednotlivých pixelech) 2. Velké spektrální rozlišení (0,3–14,0 µm) 3. Omezené prostorové rozlišení (desítky cm až desítky/stovky metrů, nejčastěji ale od jednotek metrů) 4. Vznik specifických geometrických zkreslení u multispektrálního snímkování 5. Obrazy zaznamenány elektronicky 6. Využitelnost počítačového prostředí pro analýzy (GIS) 72
  • 73. RADIOMETR Snímací rozkladová zařízení  dva základní druhy:  mechanooptický skener  elektrooptický skener  radiometr – přístroj na měření radiace (množství odraženého nebo emitovaného E-M záření) z určité elementární plochy zemského povrchu v určitém intervalu spektra 73
  • 74. Elektrooptické snímací rozkladové zařízení (stírací)  řádkové pole detektorů (označovaných CCD)  každý detektor registruje záření z plochy jednoho pixelu  skener je spolehlivější  má lepší rozlišovací schopnosti 74
  • 75. Multispektrální a hyperspektrální  multispektrální zařízení – záznam odrazivosti vymezeného území v několika intervalech spektra  hyperspektrální zařízení – záznam v několika stovkách úzce vymezených spektrálních intervalů 75
  • 76. Digitální obrazový záznam  analogový (kontinuální) signál je převáděn na signál diskrétní představující nejčastěji hodnotu radiace  matice dat o určitém počtu řádků a sloupců  jednotka = obrazový prvek (pixel)  rozměr pixelu odpovídá prostorovému rozlišení záznamu  každý pixel nese jedno číslo (tzv. gidital number – DN) 76
  • 77. Rozlišovací schopnosti digitálních obrazových záznamů  rozlišovací schopnost jednou ze základních charakteritik každého snímacího zařízení  definujeme 4 základní typy rozlišovacích schopností: radiometrická spektrální prostorová časová 77
  • 78. 4 rozlišovací schopnosti obrazových dat DPZ • určena citlivostí detektoru na sílu signálu, který radiometrická zaznamenává • udává šířku intervalu vlnových délek E-M spektra, ve kterém senzor zaznamenává E-M spektrální záření • panchromatické pásmo = zaznamenává celé viditelné spektrum • udává nejmenší objekt, který může být na prostorová snímku ještě rozpoznán • dáno velikostí jednoho pixelu • udává, jak často systém poskytuje snímky časová daného území • nejvyšší prostorová schopnost u geostacionárních družic (30 minut) 78 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci
  • 79. děkuji za pozornost jiri.smida@tul.cz 79 Fakulta přírodovědně-humanitní a pedagogická, Technická univerzita v Liberci