ESTRAZIONE DI FIRME SPETTRALI
DI COPERTURE NUVOLOSE
DA IMMAGINI SATELLITARI
Relatori:
Prof. F. Posa
Dott.ssa C. Notarnicola
Controrelatore:
Prof. V. Berardi
Laureando:
Gennaro Cappelluti
L’obiettivo del lavoro di tesi
automazione
matrici di copertura nuvolosa
LAPS
MSG
previsioni
meteorologiche
< 18 ore
MODIS
Progetto Nowcasting
CIRP
regione
Puglia
RAMS
Le previsioni meteorologiche
WMO (World Meteorological Organization)
coordina su scala planetaria il rilevamento
e l’elaborazione dei dati meteorologici
Ginevra
per l'Europa:
Reading (Londra)
centri di
calcolo
modelli numerici
previsioni meteorologiche
nowcasting
< 18 ore
Il Progetto Nowcasting


elevata rapidità richiesta alla diffusione dei dati
notevole estensione del territorio considerato
matrici di
copertura nuvolosa
WMO
maglia geografica piuttosto larga,
alla quale sfuggono i caratteri climatici locali


Progetto Nowcasting
modelli
numerici


area corrispondente alla regione Puglia
Local Analysis and
Prediction System (LAPS)
modello numerico che
gestisce gli input del
modello RAMS
Regional Atmospheric
Modelling System (RAMS)
modello numerico in grado
di produrre previsioni
meteo entro le 18 ore
Il lavoro svolto
MODIS Terra
HDF
GSFC (Goddard Space Flight Center)
MOD02QKM, MOD02HKM e MOD021KM
programma in IDL


all'interno dello stesso file, in
"Scientific Data Set" (SDS)
differenti, sono sistemati
matrici tridimensionali,
immagini, tabelle, descrizioni e
commenti
i dati sono registrati sotto forma
di "Scaled Integer" (SI), numeri
adimensionali compresi tra 0 e
32767 (16 bit)
temperature
di brillanza
riflettanze
algoritmo
MCMA
matrici di copertura nuvolosa
I dati MSG e MODIS
elevata frequenza temporale
con cui i dati devono essere forniti
15 minuti
1 km
12 bande
0.75 μm
0.635 μm
0.81 μm
1.64 μm
3.92 μm
6.25 μm
7.35 μm
8.70 μm
9.66 μm
10.80 μm
12.00 μm
13.40 μm
elevato numero di bande
MSG
MODIS
24 ore
250 m
36 bande


la procedura è stata sviluppata
partendo da immagini MODIS,
cercando di utilizzare le bande
in comune con MSG
successivamente l'analisi verrà
applicata alle immagini MSG
0.635 μm
0.8585 μm
0.469 μm
0.555 μm
1.240 μm
1.640 μm
2.130 μm
0.4125 μm
0.443 μm
0.488 μm
0.531 μm
0.551 μm
0.667 μm
0.678 μm
0.748 μm
0.8695 μm
0.905 μm
0.936 μm
0.940 μm
1.375 μm
3.750 μm
3.959 μm
3.964 μm
4.050 μm
4.4655 μm
4.5155 μm
6.715 μm
7.325 μm
8.550 μm
9.730 μm
11.030 μm
12.020 μm
13.335 μm
13.635 μm
13.935 μm
14.235 μm
L’algoritmo standard:
il MODIS Cloud Mask Algorithm (MCMA)
nuvole


valori di riflettanza
elevati e valori di
temperatura bassi
rispetto a quelli della
sottostante superficie
terrestre
i valori di riflettanza,
nello spettro solare, e
di temperatura, nella
finestra infrarossa,
degli oggetti nuvolosi
tendono ad addensarsi
intorno a valori tipici
confronto con opportuni valori di soglia
delle riflettanze e delle temperature
che si hanno in una scena osservata
discriminazione dei corpi nuvolosi
dalle restanti parti della scena
MCMA
determina se un dato
pixel è nuvoloso o
meno, combinando i
risultati di vari test
spettrali che utilizzano
valori di soglia
I test

l'MCMA utilizza un
approccio fondato su livelli
di confidenza: ogni test
assegna un valore compreso
tra 0 e 1, dove lo 0 indica
che il pixel è nuvoloso e l'1
che esso non lo è


in funzione del tipo di nuvola
analizzata vengono considerati 5
gruppi di test spettrali
i gruppi non sono indipendenti,
ovvero, un test che appartiene ad un
particolare gruppo può rivelare
anche nubi analizzate da altri gruppi
CL NC (x) 




0
x α
βα
1
xα
α x β
x β
CC - confident cloudy
PC - probably cloudy
PNC - probably not cloudy
CNC - confident not cloudy
I test
Il problema delle soglie
le soglie utilizzate nell'MCMA dipendono da
vari parametri, di cui i principali sono:








ora della giornata presa in considerazione
mese dell'anno
latitudine
ecosistema della zona
superficie sottostante
condizioni atmosferiche
composizione dell'atmosfera
contenuto d'aerosol
le soglie adoperate
nell'MCMA si riferiscono
all'oceano aperto oppure a
zone desertiche o ancora
ad aree in pieno
continente, zone dotate di
condizioni stabili e quindi
facilmente caratterizzabili
poichè l'obiettivo è quello di produrre previsioni meteo
riguardanti l'area del bacino del Mediterraneo
corrispondente alla regione Puglia e poichè tale zona non
ha le caratteristiche delle aree menzionate, non è possibile
applicare alle immagini di tale area le stesse soglie e quindi
non è possibile applicare con rigore l'MCMA
La classificazione
insieme di
famiglie di
pixel con
caratteristiche
spettrali affini
k means

minimum distance

parallelepiped
maximum likelihood
spectral angle mapper
i dati multispettrali vengono rappresentati in uno spazio
a n dimensioni (n è il numero delle bande spettrali prese
in considerazione), detto spazio delle caratteristiche
spettrali
le etichette dei pixel di un'immagine sono il risultato del
confronto delle caratteristiche spettrali dei vari pixel
dell'immagine con caratteristiche spettrali di
riferimento, estratte eventualmente anche da altre
immagini
endmembers
vettori tipici
delle classi
La procedura
immagine
multispettrale
fase di
training
matrice L
endmembers
matrice L
mappe
tematiche
contiene le 9
grandezze testate
dall’MCMA
medie dei valori di riflettanza e temperatura
dei pixel appartenenti alle varie classi
soglie
matrici
F, G, Q, R
Gli endmember EC, ENCL ed ENCS sono
le medie dei vettori MC, MNCL ed MNCS
relativi alle 10 immagini di training.
Fi
Gi
Q
R
CLNC
nuvole test i-esimo
nuvole gruppo i-esimo
tutti i tipi di nuvola
tutti / livelli discreti
Le regioni d’interesse
10.10 - 06.08.2002

L1
L3
L9


le caratteristiche delle formazioni
nuvolose dipendono fortemente
dalla zona in cui esse si trovano
l'uso di campioni prelevati da altre
zone avrebbe generato errori
significativi in fase di
classificazione
i risultati che si ottengono sono
ottimizzati per la Puglia
Il cloud mask
immagine
geocodificata
F9 - cirri
F1 - nuvole alte e spesse
G2 - nuvole sottili
immagini
di Q ed R
RGB invertito
dei livelli G4, G1 e G2
RISULTATI E CONCLUSIONI
Gli endmember
Valori espressi in gradi degli angoli compresi tra
il vettore EC e il vettore ENCL, tra il vettore EC e il
vettore ENCS e tra il vettore ENCL e il vettore ENCS.
Gli angoli δ definiscono i coni di variabilità delle
medie intorno agli endmember e le distanze
angolari tra gli endmember sono sempre maggiori
della somma delle aperture angolari dei coni di
variabilità degli endmember considerati.
Con livello di confidenza del 99% la popolazione
dei vettori MNCL è differente dalla popolazione
dei vettori MNCS e quindi gli endmember ENCL e
ENCS possono essere considerati rappresentativi
di due categorie differenti.
Valori espressi in gradi degli angoli compresi tra il
vettore EC e i 10 vettori MC, tra il vettore ENCL e i 10
vettori MNCL e tra il vettore ENCS e i 10 vettori MNCS.
Cloud mask
giorno 22.08.2002 ore 10.10
RISULTATI E CONCLUSIONI
RISULTATI E CONCLUSIONI
I vari tipi di nuvola
L4
G2
Nei pressi dell'Africa si osserva una eccessiva
presenza di pixel classificati come “confident
cloudy” rispetto a quanto mostrato dall'immagine
RGB. La ragione di questo è la notevole
differenza tra gli endmember utilizzati e le
caratteristiche spettrali dei pixel vicini all'Africa.
Per quanto riguarda l'area del Mar
Tirreno, si osserva che, nonostante
nel visibile non si noti la presenza
di nuvole, la maggior parte dei
pixel sono etichettati come
“probabilmente nuvolosi”. Questo
risultato deriva dal fatto che la
maschera della copertura nuvolosa
esprime la presenza di nubi
prescindendo dal tipo di nuvola. In
corrispondenza dell'area
considerata, nei livelli L2, L3 ed L4
sono presenti valori di radianza
abbastanza distanti da quelli
caratteristici del cielo non
nuvoloso e questo significa che
l'area in esame potrebbe essere
interessata da nuvole sottili.
Cloud mask
giorno 29.08.2002 ore 10.15
RISULTATI E CONCLUSIONI