PRISMA Prodotti e Applicazioni - Stato dell`arte

Commenti

Transcript

PRISMA Prodotti e Applicazioni - Stato dell`arte
CONSIGLIO NAZIONALE DELLE RICERCHE
Istituto di Fisica Applicata “Nello Carrara”
Via Madonna del Piano, 10
50019 - Sesto Fiorentino - Italia
Gruppo di Ricerca
SOASAR
Sistemi Ottici Aerospaziali ad Alta Risoluzione
PRISMA
Products and Applications
Stato dell’arte
Titolo:
Documento:
Data:
CNR–IFAC/SOASAR/120423
23 aprile 2012
Nome e Cognome:
AUTORI:
Funzione:
Documento riservato
Affiliazione:
Bruno Aiazzi
CNR - IFAC
Luciano Alparone
CNR - IFAC
Alessandro Barducci
CNR - IFAC
Stefano Baronti
CNR - IFAC
Roberto Carlà
CNR - IFAC
Andrea Garzelli
CNR - IFAC
Donatella Guzzi
CNR - IFAC
Cinzia Lastri
CNR - IFAC
Paolo Marcoionni
CNR - IFAC
Vanni Nardino
CNR - IFAC
Francesco Picchioni
CNR - IFAC
Ivan Pippi
CNR - IFAC
Leonardo Santurri
CNR - IFAC
Massimo Selva
CNR - IFAC
Verificato da:
Ivan Pippi
Approvato da:
Renzo Salimbeni
Responsabile del
gruppo di ricerca
CNR - IFAC
Direttore CNR-IFAC
CNR - IFAC
2
Firma:
INDICE
1 2 3 4 5 6 EXECUTIVE SUMMARY ............................................................................................... 7 INTRODUZIONE ............................................................................................................. 8 2.1 SCOPO DEL DOCUMENTO ..................................................................................... 8 2.2 DEFINIZIONI, ACRONIMI ED ABBREVIAZIONI ............................................... 9 2.2.1 DEFINIZIONI ......................................................................................................... 9 2.2.2 ACRONIMI ED ABBREVIAZIONI ...................................................................... 9 2.3 DOCUMENTI APPLICABILI E DI RIFERIMENTO ........................................... 13 2.3.1 DOCUMENTI APPLICABILI .............................................................................. 13 2.3.2 DOCUMENTI DI RIFERIMENTO ...................................................................... 13 OBIETTIVI DEL PROGETTO ..................................................................................... 14 STRUMENTI DI RIFERIMENTO ............................................................................... 15 4.1 SPETTROMETRI AD IMMAGINE DA SATELLITE ........................................... 15 4.1.1 ARTEMIS su TacSat – 3 ....................................................................................... 15 4.1.2 HYPERION su Earth Orbiter – 1 (Earth Observing mission 1) ............................ 17 4.1.3 HYPER SPECTRAL IMAGER su ENMAP ......................................................... 19 4.2 SPETTROMETRI AD IMMAGINE DA AEREO ................................................... 22 4.2.1 AVIRIS (Airborne Visible Infrared Imaging Spectrometer) ................................. 22 4.2.2 COMPASS (Airborne Visible Infrared Imaging Spectrometer) ........................... 27 4.2.3 HYMAP (Airborne Hyperspectral Scanner) ......................................................... 29 4.2.4 MIVIS (Multispectral Infrared and Visible Imaging Spectrometer) ..................... 30 4.2.5 SIM-GA / HYPER (Sistema Iperspettrale Multisensoriale).................................. 32 4.2.6 VIRS-200 (Visible Infrared Scanner) .................................................................... 35 SIMULAZIONE DELLE PRESTAZIONI ................................................................... 38 5.1 GENERAZIONE DI IMMAGINI ............................................................................ 39 5.2 SIMULAZIONE DEGLI EFFETTI DELL’ATMOSFERA ................................... 40 5.3 SIMULAZIONE DELLA RISPOSTA DELLO STRUMENTO .............................. 40 PRODOTTI DI BASE ..................................................................................................... 43 6.1 LIVELLO 1 - RADIANZA AL SENSORE ............................................................... 43 6.1.1 CALIBRAZIONE DELLA CORRENTE DI BUIO ............................................. 43 6.1.2 CALIBRAZIONE DEL SENSORE A MATRICE (FLAT-FIELD) ..................... 43 6.1.3 CONVERSIONE IN UNITÀ DI RADIANZA ..................................................... 45 6.2 LIVELLO 2c - RIFLETTANZA A TERRA ............................................................. 48 6.2.1 MODELLI DI TRASFERIMENTO RADIATIVO ............................................... 49 6.2.1.1 BANCA DATI DI PARAMETRI SPETTROSCOPICI SOLARI .................... 61 6.2.1.2 BANCA DATI DI PARAMETRI SPETTROSCOPICI DEI GAS
ATMOSFERICI TERRESTRI ....................................................................... 63 6.2.1.2.1 LA BANCA DATI “HITRAN” .......................................................................64 6.2.1.2.2 LA BANCA DATI “GEISA” ..........................................................................66 6.2.1.3 IL PROGRAMMA DI CALCOLO “DISORT” ............................................. 69 6.2.1.4 IL PROGRAMMA DI CALCOLO “MODTRAN 5” ..................................... 70 6.2.1.4.1 SIMULAZIONE DELLA RADIANZA AL SENSORE .................................73 6.2.1.4.2 SIMULAZIONE DELLA TRASMITTANZA ................................................81 6.2.1.5 IL PROGRAMMA DI CALCOLO “6S” ....................................................... 89 6.2.1.6 TECNICA MONTE CARLO ......................................................................... 97 6.2.1.6.1 DESCRIZIONE GENERALE DEL METODO MONTE CARLO.................97 6.2.1.6.2 SIMULAZIONE MONTE CARLO APPLICATA AL TRASFERIMENTO
RADIATIVO IN ATMOSFERA .....................................................................97 6.2.1.6.3 INAPPLICABILITÀ DEL METODO MONTE CARLO ELEMENTARE ...98 6.2.1.6.4 APPLICAZIONI PRATICHE DELLA TECNICA MONTE CARLO ...........98 6.2.1.6.5 VANTAGGI DELLA TECNICA MONTE CARLO ......................................99 3
6.2.2 PROCEDURE DI CORREZIONI ATMOSFERICHE ESISTENTI................... 101 6.2.2.1 ATCOR ....................................................................................................... 101 6.2.2.2 ATREM ....................................................................................................... 103 6.2.2.3 APPROCCIO STATISTICO ....................................................................... 103 6.3 NOISE MODELING ............................................................................................... 105 6.3.1.1 SPETTROMETRI DI NUOVA GENERAZIONE ........................................ 105 6.3.1.2 UN ESEMPIO APPLICATIVO SU HYPER/SIM-GA ................................. 106 6.4 CARATTERISTICHE SPAZIALI E SPETTRALI................................................ 109 6.5 FUSIONE DI IMMAGINI...................................................................................... 110 6.5.1 STATO DELL’ARTE ......................................................................................... 110 6.5.1.1 INTRODUZIONE ....................................................................................... 110 6.5.1.2 RASSEGNA DEI METODI DI PANSHARPENING ................................... 111 6.5.1.3 METODI DI FUSIONE CON DATI IPERSPETTRALI ............................. 112 6.5.2 FUSIONI DI IMMAGINI MULTISPETTRALI E PANCROMATICHE .......... 113 6.5.2.1 TECNICHE DI FUSIONE.......................................................................... 113 6.5.2.2 TECNICHE DI FUSIONE “Component Substitution”.............................. 113 6.5.2.3 TECNICHE
DI
FUSIONE
BASATE
SU
DECOMPOSIZIONI
MULTIRISOLUZIONE .............................................................................. 114 6.5.2.4 QUALITÀ DEI DATI FUSI ........................................................................ 114 6.5.2.5 VALUTAZIONI TECNICHE DI PANSHARPENING ................................ 115 6.5.2.6 ALIASING .................................................................................................. 115 6.5.2.7 DISALLINEAMENTO GEOMETRICO ...................................................... 116 6.5.2.8 DISALLINEAMENTO TEMPORALE ........................................................ 117 6.6 RIDUZIONE DELLA DIMENSIONALITÀ.......................................................... 119 6.6.1 STATO DELL’ARTE ......................................................................................... 119 6.7 IMAGE ENHANCEMENT E RESTORATION .................................................... 121 6.7.1 STATO DELL’ARTE ......................................................................................... 121 7 APPLICAZIONI ........................................................................................................... 123 7.1 STATO DELL’ARTE .............................................................................................. 123 7.2 REQUISITI UTENTE............................................................................................. 124 7.2.1 CARATTERISTICHE DEL SENSORE E REQUISITI OPERATIVI DI
MISSIONE .......................................................................................................... 126 7.3 RISCHI NATURALI E ANTROPICI..................................................................... 127 7.3.1 FRANE ................................................................................................................ 127 7.3.1.1 VALUTAZIONE DELL’UMIDITÀ SUPERFICIALE ................................. 128 7.3.2 INCENDI BOSCHIVI ......................................................................................... 130 7.3.2.1 ANALISI DEL RISCHIO ............................................................................ 130 7.3.2.2 RILEVAZIONE ........................................................................................... 132 7.3.2.3 IDENTIFICAZIONE DEGLI UTENTI E LORO REQUISITI .................... 134 7.3.2.4 ALGORITMI ............................................................................................... 135 7.3.2.4.1 ALGORITMI BASATI SU TECNICHE DI MISURA DELLA
TEMPERATURA NELL’INFRAROSSO ....................................................135 7.3.2.4.2 ALGORITMI CON SOGLIA SU SINGOLO CANALE (single channel) ...138 7.3.2.4.3 ALGORITMI CON SOGLIA SU PIÙ CANALI (multi-channel) ................138 7.3.2.4.4 ALGORITMI BASATI SUL CONTESTO SPAZIALE (contextual) ...........139 7.3.2.4.5 ALGORITMI BASATI SU DATI DA PIÙ SATELLITI ..............................140 7.3.2.5 GESTIONE E MONITORAGGIO DELL’INCENDIO ............................... 140 7.3.2.6 PERIMETRAZIONE DELLE AREE INCENDIATE................................... 140 7.3.2.7 INDIVIDUAZIONE DELLE AREE INCENDIATE CON IMMAGINI
TELERILEVATE ........................................................................................ 141 7.4 CONTENUTO DI ACQUA DELLA VEGETAZIONE.......................................... 144 7.5 MAPPATURA DEI FONDALI MARINI............................................................... 145 4
8 BIBLIOGRAFIA ........................................................................................................... 147 8.1 GENERALE DI BASE ............................................................................................ 147 8.1.1 SIMULAZIONE IMMAGINI IPERSPETTRALI .............................................. 147 8.1.2 FUSIONE DATI .................................................................................................. 147 8.1.3 RIDUZIONE DELLA DIMENSIONALITÀ ...................................................... 149 8.2 AMBIENTE E RISORSE ....................................................................................... 150 8.2.1 GEOLOGIA......................................................................................................... 150 8.2.2 VEGETAZIONE ................................................................................................. 150 8.2.2.1 STIMA DEL CONTENUTO D’ACQUA NELLA VEGETAZIONE ............ 152 8.2.3 NEVE E GHIACCIO........................................................................................... 153 8.2.4 OCEANI, MARI ED ACQUE INTERNE .......................................................... 153 8.2.5 ATMOSFERA ..................................................................................................... 154 8.2.5.1 MODELLI DI TRASFERIMENTO RADIATIVO ....................................... 155 8.3 RISCHI NATURALI E ANTROPICI..................................................................... 157 8.3.1 FRANE ................................................................................................................ 157 8.3.2 ALLUVIONI ....................................................................................................... 158 8.3.3 INCENDI ............................................................................................................. 159 8.3.4 ATTIVITA' VULCANICA E GEOTERMICA ................................................... 163 8.3.5 INQUINAMENTO DI PETROLIO A MARE .................................................... 164 8.4 ESECUZIONE DELLE CAMPAGNE DI TELERILEVAMENTO ..................... 164 5
6
1 EXECUTIVE SUMMARY
7
2 INTRODUZIONE
2.1 SCOPO DEL DOCUMENTO
Questo volume raccoglie il frutto delle attività svolte per l’Agenzia Spaziale Italiana nel
contratto n. I/018/11/0 “OPTIMA – Metodologie avanzate per l’analisi, l’integrazione e
l’ottimizzazione dei prodotti di livello 1 e 2 della missione PRISMA” nell’ambito del bando
per Studi Scientifici a Supporto della Missione PRISMA.
Il volume, sulla base dell’esperienza accumulata da diversi anni dal CNR-IFAC nel campo
della sensoristica aerospaziale e del telerilevamento ottico iperspettrale, descrive allo stato
dell’arte i seguenti temi:
1) Le applicazioni dei dati telerilevati ad alta risoluzione spettrale e spaziale a vari
settori descrittivi dell’ambiente ed al monitoraggio di calamità e disastri naturali ed
antropici
2) Gli strumenti con caratteristiche simili allo spettrometro ad immagine della missione
PRISMA, comprendendo anche sensori da aereo le cui acquisizioni potrebbero essere
utilizzati per simulare i dati PRISMA.
3) Le correzioni radiometriche.
4) Le correzioni atmosferiche.
5) L’analisi delle prestazioni.
6) La simulazione delle prestazioni.
7) Alcuni prodotti.
8) L'analisi dell’accuratezza dei prodotti.
Un particolare rilievo è stato dato alla descrizione dettagliata dei modelli di trasferimento
radiativo oggi disponibili per essere integrati nella catena di processamento dei dati di
PRISMA, sia per passare da immagini di radianza al sensore (livello 1) a mappe di riflettanza
delle superfici osservate (livello 2) che per simularne accuratamente i dati forniti e le
prestazioni.
8
2.2 DEFINIZIONI, ACRONIMI ED ABBREVIAZIONI
2.2.1 DEFINIZIONI
2.2.2 ACRONIMI ED ABBREVIAZIONI
4A/OP
6SV1/6S
ADEOS
AGILE
AFCRL
AFRL
AISI
ALI
ARSIS
ASI
ASAR
ASTER
ATBD
ATCOR
ATREM
ATSR
ATW
AVHRR
AVIRIS
AWL
BAI
BAIM
BSM
BT
CA
CBI
CIBR
CHRIS
CNR
CNRS
COCHISE
COMANCHE
CRM
CS
DEM
Automatized Atmospheric Absorption Atlas
Second Simulation of a Satellite Signal in the Solar Spectrum, Vector
Advanced Earth Observing Satellite
Astro-rivelatore Gamma a Immagini LEggero
Air Force Cambridge Research Laboratories
l’Air Force Research Laboratory
l’Infrared Atmospheric Sounding Interferometer
Advanced Land Imager
Amelioration de la Resolution Spatiale par Injection de Structures
Agenzia spaziale italiana
Advanced Synthetic Aperture Radar
Advanced Spaceborne Thermal Emission and Reflection Radiometer
Algorithm Theoretical Basis Documents
Atmospheric CORrection
Atmosphere REMoval program
Along Track Scanning Radiometers
Á “Trous” Wavelet.
Advanced Very High Resolution Radiometer
Airborne Visible/Infrared Imaging Spectrometer
Abdominal Wall Lifting
Burned Area Index
BAI adattato a MODIS
Burn Scars Maps
Brovey Transforms
context adaptive
Composite Burn Index
Continuum Interpolated Band Ratio
Compact High Resolution Imaging Spectrometer
Consiglio Nazionale delle Ricerche
Centre National de la Recherche Scientifique
COde de Correction atmospherique Hyperspectrale d’Images de
Senseurs Embarques
COde de Modelisation pur l’ANalyse des Cibles Hyperspectrales vues
en Entree instrument
Column Radiation Model
Component Substitution
Digital Elevation Model
9
DISORT
DMC
DUP
DWT
EnMAP
ENVISAT
EO
EOS
ERGAS
ERS
ESA
EWT
EWTc
FASCODE
FASE
FLAASH
FOV
FUTBOLIN
FWHM
GEISA
GEMI
GIS
GLI
GLP
GOES
GPR
GS
GSD
GSFC
GVMI
HDF
HIS
HITRAN
HYDICE
Hyper-SIMGA
HYPERION
Hypseo
HPF
HRVIR
HSI
HWHM
IFAC
IFOV
IHS
IPSL
IRS
ITALSCAR
JHM
Discrete Ordinates Radiative Transfer Program for a Multi-Layered
Plane-Parallel Medium
Dry Matter Content
Data User Program
Decimated Wavelet Tecnique
Environmental Mapping and Analysis Program
Environmental Satellit
Earth Observed
Earth Observing System
Erreur Relative Globale Adimensionnelle de Synthèse
European Remote Sensing satellite
European Space Agency
Equivalent Water Thickness
canopy Equivalent Water Thickness
Fast Atmospheric Signature Code
FASCODE for the Environment
Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes
Field of View
FUll Transfer By Optimized LINe-by-line methods
Full Width Half Maximum
Gestion et Etude des Informations Spectroscopiques Atmosphériques:
Management and Study of Spectroscopic Information
Global Environment Monitoring Index
Geographical Information System
GLobal Imager
Generalized Laplacian Pyramid
Geostationary Operational Environmental Satellites
Ground Penetrating Radar
Gram-Schmidt
Ground sampling Distance
Goddard Space Flight Center
Global Vegetation Moisture Index
Hierarchical Data Format
Hue-Saturation_intensity
HIgh-resolution TRANsmission molecular absorption database
Hyperspectral Digital Imagery Collection Experiment
Hyperspectral - Sistema Iperspettrale Multisensoriale Galileo Avionica
Hyperspectral Imaging Spectrometer
Hyperspectral Earth Observer
High Pass Filter
Haute Résolution dans le Visible et l'Infra-Rouge
Hyper Spectral Imager
Half Width At Half-Maximum
Istituto di Fisica Applicata “Nello Carrara”
Istantaneous Filed of View
Intensity Hue Saturation
Institut Pierre Simon Laplace
Indian Remote Sensing Satellite
Burned Forest Mapping from Space
Joint Hyperspectral Mission
10
KARINE
LAC
LAI
LAS
LEO
LBLRTM
libRadtran
LUT
LWIR
MATISSE
MC
MCC
MCT
MIR
MERIS
MESMA
MIVIS
MODIS
MODTRAN
MORFEO
MRA
MS
MSG HRV
MSU
MTF
MWIR
NASA
NCSA
NDVI
NDWI
NESR
NIR
NOAA
ONERA
OPERA
ORASIS
PAN
PCA
PDHT
PRISMA
PROSA
Q4
QUAC
RFM
RTE
RTI
RRTM
RTTOV
SAM
K-distribution Atmospheric Radiation: Infrared Net Exchanges
LEISA Atmospheric Corrector
Leaf Area Index
Large Angle Scattering
Low Earth Orbit
Line-Ny-Line Radiative Transfer Model
library for radiative transfer
Look Up Table
LongWave Infra-Red
Modélisation Avancée de la Terre pour l' Imagerie et la Simulation des
Scènes et de leur Environnement
Monte Carlo
Mission Control Centre
Mercurium Cadmium Telluride
Medium Infra-Red
MEdium Resolution Imagining Spectrometer
Multiple End-members Spectral Mixture Analysis
Multispectral Infrared and Visible Imaging Spectrometer
Moderate Resolution Imaging Spectroradiometer
Moderate Resolution Atmospheric Radiance and Transmittance Model
Landslide Monitoring and Risk with Earth Observation data
Multi-Resolution Analysis
MultiSpettrale
Meteosat Second Generation High Resolution Visible
Microwave Sounding Unit
Modulation Transfer Function
Medium Wave Infra-Red
National Aeronautics and Space Administration
National Centre for Supercomputing Applications
Normalized Difference Vegetation Index
Normalized Difference Water Index
Noise Equivalent Spectral Radiance
Near Infra-Red
National Oceanic and Atmospheric Adninistration
Office National d’Etudes et Recherches Aerospatiales
Operational Eo-based RAinfall
Optical Real-time Adaptive Signature Identification System
Camera pancromatica
Principal Component Analysis
Payload Data Handling and Transmission
PRecursore IperSpettrale della Missione Applicativa
Prodotti di Osservazione Satellitare per Allerta Meteorologica
4 bands Quality index
QUick Atmospheric Correction
Reference Foeward Model
Radiative Transfer Equation
Raggruppamento Temporaneo d’Imprese
Rapid Radiative Transfer Model
Radiative Transfer Code
Spectral Angle Mapper
11
SAR
SAS
SBDART
SCC
SEVIRI
SFIM
SCIATRAN
SHARM
SHDOM
SIASGE
SNR
SPOT
SWIR
SSO
SIGRI
TDR
TIR
TLE
TM
TMA
TOAR
VIRS
VNIR
VPI
Synthetic Aperture Radar
Small Angle Scattering
Santa Barbara DISORT Atmospheric Radiative Transfer
Satellite Control Centre
Spinning Enhanced Visibile and Infrared Imager
Smoothing Filter-Based Intensity Modulation
Radiative Transfer Model and Retrieval Algorithm
Spherical Harmonics code
Spherical Harmonic Discrete Ordinate Method
Sistema Italo Argentino de Satélites para la Gestion de Emergencias
Signal to Noise Ratio
Satellite Pour l'Observation de la Terre
Short Wave Infra-Red
Spatial Standard Observer
Sistema Integrato per Gestione Rischi Incendi
Time-Domain riflectometry
Thermal Infra-Red
Thermal Local Equilibrium
Thematic Mapper
Three-Mirror-Anastigmat
Top Of Atmosphere Radiance
Visible and Infrared Scanner
Visible Near Infra-Red
Verbraucherpreisindex
Tab. 2.1: Lista degli acronimi e abbreviazioni.
12
2.3 DOCUMENTI APPLICABILI E DI RIFERIMENTO
2.3.1 DOCUMENTI APPLICABILI
2.3.2 DOCUMENTI DI RIFERIMENTO
1. Contratto n. I/018/11/0 tra ASI e CNR – IFAC “OPTIMA: metodeologie avanzate per
l’analisi l’integrazione e l’ottimizzazione dei prodotti di livello 1 e 2 della missione
PRISMA” Aprile 2011.
2. Proposta Scientifica “OPTIMA: metodeologie avanzate per l’analisi l’integrazione e
l’ottimizzazione dei prodotti di livello 1 e 2 della missione PRISMA” CNR-IFAC, 23
settembre 2009.
3. Estratto del Mission Requirements Document per le attività industriali di Fase B2/C/D/E1
di PRISMA. Documento ASI DC-OST-2011-032 del 11/04/2011.
13
3 OBIETTIVI DEL PROGETTO
Il progetto OPTIMA si propone di accrescere e consolidare le potenzialità applicative della
missione PRISMA attraverso l’implementazione di metodologie avanzate per l’analisi,
l’integrazione e l’ottimizzazione dei prodotti di livello 1 e 2. Questa attività, oltre alla stima
dei prodotti, darà luogo anche allo sviluppo di vari algoritmi di elaborazione e preelaborazione dei dati che verranno acquisiti dallo spettrometro ad immagine e dalla camera
pancromatica di PRISMA.
Da un punto di vista metodologico, il progetto si pone l’obiettivo di sfruttare la particolare
integrazione ottica dei sensori PRISMA, dove la camera pancromatica ed il sensore
iperspettrale condividono lo stesso sistema ottico d’ingresso. Questa circostanza potrà avere
ricadute importanti per le attività e gli algoritmi di image enhancement, image restoration e
data fusion, e potrebbe dar luogo a miglioramenti importanti nei prodotti del telerilevamento
di ordine 2 e superiori.
Per testare le applicazioni sviluppate per il progetto PRISMA è necessaria la generazioni di
dati sintetici e immagini simulate che siano verosimili e affini alle osservazioni della missione
PRISMA. Nella prima parte del progetto si ricorrerà quindi alla simulazione di dati e/o
immagini attraverso la messa a punto di apposite procedure che, tenendo conto sia delle
caratteristiche operative della missione che di quelle tecniche dei suoi sensori ottici,
permettano di ricreare le modalità di acquisizione partendo da scenari realistici.
Un altro obiettivo del progetto riguarda le caratteristiche generali di autonomia e rapidità
d’esecuzione delle procedure di calcolo che saranno considerate e/o implementate. Gli
algoritmi sviluppati si baseranno, tutte le volte che ciò sarà possibile, sull’impiego di tecniche
automatiche di calcolo e di stima. In altre parole, si darà la preferenza alle metodologie
autonome di elaborazione dei dati e delle immagini acquisiti, da eseguirsi senza la continua
interazione con un operatore, così da snellire e standardizzare le operazioni del segmento di
terra. Tra tutti gli algoritmi autonomi saranno preferiti quelli che richiederanno per la loro
esecuzione la minore potenza di calcolo.
Infine le attività del progetto, in particolare per le fasi di simulazione dei dati PRISMA e di
validazione dei prodotti ottenuti con i vari algoritmi, trarranno vantaggio dall’utilizzazione di
due aree di studio, calibrazione e validazione del CNR-IFAC, una da tempo operativa
all’interno del Parco Naturale di San Rossore (Pisa) e l’altra in allestimento a Sesto Fiorentino
(Firenze).
14
4 STRUMENTI DI RIFERIMENTO
Prima di esaminare le caratteristiche della missione PRISMA, si definisce il quadro di
riferimento entro cui si colloca attraverso l’esame degli spettrometri ad immagine, operanti sia
da satellite che da aereo, che saranno disponibili alla data di lancio della missione PRISMA.
4.1 SPETTROMETRI AD IMMAGINE DA SATELLITE
Vengono riportate le caratteristiche tecniche di tre spettrometri ad immagine da satellite. Il
primo, ARTEMIS, utilizzato per scopi militari, rappresenta ad oggi il sistema più avanzato sia
dal punto di vista tecnologico che operativo. Il secondo, HYPERION, è operativo da molti
anni e le sue immagini verranno utilizzate come una delle basi di partenza per simulare i dati
PRISMA. Il terzo sarà posto su ENMAP e lanciato prossimamente in orbita.
4.1.1 ARTEMIS su TacSat – 3
Vengono qui riportate le caratteristiche di ARTEMIS (Advanced Responsive Tactically
Effective Military Imaging Spectrometer) posto a bordo del satellite TacSat – 3 con l’esempio
di una acquisizione su Washington D.C.
CARATTERISTICHE DEL SATELLITE:
Data del lancio:
Data di fine missione:
Tipo di orbita:
Apogeo, perigeo:
Inclinazione:
Periodo:
Peso:
TacSat – 3
19/05/2009
ancora operativo
LEO
420 km, 400 km
40,5o
92,6 minuti
400 kg
CARATTERISTICHE DEL SENSORE:
Telescopio:
ARTEMIS
Ritchey-Crétien da 35 cm con
meccanismo di messa a fuoco
Configurazione Offner
Utilizzante un rivelatore lineare della
Dalsa a 4096 elementi ed un convertitore
a 10 bit
Un singolo HgCdTe Focal Plane Array
della Raytheon per l’intero intervallo
spettrale, dotato di filtro di blocco
dato non fornito
4 m circa
420
da 0,4µm a 2,5 µm
5 nm
dato non fornito
in tempo reale a bordo
170 kg
Spettrometro ad immagine:
Pancromatico ad alta risoluzione:
Rivelatore:
Campo di vista:
Risoluzione spaziale:
Numero di bande:
Intervallo spettrale:
Campionamento spettrale:
Quantizzazione:
Processore:
Peso:
Tab. 4.1
15
Fig. 4.1: TacSat-3 all’integrazione e test finali.
Fig. 4.2: Il telescopio e lo spettrometro di ARTEMIS.
Fig. 4.3: Immagine “true color” acquisita da ARTEMIS sul National Mall, Washington D.C.,
USA. degradata e divulgata nel giugno 2010.
16
4.1.2 HYPERION su Earth Orbiter – 1 (Earth Observing
mission 1)
Vengono qui riportate le caratteristiche di HYPERION posto a bordo del satellite Earth
Orbiter – 1 (Fig. 4.4) con l’esempio di una acquisizione su Firenze (Fig. 4.5).
CARATTERISTICHE DEL SATELLITE:
Data del lancio:
Data di fine missione:
Tipo di orbita:
Apogeo, perigeo:
Inclinazione:
Periodo:
Attraversamento dell’equatore:
Ciclo di rivisitazione:
Sensori imbarcati:
EARTH ORBITER – 1
21/11/2000
ancora operativo
circolare, polare, sincrona solare
700 km, 690 km
98,2o
98,7 minuti
10:00 ora locale, discendente
… giorni circa
ALI (Advanced Land Imager)
HYPERION
LAC (LEISA Atmospheric Corrector)
CARATTERISTICHE DEL SENSORE:
Tipo:
Tipo di calibrazione a bordo:
HYPERION
push-broom
dual calibration lamp and
calibration with a diffuse reflector
12,5 cm di diametro
Telescopio:
Velocità di scansione:
Campo di vista:
Risoluzione spaziale:
Numero di bande:
Intervallo spettrale:
Risoluzione spettrale:
Rapporto segnale rumore:
Quantizzazione:
Flusso di dati:
Potenza:
Dimensioni:
Peso:
7,5 km
30 m
220
da 0,4µm a 2,5 µm
10 nm
> 100
12
Mbps
78 W
49 kg
Tab. 4.2
17
solar
Fig. 4.4: Il payload HYPERION.
Fig. 4.5: Immagine “true color” acquisita su Firenze da HYPERIONil 19
dicembre 2002 alle 9:48:20 GMT.
18
4.1.3 HYPER SPECTRAL IMAGER su ENMAP
Sotto la guida scientifica del GeoForschungsZentrum Potsdam questa missione è diretta
dall’Agenzia Spaziale del Centro Tedesco Aerospaziale (DLR). Lo Hyper Spectral Imager
(HSI) è sviluppato dal Kayser-Threde GmbH, mentre OHB Technology ha la responsabilità
dello sviluppo del satellite. Il segmento di terra è sviluppato e operato dal Centro Tedesco
Aerospaziale.
Le caratteristiche del Hyper Spectral Imager (HSI) posto a bordo del satellite EnMAP
sono riportate qui di seguito (Tab. 4.3).
CARATTERISTICHE DEL SATELLITE:
Data del lancio prevista:
Tipo di orbita:
Quota:
Eccentricità:
Inclinazione:
Periodo:
Attraversamento dell'equatore:
Periodo di ripetizione:
Periodo di rivisitazione:
ENMAP
2013
circolare, polare, sincrona solare
643.7 km (653 km)
0,00113 (frozen)
97,96o
98 min
11:00 circa ora locale, discendente
23 giorni
4 giorni (±300 tilt)
Peso al lancio con carburante
Dimensioni strutturali
810 kg (incl. 80 kg margin)
46 kg hydrazine 1.50 m X 1.80 mX 3.00 m
Al-sandwich panel concept with internal
shear frame
5 years
25 years after lowering the perigee to 500
km
500m nadir
100m nadir
1.5m/4ms (bus only 0.3/4ms)
5 min for +30° (incl. high accuracy
pointing stabilization)
31V nominal
solar panels (4.6 sqm) 800 W (EOL)
battery supply: Li-Ion cells, 2 modules 132
Ah
3-axis stabilised
sensors: startracker, sun-sensor,
magnetometer, gyroscope
navigation: GPS
actuators: reaction wheels, magnetique
torquers
hydrazine blow-down system
thrust: 2 thrusters with 1 N each
propellant capacity: 46 kg hydrazine
Tempo di vita operativa
Tempo di vita post-operativa
Accuratezza di puntamento
Conoscenza del puntamento
Stabilità del puntamento
Agilità nel puntamento
Potenza
Attitude control system ACS
Orbit control system OCS
Hyper Spectral Imager (HSI)
Two prism imaging spectrometers
Split FOV between VNIR and SWIR
Push-broom, pointing capability up to ±
30° off nadir across track
CARATTERISTICHE DEL SENSORE:
Tipo di strumento
Metodo di scansione
19
Telescopio
Focal length: 522.4 mm
Aperture: 174 mm in diameter
F- Number F# 3.0
Type: TMA
24μm x 24 mm
Dimensioni della slit dello spettrometro
(entrambi i canali)
Ampiezza Swath (nadir)
30 km (for the chosen orbit height of
653km) (equivalent to an FOV of 2.63 deg
across track)
30 m x 30 m (@ ~ 48° northern latitude)
(equivalent to an IFOV of 9.5 arcsec)
VNIR: 89
SWIR: 155
VNIR: 423.7 – 994.4 nm
SWIR: 905 – 2446 nm
VNIR: 6,5 nm
SWIR: 10 nm
VNIR: CCD della Fairchild controllato
termicamente a 0.1 K con cella di Peltier
SWIR: MCT della AIM raffreddato a 150
K (-123°C) using a pulse tube cooler with
flexure bearing compressor
14 bit
Max. 4.4 ms, integration time is selectable
by software from 1 ms to 4.4 ms (tbc)
> 0.25 @ 60m across track
> 0.16 @ 60m along track
> 0.64 @ 240m across track
> 0.62 @ 240m along track
VNIR (420-1000 nm): 0.005
SWIR I (900-1390 nm): 0.003
SWIR II (1480- 1760 nm): 0.003
SWIR III (1950-2450 nm): 0.001
VNIR: 500 @ 495nm,
SWIR:150 @ 2200nm at ref. radiance
5%
± 2.5% between two consecutive
calibrations
< 0.5 nm
<5%
< 20% of a pixel
Full aperture diffuser;
Integrated sphere with various calibration
lamps;
Shutter for dark measurements;
≤ 0.2 GSD (with data post-processing)
< 5 % of a pixel (short term jitter)
512 Gbit
860 Mbps / loss less ~ 1,8
5000 km per day
1000 km per orbit
150.000 km² per day
Geometric sampling distance (nadir), GSD
Numero di bande:
Intervallo spettrale:
Larghezza di banda::
Rivelatore VNIR:
Rivelatore SWIR:
Quantizzazione del segnale:
Integration time per GSD along track
System MTF on ground as measured from
orbit
Noise Equivalent Radiance at ref. radiance
[mW/cm2 sr μm]
SNR
Accuratezza della calibrazione radiometrica
Stabilità radiometrica
Accuratezza/stabilità spettrale
Sensibiltà alla polarizzazine
Smile e keystone
Calibrazione a bordo
Co-registratzione (VNIR – SWIR „Images“)
Stabiltà di puntameno
Memoria di massa
Data rate / Compression factor
Datatake Capability
20
Downlink rate / Daily downlink (5000 km)
via X -band with 320 Mbps / 389 Gbit
data transfer of one day is 31 minutes
Peso dello strumento
250 kg (with 20% margin)
Potenza assorbita dallo strumento
Standby : c.a. 170 W
Peak (Calibration) : c.a. 221 W
Tab. 4.3: caratteristiche del satellite.
Per ulteriori informazioni vedere il sito web: http://www.enmap.org/sensors
Fig. 4.6: Split FOV Pushbroom Imager.
Fig. 4.7: 3D cut view illustrating the internal accommodation of the optical system inside
the IOU and showing the light path
21
4.2 SPETTROMETRI AD IMMAGINE DA AEREO
Vengono riportate le caratteristiche tecniche di alcuni spettrometri ad immagine utilizzabili
da piattaforma aerea nelle eventuali attività di calibrazione e validazione a supporto della
missione PRISMA.
4.2.1 AVIRIS (Airborne Visible Infrared Imaging
Spectrometer)
Airborne Visible Infrared Imaging Spectrometer (AVIRIS), le cui caratteristiche
principali sono riportate in tabella, è stato progettato e costruito dal Jet Propulsion Laboratory
per operare alla quota di 20000 metri e alla velocità di 720 km/ora a bordo di un aereo
stratosferico ER-2 della Nasa. Nonostante sia operativo dall’estate 1987 è ancora il miglior
spettrometro ad immagine per la qualità e completezza dei dati forniti alla comunità
scientifica utilizzatrice. Inoltre da qualche anno è disponibile anche una configurazione per
voli a bassa quota.
Caratteristiche tecniche:
Tipo:
Modalità di funzionamento:
Numero di canali:
Copertura spettrale:
Risoluzione spettrale:
FOV:
IFOV:
Passo di campionamento:
Numero di campioni acquisiti sulla
linea di vista:
Velocità di scansione:
Accuratezza di digitalizzazione:
Rapporto segnale rumore:
Spettrometro ad immagine
Whisk-broom
224 bande spettrali divise su 4 spettrometri
210 bande spettrali radiometricamente corrette
continua da 0,40 a 2,45 um
9,8 nm
30o
0,95 mrad
614
12 scan/sec
10 bit
110 a 0,7 µm
20 a 2,2 µm
Tab. 4.4: Caratteristiche principali dell’AVIRIS
In particolare l’accoppiamento tra il sistema di scansione con l’ottica di raccolta, il
calibratore, i quattro spettrometri Schmitt a doppio passaggio ed i rivelatori è assicurato da
fibre ottiche. Inoltre i rivelatori, raffreddati con azoto liquido, sono costituiti da array lineari
di 32 rivelatori al silicio operanti nel visibile e di 64 rivelatori di antimoniuro d’indio operanti
nell’infrarosso. Lo strumento, in grado di essere operativo per 40 minuti corrispondenti a
percorsi di 500 km, è totalmente automatizzato ad eccezione dei comandi di accensione e di
registrazione, in quanto il pilota risulta completamente impegnato a controllare l’aereo
Bande dell’AVIRIS per stimare il contenuto di vapor d’acqua dell’atmosfera utilizzando il
programma ATREM:
Lunghezza d’onda:
Scopo:
Media di 5 bande intorno 865 nm (10 nm)
Riferimento per il vapor d’acqua
Media di 5 bande intorno 945 nm (10 nm)
Assorbimento da vapor d’acqua
Media di 5 bande intorno 1025 nm (10 nm)
Riferimento per il vapor d’acqua
22
Fig. 4.8: Immagine AVIRIS acquisita su Cuprite (Nevada, U.S.A.) nel 16o canale.
Fig. 4.9: spettro del pixel centrale.
23
Fig. 4.10: Mappa geologica di Cuprite, USA.
Fig. 4.11: Mappa delle alterazioni di Cuprite, USA.
24
Fig. 4.12: Immagine elaborata di Cuprite per evidenziarne la geologia
((canale 190 + canale 200) / 2 * canale195).
25
Fig. 4.13: Immagine AVIRIS acquisita su Moffett Field (California, U.S.A.).
Fig. 4.14: Immagine AVIRIS acquisita su Moffett Field (California, U.S.A). in falsi colori.
26
4.2.2 COMPASS (Airborne Visible Infrared Imaging
Spectrometer)
COMPACT Airborne Spectral Sensor (COMPASS) è stato sviluppato come
dimostratore tecnologico presso l’ Army Night Vision and Electronic Sensors Directorate
(NVESD) ed è costituito da uno spettrometro ad immagine (HSI: HyperSpectral Imager), le
cui caratteristiche principali sono riportate in tabella, e da una camera pancromatica ad alta
risoluzione (HRI: High Resolution Imager).
Caratteristiche tecniche:
Tipo:
Modalità di funzionamento:
Numero di canali:
Copertura spettrale:
Spettrometro ad immagine di tipo Split Offner
Whisk-broom
256 bande spettrali
continua da 400 a 2350 nm con un singolo array
HgCdTe da 256x256 elementi da 40µm
Risoluzione spettrale:
8 nm
Numero di campioni acquisiti sulla 256
linea di vista:
Cross-track scan FOV:
18o - 30o
FOV:
5,5o
IFOV:
0,35 mrad
Accuratezza di digitalizzazione:
14 bit
Data rate:
200 fps con 26MB/sec
Tab. 4.5: Caratteristiche principali del HSI del sensore COMPASS
Fig. 4.15: Sensore HSI di COMPASS: a sinistra un’intera acquisizione; al centro
un’immagine non calibrata; a destra un’immagine calibrata.
27
Fig. 4.16: Schema del sistema ottico del sensore COMPASS
Fig 4.17: Foto del sensore COMPASS
28
4.2.3 HYMAP (Airborne Hyperspectral Scanner)
Airborne Hyperspectral Scanner (HYMAP), le cui caratteristiche principali sono
riportate in tabella, è stato progettato e realizzato dalla Integrated Spectronics Pty Ltd e dalla
Optical Engineering Associates Pty Ltd (Australia) ed un esemplare verrà montato a bordo di
un aereo Dornier 228 del DLR (Oberpfaffenhofen, Wessling, Germany) per sostituire il
DAIS-7915.
Caratteristiche tecniche:
Tipo:
Modalità di funzionamento:
Numero dei canali spettrali:
Copertura spettrale:
Risoluzione spettrale:
Risoluzione spaziale:
FOV:
IFOV:
Punti per riga:
Digitalizzazione:
Rapporto segnale rumore:
Sistema di calibrazione:
Sistema di stabilizzazione:
Sistema di assetto:
Spettrometro ad immagine
whisk-broom
100 - 200 bande e 32 bande nel TIR
0,4 – 2,5 µm e/o 3 – 5 µm e/o 8 – 12 µm
da 10 nm nel VIS a 200 nm nel TIR
2 – 10 metri
30o - 65o
1 –3 mrad
12 – 16 bit
radiometrico e spettrale a bordo
opzionale a giroscopi su 3 assi
interfacce per GPS o DGPS
Tab. 4.6
Fig. 4.18: Foto del sensore HYMAP.
29
4.2.4 MIVIS (Multispectral Infrared and Visible Imaging
Spectrometer)
Multispectral Infrared and Visible Imaging Spectrometer (MIVIS), le cui
caratteristiche principali sono riportate in tabella, è stato progettato e costruito dalla Daedalus
Enterprises Inc., acquistato dal Consiglio Nazionale delle Ricerche e fino dal 1994 è operativo
a bordo dell’aereo CASA 212 / 200 della Compagnia Generale Ripreseaeree.
Le caratteristiche tecniche qui di seguito riportate sono quelle indicate dal costruttore
integrate dalle misure di calibrazione effettuate in laboratorio dalla CGR e da noi in occasione
dei sorvoli.
Lo strumento utilizza uno specchio rotante di scansione, un telescopio parabolico e quattro
spettrometri.
Caratteristiche tecniche:
Tipo:
Modalità di funzionamento:
Numero dei canali:
Copertura spettrale:
FOV:
IFOV:
Passo di campionamento:
Punti per riga:
Velocità di scansione:
Digitalizzazione:
Rapporto segnale rumore:
Sistema di registrazione:
Capacità di registrazione su nastro:
Sistema di calibrazione in volo:
Sensore di assetto:
Peso del rivelatore:
Peso dell’elettronica:
Spettrometro ad immagine
whisk-broom
102 bande spettrali
20 bande da 0,43 a 0,83 µm
con 20 nm FWHM.
8 bande da 1,15 a 1,55 µm
con 50 nm FWHM.
64 bande da 1,985 a 2,479 µm
con 9 nm FWHM.
10 bande da 8,21 a 12,7 µm
con 0.36 µm FWHM.
71,059o
2,0 mrad
1,64 mrad
755
6,25 - 8,3 - 12,5 – 16,7 - 25
scan/sec
12 bit
Registratore per nastri VLDS
10,4 Gbyte
due corpi neri controllabili
temperatura
un ricevitore GPS integrato
100 Kg
109 Kg
Tab. 4.7: Caratteristiche tecniche del sensore MIVIS.
30
in
Fig. 4.19: Schema ottico del MIVIS.
NER (nW cm-2 sr-1 nm-1)
60
50
40
30
20
10
0
400
600
800
1000 1200 1400 1600 1800 2000 2200 2400
lunghezza d'onda (nm)
Fig. 4.20: Andamento della NER(Noise Equivalent Radiance) per la velocità di scansione
massima (in rosso) e minima (in nero) del sensore MIVIS.
31
4.2.5 SIM-GA / HYPER (Sistema Iperspettrale
Multisensoriale)
È in sviluppo presso Selex Galileo, all’interno del Programma SIM-GA (Sistema
Iperspettrale Multisensoriale – Galileo Avionica), un sistema modulare composto da 4 teste
ottiche operanti da 0,4 a 12 µm nel VNIR, SWIR, MIR e TIR, che dovrà rispondere a requisiti
di elevata robustezza, miniaturizzazione, modularità ed integrabilità e sarà costituito dalle
seguenti parti:
1) quattro unità di rivelazione;
2) unità di geolocalizzazione;
3) unità di controllo e visualizzazione;
4) unità di registrazione;
5) unità di alimentazione;
6) cavi di collegamento.
HYPER rappresenta la prima parte di questo sistema ed è composto dalle due unità di
rivelazione, una operante nel VNIR tra 0,4 e 1,0 µm e l’altra nello SWIR tra 1.0 e 2,5 µm,
interfacciate ad un sistema di gestione comune.
Di seguito sono ricapitolate le principali caratteristiche di HYPER.
CARATTERISTICHE FUNZIONALI
- Tipo:
- Modalità di funzionamento:
- Rivelatore:
VNIR
SWIR
spettrometro ad immagine
push-broom
Matrice di CMT da
Matrice di CCD al
silicio da 1024x1024
256x320 elementi
elementi
- Numero dei canali spettrali:
512
256
- Intervallo spettrale:
400 - 1000 nm
1000 – 2500 nm
- Risoluzione spettrale:
2,4 nm
5,4 nm
- FOV:
38o
24°
- IFOV al nadir:
0,7 mrad
1,3 mrad
- Numero di pixel ortogonali alla direzione 1024
320
di volo:
- Guadagno:
1–4
- Velocità massima di acquisizione:
60 fps
- Quantizzazione del segnale:
12 bit
14 bit
- Rapporto segnale-rumore:
- Capacità dell’unità di registrazione:
Gbyte
- Flusso dei dati sull’unità di
MByte/sec
registrazione:
ALIMENTAZIONE
- Tensione:
- Corrente:
PARAMETRI AMBIENTALI
- Temperatura:
- Pressione minima:
- Umidità relativa massima non
condensante:
28 Vcc nominali (da 22 a 32 Vcc)
29 A ( A per msec allo spunto)
Operativa:
Immagazzinamento:
Operativa:
Immagazzinamento:
Unità di rivelazione:
Altre unità:
32
da -10oC a +50oC
da -40oC a +70oC
0,5 atm
0,3 atm
90%
80%
INGOMBRI E PESI
- Unità di rivelazione VNIR + SWIR e
testa dell’unità di geolocalizzazione:
- Unità di controllo e visualizzazione, di
registrazione e di alimentazione:
- Cavi di collegamento:
Altezza: 450 mm
Larghezza: 600 mm
Profondità: 670 mm
Peso: 79 Kg
Altezza: 1020 mm
Larghezza: 550 mm
Profondità: 600 mm
Peso: 133 Kg
Peso: 10 Kg
Tab. 4.8: Caratteristiche del sistema Sistema Iperspettrale Multisensoriale SIM-GA /
HYPER.
Le due unità di rivelazione e la testa dell’unità di geolocalizzazione sono alloggiate in un
unico contenitore da installarsi attraverso una apposita interfaccia sulla botola dell’aereo
prescelto.
Le unità di controllo e visualizzazione, di registrazione e di alimentazione sono alloggiate
all’interno di un rack da 22 unità da fissarsi al pavimento dell’aereo attraverso opportuna
interfaccia e distante non più di 3 metri dalla botola e non più di 4 metri dalla presa di
alimentazione (28 Vcc) dell’aereo. L’operatore siederà di fronte a questo rack ed interagirà
con il monitor, il mouse e la tastiera dell’unità di controllo e visualizzazione.
HYPER è previsto per il funzionamento a bordo di aerei non pressurizzati fino a quote
operative non superiori a 5000 m. Nell’attuale configurazione non è previsto il suo
funzionamento su elicottero.
(a)
(b)
Fig. 4.21: (a) Unità di rivelazione e di geolocalizzazione; (b) unità di controllo e
visualizzazione, di registrazione e alimentazione dello spettrometro SIM-GA HYPER nella
versione iniziale.
33
(a)
(b)
Fig. 4.22: Campagna aerea di telerilevamento eseguita il 15 dicembre 2005 sulla costa
toscana con i due spettrometri ad immagine del sistema HYPER SIM-GA. L’analisi delle
immagini, acquisite sopra Marina di Pisa e radiometricamente corrette, mostra chiaramente
la presenza di una anomalia termica difficilmente individuabile nel VNIR ma particolarmente
evidente nello SWIR. (a) Spettrometro VNIR, immagine “true-color” (Rosso: 621.15 nm,
Verde: 569.09 nm, Blu: 511.06 nm); (b) Spettrometro SWIR, Immagine in falsi colori (Rosso:
2227.3 nm, Verde: 1565.0 nm, Blu: 1249.6 nm ).
34
4.2.6 VIRS-200 (Visible Infrared Scanner)
Un modello del Visible Infrared Scanner (VIRS-200) prodotto dalle Officine Galileo
(attuale Selex Galileo) è stato messo a disposizione del CNR - IFAC dall’Istituto Geografico
Militare in base ad una convenzione intercorsa tra i due Istituti.
Come per il MIVIS le caratteristiche tecniche del VIRS-200 qui di seguito riportate sono
quelle indicate dal costruttore integrate dalle misure di calibrazione da noi effettuate in
laboratorio e durante i sorvoli.
Il sensore VIRS-200 è uno spettrometro ad immagine avente le caratteristiche tecniche
sotto riportate ed è costituito dai seguenti sottosistemi:
a) unità di rivelazione;
b) unità di controllo;
c) unità di alimentazione e registrazione;
d) unità di comando e visualizzazione;
e) unità di calibrazione;
f) cavi di collegamento.
Il sensore VIRS-200 è previsto per il funzionamento a bordo di aerei fino a quote operative
non superiori a 5000 m e fino a quote di trasporto non superiori a 9000 m. Nell’attuale
configurazione non è previsto il funzionamento su elicottero.
Caratteristiche tecniche
- Tipo:
- Modalità di funzionamento:
- F/number ottica di ingresso e spettrometro:
- Focale dell’ottica di ingresso:
- Focale dello spettrometro:
- Fenditura sul piano focale:
- Ingrandimento dello spettrometro:
- Dispersione dello spettrometro:
- Distorsione ottica di ingresso e spettrometro:
- Trattamento anti-riflesso su tutte le superfici
- Filtro di reiezione degli ordini superiori
- Rivelatore:
- Temperatura di lavoro del rivelatore:
- Numero dei canali spettrali selezionabili:
- Copertura spettrale:
- Risoluzione spettrale:
- FOV:
- IFOV:
- Passo di campionamento ortogonale alla
direzione di volo:
- Stabilizzazione linea di vista:
Spettrometro ad immagine
Push-broom
 2,5
circa 12 mm
23 m
1:1
108,7 nm/mm o 2,5 nm/elemento
 1/10 di elemento
matrice di CCD al silicio di 240 x
512 elementi di 23 x 23 µm a
“frame transfert” con antiblooming
 -5oC +/- 0,2 oC tramite cella di
Peltier
20 su 240 bande disponibili
da 401,25 a 998,75 nm
2,5 nm
37,6o
1,0 (1,5) mrad
1,33 mrad
+/- 15o per il rollio e misura
dell’angolo di beccheggio
- Disaccoppiamento dal moto dell’aereo:
45o /sec (solo rollio)
- Oscillazione vibrante residua della piattaforma: 0,1 mrad
- Girostabilizzazione:
< 0,1 mrad
- Numero di campioni acquisiti sulla linea di vista: 512 punti
- Risoluzione spaziale nella direzione di volo:
Funzione del tempo di integrazione
35
- Velocità di acquisizione:
- Diaframma elettronico:
10 - 20 - 30 scansioni/secondo
1 - ½ - ¼ della velocità di
acquisizione
Minimo - massimo
10 bit
- Guadagno:
- Digitalizzazione:
- Rapporto segnale rumore:
- Sistema di registrazione:
Exabyte EXB-8505 con cassette a
8 mm
240,64 - 481,28 - 721,92 KByte/sec
5 GByte
- Flusso dei dati sul registratore:
- Capacità di registrazione su nastro:
Alimentazione
- Tensione
- Corrente
28 Vcc nominali (da 22 a 32 Vcc)
20 A (25 A per 10 msec allo
spunto)
Ingombri e pesi
- Unità di rivelazione:
Diametro della flangia: 405 mm
Fissaggio con n.8 fori M6 su
=385mm
Altezza: 565 mm di cui 100 mm
sotto la flangia
Peso: 32,5 Kg
Rack 19”
Altezza: 265,9 mm (6 unità)
Larghezza: 448 mm
Profondità: 502 mm + 90 mm per
connettori e cavi + 50 mm per
maniglie
Peso: 20 Kg
Rack 19”
Altezza: 132,55 mm (3 unità)
Larghezza: 448 mm
Profondità: 502 mm + 90 mm per
connettori e cavi + 50 mm per
maniglie
Peso: 10 Kg
Valigetta
Altezza: 70 mm + 53 mm
Larghezza: 302 mm + 90 mm per
connettore e cavo + 35 mm per
blocco
Profondità: 192 mm + 80 mm per
maniglia e blocco
Peso: 6,6 K
- Unità di controllo:
- Unità di alimentazione e registrazione:
- Unità di comando e visualizzazione:
Tab. 4.9: Caratteristiche tecniche del VIRS-200.
36
Fig. 4.23: Schema ottico del VIRS-200.
Fig. 4.24: rappresentazione schematica della ubicazione delle unità.
37
5 SIMULAZIONE DELLE PRESTAZIONI
Digital Numbers
SIMULATORE
DELLA RISPOSTA
DELLO STRUMENTO
GENERATORE
DI IMMAGINI
Parametri
atmosferici
SIMULATORE
DEGLI EFFETTI
DELL’ATMOSFERA
Riflettanza spettrale al suolo
Parametri della geometria
di acquisizione
Radianza spettrale al sensore
Parametri
strumentali
Per analizzare le prestazioni dei sensori ottici delle missioni spaziali e per testare
l’implementazione della catena di elaborazione dei dati acquisiti, si ricorre allo sviluppo di
simulatori secondo lo schema generale riportato in Fig. 5.1 comprendente la generazione di
mappe di riflettanza al suolo, la simulazione degli effetti dell’atmosfera e la simulazione della
risposta degli strumenti.
Fig. 5.1: Schema generale per la simulazione delle prestazioni dei sensori ottici delle
missioni spaziali
38
Al fine di ottenere una ricostruzione realistica delle immagini acquisite, è necessario
simulare il sistema fisico comprendente l’atmosfera e le interazioni della radiazione con i
costituenti atmosferici e con il suolo, tenendo conto delle condizioni geometriche di
illuminazione e osservazione, della variabilità spaziale e spettrale del terreno simulato e
dell’interazione con gas e aerosol lungo la colonna di atmosfera considerata. A questo scopo è
prevista l’integrazione con modelli di trasferimento radiativo atti a determinare i differenti
contributi alla radiazione ricevuta dal generico elemento di suolo osservato e a ricostruire
l’immagine acquisita in quota dal satellite.
La simulazione di dati iperspettrali satellitari è un’attività di rilevante importanza, essendo
spesso l’unico modo per valutare ed ottimizzare un sensore e le sue peculiari condizioni di
osservazione e per testare gli algoritmi sia di pre-processing che applicativi, prima che l’intero
sistema sia definitivamente operativo e in orbita (e quindi non più modificabile). Per questo
motivo, le missioni iperspettrali attualmente programmate, sono state accompagnate dallo
sviluppo parallelo del sistema e del suo simulatore. A questo proposito si possono ricordare la
missione APEX (Airborn Prism Experiment), finanziata da ESA, per la quale è stato
sviluppato il simulatore SENSOR [Börner A. et al., 2001], e la missione tedesca ENMAP, con
il sensore HSI (Hyper Spectral Imager), per la quale è stato sviluppato un simulatore
modulare [Guanter L. et al., 2009]. SENSOR produce dati iperspettrali simulando un sorvolo
aereo su un DEM, al quale è associata anche una mappa tematica collegata con una libreria
spettrale che include spettri di riflettanza sia lambertiana che bidirezionale; invece il
simulatore sviluppato per ENMAP ha una struttura simile a quella riportata in Fig. 5.1,
utilizzando come input immagini satellitari con risoluzione spaziale molto più elevata di
quella prevista per HSI; per questo motivo, particolare attenzione è stata posta nella
simulazione delle caratteristiche spettrali del sensore e ai vari contributi all’MTF complessiva.
[Segl K. et al., 2010 ]
5.1 GENERAZIONE DI IMMAGINI
Al fine di simulare le immagini che verranno acquisite dai sensori delle missioni spaziali,
devono essere generate mappe di riflettanza del suolo osservato. A tal fine un metodo è quello
di utilizzare sensori con caratteristiche simili o migliori, già operativi da piattaforma
satellitare o aerea. Tale procedura comporta la scelta del sensore adatto, l’ottenimento di
mappe validate di riflettanza al suolo, ottenute attraverso la correzione per gli effetti
dell’atmosfera delle immagini calibrate di radianza al sensore. Per quanto riguarda la
geolocazione e la ortonormalizzazione, è necessario procedere alla ricerca di un modello
digitale del terreno di qualità sufficiente su cui l'immagine del sensore prescelto è stata
acquisita, e anche di una immagine di riferimento di questo territorio, sempre con risoluzione
spaziale molto elevata e correttamente georiferita ed ortonormalizzata.
Un altro metodo ricorre alla generazione di immagini sintetiche tali da ottenere una
versione realistica di quello che potrà essere il dato acquisito nella realtà, partendo da mappe
tematiche o cartografia ad alta risoluzione spaziale e associando ad esse informazioni spettrali
derivanti da database con risoluzione spettrale maggiore di quella dei sensori utilizzati.
L'idea è di partire da un dato iperspettrale generato in modo sintetico ad altissima
risoluzione spaziale e spettrale, e ad esso applicare le varie funzioni di trasferimento dovute al
sistema di telerilevamento durante il processo di acquisizione.
Si partirà da una mappa tematica alla quale sarà possibile associare spettri diversi a
seconda dell’area osservata. Gli spettri saranno estratti da librerie spettrali note e accessibili
(per esempio la USGS spectral library oppure la JPL spectral library), se si riterrà necessario
si potranno anche prevedere campagne di misure a terra da effettuarsi con spettrometri
portatili tipo FieldSpec.
39
L'interfaccia consentirà anche di associare ad una certa zona una combinazione di spettri,
specificandone la percentuale (ad esempio per un terreno coltivato può essere utile specificare
un mixing di suolo nudo e vegetazione). Il primo passo dell'elaborazione sarà quello della
media spaziale, per passare da un dato potenzialmente a risoluzione spaziale infinita ad uno
con risoluzione spaziale elevata. Tale passo introdurrà un ulteriore mixing spettrale nelle zone
di transizione da un tematismo all'altro.
5.2 SIMULAZIONE DEGLI EFFETTI
DELL’ATMOSFERA
Disponendo delle mappe di riflettanza spettrale a terra e dei valori dei parametri sia della
geometria di acquisizione che dell’atmosfera, si otterranno le immagini di radianza spettrale al
sensore attraverso la simulazione degli effetti dell’atmosfera.
5.3 SIMULAZIONE DELLA RISPOSTA DELLO
STRUMENTO
Simulando la risposta dello strumento si potrà stabilire il segnale in uscita al sensore,
espresso in “digital number”, essendo nota la radianza al sensore.
Come valore intermedio si ricaverà il flusso di fotoni su ogni pixel del rivelatore.
LIMITE DI DIFFRAZIONE DELLE OTTICHE
Un'onda non deve necessariamente attraversare una fenditura per andare incontro a
diffrazione: per esempio, anche un raggio di luce di ampiezza finita subisce un processo di
diffrazione ed aumenta la propria ampiezza. Questo fenomeno limita l'ampiezza d dei
dispositivi dove si raccoglie la luce, nel fuoco di una lente; ciò è conosciuto come limite di
diffrazione:
d  1.22   
f
a
dove:
λ : lunghezza d'onda della luce,
f : distanza focale della lente,
a : diametro del raggio di luce o (se il raggio di luce è più ampio della lente) diametro della
lente.
L'ampiezza risultante contiene circa il 70% dell'energia della luce e corrisponde al
raggio del primo minimo del disco di Airy, approssimato con il criterio di Rayleigh; il
diametro del primo minimo, che contiene l'83.8% dell'energia della luce, è spesso utilizzato
come "diametro di diffrazione".
Utilizzando il principio di Huygens, è possibile ricavare la superficie di diffrazione di
un'onda che attraversa una fenditura di qualsiasi forma: se questa superficie viene osservata
ad una certa distanza dall'apertura, risulterà essere la trasformata di Fourier in due dimensioni
della funzione che rappresenta l'apertura
40
In altri termini, considerando la geometria di osservazione di un pixel al suolo, si ottiene
che:
G  2  H  
dove:
  1.22 

D
e:
G : area del pixel a terra
 : limite di diffrazione
D : diametro o diagonale dell’ottica d’ingresso
H : quota del satellite
lunghezza d’onda
SIMULAZIONE DEL FLUSSO DI FOTONI
Abbiamo stimato il numero medio (flusso) di fotoni N ( ) ad una data lunghezza d’onda
 che incide su un dato elemento fotosensibile del rivelatore nel tempo d’integrazione  .
L’integrale in lunghezza d’onda di questo flusso di fotoni fornisce una stima del numero
totale di fotoni N Photon disponibili sul rivelatore che equivale al valor medio del flusso di
fotoni in un singolo campione dell’interferogramma.
N ( )  LS ( )  K  O ( ) 

hc

N Photon   N ( ) d
dove:
K  G   A
P
F2
e:

LS : radianza al sensore
G : area del pixel a terra
 ; angolo solido sotteso dall’ottica d’ingresso (/H2)
A : area dell’ottica d’ingresso
(d2 per ottica quadrata o .D2/4 per ottica circolare, dove D2=2 d2)
d : lato dell’ottica d’ingresso se quadrata
D : diametro o diagonale dell’ottica d’ingresso
H : quota del satellite
P : Area massima utilizzabile da ogni elemento fotosensibile del rivelatore
F: focale del sistema ottico
O : efficienza del sistema ottico
hcostante di Plank (6,626176.10-34 J.s)
41


c ; velocità della luce (299792,458 km/s) lunghezza d’onda
 : tempo d’integrazione;
La formula precedente può essere vista anche come:
N ( )  
LS ( )  O( ) G
L (  )  O ( ) P
A  S
A
2
H
F2
 hc 
 hc 
 
 
 
 
dove:
hc
è l’energia del singolo fotone,

G
è l’angolo solido che sottende il pixel al suolo,
H2
A è l’area dell’ottica di ingresso
P
è l’angolo solido che sottende il generico elemento fotosensibile (pixel) del
F2
rivelatore.
42
6 PRODOTTI DI BASE
6.1 LIVELLO 1 - RADIANZA AL SENSORE
La calibrazione radiometrica invece serve convertire la risposta del sensore (il segnale
digitalizzato del convertitore) in unità fisiche assolute ossia nel valore di radianza al sensore.
Ciò comporta che siano determinati i valori della corrente di buio del sensore insieme ai
coefficienti di guadagno per ogni elemento fotosensibile che compone il sensore utilizzato.
Ciascun elemento fotosensibile del rivelatore a matrice presenta un guadagno (o
sensibilità) S ( x ,  ) ed un segnale di buio g 0 ( x,  ) , quindi il valore g ( x , y ,  ) misurato dal
sensore espresso in digital number) risulta essere:
g ( x, y,  )  I ( x, y,  ) * H ( )S ( x,  )  g 0 ( x,  )
Eq. 6-1
dove I ( x, y ,  ) è la radianza che illumina la fenditura d’ingresso dello spettrometro e
Lmis ( x, y,  )  I ( x, y,  ) * H ( ) è la radianza che arriva sul piano d’uscita dello spettrometro
ed illumina il rivelatore.
Abbiamo già detto che il guadagno (o sensibilità), variando da un pixel all’altro del
rivelatore, produce nei sistemi push-broom un modello di rumore coerente spazialmente (a
barre che seguono la direzione di volo) e spettralmente.
6.1.1 CALIBRAZIONE DELLA CORRENTE DI BUIO
Per determinare il termine g 0 ( x,  ) di (6-1), in laboratorio si devono eseguire misure
ripetute nel tempo del segnale di buio cioè in assenza di illuminazione, in modo da poter
calcolare la sua statistica (varianza e valore di aspettazione) indipendentemente per ogni pixel
del sensore.
Durante il sorvolo è consigliabile eseguire almeno una misura di buio mantenendo chiusa
la botola dell’aereo (nelle stesse condizioni operative di guadagno, otturatore e tempo di
integrazione) e acquisendo un numero di righe di scansione sufficiente a stimare i momenti
statistici di I e II ordine con una precisione compatibile con il numero di bit del sensore.
6.1.2 CALIBRAZIONE DEL SENSORE A MATRICE (FLATFIELD)
Dopo questa operazione occorre misurare e quindi correggere le variazioni locali di
sensibilità S ( x ,  ) dei singoli elementi fotosensibili del sensore a matrice. L’operazione è
resa complessa essenzialmente per due aspetti:
1. la difficoltà di reperire un riflettore standard da laboratorio che soddisfi i seguenti
requisiti:
a) riflettività nota e spazialmente omogenea;
b) riflettività spettralmente costante (per motivi di equalizzazione del segnale è
opportuno che lo stesso non presenti variazioni spettrali di grande ampiezza che
43
comporterebbero una peggiore accuratezza di digitalizzazione alle lunghezze d’onda
corrispondenti alle potenze minori);
c) isotropia della riflessione (riflettività di tipo lambertiano);
d) resistenza all’invecchiamento;
e) stabilità chimica;
f) materiale non igroscopico;
2. la difficoltà di reperire una sorgente di radianza nota spettralmente, omogenea
spazialmente e stabile temporalmente (su tutto l’intervallo spettrale esplorato) con
un’accuratezza migliore di quella di digitalizzazione del sensore (> 0,1% nel caso di una
conversione a 10 bit).
È prassi comune utilizzare come riflettore standard un pannello di SpectralonTM della
Labsphere Inc., costituito da polvere compressa di poli-tetra-fluoro-etilene (PTFE),
chimicamente inerte alla maggior parte dei composti basici e stabile termicamente fino a
temperature di 350 oC. Le caratteristiche dello SpectralonTM sono riportate in Tab. 6.1.
Intervallo spettrale:
0.2 – 2.5 µm
Riflettanza:
98 – 99 %
Stabilità termica:
fino a 350 °C
Limite di danneggiamento da laser:
> 8.0 Jm-2
Densità:
1.25 – 1.5 gcm-3
Permeabilità all’acqua:
< 0.001%
Robustezza:
20 – 30 Shore D
Coefficiente di espansione lineare:
(5.5 – 6.5) x 10-4 °C-1
Tab. 6.1: Caratteristiche dello SpectralonTM
.
Uno strato di solfato di bario (BaSO4) viene talvolta depositato sulla superficie dello
SpectralonTM, al fine di ottenere una migliore uniformità spettrale della riflettanza (fino a
lunghezza d’onda di 2.5 µm).
Una sorgente con questi requisiti può essere ottenuta con una sfera integratrice ed una
sorgente primaria di irradianza, costituita da una o più lampade a incandescenza (alogene) la
cui alimentazione sia controllata almeno in potenza. L’apertura d’uscita della sfera
integratrice dovrà essere sufficientemente larga da poter illuminare uniformemente l’ottica di
ingresso dello spettrometro. La radiazione emessa dalla lampada viene infatti raccolta dalla
sfera integratrice e attraverso riflessioni multiple e processi di diffusione sulle pareti interne si
viene a creare una distribuzione di campo uniforme. L’area della fessura di uscita della sfera
integratrice si comporta pertanto come una sorgente secondaria Lambertiana caratterizzata da
una radianza che è costante sul piano dell’apertura della sfera e indipendente dall’angolo di
vista.
Usando i valori di calibrazione radiometrica della sfera integratrice si può poi ricavare i
valori dei coefficienti S ( x ,  ) di guadagno dividendo i valori di radianza noti per i digital
number indicati dal sensore.
Usando lo stesso apparato sperimentale si verificherà poi che la grandezza S ( x ,  ) sia
anche indipendente dalla radianza incidente sul sensore, cioè dall’ampiezza del segnale
rilevato. Infatti la sfera integratrice ha la possibilità di variare in maniera controllata la
radianza emessa dall’apertura e di verificare così anche la calibrazione della linearità della
risposta radiometrica del segnale.
Tuttavia questa procedura richiede sfere integratrici grandi, con diametri dell’ordine dei
500 mm e dotate di più sorgenti, quindi richiede un investimento notevole sia in termini di
spazi che economici.
Un sistema che viene comunemente fornito dalle ditte produttrici di spettrometri ad
immagine per aereo è costituito da un banco di calibrazione. Tale banco comprende una
44
lampada alogena posta in un contenitore a pareti bianche e che illumina una apertura di vetro
smerigliato approssimabile ad un diffusore lambertiano. L’ottica d’ingresso del sensore viene
accoppiata al vetro smerigliato per effettuare le misure di calibrazione.
Nel caso in cui non si disponga di nessuno delle componenti sopra-descritte si può
ricorrere ad una procedura “vicaria” come quella descritta di seguito e che è stata da noi
adottata per la calibrazione della risposta del VIRS-200.
Innanzitutto bisogna determinare quei profili c ( x ,  ) che dipendono solamente dalla
coordinata “across-track” x con i quali viene rimosso ogni effetto introdotto dalla variazione
spaziale della sensibilità del rivelatore. Questi profili possono essere determinati in due modi:
(a) utilizzando direttamente le immagini acquisite secondo la procedura descritta nei
capitoli precedenti;
(b) sostituendo la sfera integratrice con una coppia di diffusori piani. Idealmente il primo
diffusore produce un’illuminazione omogenea sulla superficie del secondo che tuttavia
riceverà un campo di radiazione non isotropa. Il secondo diffusore quindi uniforma la
radiazione incidente fra le diverse direzioni di propagazione ed il sistema tende a
comportarsi con buona approssimazione come una sorgente estesa, uniforme e
isotropa. In realtà i diffusori sono caratterizzati da una funzione di fase che decresce
rapidamente per angoli maggiori di una certa soglia  della FWHM (angolare) della
funzione di fase non nota a priori. L’uniformità della illuminazione sul piano del
secondo diffusore sarà ottenuta imponendo che la distanza h tra i due diffusori sia tale
che:
h tan

2

d
Eq. 6-2
2
essendo d la dimensione di ciascun diffusore. Questo sistema si comporterà pertanto come
una sorgente estesa che emette un campo di radiazione praticamente costante entro un angolo
 . Nel nostro esperimento sono stati utilizzati due diffusori piani (opalini) di dimensioni 30
cm x 15 cm, posti ad una distanza mutua di 20 cm ed illuminati con una lampada alogena
(600 W), riflessa da un pannello di Teflon.
La risposta del sensore g~ ( x , y ,  ) , corretta per il segnale medio di buio e per il rumore
spazialmente coerente (livello 1A), sarà adesso proporzionale alla radianza al sensore secondo
un fattore di scala che dipende solamente dal canale considerato:
g~( x, y ,  ) 
g ( x, y ,  )   g 0 ( x,  ) 
c( x ,  )
~
 Lmis ( x, y ,  ) S (  )
Eq. 6-3
6.1.3 CONVERSIONE IN UNITÀ DI RADIANZA
L’idea di base della calibrazione radiometrica vicaria è quella di simulare lo spettro di
radianza al sensore Ltheo ( x, y ,  ) con il MODTRAN 5 e di confrontarlo con quello misurato
~
Lmis ( x, y,  ) in un pixel not al fine di estrarre i coefficienti S (  ) .
Per simulare la radianza al sensore si sfruttano le misure effettuate a terra, in particolare si
utilizza lo spettro di riflettanza misurato sul sito di calibrazione con uno spettrometro
sufficientemente preciso. La Fig. 6.1 riproduce un esempio di spettro acquisito in campo con
uno spettrometro GER Mark V.
45
1
Riflettanza
0,8
0,6
0,4
0,2
0
400
600
800 1000 1200 1400 1600 1800 2000 2200 2400
Lunghezza d'onda (nm)
Fig. 6.1: Spettri di riflettanza misurati in laboratorio su un campione di sabbia
prelevato in prossimità della foce del Morto Nuovo all’interno della Tenuta di San
Rossore (Pisa), scelto come sito di calibrazione, in occasione della campagna di
telerilevamento di giugno 2000
Un simile spettro di riflettanza può essere dato come parametro di ingresso al programma
MODTRAN 5, insieme a quelli che definiscono la configurazione di acquisizione del sensore
della radianza riflessa dal sito di calibrazione scelto (quota sensore, giorno e data, angolo
zenitale e azimutale di vista corrispondente al pixel della scena osservata, modello di aerosol,
concentrazione colonnare di CO2 e H2O, ecc..).
Quindi si effettua una media di g~ ( x , y ,  ) nell’intorno del sito di calibrazione (variabile da
5x5 pixels fino a 50x50 pixels), canale spettrale per canale spettrale, e dividendo per il valore
~
di Ltheo ( x, y ,  )  si stima il valore teorico del coefficiente Stheo ( ) di guadagno per le bande
selezionate.
 g~( x, y ,  )  5 x 5
Ltheo ( x, y ,  )
~
 S theo (  )
Eq. 6-4
A questo punto il rapporto tra la risposta del sensore g~ ( x , y ,  ) e il coefficiente di
~
guadagno stimato Stheo (  ) produce l’immagine radiometricamente corretta ossia il valore di
radianza al sensore Lmis ( x, y,  ) (livello 1B).
g~( x, y,  )
~
Stheo (  )
 Lmis ( x, y,  )
Eq. 6-5
La procedura qui descritta viene applicata prima alle immagini contenenti i siti di
calibrazione in modo da verificare per le condizioni operative del sensore l’immagine di
46
guadagno acquisita in laboratorio. Mentre l’immagine di buio acquisita in laboratorio viene
verificata almeno una volta sia all’inizio che alla fine dei sorvoli. Questo permette quindi di
valutare la stabilità della risposta del sensore e di mitigare l’esigenza di dover disporre per
ciascuna scena acquisita di una misura di calibrazione in-situ.
47
6.2 LIVELLO 2c - RIFLETTANZA A TERRA
Per estrarre i parametri fisici delle superfici osservate, in primo luogo la riflettanza, occorre
correggere i dati telerilevati, tenendo conto che la radianza misurata dallo strumento ha
attraversato l’atmosfera, subendo assorbimenti e diffusioni dovuti alla presenza di elementi
quali gas e particolato, ed ha interagito con il suolo. A tal fine è necessario considerare un
modello di propagazione della radiazione nell’atmosfera, che tenga conto dei possibili
contributi radiativi alla radianza misurata dal sensore come indicato in modo schematico in
figura 4.1.
LAS event
Ldown-welling
Lpath
sensor
IFOV
Ldirect
trapping event

SAS event
Ladjacent
background
(a)
pixel
background
(b)
Fig. 6.2: Schematizzazione della propagazione della radianza in atmosfera e della sua
interazione con il suolo che evidenziano (a) il numero totale di componenti radiative e (b) le
componenti prese in considerazione.
Come si evince dalla Fig. 6.2 (a) i vari contributi possono essere schematizzati come:
1. componente non riflessa dal suolo diffusa da elementi sia fuori che dentro il campo di
vista del sensore;
2. componente non riflessa dal suolo diffusa da elementi solo dentro il campo di vista del
sensore;
3. componente riflessa dal suolo direttamente trasmessa senza diffusioni;
4. componente riflessa dal suolo diffusa da elementi solo dentro il campo di vista del
sensore;
5. componente riflessa dal suolo diffusa da elementi sia fuori che dentro il campo di vista
del sensore;
6. componente riflessa dal suolo diffusa da elementi solo fuori il campo di vista del
sensore;
7. componente dovuta al contributo dei pixel vicini per diffusione da elementi nel campo
di vista del sensore;
8. componente dovuta al contributo dei pixel vicini sull’illuminazione del pixel
osservato.
Riguardo il tipo di scattering che influisce la radianza totale Lobs misurata da un sensore,
questa può essere pensata come la somma di L1 , L2 , Ldirect , Ladjacent . Per spiegare meglio il
48
modello di 6.9 (b) dividiamo il fenomeno dello scattering in due classi: lo scattering ad angolo
grande (“large angle scattering”, LAS) e quello ad angolo piccolo (“small angle scattering”,
SAS). L’evento LAS viene generato quando il fotone collide con molecole (scattering di
Rayleigh) e piccole particelle di aerosol, mentre l’evento SAS tiene conto degli effetti di
scattering dovuti a particelle di aerosol grandi. La dimensione angolare di confronto è il
campo di vista del sistema ad immagine che stiamo considerando.
Come rappresentato in Fig. 6.2, la radiazione solare viene parzialmente assorbita e diffusa,
così come la superficie terrestre viene irradiata dal Sole sia direttamente sia per diffusione che
avviene sul percorso Sole-suolo. Quindi la superficie osservata origina un campo riflesso il
quale, a sua volta, viene assorbito e diffuso sul percorso suolo-sensore. A questo contributo al
segnale misurato dal sensore si aggiunge la radiazione diffusa dall’atmosfera proveniente sia
dal Sole che da altri punti della superficie terrestre. Su entrambi i percorsi la radiazione
subisce fenomeni di scattering e di assorbimento. Sul primo percorso la radianza che
raggiunge il suolo può essere suddivisa in due contributi: l’irradianza solare direttamente
trasmessa al suolo E dir e la radianza L1 diffusa dall’atmosfera attraverso eventi LAS
direttamente nel campo di vista dello strumento. Nel secondo percorso possiamo distinguere
tre contributi essenziali: L2 , Ldirect , Ladjacent .
L2 è la radianza sottratta alla radianza riflessa dal suolo che raggiunge il sensore attraverso
uno o più eventi LAS, e contiene la radianza dovuta gli effetti di trapping Ltrapping ed una
parte degli effetti di adiacenza, come indicato in Fig. 6.2.
Ldirect è la radianza riflessa dal suolo e direttamente trasmessa al sensore.
Ladjacent è la radianza dovuta ai fenomeni di adiacenza (o di “cross-talk”) indotti da eventi
SAS che risulta fortemente influenzata dalla tessitura della scena (valore di riflettanza e sua
distribuzione spaziale). L1 e L2 sono pertanto contributi radiativi al segnale misurato indotti
da eventi LAS e sono indicati con il termine L path .
È da notare che:
(a) L1  L2 poiché il livello di radianza L2 si viene ridotto prima per effetto della
riflettanza del suolo e poi per la maggiore distanza percorsa in atmosfera;
(b) Ladjacent è essenzialmente prodotta nel secondo percorso poiché nel tratto Sole-suolo
un evento SAS produce solamente una ridistribuzione angolare dell’energia (
Ldown  welling in Fig. 6.2 (b)) che non altera né l’irradianza diretta E dir (che illumina
il suolo) né il livello di radianza Ldirect direttamente trasmesso al sensore.
Lobs  Ldirect  Ladjacent  L path
Eq. 6-6
6.2.1 MODELLI DI TRASFERIMENTO RADIATIVO
Con il termine di trasferimento radiativo si intende quell'insieme di processi di interazione
tra radiazione e materia che avvengono nell'atmosfera terrestre e che determinano il
trasferimento di radiazione dallo spazio fino alla superficie e viceversa. La radiazione di
origine solare e la radiazione di origine terrestre nell'attraversare l'atmosfera interagiscono con
i costituenti che la compongono. L'assorbimento, la diffusione e l’emissione sono i principali
fenomeni di estinzione della radiazione che attraversa l'atmosfera. Dunque, all'interno del
sistema Terra - atmosfera, il campo radiativo è in ogni punto determinato dalla componente
solare, che subisce assorbimento, diffusione e riflessione e dalla componente di origine
49
terrestre, che viene emessa dalla superficie e dall'atmosfera e subisce anch'essa assorbimento,
diffusione e riflessione.
Da un punto di vista formale la propagazione di un segnale di radianza all’interno
dell’atmosfera è stata affrontata nella teoria del trasferimento radiativo di Chandrasekhar. La
ben nota equazione del trasferimento radiativo (RTE) costituisce il punto cardine di questa
teoria che, per un sistema (mezzo materiale + campo di radiazione) in uno stato stazionario
indipendente dal tempo e trascurando gli effetti di polarizzazione (nell’approssimazione
scalare), assume la seguente espressione:
cos
dL(  , z; ,  )
  L(  , z ;  ,  )  J (  , z ;  ,  )
 ext (  , z )dz
Eq. 6-7
dove si assume che l’atmosfera sia composta da strati omogenei, piano-paralleli le cui
proprietà insieme a quelle del campo di radiazione sono omogenee nel piano orizzontale e
dipendono solo dalla variabile di quota z (perpendicolare al piano di stratificazione),
L(  , z; ,  ) è la radianza misurata alla lunghezza d’onda  che si propaga in una certa
direzione  rispetto alla normale uscente al piano e  ext (  , z ) il coefficiente di estinzione
considerato come la somma dei coefficienti di assorbimento  abs (  , z ) e di scattering
 sca (  , z ) dovuti sia alla molecole che agli aerosol. Lo spessore ottico  (  , z ) è così
definito:
z
 (  , z )    ext (  ,  )d
Eq. 6-8
0
Il termine J (  , z; ,  ) in (6-7) rappresenta la funzione sorgente che, a seconda del tipo di
atmosfera nella quale si propaga la radiazione elettromagnetica, assume un’espressione
diversa. Infatti nel caso di atmosfere costituite da gas “caldi” (come nel caso delle atmosfere
stellari) in condizioni prossime a quelle equilibrio termodinamico locale la funzione sorgente
è rappresentata da un termine di emissione espresso dalla funzione di Planck B (  , T ) alla
temperatura T (z ) misurata nel punto osservato. Pertanto il problema RTE che si ottiene in
questo caso è un problema “locale” ovvero dipende dalle proprietà locali del mezzo.
Nel caso di atmosfere “diffusive” (come quello delle atmosfere planetarie) dominano i
fenomeni di scattering della radiazione elettromagnetica e la funzione sorgente contiene la
loro funzione di fase. Pertanto si ottiene un problema RTE che dipenderà fortemente dalle
condizioni al contorno piuttosto che da quelle locali, cioè fissata una direzione di vista la
radianza osservata sarà influenzata da contributi diffusivi originariamente provenienti da
direzioni di propagazione diverse.
L’espressione matematica del termine J (  , z; ,  ) può essere scritta come:
Atmosfera in equilibrio
termodinamico locale
J (  , z; ,  )  B (  , T )
J (  , z; ,  )   0 (  , z )  (  , z; ' ,  '   ,  ) L(  , z; ' ,  ' )d( ' ,  ' ) Atmosfera
“diffusiva”
4
50
Eq. 6-9
dove (  , z; ' ,  '   ,  ) è la funzione di fase dello scattering ed esprime la densità di
probabilità condizionata che un fotone proveniente dalla direzione  ' ,  ' venga diffuso nella
direzione  ,  , d ( ' ,  ' )  sin  ' d ' d ' l’elemento di angolo solido attorno alla direzione
( ' ,  ' ) e  0 (  , z ) l’albedo di singolo scattering definito come:
 0 ( , z ) 
  (  , z ; , 
'
'
  ,  )d( ,  ) 
 sca (  , z )
1
 ext (  , z )
4
Eq. 6-10
Introducendo la variabile   cos  la RTE si riscrive nella forma seguente:

dL(  , z;  ,  )
  L(  ,  ;  ,  )  J (  ,  ;  ,  )
d
Eq. 6-11
Il cuore di modello di trasferimento radiativo si trova nella determinazione della radianza,
cioè nella soluzione dell’equazione di trasferimento radiativo (6-11), che può essere risolta
tramite metodi numerici che utilizzano software matematico, come ad esempio il “metodo
delle ordinate discrete” (discrete ordinate method), oppure tramite metodi basati su tecnica
Monte Carlo. Per l'integrazione analitica è necessaria la conoscenza dei coefficienti di
assorbimento e diffusione, della densità e della temperatura di ogni porzione infinitesima di
atmosfera. Tali grandezze sono fortemente variabili con il tempo e dipendono da pressione,
temperatura, umidità dipendenti a loro volta anche dalle interazioni radiative che devono
essere determinate.
Come si vede dall’equazione 6-11, il trasferimento radiativo è governato da un’equazione
monocromatica che permette di valutare la radianza in un singolo strato dell’atmosfera
terrestre. La formulazione matematica cioè, risulta valida per un intervallo infinitesimo di
lunghezze d'onda e dunque, una volta trovata una soluzione a una certa lunghezza d'onda,
l'equazione dev'essere a sua volta integrata su tutte le lunghezze d'onda (nell'intervallo delle
onde corte e nell'intervallo delle onde lunghe), tenendo conto che i coefficienti utilizzati sono
funzione anch'essi dalla lunghezza d'onda. Il modo migliore per effettuare i calcoli è quello di
calcolare per ogni lunghezza d’onda di interesse la relativa radianza. Pre far ciò è necessario
calcolare il contributo di ogni riga spettrale per ogni tipo di specie molecolare presente nello
stato atmosferico di interesse, cioè si effettua un metodo di calcolo line-by-line. Per ottenere
la radianza misurata da uno strumento la radianza ottenuta per ogni riga deve essere convoluta
con la risposta spettrale dello strumento stesso. Un metodo più veloce, ma più approssimato è
quello basato sulla trasmittanza delle bande di assorbimento, in cui la trasmittanza di una
banda spettrale è caratterizzata da un set di coefficienti pre-calcolati, che sono comunque
dipendenti dalla temperatura e da altri parametri atmosferici. Inoltre i modelli devono
considerare l’effetto dello scattering elastico molecolare e degli aerosol presenti in atmosfera,
come pure possono tener conto degli effetti della polarizzazione della luce a causa dei
fenomeni di scattering elastico. Numerosi sono i modelli trasferimento radiativo sviluppati
negli ultimi anni, e vari son i livelli di complessità che caratterizzano ciascuno di essi. In
tabella vengono elencati i più usati ai fini sia del calcolo diretto (determinazione della
radianza al sensore), sia del calcolo inverso (calcolo della riflettanza terrestre tramite
rimozione del contributo alla radianza al sensore dell’atmosfera terrestre).
51
NAME
Ref.
UV
VIS
NIR
TIR
4A/OP
Scott and
Chédin (1981)
No
No
Si
6S/6SV1
Kotchenova et
al. (1997)]
No
Si
No
CRM
MW
Si
mm/
submm
No
Scattering
No
Line-by-line
or Band
line-by-line
No
No
Si
Si
Polarization
?
?
No
No
band
?
Si
?
No
No
?
?
Si
?
piano
parallela
Si
?
sferica or
piano
parallela
?
?
piano
parallela
DISORT
Stamnes et al.
(1988)
Si
Si
Si
Si
No
radar
FUTBOLIN
Martin-Torres
(2005)
λ>0.
3 µm
Si
Si
Si
λ<1000 µm
No
KARINE
Eymet (2005)
No
No
Si
Si
No
No
LBLRTM
Clough et al.
(2005)
Mayer and
Kylling (2005)
Si
Si
Si
Si
Si
No
line-by-line
?
?
Si
Si
Si
Si
No
No
band or lineby-line
Si
Si
Caillault et al.
(2007) [
Berk et al.
(1998)
No
Si
Si
Si
No
No
band
Si
?
<50
cm-1
Si
Si
Si
Si
Si
band
Si
?
No
No
No
Si
No
No
line-by-line
?
?
<50
cm-1
?
Si
Si
Si
Si
?
?
?
?
?
?
>10
cm-1
?
?
?
libRadtran
MATISSE
MODTRAN
RFM
RRTM
RTTOV
Mlawer, et al.
(1997)
Saunders et al.
line-by-line
band
52
Geometry
Notes
Superfici non
Lambertiane
Parte del NCAR
Community Climate
Model
Metodo Discrete
Ordinate, usato anche
da altri modelli
Permette di trattare
line-mixing,
continuo,
assorbimento e
NLTE
piano
parallela or
pseudosferica
Luna e Sole come
sorgenti, usa il
DISORT
Modello di
riferimento di
MIPAS, è basto su
GENLN2
usa DISORT
SBDART
SCIATRAN
SHARM
SHDOM
(1999)
Ricchiazzi et
al. (1998)
Rozanov et al.
(2005)
Lyapustin
(2002)
Evans (2006)
Si
Si
Si
?
No
No
Si
?
Si
Si
Si
No
No
No
Si
?
No
Si
Si
No
No
No
Si
?
?
?
Si
Si
?
?
Si
?
piano
parallela
piano
parallela
usa DISORT
Tab. 6.2: Caratteristiche generali dei principali programmi e modelli di trasferimento radiativo.
In Tab. 6.3 vengono elencati i principali database di assorbimenti molecolari in atmosfera.
HITRAN
Name
Author
Rothman et al. (1987, 1992, 1998, 2003, 2005, 2009)
GEISA
Jacquinet-Husson et al. (1999, 2005, 2008)
http://en.wikipedia.or
g/wiki/List_of_atmos
pheric_radiative_trans
fer_codes - cite_note20
Description
HITRAN è un database di parametri spettroscopici di diverse specie molecolari, usato da svariati codici per
la simulazione della trasmissione e dell’assorbimento della luce da parte dell’atmosfera. La versione
originale è stata creata all’ Air Force Cambridge Research Laboratories negli anni ’60. Il database è
mantenuto ed uleriormente sviluppato presso Harvard-Smithsonian Center for Astrophysics in Cambridge
MA, USA.
GEISA (Gestion et Etude des Informations Spectroscopiques Atmosphériques: Management and Study of
Spectroscopic Information) è un database spettroscopico sviluppato per facilitare il calcolo
dell’assorbimento e della trasmissione atmosferica nei modelli di trasfeimento radiativo diretti. GEISA un
approccio del tipo line-by-line e strato-per-strato. La prima versione è stata sviluppata in Francia dal
Laboratoire de Météorologie Dynamique (LMD/IPSL) ciraca trent’anni fa. Per quanto riguarda la parte
scientifica GEISA è mantenuto dal gruppo ARA presso il Laboratoire de Météorologie Dynamique (Ecole
Polytechnique) e dal gruppo ETHER del CNRS (Centre National de la Recherche Scientifique-France)
presso l’Istituto Pierre Simon Laplace(IPSL) per tutto quello che riguarda la parte tecnica. Attualmente
GEISA è utilazzato nell’attività di ricerca dello strumento IASI (Infrared Atmospheric Sounding
Interferometer) a bordo del satellite europeo METOP grazie alla realizzazione del database GEISA/IASI
derivato da GEISA
Tab. 6.3: principali database di assorbimenti molecolari.
53
Alcuni dei programmi che sono riportati in Tab. 6.2 e che vengono comunemente usati per la
correzione degli effetti atmosferici saranno descritti più approfonditamente nei capitoli
successivi.
Al fine di correggere per gli effetti atmosferici le immagini telerilevate da satellite o da
aereo abbiamo sviluppato un modello di trasferimento radiativo che tenga adeguatamente
conto della maggior parte dei contributi e degli effetti descritti nelle pagine precedenti.
Prima di tutto è necessario distinguere tra due casi: un’atmosfera semi-infinita che si estende
da   0 (top) a    e un’atmosfera finita che si estende, diciamo, tra   0 e   1
(bottom). La soluzione formale è costituita da una coppia di espressioni che indicano
L(  ,  ;  ,  ) la radianza uscente (upward) e L(  , ;  ,  ) la radianza entrante (downward) a
ciascuna quota z (o allo spessore ottico ):
atmosfera semi-infinita

 t 
L( , ;  , )  J ( , t;  , ) exp 




 dt


Eq. 6-12 a

 
   t  dt

L( , ;  , )  L( ,0;  , ) exp    J ( , t;  , ) exp 
  
  0


atmosfera finita
  
L( , ;  ,  )  L( , 1;  ,  ) exp  1


1

 t 
  J ( , t;  ,  ) exp 

 


 dt


Eq. 6-12 b

 
   t  dt

L( , ;  , )  L( ,0;  , ) exp    J ( , t;  , ) exp 
  0
  

La funzione sorgente J (  ,  ;  ,  ) viene spesso suddivisa in due termini che rappresentano
rispettivamente la funzione sorgente J 0 (  ,  ;  ,  ) dovuta ad un singolo evento di scattering e
la funzione sorgente J MS (  ,  ;  ,  ) di scattering multiplo:
J ( , ;  ,  )  J 0 ( , ;  ,  )  J MS ( , ;  ,  )
  

J 0 ( , ; ,  )  0 ( , ) ( , ;  ,    ,  ) E TOA ( ) exp 
  


Eq. 6-13
Eq. 6-14

J ( , ;  ,  )  0 ( , )  ( , ; ' ,  '   ,  ) L( , ; ' ,  ' )d( ' ,  ' )
Eq. 6-15
4
Per risolvere il sistema di equazioni RTE occorre pertanto fissare le condizioni al contorno
sia al top dell’atmosfera   0 :
L ( ,0;  ,  )  0
Eq. 6-16
sia sullo strato limite   1 considerando la superficie osservata un riflettore lambertiano
ovvero imponendo che il flusso upward (riflesso) sia dato dal prodotto dell’albedo  (  ) / 
della superficie con il flusso downward. La definizione per i flussi (irradianza) entrante ad
uscente sono indicate in (6-17):
E  ( , ) 
2 1
  L( , ;  , )dd
Eq. 6-17
0 0
Alla luce di queste definizioni la condizione al contorno per lo strato   1 è quindi:
L( , 1;  ,  ) 
  
 ( )  TOA
 E ( )  exp  1  
 
  

L( , 1;  ,  ) dd 

0 0
2 1

Eq. 6-18
Pertanto il problema RTE ammette le seguenti soluzioni:
  ( ) 
 
TOA
L( , ;  , )  
 E ( )  exp  1
  
 

 2 1
  L( ,1;  , ) dd  
 
 
 00
1
 t    dt
   

   J ( , t;  , ) exp 
exp  1
  
  

   t  dt


L(  ,  ;  ,  )   J (  , t;  ,  ) exp 



0
  

Eq. 6-19 a

Eq. 6-19 b
Se si trascura il contributo dei pixel vicini (la radiazione interagisce con il pixel osservato
una sola volta) e si considerano solo eventi di singolo scattering per la radianza trasmessa in
atmosfera, è facile mostrare che la radianza incidente sul sensore, dovuta sia a riflessione che
all’emissione, nel visibile e nell’infrarosso, è la somma della radianza dell’oggetto, attenuata
dall’atmosfera, e della radianza diffusa o irraggiata dall’atmosfera stessa. Nel caso di una
superficie Lambertiana la radianza osservata Lobs  ,  è:
55
  ( ) 
 E  ,      B  , T    
  Lpath ( , )
Lobs ( , )  
exp  s




  
Eq. 6-20
dove l’irradianza solare totale E  ,   che illumina la superficie osservata viene
schematizzata come la somma di due contributi: E dir  ,   che contiene l’irradianza solare
E TOA  ,   alla sommità dell’atmosfera (TOA) direttamente trasmessa al suolo e l’irradianza
E sca  ,   che diffusa dall’atmosfera. Una possibile espressione per E  ,   è:
E ( ,  )  E dir ( ,  )  E sca ( ,  )
Eq. 6-21 a
  ( ) 

E dir ( ,  )  E TOA  cos  exp  a






Eq. 6-21 b
E ( ,  ) 
sca

 d( ,  ) ds  ( , z;  , 
'
4
0
'

4
  (s) 
d( ' ,  ' )
  ,  ) L( , z;  ,  ) sca ( , s) exp 
  
'
Eq. 6-21 c
'
dove:
Lobs  ,  :
Radianza misurata dal sensore con un angolo zenitale (di vista) 
E  ,   :
Irradianza solare totale che illumina la superficie osservata
E TOA   :
Irradianza solare incidente sulla sommità dell’atmosfera
Irradianza solare diretta che illumina la superficie osservata con angolo
zenitale solare 
E dir  ,   :
E sca  ,   :
 ( ) :
   :
Lpath  ,  :
 s   :
 a   :
 :
 :
Irradianza solare diffusa che illumina la superficie osservata
Riflettanza spettrale della superficie osservata
Emissività spettrale della superfcie osservata
Radianza retro-diffusa dall’atmosfera verso il sensore
Spessore ottico dell’atmosfera compresa tra la superficie osservata ed il
sensore
Spessore ottico di tutta l’atmosfera
cos
cos 
Lo spettro dell’irradianza solare può essere misurato utilizzando uno spettroradiometro con
una sfera integratrice o un diffusore a coseno accoppiato alla fenditura d’ingresso che guarda
verso il Sole. Se si vogliono misurare separatamente i due termini della somma in (6-13), per
il primo si utilizzerà uno spettro-radiometro senza diffusore o una sfera integratrice,
misurando il flusso solare incidente su un’area leggermente più larga del disco solare, mentre
per il secondo termine si utilizzerà uno spettro-radiometro con un diffusore o una sfera
integratrice con davanti un disco che oscuri il Sole. La sorgente solare che costuisce
nell’ambito del telerilevamento la fonte primaria di illuminazione viene comunemente
56
approssimata ad un “corpo nero” alla temperatura di circa 5900 K, mentre la superficie
terrestre viene considerata un “corpo nero” alla temperatura ambiente di circa 300 K.
La legge di Planck esprime l’irradianza spettrale B (  , T ) irraggiata dal Sole (o in altre
parole la potenza emessa per unità di superficie e per unità di intervallo spettrale):
B ( , T ) 
1
   C2  
exp T   1
 
 
C1
5
Eq. 6-22
dove C1  3.74151  10 16 Wm 2 e C2  0.0143879 mK sono rispettivamente la prima e
seconda costante del campo di radiazione. In Fig. 6.3 (a) e (b) sono riportati gli andamenti
dell’emittanza in funzione della lunghezza d’onda emessa da un corpo nero rispettivamente a
5900 K e 300 K.
30
Irradianza (W m-2 µm-1)
Irradianza (MW m-2 µm-1)
100
80
60
40
20
0
0
1
2
3
20
15
10
5
0
4
Lunghezza d'onda (µm)
25
2
(a)
4
6
8
10
12
Lunghezza d'onda (µm)
14
(b)
Fig. 6.3: Andamento dell’emittanza emessa da due corpi neri alla temperatura
rispettivamente di (a) 5900 K e (b) 300 K.
Per calcolare l’irradianza solare che raggiunge l’atmosfera terrestre occorre conoscere la
distanza Sole-Terra d S  T e il raggio del Sole R S . La radianza spettrale L (potenza emessa per
unità di superficie per unità di intervallo spettrale e per unità di angolo solido) irraggiata dal
Sole è ottenuta semplicemente dividendo per  l’irradianza B(, T ) espressa dalla (6-22).
Pertanto l’irradianza solare che illumina perpendicolarmente 1 m2 della la superficie terrestre
(trascurando l’estensione spaziale dell’atmosfera solare e i suoi effetti di assorbimento) è data
da:
E TOA ( )  L( )dAd
d 
1
Eq. 6-23
Eq. 6-24
d S T 2
57
dA  RS2
Eq. 6-25
Essendo d l’angolo solido sotteso da 1 m2 dell’atmosfera terrestre al Sole posto ad una
distanza d S  T (espresso in m) e dA l’area del Sole. Eq. (6-23) diventa pertanto:
E TOA ( ) 
B ( )

RS2
1
d S T 2
 B ( )
RS2
d S T 2
Eq. 6-26
In Fig. 6.4 lo spettro di irradianza solare al top dell’atmosfera così ottenuto è confrontato
con gli spettri di irradianza al livello del mare e di corpo nero alla temperatura di 5900 K.
Fig. 6.4: Confronto tra lo spettro di irradianza solare al top dell’atmosfera
terrestre, al livello del mare e di un corpo nero alla temperatura di 5900 K. Sono
indicate le principali bande di assorbimento di gas atmosferici.
Se adesso consideriamo il sistema Terra-Sole e supponiamo che il suolo sia un riflettore
Lambertiano si ottiene che in generale l’energia radiante proveniente dal suolo corrisponderà
all’energia solare riflessa operando nel visibile e vicino infrarosso, mentre si dovrà
considerare prevalentemente l’energia termica emessa operando nell’infrarosso termico.
Solamente per lunghezze d’onda tra 2,5 e 6 µm verranno considerati entrambi i contributi il
cui rapporto relativo dipenderà da diversi fattori.
Nella Fig. 6.5 le curve 1 e 5 rappresentano rispettivamente l’irradianza solare (considerato
un corpo nero alla temperatura di 6000 K) che illumina la superficie terrestre (avendo
supposto di trascurare ogni effetto di assorbimento atmosferico) e la radianza emessa dalla
superficie terrestre (considerata come un corpo nero alla temperatura di 300 K).
58
Le altre curve indicano spettri di radianza al variare della riflettanza  e della emissività 
secondo la legge di Kirchhoff. Il punto A è il punto di intersezione tra la curva 4 e la curva 5
ed indica la posizione in lunghezza d’onda al di sotto della quale il flusso solare riflesso dalla
superficie terrestre domina rispetto a quello emesso (per effetto della temperatura). Il punto A
localizzato a circa 3.0 µm rappresenta un limite inferiore alla posizione in lunghezza d’onda
poiché in natura valori di riflettanza al di sotto di 0.01 non sono molto frequenti.
Il punto B è il punto d’intersezione tra la curva 2 e la curva 6 ed indica la posizione in
lunghezza d’onda al di sopra della quale la radianza emessa domina rispetto a quella solare
riflessa. Il punto B localizzato a 4.5 µm è affetto da un errore maggiore poiché le derivate
delle curve 2 e 6 tendono a valori molto piccoli e valori di riflettanza superiori a 0.5 non sono
rari per le superficie naturali.
Pertanto nell’intervallo spettrale tra 2.5 µm e 5 µm entrambi i contributi alla radianza totale
devono essere considerati dipendendo dallo spettro di riflettanza e di emissività, dalla
temperatura della superficie e dall’assorbimento atmosferico.
Fig. 6.5: Confronto tra l’irradianza dovuta al Sole considerato come un corpo
nero a 6000 K (oridinate a sinistra) e la radianza (oridinate a destra) dovuta alla
superficie terrestre considerata lambertiana nell’ipotesi di poter trascurare
l’assorbimento dell’atmosfera.
(1) Irradianza solare sulla superficie terrestre.
Radianza dovuta solo al flusso solare riflesso dalla superficie per:
(2) =0.5 (equivalente a  =0.5)
(3)  =0.1 (equivalente a  =0.9)
(4)  =0.01 (equivalente a  =0.99)
Radianza dovuta solo al flusso termico emesso dalla superficie per:
(5)  =1 (equivalente ad un corpo nero:  =0)
(6)  =0.5 (equivalente a  =0.5)
(7)  =0.1 (equivalente a  =0.9)
59
Alla luce delle considerazioni fatte in precedenza e nell’ipotesi di Lambertianità della
superficie osservata, la radianza misurata nelle bande spettrali del visibile e dell’infrarosso
fino a circa 3 µm di lunghezza d’onda obbedisce alla seguente espressione:


  ( ) 


  E sca  ,  ( ) exp   s ( )   Lpath ( , )
Lobs ( , )   ETOA cos exp  a




  
  


Eq. 6-27
mentre nell’infrarosso oltre 6 µm di lunghezza d’onda vale la seguente relazione:
Lobs ( , ) 
B ( , T )

  s ( ) 
  Lpath ( , )
  
 ( ) exp 
Eq. 6-28
Queste equazioni possono essere invertite per ottenere le grandezze fisiche di interesse che
sono lo spettro di riflettanza per il primo intervallo spettrale (VIS-NIR-SWIR):
 ( ) 
 Lobs ( , )  L path ( , )
 TOA

  ( ) 


  E sca ( ,  ) exp   s ( ) 
 E ( ) cos  exp  a


 
 




Eq. 6-29
e lo spettro di emissività e la temperatura per il secondo intervallo (TIR):
B ( , T ) ( ) 
 Lobs ( , )  L path ( , )
  ( ) 

exp  s
 

Eq. 6-30
Come già osservato in precedenza, impiegando sensori funzionanti in modalità whiskbroom il campionamento della radianza al sensore avviene con un angolo istantaneo di vista
costante e ciò comporta che le immagini siano radiometricamente piatte ma affette da
distorsioni geometriche ai bordi delle immagini. Viceversa le immagini ottenute utilizzando
sensori funzionanti in modalità push-broom risultano geometricamente corrette ma mostrano
una diminuzione cos del valore della radianza man mano che si considerano pixel più
lontano dal nadir.
Le equazioni precedenti dimostrano che l’errore di misura, dovuto all’interazione tra
l’atmosfera e la radiazione, può variare da un punto all’altro di una singola immagine nonché
tra due immagini acquisite in epoche differenti o a lunghezze d’onda diverse. Poiché tale
errore ha lo stesso ordine di grandezza delle quantità fisiche sotto osservazione la sua
correzione è necessaria al fine di poter studiare l’evoluzione temporale della scena, la sua
classificazione e l’analisi multi-spettrale.
60
6.2.1.1
BANCA DATI DI PARAMETRI SPETTROSCOPICI SOLARI
Fig. 6.6: Irradianza spettrale solare alla sommità dell’atmosfera con risoluzione spettrale
migliore di 0.037 cm-1, equivalente a 0.0015 nm, ottenuta da Kurucz nel 2005
TOA solar irradiance
2.5E‐04
Irradiance
(W cm‐2 nm‐1)
2.0E‐04
1.5E‐04
1.0E‐04
5.0E‐05
0.0E+00
300
350
400
450
500
550
600
650
700
750
800
850
900
950
1000
Wavelength (nm)
Fig. 6.7: Irradianza spettrale solare alla sommità dell’atmosfera con risoluzione spettrale
di 1 cm-1 utilizzata dalle simulazioni del codice di trasferimento radiativo MODTRAN-5
Come discusso in precedenza la conoscenza accurata e dettagliata dell’irradianza spettrale
solare alla sommità dell’atmosfera risulta indispensabile per poter effettuare un’accurata
correzione degli effetti dell’atmosfera sul segnale telerilevato. Se si considera ad alta
61
risoluzione spettrale l’intervallo spettrale tra 0,3µm e 1 µm di lunghezza d’onda, non si può
trascurare il contributo fondamentale delle righe di Fraunhofer come riportato nelle Fig. 6.6 e
Fig. 6.7.
62
6.2.1.2 BANCA DATI DI PARAMETRI SPETTROSCOPICI DEI GAS
ATMOSFERICI TERRESTRI
MODTRAN 5
At‐Sensor Radiance @ 500 Km, Alb=0.3, Midlatitude Summer 25
At‐Sensor Radiance
(W cm‐2 sr‐1 nm‐1)
20
15
10
5
0
300
350
400
450
500
550
600
650
700
750
800
850
900
950
1000
Wavelength (nm)
Fig. 6.8: Simulazione della radianza al sensore simulata del codice di trasferimento
radiativo MODTRAN-5 alla massima risoluzione spettrale possibile di 0,1 cm-1, ottenuta
utilizzando i parametri elencati in in Tab. 6.4.
PARAMETRI D’INGRESSO
Modelli dei gas atmosferici:
Modello di aerosol:
Visibilità:
midlatitide summer
rural
20 km
Quota del satellite:
Angolo zenitale di vista:
500 km
180o
Albedo:
Località:
Data:
Ora:
0,3
area di test di San Rossore (43.73° N – 10,3° W)
22 giugno,
11:00 (GMT)
Intervallo spettrale:
Campionamento spettrale:
Risoluzione spettrale:
400 – 1000 nm
0,1 nm
0,2 nm (FWHM con slit function gaussiana)
Tab. 6.4: Parametri utilizzati per la simulazione della radianza al sensore utilizzando il
codice di trasferimento radiativo MODTRAN-5.
Anche nel caso di missioni di osservazione della Terra basate sull’impiego di spettrometri
ad immagine a moderata risoluzione spettrale, è importante conoscere in dettaglio lo spettro
della radiazione solare per poter identificare le regioni spettrali affette da effetti non linearità,
63
come mostrato dal grafico di Fig. 6.8 ottenuto utilizzando, con i parametri d’ingresso elencati
in Tab. 6.4, il programma MODTRAN 5, che fa riferimento per il calcolo dell’assorbimento
molecolare alla banca dati HITRAN.
6.2.1.2.1 LA BANCA DATI “HITRAN”
HITRAN (HIgh-resolution TRANsmission molecular absorption database) è una delle
principali compilazioni di parametri spettroscopici utilizzata da vari programmi per simulare
la trasmissione e l’emissione della luce in atmosfera. Vari sono i programmi di calcolo per il
trasferimento radiativo che utilizzano HITRAN, fra questi ci sono: Moderate Resolution
Transmittance (MODTRAN); Fast Atmospheric Signature Code (FASCODE), FASCODE for
the Environment (FASE) e Line-Ny-Line Radiative Transfer Model (LBLRTM).
Questa banca dati è stata implementata a partire dalla fine degli anni 60 dello scorso secolo
dall’Air Force Cambridge Research Laboratories (AFCRL) in risposta alle esigenze di una
conoscenza dettagliata nell’infrarosso delle proprietà dell’atmosfera.
HITRAN permette di effettuare calcoli sia del tipo “line-by-line” sia del tipo “modello di
banda”, in un intervallo spettrale che va dall’ultravioletto fino alle microonde.
Attualmente è disponibile l’HITRAN-2008 (versione 13.0) contenente 2.713.968 righe
spettrali di 39 molecole differenti, a cui si aggiungono righe di altre molecole meno comuni
per un totale di 42 così suddivise e da leggersi secondo il seguente formato.
Molecola
1) H2O
2) CO2
3) O3
4) N2O
5) CO
Isotopo
161
181
171
162
182
172
626
636
628
627
638
637
828
827
838
837
666
668
686
667
676
446
456
546
448
447
26
36
Abbondanza
0.997317
1.99983 10-3
3.71884 10-4
3.10693 10-4
6.23003 10-7
1.15853 10-7
0.984204
1.10574 10-2
3.94707 10-3
7.33989 10-4
4.43446 10-5
8.24623 10-6
3.95734 10-6
1.47180 10-6
4.44600 10-8
1.65354 10-8
0.992901
3.98194 10-3
1.99097 10-3
7.40475 10-4
3.70237 10-4
0.990333
3.64093 10-3
3.64093 10-3
1.98582 10-3
3.69280 10-4
0.986544
1.10836 10-2
Molecola
14) HF
15) HCl
16) HBr
17) HI
18) ClO
19) OCS
20) H2CO
21) HOCl
22) N2
23) HCN
24) CH3Cl
25) H2O2
26) C2H2
27) C2H6
64
Isotopo
19
15
17
19
11
17
56
76
622
624
632
623
822
126
136
128
165
167
44
124
134
125
215
217
1661
1221
1231
1221
Abbondanza
0.999844
0.757587
0.242257
0.506781
0.493063
0.999844
0.755908
0.241720
0.937395
4.15828 10-2
1.05315 10-2
7.39908 10-3
1.87967 10-3
0.986237
1.10802 10-2
1.97761 10-3
0.755790
0.241683
0.992687
0.985114
1.10676 10-2
3.62174 10-3
0.748937
0.239491
0.994952
0.977599
2.19663 10-2
0.976990
6) CH4
7) O2
8) NO
9) SO2
10) NO2
11) NH3
12) HNO3
13) OH
28
1.97822 10-3
1231
2.19526 10-2
27
3.67867 10-4
28) PH3
1111
0.999533
-5
38
2.22250 10
29) COF2
269
0.986544
37
4.13292 10-6
30) SF6
29
0.950180
211
0.988274
121
0.949884
31) H2S
311
1.11031 10-2
141
4.21369 10-2
212
6.15751 10-4
131
7.49766 10-3
-6
312
6.91785 10
32) HCOOH
126
0.983898
66
0.995262
33) HO2
166
0.995107
-3
68
3.99141 10
34) O
6
0.997628
67
7.42235 10-4
5646
0.749570
35) ClONO2
46
0.993974
7646
0.239694
56
3.65431 10-3
36) NO+
46
0.993974
48
1.99312 10-3
169
0.505579
37) HOBr
626
0.945678
161
0.491894
221
0.977294
646
4.19503 10-2
38) C2H4
646
0.991616
231
2.19595 10-2
4111
0.995872
39) CH3OH
2161
0.985930
-3
219
0.500995
5111
3.66129 10
40) CH3Br
146
0.989110
211
0.487433
61
0.997473
41) CH3CN
2124
0.973866
-3
81
2.00014 10
42) CF4
29
0.988890
62
1.55371 10-4
Tab. 6.5: Elenco delle molecole, degli isotopi e delle abbondanze
della banca dati HITRAN - 2008
Parametri
Numero della molecola
Numero dell’isotopologo
Numero d’onda della transizione (cm-1)
Intensità della riga
Coefficiente-A di Einstein
Larghezza Air- broadened
Larghezza Self- broadened
Energia dello stato-basso
Dipendenza dalla temperatura (of air width)
Shift di pressione
upper vibrational quanta
lower vibrational quanta
upper local quanta
lower local quanta
Codici di errore
Codici di riferimento
Flag for line-mixing
upper statistical weight
lower statistical weight
Tipo del dato e
lunghezza del campo
Intero - 2 Byte
Intero – 1 Byte
Reale – 12 Byte
Reale – 10 Byte
Reale – 10 Byte
Reale – 5 Byte
Reale – 5 Byte
Reale – 10 Byte
Reale – 4 Byte
Reale – 8 Byte
Testo – 15 Byte
Testo – 15 Byte
Testo – 15 Byte
Testo – 15 Byte
Intero - 6 Byte
Intero - 12 Byte
Testo – 1 Byte
Reale – 7 Byte
Reale - 7 Byte
Tab. 6.6: Formato dei parametri della banca dati HITRAN - 2008
65
6.2.1.2.2 LA BANCA DATI “GEISA”
Il gruppo Atmospheric Radiation Analysis del Laboratoire de Météorologie Dynamique
dell’Ecole Polytechnique / CNRS / IPSL negli ultimi 30 anni ha sviluppato e mantenuto
GEISA (Gestion et Etude des Informations Spectroscopiques Atmosphériques), un’altra delle
principali compilazioni di parametri spettroscopici utilizzata per validare gli spettri
dell’atmosfera misurati da sensori spaziali, quali l’Infrared Atmospheric Sounding
Interferometer (AISI) montato su MetOp-A, o per studi nel campo della fisica dell’atmosfera
e dell’astronomia.
GEISA, attualmente nell’edizione 2009, comprende tre sub-databases indipendenti dedicati
rispettivamente:
• ai parametri di 3.807.997 righe, di 50 molecole comprendenti 111 isotopi,
nell’intervallo spettrale tra 10-6 e 35.877.031 cm-1 (Tab. 6.7),
• alle sezioni d'urto di assorbimento nell’infrarosso e nell’ultravioletto,
• alle proprietà microfisiche e ottiche degli aerosols atmosferici.
Molecola
H2O
CO2
O3
N2O
CO
CH4
O2
NO
SO2
NO2
NH3
PH3
HNO3
OH
HF
HCl
HBr
HI
CLO
OCS
H2CO
C2H6
CH3D
C2H2
C2H4
GeH4
HCN
C3H8
C2N2
C4H2
HC3N
Codice
Isotopi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
161 - 162 - 171 - 181 - 182 – 172
626 - 627 - 628 - 636 - 637 - 638 - 728 - 828 – 838
666 – 668 – 686 – 667 – 676
446 - 447 - 448 - 456 - 458 - 546 - 548 – 556
26 - 36 - 28 - 27 - 38 – 37
211 – 311
66 - 67 – 68
46 - 48 – 56
626 – 646
646
411 – 511
131
146
61 - 62 – 81
19
15 – 17
11 – 19
17
56 – 76
622 - 624 – 632 – 623 – 822 - 634
126 – 128 – 136
236 – 226
212 – 312
221 – 231
211 – 311
411
125 – 134 – 124 – 224
221
224
211
124
66
Transizioni
67,876
413,619
389,378
50,633
13,515
240,991
6,428
105,079
68,728
104,223
29,082
20,421
669,988
42,866
107
533
1,294
806
7,230
33,809
37,050
28,439
49,237
11,340
18,378
824
82,042
8,983
2,577
119,480
179,347
32
165 – 167
17,862
HOCl
33
44
120
N2
34
217 – 215
18,344
CH3Cl
35
166
126,983
H2O2
36
121 - 131 – 141
20,788
H2S
37
261
62,684
HCOOH
38
269
83,750
COF2
39
29
92,398
SF6
40
341
19,001
C3H4
41
166
38,804
HO2
42
564 – 764
356,899
ClONO2
43
79 – 81
36,911
CH3Br
44
216
19,897
CH3OH
45
46
1,206
NO+
46
142
5,619
HNC
47
266
9,797
C6H6
48
122
15,512
C2HD
49
291
60,033
CF4
50
234
17.172
CH3CN
Numero totale di righe:
3,807,997
Intervallo spettrale:
0.000001 - 35877.030506 cm-1
Tab. 6.7: Elenco delle molecole, degli isotopi e delle transizioni
del primo sub-database della banca dati GEISA - 2009
In Tab. 6.8 è riportato il formato, utilizzato per l’archivio dell’edizione 2009 di GEISA,
\fissa di 252 caratteri.
Parametri
A
Lunghezza
12
del campo
Descrittore
F12.6
Fortran
12
Contatore
B
C
D
E1 E2 E3 E4
F
G
I
J
11
6
10
25
4
3
3
3
25
15
15
1PD11.4 0PF6.4 F10.4 A25 A25 A15 A15 F4.2 I3
23
29
39
64
I3 A3
89 104 119 123 126 129 132
K
L
M
N
O
R
A'
B'
C'
F'
2
1
10
7
9
6
10
11
6
4
I2
I1
1PE10.3
0PF7.4
F10.6
1PD11.4
0PF6.4
F4.2
145
152
177
188
194
198
134 135
F9.6 F6.4
161
167
O'
R'
N'
S
S'
T
T'
U
U'
9
6
7
4
4
8
8
4
4
F9.6
F6.4
F7.4
F4.2
F4.2
F8.6
F8.6
F4.2
F4.2
207
213
220
224
228
236
244
248
252
Tab. 6.8: Formato dei parametri del primo sub-database della banca dati GEISA - 2009
67
Dove:
A : numero d’onda (cm-1) della riga
B : intensità della riga in (cm-1/(molecule.cm-2) a 296K
C : Air broadening pressure halfwidth (HWHM) (cm-1atm-1) a 296K
D : Energy of the lower transition level (cm-1)
Ei (i=1,2,3,4) : Transition quantum identifications for the lower and upper state of the
transition
F : temperature dependence coefficient n of the air broadening halfwidth
G : Codice di identificazione per l’isotopo secondo GEISA
I : Codice di identificazione per la molecola secondo GEISA
J : Codice interno GEISA per l’identificazione del dato
K : Numero della molecola secondo HITRAN
L : Numero dell’isotope (1=più abbondante, 2= secondo ... etc) secondo HITRAN
M : Einstein A-coefficient
N : self broadening pressure halfwidth (HWHM) (cm-1atm-1) a 296K
O : air pressure shift of the line transition (cm-1atm-1) a 296K
R : temperature dependence coefficient of the air pressure shift
A' : estimated accuracy (cm-1) on the line position
B' : estimated accuracy on the intensity of the line in (cm-1/(molecule.cm-2)
C' : estimated accuracy on the air collision halfwidth (HWHM) (cm-1atm-1)
F' : estimated accuracy on the temperature dependence coefficient of the air broadening
halfwidth
O' : estimated accuracy on the air pressure shift of the line transition (cm-1atm-1) at 296K
R' : estimated accuracy on the temperature dependence coefficient of the air pressure shift
N' : estimated accuracy on the self broadened (HWHM) (cm-1atm-1) at 296K
S : temperature dependence coefficient of the self broadening halfwidth
S' : estimated accuracy on the temperature dependence coefficient of the self broadening
halfwidth
T : self pressure shift of the line transition (cm-1atm-1) at 296K
T' : estimated accuracy on the self pressure shift of the line transition (cm-1atm-1) at 296K
U : temperature dependence coefficient of the self pressure shift
U' : estimated accuracy on the temperature dependence coefficient of the self pressure shift
68
6.2.1.3 IL PROGRAMMA DI CALCOLO “DISORT”
DISORT (Discrete Ordinates Radiative Transfer Program for a Multi-Layered PlaneParallel Medium) – è un programma che risolve l’equazione del trasferimento radiativo
tramite il metodo delle “Ordinate Discrete” cioè andando a sviluppare la funzione di fase che
è all’interno della funzione sorgente J() nell’eq. 6-11, tramite 2N polinomi di Legendre. In
questa maniera l’equazione del trasferimento radiativo si trasforma in un sistema di 2N
equazioni differenziali a coefficienti costanti (sotto determinate condizioni) che è
analiticamente risolvibile. Il programma è applicabile a geometrie piano-parallele per
lunghezze d’onda che vanno dall’ultravioletto alle microonde. DISORT è usato in molti
codici di trasferimento radiativo quali MODTRAN, Streamer e SBDART. Nel programma
DISORT la luce è considerata monocromatica e non polarizzata e si propaga in un mezzo
verticalmente disomogeneo, orizzontalmente omogeneo e non isotermo. I processi fisici
inclusi nel codice sono l’emissione termica Plankiana, tutti i fenomeni di scattering elastico
descrivibili tramite una qualsiasi funzione di fase, l’assorbimento molecolare e la bidirezionalità della superficie osservata. La radiazione incidente può essere parallela o
isotropicamante diffusa, sono inoltre considerate anche sorgenti termiche interne e
l’emissione termica degli strati che definiscono le condizioni al contorno del problema (piano
del sensore, superficie terrestre). DISORT per la sua versatilità e velocità computazionale, è
diventato uno degli standard per il paragone fra altri modelli per la risoluzione di problemi di
trasferimento radiativo, ad esempi vedi Tsay et al., 1989, 1990; Tsay and Stamnes, 1992) and
Martian (Lindner, 1988).
69
6.2.1.4 IL PROGRAMMA DI CALCOLO “MODTRAN 5”
Il MODTRAN è sviluppato da oltre trenta anni dall’U.S. Air Force come modello standard
di trasferimento radiativo a risoluzione spettrale moderata per l’intervallo di lunghezze d’onda
tra l’ultravioletto e l’infrarosso (tra 0,2 e 10000,0 µm). Il MODTRAN 5 Versione 2 Release
11 del settembre 2005 si basa sulla banca dati di righe di assorbimento atmosferico HITRAN
2004 e permette di effettuare calcoli fino alla risoluzione spettrale di 0,1 cm-1.
I parametri di ingresso del MODTRAN 5, da inserire nel file d’ingresso (*.tp5), vengono
dedotti dai dati di volo (raccolti sia nei files di dati ausiliari che nelle annotazioni
dell’operatore) ed in parte dalle misure di validazione effettuate al suolo in corrispondenza del
sorvolo. Inoltre il MODTRAN 5 consente all’utente di definire la configurazione
dell’atmosfera con cui effettuare la modellizzazione.
Il file d’ingresso è costituito da almeno cinque linee di comando (definite come CARDS)
ognuna delle quali può presentare un numero variabile di CARDS aggiuntive. In particolare il
MODTRAN 5 che si basa su una modellizzazione dell’atmosfera a strati (i primi 2 km, la
troposfera: 2-10 km, la stratosfera: 10-30 km e lo strato superiore: 30-100 km) consente di
definire un modello o di sceglierne uno tra svariati standard di atmosfera, rappresentativi sia
di varie distribuzioni delle concentrazioni di gas e aerosol che di diverse condizioni
meteorologiche. Inoltre il MODTRAN 5 richiede l’inserimento dei parametri relativi alla
configurazione geometrica del volo quali la quota e la direzione di volo, l’ora ed il giorno del
sorvolo, la longitudine e latitudine del punto osservato, ed infine la risoluzione spettrale e
l’intervallo di lunghezze d’onda per il quale effettuare i calcoli.
Contenuto dei file di uscita:
*.tp6
Listati di tutti i parametri d’ingresso, della configurazione dell’atmosfera utilizzata
ed dei risultati ottenuti.
*.tp7
Listati in forma tabulare dei parametri d’ingresso e dei risultati ottenuti ad alta
risoluzione spettrale.
*.tp8
Listato dei parametri d’ingresso
*.7sc
Listati in forma tabulare dei parametri d’ingresso e dei risultati ottenuti alla
risoluzione spettrale richiesta.
*.plt
Listato dei soli risultati richiesti ad alta risoluzione spettrale.
*.psc
Listato dei soli risultati alla risoluzione spettrale richiesta.
Elenco delle definizioni:
TOTAL RAD: Radianza totale al sensore
Somma della radianza al sensore diffusa totale (SOL SCAT) e della
radianza proveniente dal suolo (GRND RFLT)
SING SCAT:
Radianza al sensore diffusa una sola volta
SOL SCAT:
Radianza al sensore diffusa totale
GRND RFLT: Radianza al sensore riflessa dal suolo come somma della componente
trasmessa (DRCT RFLT) e della componente diffusa
DRCT RFLT: Radianza al sensore direttamente trasmessa
REF SOL:
Irradianza solare ascendente direttamente trasmessa sul sensore
(prodotto dell’irradianza solare discendente direttamente trasmessa sul
sensore ([email protected]) per la trasmittanza del percorso fino a terra e fino al70
sensore comprensivo della riflettanza del suolo).
[email protected]:
Irradianza solare discendente direttamente trasmessa sul sensore
TRAN:
Trasmittanza (da terra al sensore)
DEPTH:
Spessore ottico. Logaritmo naturale della trasmittanza
SOLE
SENSORE
Piano del sensore
SOL SCAT
DRCT RFLT
TRAN
GRND RFLT
Fig. 6.9: Contributi alla radianza al sensore per il MODTRAN 5
TOA SUN
Top Of Atmosphere (TOA)
[email protected]
Piano del sensore
REF SOL
Fig. 6.10: Contributi alla irradianza per il MODTRAN 5
71
Fig. 6.9 e Fig. 6.10 mostrano il modello di propagazione della radiazione solare utilizzato
dal MODTRAN 5 considerando la superficie un riflettore lambertiano e non tenendo conto
degli effetti dovuti ai pixel vicini.
Per chiarire l’effetto dei singoli contributi alla radianza simulata di seguito vengono
mostrate a titolo di esempio le uscite relative ad un semplice file “.tp5” e ai relativi files
“.7sc” e “.tp6” per il calcolo della radianza al sensore nel caso del primo sorvolo aereo di San
Rossore del 21/06/2000.
72
6.2.1.4.1 SIMULAZIONE DELLA RADIANZA AL SENSORE
Qui di seguito vengono riportate a titolo di esempio alcune simulazioni a bassa risoluzione
della radianza al sensore nel caso di sorvoli effettuati a 1,5 e 500 km di quota il 22 giugno alle
ore 12 su San Rossore (Pisa. Italia) su una superficie con albedo 1,0
Listato del file d’ingresso “tp5”:
KM 2
2
2
-1
TT 8
0 365.00000
01_2004
1
0
0
0
1.500
.000
1
2 173
0
43.730
349.750
400.
2500.
0
0
0
1.0
0
0
180.000
.000
1.
0
0
0
1.0 F T F
20.000
.000
0
0.000
.000
0
0
0
0.000
.000
0
.000
11.000
0.000
2.RN********N3AA
0.000
1.00
.000
.000
.000
.000
dove:
 i valori su fondo giallo indicano che è stato utilizzato il calcolo “DISORT discrete
ordinate multiple scattering algorithm with 8 streams”;
 i valori su fondo turchese indicano la banca dati standard per l’irradianza solare TOA,
la risoluzione di 1,0 nm della banca dati per il modello di bande e non viene usata
nessuna funzione di filtro strumentale.
 i valori su fondo rosso indicano la quota a cui si trova il sensore e la configurazione di
osservazione nadirale (Angle e Psipo);
 i valori su fondo verde indicano il giorno dell’anno cui si riferisce la simulazione ed il
tempo rispetto a Greenwich (espresso in ore decimali)
 i valori su fondo fucsia indicano la latitudine e la longitudine della superficie osservata
ed il suo albedo.
 i valori su fondo rosa indicano rispettivamente lunghezza d’onda iniziale (espressa in
nm), lunghezza d’onda finale (espressa in nm), passo di campionamento spettrale,
forma (gaussiana) e FWHM (2 nm) del canale spettrale.
La configurazione geometrica è chiarita in Fig. 6.11.
73
Fig. 6.11: Assetto tipico per acquisizioni da satellite o da aereo
In pratica la configurazione geometrica è specificata oltre che dalla quota del sensore da
due angoli: quello zenitale “Angle” e quello azimutale “Psipo” rispetto alla direzione di volo i
cui valori possono essere calcolati usando le seguenti espressioni:
tgFZA
cos(180  Psipo )
tg ( FOV / 2)
tg (180  Psipo ) 
sin FZA
tg (180  Angle ) 
Eq. 6-31
dove FZA rappresenta l’eventuale angolo di beccheggio del sensore.
Inoltre l’atmosfera è caretterizzata dai valori su fondo grigio che indicano rispettivamente:
-
il modello di atmosfera (Mid-Latitude Summer);
la concentrazione di CO2 (espressa in ppmv), di H2O (espressa come fattore di scala
rispetto alla concentrazione di default) e di O3 (espressa come fattore di scala rispetto
alla concentrazione di default);
il modello di aerosol ovvero i profilo verticale (Rural) relativamente allo strato-limite
atmosferico (0-2 km), la visibilità (espressa in km come range meteorologico);
la selezione della banca dati contenenti le funzioni di fase degli aerosol.
Con questi parametri risultano pertanto definiti completamente i coefficienti di estinzione
degli aerosol e dei gas che sono presenti in atmosfera.
74
75
Listato dell’inizio del file d’uscita “tp6” che riassume il significato dei parametri
d’ingresso forniti dal file “tp5”:
********************************************************
*
*
* MODTRAN5:
Official Version 2.11
September 2005 *
*
*
* Developed collaboratively by SPECTRAL SCIENCES,
*
* INC. (www.spectral.com) and the AIR FORCE RESEARCH *
* LABORATORY (www.vs.afrl.af.mil/Division/VSBYB)
*
*
*
********************************************************
CALCULATIONS WILL BE DONE USING MULTIPLE SCATTERING.
CARD 1
*****KM
2
2
2
-1
2
2
2
2
2
2
1
0
0
0.000
1.0
PROGRAM WILL COMPUTE RADIANCE + SOLAR SCATTER
ATMOSPHERIC MODEL
TEMPERATURE =
WATER VAPOR =
OZONE
=
2
2
2
MID-LATITUDE SUMMER
MID-LATITUDE SUMMER
MID-LATITUDE SUMMER
2 M5 =
2 M6 =
M4 =
CARD 1A *****TTF
8 0.0 365.00000
1.0
2 MDEF =
1
1.0 f t f
0.000
0.0000
0.0000
0.0000
MOLECULAR BAND MODEL DATA FILES
------------------------------DATA/01_2004c.bin
DATA/01_2004t.bin
CFC BAND MODEL DATA FILE:
DATA/CFC04_01.ASC
Version 2.4 of the Clough-Kneizys Water Continuum Data from LBLRTM (24mar2000).
SUCCESSFULLY READ CORRELATED-K DISTRIBUTIONS FILE:
CARD 2
*****
1
MODEL ATMOSPHERE NO.
0
0
0
0
0
DATA/CORK01.BIN
20.00000
0.00000
0.00000
0.00000
0.00000
2
*** OZONE DENSITIES ARE BEING SCALED BY
1.00000
THE ORIGINAL VERTICAL COLUMN CONTAINED
7.10288 GM / M2 OF OZONE
THE CURRENT VERTICAL COLUMM CONTAINS
7.10288 GM / M2 OF OZONE
*** THE WATER PROFILE WAS
INITIAL:
2.92231 GM
INPUT:
2.92231 GM
FINAL:
2.92231 GM
DECREASED TO FIT THE INPUT WATER COLUMN VALUE
/ CM2
/ CM2
/ CM2
AEROSOL MODEL
REGIME
----------------------BOUNDARY LAYER (0-2KM)
TROPOSPHERE (2-10KM)
STRATOSPHERE (10-30KM)
UPPER ATMOS (30-100KM)
CARD 3
*****
6371.23
1.50000
AEROSOL TYPE
-------------------RURAL
TROPOSPHERIC
BCKGD_STRATOSPHERIC
METEORIC DUST
0.00000 180.00000
PROFILE
SEASON
--------------------------------------20.00 KM METEOROLOGICAL_RANGE_AT_SEA_LEVEL
TROPOSPHERIC
SPRING-SUMMER
BCKGD_STRATOSPHERIC
SPRING-SUMMER
NORMAL
0.00000
0.00000
0.00000
0.00000
11.00000
0.00000
0
0.00000
RADIUS OF THE EARTH [KM].
SLANT PATH, H1 TO H2
H1
=
1.50000 KM
H2
=
0.00000 KM
ANGLE = 180.00000 DEG
HRANGE=
0.00000 KM
BETA =
0.00000 DEG
PHI
=
0.00000 DEG
LENN =
0
CARD 3A1*****
CARD 3A2*****
1
2
173
0
43.73000 349.75000
0.00000
0.00000
SINGLE SCATTERING CONTROL PARAMETERS SUMMARY
LATITUDE AT H1 =
LONGITUDE AT H1 =
43.7300 DEG NORTH OF EQUATOR
349.7500 DEG WEST OF GREENWICH
SUBSOLAR LATITUDE =
SUBSOLAR LONGITUDE =
TIME (<0 UNDEF) =
PATH AZIMUTH (FROM H1 TO H2) =
DAY OF THE YEAR =
23.4220
344.5925
11.0000
0.0000
173
DEG NORTH OF EQUATOR
DEG WEST OF GREENWICH
GREENWICH TIME
DEG EAST OF NORTH
EXTRATERRESTIAL SOURCE IS THE SUN
PHASE FUNCTION FROM MIE DATA BASE
CARD 4
*****
FREQUENCY RANGE
IV1
IV2
IDV
IFWHM
3980.0
=
=
=
=
25645.0
3980.0
25645.0
1.0
1.0
CM-1
CM-1
CM-1
CM-1
1.0
(
(
1.0
SCANNING FUNCTION:GAUSSIAN
2.5126 MICRONS)
0.3899 MICRONS)
76
0.00000
0.0000
0
Listato parziale del file di uscita “.7sc”:
KMF 2
2
2
-1
2
2
2
2
2
2
1
0
0 294.200
1.0
1
1
1
0
0
0 20.00000
0.00000
0.00000
0.00000
0.00000
-99.000 -99.000 -99.000
-99.00000 -99.00000 -99.00000 2.922314 0.000710 ! H2O & O3 COLUMNS [GM/CM2]
36MID-LATITUDE SUMMER
1.50000
0.00000 180.00000
1.50000
0.00000
0.00000
0
0.00000
0
2 173
0
43.73000 349.75000 23.42200 344.59250 11.00000
0.00000
0.00000
0.00000
3980.0
25645.0
1.0
1.0RN********N3AA
0
0
0.000 0
0.000 0
1.000
WAVLEN(NM)
TRAN PTH_THRML THRML_SCT SURF_EMIS
SOL_SCAT SING_SCAT GRND_RFLT
400.000 0.7087 0.0000E+00
0.0000E+00 1.4113E+01 7.6929E-01 3.7349E+01
401.000 0.7096 0.0000E+00
0.0000E+00 1.4268E+01 7.7890E-01 3.7930E+01
402.000 0.7105 0.0000E+00
0.0000E+00 1.4249E+01 7.7894E-01 3.8049E+01
403.000 0.7114 0.0000E+00
0.0000E+00 1.4035E+01 7.6837E-01 3.7648E+01
404.000 0.7123 0.0000E+00
0.0000E+00 1.3703E+01 7.5128E-01 3.6924E+01
DRCT_RFLT
1.3902E+01
1.4193E+01
1.4311E+01
1.4234E+01
1.4032E+01
TOTAL_RAD
5.1463E+01
5.2199E+01
5.2298E+01
5.1684E+01
5.0627E+01
REF_SOL
4.67E+01
4.77E+01
4.81E+01
4.78E+01
4.71E+01
[email protected]
9.52E+01
9.70E+01
9.75E+01
9.67E+01
9.51E+01
DEPTH
0.344
0.343
0.342
0.340
0.339
DIR_EM
0.0000
0.0000
0.0000
0.0000
0.0000
TOA_SUN
1.6653E+02
1.6891E+02
1.6918E+02
1.6717E+02
1.6378E+02
……………………………………………………….………………………………………………………………………………………………(omissis)…………………………………………………………………………………………………………………………………..……………………………………………..
2496.000
2497.000
2498.000
2499.000
2500.000
-9999.
0.0854
0.1263
0.1584
0.1742
0.1754
2.3567E-04
2.3408E-04
2.2935E-04
2.2833E-04
2.3066E-04
0.0000E+00
0.0000E+00
0.0000E+00
0.0000E+00
0.0000E+00
1.9718E-04
3.8748E-04
5.8777E-04
6.7923E-04
6.5802E-04
7.3988E-05
1.1682E-04
1.5109E-04
1.6564E-04
1.6454E-04
7.5708E-03
1.6325E-02
2.5981E-02
3.0465E-02
2.9405E-02
7.3613E-03
1.5885E-02
2.5286E-02
2.9650E-02
2.8620E-02
8.0036E-03
1.6946E-02
2.6798E-02
3.1372E-02
3.0294E-02
2.47E-02
5.34E-02
8.49E-02
9.96E-02
9.61E-02
8.84E-01
1.24E+00
1.47E+00
1.56E+00
1.57E+00
3.313
2.229
1.927
1.834
1.801
0.0000
0.0000
0.0000
0.0000
0.0000
4.9751E+00
4.9709E+00
4.9693E+00
4.9694E+00
4.9693E+00
Fig. 6.12: Grafici della precedente simulazione con il MODTRAN 5 dei diversi contributi
alla radianza spettrale ed all’irradianza spettrale al sensore posto alla quota di 1,5 km.
77
Fig. 6.13: Grafici della precedente simulazione con il MODTRAN 5 dei diversi contributi
alla radianza spettrale ed all’irradianza spettrale al sensore passando alla quota di 500 km.
78
Fig. 6.14: Grafici tra 640 e 790 nm di lunghezza d’onda della precedente simulazione con
il MODTRAN 5 della radianza spettrale e dell’irradianza spettrale al sensore alla precedente
risoluzione spettrale di 2 nm ed alla massima consentita di 0,006 nm FWHM.
79
Di seguito è riportato un esempio di file “.tp5” in modo da eseguire in sequenza i quattro
calcoli di radianza richiesti per ottenere i risultati desiderati nel caso tipico di sorvolo aereo di
San Rossore (Pisa, Italia) da 1500 metri di quota utilizzando il sensore da aereo MIVIS.
KM 2
2
TF 8
0
01_2004
1
0
1.500
1
2
43.730
400.
1
KM 2
2
TF 8
0
01_2004
1
0
1.500
1
2
43.730
400.
1
KM 2
2
TF 8
0
01_2004
1
0
1.500
1
2
43.730
400.
1
KM 2
2
TF 8
0
01_2004
1
0
1.500
1
2
43.730
400.
0
2
-1
365.00000
0
0
.000
173
0
349.750
2500.
2
-1
365.00000
0
0
.000
173
0
349.750
2500.
2
-1
365.00000
0
0
.000
173
0
349.750
2500.
2
-1
365.00000
0
0
.000
173
0
349.750
2500.
0
0
1.0
0
0
180.000
0
20.000
.000
.000
1.
0
0
1.0
0
0
215.500
0
1.0
0
0
180.000
0
0
1.0
0
0
144.500
.000
1.
0
0.000
.000
0
0
1.0 F T F
20.000
.000
0
0
0.000
.000
0
0
0
0.000
.000
0
0
0.000
.000
0
.000
11.000
262.500
2.RN********N3AA
0
0
0
1.0 F T F
20.000
.000
.000
1.
0
0
.000
11.000
0.000
2.RN********N3AA
.000
1.
0
0
0
1.0 F T F
0
0
0.000
.000
0
0
0.000
.000
0
.000
11.000
172.500
2.RN********N3AA
0
0
0
1.0 F T F
20.000
.000
0
0.000
.000
0
0
0
0.000
.000
0
.000
11.000
82.500
2.RN********N3AA
0.000
1.00
.000
.000
.000
.000
0.000
.000
.000
.000
.000
.000
0.000
.000
.000
.000
.000
.000
0.000
.000
.000
.000
.000
.000
dove i valori su fondo colorato definiscono la disposizione geometrica del sensore rispetto
alla superficie osservata secondo quanto indicato in Fig. 6.11:
- i valori su fondo verde indicano i valori di Angle (espresso in gradi);
- i valori su fondo turchese indicano i valori di Psipo (espresso in gradi).
80
6.2.1.4.2 SIMULAZIONE DELLA TRASMITTANZA
Qui di seguito vengono riportate a titolo di esempio alcune simulazioni a bassa risoluzione
della trasmittanza.
Listato del file d’ingresso “tp5” per il sensore posto a 1,5 km di quota:
KM
TT
2
8
1
2
0
-1
0 365.00000
0
0
0
1.500
.000
400.
2500.
0
0
1.0
0
0
180.000
1.
0
0
0
0
0
0
1.0 F T F
20.000
.000
.000
.000
.000
.000
2.RN********N1AA
0
0.000
0.00
.000
.000
.000
0
0
I grafici del contenuto dei file d’uscita “.psc” per il sensore posto rispettivamente a 1,5
(nero), 3,0 (blu) e 500 km (rosso) di quota sono mostrati in Fig. 6.15. In Fig. 6.16 viene
riportata la trasmittanza atmosferica tra 640 e 790 nm di lunghezza d’onda per il sensore posto
a 500 km di quota alla precedente risoluzione spettrale di 2 nm e di 0,006 nm FWHM.
1
TRANS 1.5Km
TRANS 3Km
TRANS 500Km
0.9
0.8
Trasmittanza
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
400
600
800
1000
1200
1400
1600
1800
2000
2200
2400
Lunghezza d'onda (nm)
Fig. 6.15: Trasmittanza atmosferica a 2nm FWHM di risoluzione spettrale per sensore
posto a 1,5 km, 3 km e 500 km di quota.
81
1
FWHM = 0.006 nm
FWHM = 2 nm
0.9
0.8
0.7
Trasmittanza
0.6
0.5
0.4
0.3
0.2
0.1
0
640
650
660
670
680
690
700
710
720
730
Lunghezza d'onda (nm)
740
750
760
770
780
790
Fig. 6.16: Trasmittanza atmosferica alla risoluzione spettrale FWHM di 0.006 nm (in blu)
e di 2 nm (in rosso) per sensore posto a 500 km di quota.
82
Listato parziale del file di uscita “.7sc” e grafici del suo contenuto:
KMF23002222221000.0000.0
11100020.000000.000000.000000.000000.00000
‐99.000‐99.000‐99.000
‐99.00000‐99.00000‐99.000002.9223140.000710!H2O&O3COLUMNS[GM/CM2]
36MID‐LATITUDESUMMER
0.00000100.000000.00000100.000000.000000.0000000.00000
‐99‐99‐99‐99
‐99.00000‐99.00000‐99.00000‐99.00000‐99.00000‐99.00000‐99.00000‐99.00000
3980.025645.01.01.0TN********N3AA
000.00000.00001.000
WAVLEN(NM)COMBINH2OUMIXO3TRACEN2H2OMOLECAER+CLDHNO3AER+CLD‐LOGCO2COCH4N2OO2NH3NONO2SO2CLOUDCFC11CFC12CFC13CFC14CFC22CFC113CFC114CFC115CLONO2HNO4CHCL2FCCL4N2O5
400.0000.42011.00001.00001.00000.99651.00001.00000.69690.60491.00000.97700.8671.00001.00001.00001.00001.00001.00001.00000.99651.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
401.0000.42221.00001.00001.00000.99661.00001.00000.69950.60561.00000.97710.8621.00001.00001.00001.00001.00001.00001.00000.99661.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
402.0000.42441.00001.00001.00000.99681.00001.00000.70210.60641.00000.97710.8571.00001.00001.00001.00001.00001.00001.00000.99681.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
403.0000.42651.00001.00001.00000.99691.00001.00000.70470.60711.00000.97710.8521.00001.00001.00001.00001.00001.00001.00000.99691.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
404.0000.42851.00001.00001.00000.99681.00001.00000.70720.60781.00000.97720.8471.00001.00001.00001.00001.00001.00001.00000.99681.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
405.0000.43051.00001.00001.00000.99671.00001.00000.70970.60861.00000.97720.8431.00001.00001.00001.00001.00001.00001.00000.99671.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
406.0000.43261.00001.00001.00000.99691.00001.00000.71220.60931.00000.97730.8381.00001.00001.00001.00001.00001.00001.00000.99691.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
407.0000.43461.00001.00001.00000.99701.00001.00000.71460.61001.00000.97730.8331.00001.00001.00001.00001.00001.00001.00000.99701.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
408.0000.43651.00001.00001.00000.99671.00001.00000.71710.61081.00000.97730.8291.00001.00001.00001.00001.00001.00001.00000.99671.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
409.0000.43841.00001.00000.99990.99661.00001.00000.71950.61151.00000.97740.8251.00001.00001.00001.00001.00001.00001.00000.99661.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
410.0000.44041.00001.00000.99990.99661.00001.00000.72190.61221.00000.97740.8201.00001.00001.00001.00001.00001.00001.00000.99661.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
411.0000.44251.00001.00000.99990.99681.00001.00000.72430.61291.00000.97750.8151.00001.00001.00001.00001.00001.00001.00000.99681.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
412.0000.44441.00001.00000.99990.99681.00001.00000.72660.61361.00000.97750.8111.00001.00001.00001.00001.00001.00001.00000.99681.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
413.0000.44631.00001.00000.99990.99661.00001.00000.72900.61441.00000.97760.8071.00001.00001.00001.00001.00001.00001.00000.99661.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
……………………………………………………………………………………………………………………
2487.0000.03420.06890.99680.99851.00001.00000.50860.99980.96311.00000.99383.3770.99861.00000.99831.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2488.0000.01210.02530.99640.99821.00001.00000.49710.99980.96311.00000.99384.4130.99881.00000.99761.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2489.0000.02020.04410.99700.99801.00001.00000.48530.99980.96311.00000.99383.9030.99901.00000.99791.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2490.0000.03500.07740.99790.99791.00001.00000.47340.99980.96321.00000.99383.3540.99931.00000.99861.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2491.0000.03110.06970.99810.99781.00001.00000.46180.99980.96321.00000.99383.4710.99951.00000.99851.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2492.0000.01750.04010.99820.99771.00001.00000.45060.99980.96321.00000.99384.0450.99961.00000.99861.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2493.0000.01090.02580.99830.99771.00001.00000.43910.99980.96321.00000.99384.5150.99981.00000.99861.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2494.0000.00730.01780.99860.99761.00001.00000.42590.99980.96321.00000.99384.9180.99981.00000.99881.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2495.0000.01150.03040.99890.99771.00001.00000.41030.99980.96321.00000.99384.4610.99981.00000.99911.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2496.0000.03070.08320.99890.99781.00001.00000.39390.99980.96321.00000.99383.4840.99971.00000.99921.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2497.0000.05290.14800.99870.99781.00001.00000.37790.99980.96331.00000.99382.9400.99951.00000.99911.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2498.0000.07260.21070.99790.99791.00001.00000.36280.99980.96331.00000.99382.6230.99951.00000.99841.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2499.0000.08120.24440.99760.99801.00001.00000.34800.99980.96331.00000.99382.5100.99951.00000.99801.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
2500.0000.08040.25260.99810.99811.00001.00000.33270.99980.96331.00000.99382.5210.99961.00000.99851.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.0000
‐9999.
Il grafico del contenuto del file d’uscita “7sc” che indica le singole componenti della trasmittanza è mostrato in Fig. 6.17.
83
Fig. 6.17: Spettri di trasmittanza relativi agli aerosol e alle singole specie gassose.
84
RADIANZA AL SENSORE
Simulazione relativa al sorvolo di San Rossore il giorno 18/9/2003 con il sensore CHRIS
puntato al nadir da 600 km di quota su una superficie con albedo 1.
L’atmosfera ha un profilo definito dall’utente.
Listato del file d’ingresso “tp5”:
M
FF
7
2
2
-1
2
2
2
2
2
2
1
1
8F
0 365.00000
1.0
1.0
1
0
0
0
0
0
20.000
.000
.000
25
0
1
San Rossore rad 1
0.000 1.024E+03 3.010E+02 0.750E+02 0.000E+00 0.000E+00AAH
1.840E-01 0.000E+00 0.000E+00
1
0
0
0
0.100 1.012E+03 3.000E+02 0.740E+02 0.000E+00 0.000E+00AAH
1.790E-01 0.000E+00 0.000E+00
1
0
0
0
0.200 1.000E+03 2.990E+02 0.730E+02 0.000E+00 0.000E+00AAH
1.740E-01 0.000E+00 0.000E+00
1
0
0
0
0.400 0.976E+03 2.980E+02 0.710E+02 0.000E+00 0.000E+00AAH
1.650E-01 0.000E+00 0.000E+00
1
0
0
0
0.600 0.952E+03 2.960E+02 0.690E+02 0.000E+00 0.000E+00AAH
1.500E-01 0.000E+00 0.000E+00
1
0
0
0
0.800 0.928E+03 2.940E+02 0.670E+02 0.000E+00 0.000E+00AAH
1.400E-01 0.000E+00 0.000E+00
1
0
0
0
1.000 0.903E+03 2.930E+02 0.650E+02 0.000E+00 0.000E+00AAH
1.310E-01 0.000E+00 0.000E+00
1
0
0
0
1.500 0.852E+03 2.890E+02 0.600E+02 0.000E+00 0.000E+00AAH
0.903E-01 0.000E+00 0.000E+00
1
0
0
0
2.000 0.802E+03 2.850E+02 0.550E+02 0.000E+00 0.000E+00AAH
0.621E-01 0.000E+00 0.000E+00
1
0
0
0
2.500 0.760E+03 2.820E+02 0.500E+02 0.000E+00 0.000E+00AAH
0.464E-01 0.000E+00 0.000E+00
1
0
0
0
3.000 0.710E+03 2.790E+02 0.450E+02 0.000E+00 0.000E+00AAH
0.346E-01 0.000E+00 0.000E+00
1
0
0
0
4.000 0.628E+03 2.730E+02 0.390E+02 0.000E+00 0.000E+00AAH
0.185E-01 0.000E+00 0.000E+00
1
0
0
0
5.000 0.554E+03 2.670E+02 0.310E+02 0.000E+00 0.000E+00
0.931E-02 0.000E+00 0.000E+00
1
0
0
0
6.000 0.487E+03 2.610E+02 0.300E+02 0.000E+00 0.000E+00
0.771E-02 0.000E+00 0.000E+00
1
0
0
0
7.000 0.426E+03 2.550E+02 0.300E+02 0.000E+00 0.000E+00
0.623E-02 0.000E+00 0.000E+00
1
0
0
0
8.000 0.372E+03 2.480E+02 0.290E+02 0.000E+00 0.000E+00
0.337E-02 0.000E+00 0.000E+00
1
0
0
0
9.000 0.324E+03 2.420E+02 0.300E+02 0.000E+00 0.000E+00
0.182E-02 0.000E+00 0.000E+00
1
0
0
0
10.000 0.281E+03 2.350E+02 0.290E+02 0.000E+00 0.000E+00
0.114E-02 0.000E+00 0.000E+00
1
0
0
0
15.000 0.130E+03 2.160E+02 0.017E+02 0.000E+00 0.000E+00
0.395E-03 0.000E+00 0.000E+00
1
0
0
0
20.000 0.060E+03 2.190E+02 0.005E+02 0.000E+00 0.000E+00
0.589E-03 0.000E+00 0.000E+00
1
0
0
0
25.000 0.028E+03 2.250E+02 0.002E+02 0.000E+00 0.000E+00
0.131E-03 0.000E+00 0.000E+00
1
0
0
0
30.000 0.013E+03 2.330E+02 0.000E+00 0.000E+00 0.000E+00
0.033E-03 0.000E+00 0.000E+00
1
0
0
0
40.000 0.007E+03 2.540E+02 0.000E+00 0.000E+00 0.000E+00
0.007E-03 0.000E+00 0.000E+00
1
0
0
0
50.000 0.001E+03 2.760E+02 0.000E+00 0.000E+00 0.000E+00
0.002E-03 0.000E+00 0.000E+00
1
0
0
0
100.000 0.000E+00 1.900E+02 0.000E+00 0.000E+00 0.000E+00
0.001E-06 0.000E+00 0.000E+00
1
0
0
0
600.000
.000
180.000
.000
.000
.000
1
2 261
0
43.730
349.750
.000
.000
10.650
0.000
400.
2500.
1.
2.RN********N1AA
0
0
0.000
1.00
.000
.000
.000
.000
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
dove l’atmosfera è stata suddivisa in 44 strati così definiti:
- i valori su fondo giallo indicano il profilo di pressione atmosferica (espressa in mb);
- i valori su fondo verde indicano il profilo di temperatura (espressa in K);
- i valori su fondo rosa indicano il profilo di umidità relativa (espressa in percentuale);
-
i valori su fondo blu indicano la concentrazione di CO2 (espressi in ppmv);
i valori su fondo azzurro indicano la concentrazione di O3 (espressi in ppmv);
i valori su fondo grigio indicano il profilo del coefficiente di estinzione degli aerosol
(espresso in km-1 alla lunghezza d’onda di 550 nm);
In Fig. 6.18 sono confrontate le radianze spettrali al sensore ottenute utilizzando un
profilo standard di atmosfera e quello sopra riportato definito dall’utente.
50
Profilo dell'atmosfera definito dall'utente
45
Profilo dell'atmosfera Midlatitude-Summer e Rural
Radianza al sensore
(µW cm-2 sr-1 nm-1)
40
35
30
25
20
15
10
5
0
400
600
800
1000
1200
1400
1600
1800
2000
2200
2400
Lunghezza d'onda (nm)
Fig. 6.18: Confronto tra spettro di radianza al sensore simultato con MODTRAN 5
utilizzando modello di atmosfera standard (linea blu) e un modello di atmosfera definita con
dati provenienti da un radiosondaggio.
Nelle Fig. 6.19 (a)(b)(c) sono mostrati i profili di pressione atmosferica, temperatura e
umidità relativa estratti dai modelli di atmosfera standard utlizzati dal MODTRAN 5. La Fig.
6.20 mostra l’andamento del coefficiente di estinzione dovuto agli aerosol utilizzati dal
MODTRAN 5 al variare del parametro “intervallo meteorologico” (VIS in figura) che è
conesso alla visibilità.
86
Profilo definito dall'utente
50
LIRE_030918
45
LIRE_030616
40
Quota (km)
35
30
25
20
15
10
5
0
0
100
200
300
400
500
600
700
800
900
1000
11
Pressione (mb)
(a)
50
Profilo definito dall'utente
45
LIRE_030918
40
LIRE_030616
Quota (km)
35
30
25
20
15
10
5
0
210
220
230
240
250
260
270
280
290
300
310
320
Temperatura (K)
(b)
50
Profilo definito dall'utente
45
LIRE_030918
40
LIRE_030616
Quota (km)
35
30
25
20
15
10
5
0
0
10
20
30
40
50
60
70
80
90
Umidita relativa (%)
(c)
Fig. 6.19: (a) Profili di pressione atmosferica, (b) temperatura e (c) umidità relativa
ottenuti da radiosondaggio da Pratica di Mare (LIRE) e dal MODTRAN 5.
87
Profilo definito dall'utente
50
45
40
Quota (km)
35
30
25
20
15
10
5
0
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
Coefficiente estinzione aerosol (km-1)
Fig. 6.20: Andamento del coefficiente di estinzione dovuto agli aerosol al variare della
quota.
88
0,2
6.2.1.5 IL PROGRAMMA DI CALCOLO “6S”
Il codice di trasferimento radiativo 6S (Second Simulation of the Satellite Signal in the
Solar Spectrum) è la versione più recente del programma 5S sviluppato a partire dagli anni
’80 da Vermote E., Tanrè D. et al. presso il Goddard Space Flight Center (GSFC) della Nasa
(USA) e il Laboratorie d’Optique Atmospherique dell’Università delle Scienze e Tecnologie
di Lille (Francia). La differenza sostanziale rispetto al MODTRAN 5 consiste nel risolvere la
RTE in modo iterativo con il metodo degli ordini successivi di scattering.
(a)
(b)
(c)
(d)
Fig. 6.21: Andamento del coefficiente di estinzione dovuto agli aerosol al
variare della quota per due valori dell’intervallo meterologico (parametro VIS del
MODTRAN 5).
Il modello di trasferimento radiativo del 6S rappresenta i diversi contributi radiativi alla
radianza-al-sensore come indicato in
Fig. 6.21. Considerando la superficie osservata come un riflettore lambertiano con
riflettanza  t circondata da un ambiente omogeneo con riflettanza media (nello spazio)  e ,
la riflettanza apparente  * (  ,  , ,  ) misurata dal satellite è espressa dall’Eq. 6-Eq. 6-32
(omettendo la dipendenza dalla lunghezza d’onda):
  
  t ( )
exp 
   d  
 


 * (  ,  , ,  )   a (  ,  , ,  ) 
  t exp 
1  eS
 

89


   e td (  )


Eq. 6-32
dove:
2 1
td (  ) 
  L( , ;  , ) dd
0 0
 E
Eq. 6-33 a
TOA
L( ; ,  )
 E TOA
Eq. 6-33 b
  f ( x, y ) ( x, y )dxdy
Eq. 6-33 c
 * (  ,  , ,  ) 
 
e 
 
In termini di radianza-al-sensore Eq.4.22 diventa:
 A( ;  , , , )  t   B(td ;  , , , )  e 

  Lpath
Lobs ( , )  
 

1  e S
1  eS

 

Eq. 6-34
dove il temrine A t rappresenta la componente radiativa del I ordine riflessa dalla
superficie osservata e direttamente trasmessa al sensore e che risulta dalla somma
dell’irradianza solare che illumina il suolo (sia diretta che diffusa), il termine B e indica
l’irradianza solare diretta e diffusa che raggiunto il suolo sono riflesse dall’ambiente e
trasmesse al sensore im modo diffuso. Le componenti radiative dovute agli ordini successivi
di scattering sono tenuti conto con il fattore 1   e S essendo S l’albedo sferico dell’atmosfera
vista dal suolo.
FILE DI INGRESSO
Il codice di trasferimento radiativo 6S necessita di un file di input in cui vengono
specificate sia le condizioni geometriche di osservazione ed illuminazione, sia le
caratteristiche dei costituenti atmosferici ed aerosols, sia le caratteristiche fisiche della
superficie osservata.
Un esempio di file di input è riportato di seguito:
0
(User defined)
69.74 110.46 0.0 98.14 12 19 (geometrical conditions)
3
Midlatitude winter
1
Continental aerosol
20.0
Visibility (Km)
-0.010
(target level, negative value, Km)
-1000
(sensor level)
-2
0.350 2.600
spectral range
0
(homogeneous surface)
0
(no directional effects)
0
(reflectance value by user)
90
0.3
1
-0.3
4
(target reflectance value)
Request for atmospheric correction
Atmospheric correction parameter
Ground surface is not polarized
Nelle condizioni geometriche evidenziati in giallo sono riportati l’angolo zenitale ed
azimutale solare, in fucsia sono riportati gli angoli zenitali ed azimutali di osservazione e
in verde il giorno ed il mese di osservazione.
L’intervallo spettrale, in azzurro, è espresso in micron.
Per iniziare è possibile accedere al sito web del 6S dove esiste un procedura guidata
per ottenere un file di input. (vedi http://6s.ltdri.org/cgi-bin/run6s.cgi ).
FILE DI USCITA
In uscita il codice 6S fornisce un file di output formato da una prima parte riassuntiva dei
dati di input e di seguito viene fornita, a secondo dell’output richiesto, una tabella di dati in
funzione della lunghezza d’onda con una risoluzione spettrale che può essere di 2.5 nm
(tipica) o di 1 nm.
Il file di uscita generato dal precedente file di input è riportato di seguito:
******************************* 6SV version 1.1 *******************************
*
*
*
geometrical conditions identity
*
*
------------------------------*
*
user defined conditions
*
*
*
*
month: 12 day : 19
*
*
solar zenith angle:
69.74 deg solar azimuthal angle:
110.46 deg
*
*
view zenith angle:
0.00 deg view azimuthal angle:
98.14 deg
*
*
scattering angle:
110.26 deg azimuthal angle difference: 12.32 deg
*
*
*
*
atmospheric model description
*
*
----------------------------*
*
atmospheric model identity :
*
*
midlatitude winter (uh2o=.853g/cm2,uo3=.395cm-atm)
*
*
aerosols type identity :
*
*
Continental aerosol model
*
*
optical condition identity :
*
*
visibility : 20.00 km opt. thick. 550 nm : 0.2576
*
*
*
*
spectral condition
*
*
-----------------*
*
constant
*
*
value of filter function :
*
*
wl inf= 0.350 mic
wl sup= 2.600 mic
*
*
*
*
Surface polarization parameters
*
*
---------------------------------*
*
*
*
*
* Surface Polarization Q,U,Rop,Chi
0.00000 0.00000 0.00000
0.00
*
*
*
*
*
*
target type
*
*
----------*
*
homogeneous ground
*
*
constant reflectance over the spectra 0.300
*
*
*
*
target elevation description
*
*
---------------------------*
*
ground pressure [mb] 1016.72
*
*
ground altitude [km] 0.010
*
*
gaseous content at target level:
*
*
uh2o= 0.853 g/cm2
uo3= 0.397 cm-atm
*
*
*
*
atmospheric correction activated
*
*
-------------------------------*
*
BRDF coupling correction
*
*
input apparent reflectance : 0.300
*
91
*
* wave
*
*
*0.3500
*0.3525
*0.3550
*0.3575
*0.3600
*0.3625
*0.3650
*0.3675
*0.3700
*0.3725
*0.3750
*0.3775
*0.3800
*0.3825
*0.3850
*0.3875
*0.3900
*0.3925
*0.3950
*0.3975
*0.4000
*0.4025
*0.4050
*0.4075
*0.4100
*0.4125
*0.4150
*0.4175
*0.4200
*0.4225
*0.4250
*0.4275
*0.4300
*0.4325
*0.4350
*0.4375
*0.4400
*0.4425
*0.4450
*0.4475
*0.4500
*0.4525
*0.4550
*0.4575
*0.4600
*0.4625
*0.4650
*0.4675
*0.4700
*0.4725
*0.4750
*0.4775
*0.4800
*0.4825
*0.4850
*0.4875
*0.4900
*0.4925
*0.4950
*0.4975
*0.5000
*0.5025
*0.5050
*0.5075
*0.5100
*0.5125
*0.5150
*0.5175
*0.5200
*0.5225
*0.5250
*0.5275
*
total
gas
trans
0.9859
0.9908
0.9941
0.9970
0.9979
0.9987
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.9996
0.9990
0.9984
0.9978
0.9972
0.9966
0.9961
0.9955
0.9952
0.9951
0.9947
0.9939
0.9917
0.9895
0.9874
0.9887
0.9905
0.9891
0.9871
0.9837
0.9800
0.9759
0.9733
0.9713
0.9717
0.9725
0.9705
0.9683
0.9619
0.9556
0.9492
0.9428
0.9424
0.9420
0.9408
0.9395
0.9353
0.9306
0.9255
0.9204
0.9146
total
scat
down
0.4363
0.4408
0.4453
0.4498
0.4543
0.4589
0.4635
0.4680
0.4726
0.4772
0.4819
0.4865
0.4911
0.4958
0.5005
0.5052
0.5099
0.5146
0.5193
0.5240
0.5288
0.5328
0.5368
0.5409
0.5449
0.5489
0.5525
0.5562
0.5598
0.5635
0.5671
0.5708
0.5745
0.5781
0.5818
0.5855
0.5891
0.5928
0.5960
0.5992
0.6023
0.6055
0.6086
0.6118
0.6149
0.6181
0.6212
0.6243
0.6275
0.6303
0.6331
0.6360
0.6388
0.6416
0.6444
0.6473
0.6498
0.6523
0.6547
0.6572
0.6596
0.6621
0.6645
0.6669
0.6694
0.6718
0.6742
0.6763
0.6784
0.6804
0.6825
0.6845
total
scat
up
0.6900
0.6946
0.6992
0.7038
0.7084
0.7130
0.7176
0.7222
0.7268
0.7314
0.7360
0.7406
0.7452
0.7498
0.7543
0.7589
0.7635
0.7681
0.7726
0.7772
0.7818
0.7852
0.7886
0.7920
0.7954
0.7987
0.8016
0.8044
0.8073
0.8101
0.8129
0.8158
0.8186
0.8214
0.8242
0.8270
0.8298
0.8326
0.8349
0.8371
0.8393
0.8414
0.8436
0.8458
0.8479
0.8501
0.8523
0.8544
0.8565
0.8584
0.8602
0.8620
0.8638
0.8656
0.8674
0.8692
0.8707
0.8722
0.8737
0.8752
0.8766
0.8781
0.8795
0.8810
0.8824
0.8839
0.8853
0.8865
0.8876
0.8888
0.8899
0.8910
total atm.
92aylei intr
albedo refl
0.3395 0.2910
0.3344 0.2875
0.3294 0.2835
0.3245 0.2796
0.3198 0.2752
0.3151 0.2709
0.3105 0.2668
0.3060 0.2625
0.3016 0.2582
0.2973 0.2541
0.2931 0.2500
0.2890 0.2461
0.2850 0.2422
0.2810 0.2384
0.2771 0.2347
0.2733 0.2311
0.2696 0.2275
0.2660 0.2241
0.2624 0.2207
0.2589 0.2173
0.2555 0.2141
0.2520 0.2107
0.2486 0.2074
0.2453 0.2042
0.2421 0.2011
0.2389 0.1980
0.2358 0.1949
0.2327 0.1919
0.2297 0.1889
0.2268 0.1860
0.2239 0.1832
0.2210 0.1803
0.2183 0.1775
0.2155 0.1747
0.2128 0.1720
0.2102 0.1694
0.2076 0.1668
0.2051 0.1643
0.2026 0.1617
0.2001 0.1593
0.1978 0.1570
0.1954 0.1546
0.1931 0.1522
0.1908 0.1497
0.1886 0.1472
0.1864 0.1448
0.1843 0.1430
0.1822 0.1412
0.1801 0.1390
0.1781 0.1368
0.1761 0.1344
0.1741 0.1320
0.1722 0.1297
0.1703 0.1276
0.1685 0.1255
0.1666 0.1239
0.1648 0.1223
0.1631 0.1204
0.1613 0.1185
0.1596 0.1161
0.1579 0.1138
0.1563 0.1116
0.1546 0.1094
0.1530 0.1079
0.1515 0.1064
0.1499 0.1049
0.1484 0.1034
0.1469 0.1016
0.1454 0.0998
0.1439 0.0980
0.1425 0.0962
0.1411 0.0944
Swl
995.2
1027.7
1060.2
1013.1
965.9
1070.4
1175.0
1202.1
1229.2
1145.9
1062.6
1124.9
1187.2
1067.8
948.3
1065.9
1183.4
1069.2
955.0
1311.1
1667.3
1684.8
1702.4
1732.5
1762.5
1802.4
1842.3
1807.9
1773.5
1761.4
1749.3
1650.3
1551.4
1684.7
1818.1
1833.7
1849.4
1921.2
1993.1
2059.1
2125.2
2106.4
2087.7
2097.6
2107.6
2093.3
2079.0
2065.4
2051.8
2068.9
2085.9
2105.2
2124.6
2032.6
1940.6
1968.6
1996.7
2018.0
2039.2
1999.5
1959.7
1979.9
2000.2
2001.1
2002.0
1943.4
1884.9
1873.9
1862.8
1892.6
1922.4
1948.1
92
step
sbor
dsol
toar
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.5000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
0.3901
0.3886
0.3866
0.3845
0.3818
0.3792
0.3768
0.3741
0.3715
0.3690
0.3667
0.3644
0.3622
0.3602
0.3582
0.3564
0.3546
0.3529
0.3513
0.3498
0.3484
0.3465
0.3447
0.3429
0.3413
0.3396
0.3379
0.3362
0.3345
0.3329
0.3314
0.3299
0.3283
0.3268
0.3253
0.3240
0.3227
0.3214
0.3200
0.3186
0.3174
0.3161
0.3148
0.3130
0.3113
0.3097
0.3092
0.3089
0.3076
0.3061
0.3041
0.3021
0.3000
0.2984
0.2971
0.2965
0.2960
0.2946
0.2931
0.2905
0.2878
0.2852
0.2827
0.2820
0.2813
0.2804
0.2794
0.2776
0.2755
0.2735
0.2714
0.2691
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*0.5300 0.9082
*0.5325 0.9027
*0.5350 0.8997
*0.5375 0.8967
*0.5400 0.8937
*0.5425 0.8908
*0.5450 0.8872
*0.5475 0.8831
*0.5500 0.8788
*0.5525 0.8734
*0.5550 0.8682
*0.5575 0.8626
*0.5600 0.8569
*0.5625 0.8515
*0.5650 0.8463
*0.5675 0.8412
*0.5700 0.8213
*0.5725 0.8321
*0.5750 0.8252
*0.5775 0.8303
*0.5800 0.8343
*0.5825 0.8366
*………………………
*………………………
*………………………
*………………………
*2.6000 0.0000
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
0.6866
0.6886
0.6906
0.6927
0.6947
0.6967
0.6987
0.7008
0.7028
0.7046
0.7064
0.7082
0.7100
0.7118
0.7135
0.7153
0.7171
0.7189
0.7207
0.7224
0.7242
0.7260
0.8922
0.8933
0.8944
0.8955
0.8966
0.8977
0.8988
0.8999
0.9010
0.9020
0.9029
0.9038
0.9047
0.9056
0.9065
0.9074
0.9083
0.9092
0.9101
0.9110
0.9118
0.9127
0.1397
0.1383
0.1370
0.1357
0.1344
0.1331
0.1318
0.1305
0.1293
0.1282
0.1271
0.1259
0.1249
0.1238
0.1227
0.1217
0.1207
0.1196
0.1186
0.1176
0.1167
0.1157
0.0925
0.0908
0.0894
0.0880
0.0866
0.0853
0.0839
0.0825
0.0811
0.0796
0.0782
0.0768
0.0755
0.0741
0.0728
0.0716
0.0699
0.0693
0.0682
0.0677
0.0671
0.0666
0.9473 0.9853 0.0095 0.0001
1973.7
1967.4
1961.1
1937.5
1913.9
1927.1
1940.3
1936.5
1932.7
1934.1
1935.5
1911.4
1887.2
1897.6
1908.0
1901.9
1895.8
1910.4
1925.1
1912.0
1899.0
1901.4
0.2667
0.2646
0.2632
0.2619
0.2606
0.2594
0.2579
0.2564
0.2547
0.2528
0.2509
0.2490
0.2470
0.2451
0.2433
0.2416
0.2364
0.2386
0.2366
0.2376
0.2384
0.2388
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
46.3 0.3000 0.5000 1.0330 0.0001
*
integrated values of
--------------------
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
0.3000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
1.0330
:
apparent reflectance 0.2411070 appar. Rad.(w/m2/sr/mic)
total gaseous transmittance 0.828
coupling aerosol –wv :
-------------------wv above aerosol :
0.241
wv mixed with aerosol :
wv under aerosol :
0.243
integrated values of
--------------------
15.592
0.241
:
app. Polarized refl. 0.0126
app. Pol. Rad. (w/m2/sr/mic)
direction of the plane of polarization 77.65
total polarization ratio
0.052
4.315
int. normalized values of :
--------------------------% of irradiance at ground level
% of direct irr.
% of diffuse irr.
% of enviro. Irr
0.622
0.349
0.029
reflectance at satellite level
atm. Intrin. Ref.
background ref. pixel reflectance
0.063
0.029
0.150
int. absolute values of
----------------------irr. At ground level (w/m2/mic)
direct solar irr.
Atm. Diffuse irr.
Environment irr
83.789
46.733
3.792
rad at satel. Level (w/m2/sr/mic)
atm. Intrin. Rad.
Background rad.
Pixel radiance
4.049
1.847
9.696
int. funct filter (in mic)
2.2500277
integrated values of
int. sol. Spect (in w/m2)
1320.098
:
93
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
--------------------
global gas. Trans. :
water
“
“
:
ozone
“
“
:
co2
“
“
:
oxyg
“
“
:
no2
“
“
:
ch4
“
“
:
co
“
“
:
downward
0.84781
0.88515
0.97505
0.99415
0.99354
0.99992
0.99769
1.00000
upward
0.90091
0.91766
0.99109
0.99655
0.99582
0.99997
0.99903
1.00000
total
0.82783
0.87472
0.96695
0.99331
0.99278
0.99989
0.99711
1.00000
rayl. Sca. Trans. :
aeros. Sca.
“
:
total sca.
“
:
0.91216
0.82984
0.77290
0.96354
0.95771
0.92171
0.87890
0.79475
0.71239
94ayleigh
aerosols
0.05937
0.08041
0.08041
0.04364
-0.02576
0.01189
0.02838
65.02
77.61
0.84654
-0.63282
-0.49798
-0.74754
1.00000
0.05311
0.19289
0.19289
0.02561
-0.00445
0.00196
0.00486
18.98
78.08
0.17746
-0.05118
0.02773
-0.28839
0.87553
spherical albedo
:
optical depth total:
optical depth plane:
reflectance I
:
reflectance Q
:
reflectance U
:
polarized reflect. :
degree of polar.
:
dir. Plane polar. :
phase function I
:
phase function Q
:
phase function U
:
primary deg. Of pol:
sing. Scat. Albedo :
atmospheric correction result
----------------------------input apparent reflectance
:
0.300
measured radiance [w/m2/sr/mic]
:
19.401
atmospherically corrected reflectance
Lambertian case :
0.38761
BRDF
case :
0.38761
coefficients xa xb xc
: 0.02622
y=xa*(measured radiance)-xb; acr=y/(1.+xc*y)
total
0.09561
0.27330
0.27330
0.06711
-0.02865
0.01314
0.03152
46.97
77.68
0.37431
-0.22230
-0.12694
-0.59390
0.91215
0.10617
0.09561
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
Come si può notare alla fine vengono riportati i valori integrati sia delle grandezze fisiche
(riflettenza apparente al sensore, grado di polarizzazione della luce, irradianza solare al suolo,
etc.) ricavate sia i valori colonnari dei componenti atmosferici.
Il plot degli output del file di uscita sono riportati di seguito, si deve ricordare che il 6S lavora
in riflettenza perciò le grandezze riportate in uscita sono espresse come albedo.
Le grandezze in funzione della lunghezza d’onda sono:
•
Trasmittanza totale da assorbimento dei gas atmosferici
•
Trasmittanza totale da scattering (downwelling)
•
Trasmittanza totale da scattering (upwelling)
•
Radianza solare top atmosfera
•
Distanza solare
•
Rilflettanza al top dell’atmosfera
94
2500
swl (TOA Radiance)
Radiance
(W sr‐1 m‐2 µm‐1)
2000
1500
1000
500
0
0.3
0.5
0.7
0.9
1.1
1.3
1.5
1.7
1.9
2.1
2.3
2.5
wavelength (µm)
Fig. 6.22: Radianza solare al top dell’atmosfera.
0.45
Toar (TOA reflectance)
0.4
0.35
Apparent Reflectance
0.3
0.25
0.2
0.15
0.1
0.05
0
0.3
0.5
0.7
0.9
1.1
1.3
1.5
1.7
1.9
2.1
wavelength (µm)
Fig. 6.23: Riflettanza apparente al top dell’atmosfera.
95
2.3
2.5
1.2
Total Gas Transmittance
1
Transmittance
0.8
0.6
0.4
0.2
0
0.3
0.5
0.7
0.9
1.1
1.3
1.5
1.7
1.9
2.1
2.3
2.5
wavelength (µm)
Fig. 6.24: Trasmittanza al top dell’atmosfera.
0.9
Continental aerosol
0.8
0.7
Radiance
(W sr‐1 m‐2 µm‐1)
0.6
0.5
At‐Sensor radiance 6SV1.1
At‐Sensor Radiance Modtran 5 step 1nm
0.4
6SV1.1 Path Radiance
At sensor radiance Modtran 5 step 2.5nm
0.3
0.2
0.1
0.0
0.3
0.5
0.7
0.9
1.1
1.3
1.5
1.7
1.9
2.1
wavelength (µm)
Fig. 6.25: Radianza al sensore al top dell’atmosfera.
96
2.3
2.5
6.2.1.6 TECNICA MONTE CARLO
6.2.1.6.1 DESCRIZIONE GENERALE DEL METODO MONTE CARLO
Il Metodo Monte Carlo (MC) è un metodo statistico per la risoluzione numerica di un
problema fisico tramite simulazione di eventi estratti casualmente. In generale la tecnica MC
risolve problemi di integrazione ad alta dimensionalità. Tra le applicazioni del metodo MC vi
è la simulazione di sistemo complessi o difficilmente risolvibili in maniera esatta con tecniche
analitiche. Nell’ambito della presente trattazione, il metodo MC viene utilizzato per la
simulazione del trasferimento radiativo di radiazione elettromagnetica in atmosfera, dove la
traiettoria del singolo fotone simulato subisce eventi di scattering e assorbimento.
6.2.1.6.2 SIMULAZIONE MONTE CARLO APPLICATA AL TRASFERIMENTO
RADIATIVO IN ATMOSFERA
La tecnica MC viene utilizzata per la soluzione dell’equazione del trasporto radiativo nel
mezzo atmosferico mediante la simulazione (“lancio”) di fotoni (intesi come quantità fissate
di energia), ciascuno con traiettoria estratta casualmente. Lo scopo della simulazione è la
stima della radianza al sensore di un ricevitore posto a quota fissata (rilevamento da aereo o
satellite) tenendo conto degli effetti di scattering e assorbimento dovuti all’atmosfera e al
terreno.
La traiettoria, simulata come una linea spezzata in cui in generico segmento è compreso tra
due eventi di scattering, collisione/assorbimento o ricezione, è determinata in maniera random
secondo la distribuzione di probabilità ricavata dalle caratteristiche ottiche del profilo
atmosferico e dalla concentrazione dei costituenti (gas e aerosol).
La procedura di simulazione del “segmento” della generica traiettoria viene iterata fino alla
ricezione di un numero N R di fotoni. Quando N R risulta un numero statisticamente rilevante,
la frazione di radianza che viene ricevuta dal generico pixel di un sensore ideale che osserva
la scena in posizione fissata è dato dal rapporto tra fotoni ricevuti e fotoni lanciati (immessi
nel sistema):
N
R R
Eq. 6-35
NL
Per la stima dell’errore associato alla risposta del ricevitore immaginiamo di effettuare un
conteggio dei fotoni ricevuti associando il valore 1 al fotone ricevuto e 0 a quello non
ricevuto. Il valore medio del conteggio sarà:
NL
N
 m   mi  R
Eq. 6-36
NL
i 1
e il valore quadratico medio:
NL
N
2
 m 2   mi  R
Eq. 6-37
NL
i 1
Lo scarto quadratico medio associato al risultato della simulazione sarà :

 m2    m 2
NL 1
Eq. 6-38
e con N L  1 ed N R  N L si trova:

NR
Eq. 6-39
NL
97
e, per l’errore relativo:
r 
1
Eq. 6-40
NR
6.2.1.6.3 INAPPLICABILITÀ DEL METODO MONTE CARLO ELEMENTARE
Abbiamo visto come la simulazione tramite il metodo MC elementare consista nel “lanciare”
fotoni di lunghezza d’onda fissata alla sommità dell’atmosfera e calcolarne le traiettorie con la
distribuzione di probabilità data dalla fisica del sistema, fino alla eventuale ricezione o
all’uscita dal mezzo. Il numero di fotoni ricevuti rispetto a quelli immessi nel sistema
permette di ricavare la risposta del ricevitore. Dal momento che le grandezze che
caratterizzano il sistema variano con la lunghezza d’onda  , sarebbe necessario ripetere la
simulazione per ogni step fissato di  . Dato che il campo di vista del singolo elemento
fotosensibile di un sensore è, tipicamente, specialmente nelle applicazione di remote sensing
satellitare, particolarmente “stretto” (dell’ordine del mrad), la probabilità di ricezione del
fotone risulta estremamente bassa, da qui la necessità di lanciare un numero estremamente
elevato di traiettorie per avere un risultato statisticamente rilevante. Il tempo di calcolo
necessario a simulare con il metodo Monte Carlo elementare il sistema descritto risulta quindi
proibitivamente lungo, rendendo tale metodo praticamente inapplicabile. Inoltre tale risultato
sarebbe valido esclusivamente per i coefficienti di scattering e assorbimento che
caratterizzano quel particolare modello di atmosfera e sarebbe necessario ripetere l’intera
simulazione nel momento in cui cambia il sistema in esame. Per i motivi suddetti il metodo
Monte Carlo non ha avuto, a nostra conoscenza, fino ad oggi applicazione al calcolo dei
contributi atmosferici all’immagine iperspettrale telerilevata.
6.2.1.6.4 APPLICAZIONI PRATICHE DELLA TECNICA MONTE CARLO
Nel seguito vengono enunciati gli accorgimenti utilizzati in pratica per risolvere il problema
in tempi sufficientemente rapidi da permetterne l’applicazione.

Suddivisione della simulazione in due fasi: la simulazione può tenere conto degli effetti di
scattering e assorbimento separatamente, ottenendo la traiettoria come funzione dei soli
eventi di scattering e associando un peso dovuto all’assorbimento nelle diverse zone del
mezzo attraversato; in questo modo, oltre a garantire un numero più elevato di fotoni
ricevuti (i fotoni non vengono assorbiti, quindi non escono dal sistema), assicura la
possibilità di calcolare velocemente il risultato della simulazione per differenti scenari
atmosferici, ciascuno con caratteristiche differenti di assorbimento.

Il problema simulato può essere ricondotto ad un problema equivalente, con convergenza
più rapida, sfruttando la simmetria del problema (per esempio l’invarianza traslazionale
della probabilità, per il fotone simulato, di percorrere una traiettoria fissata).

Pesi ulteriori possono essere applicati al singolo fotone per tenere conto della diversa
probabilità di percorrere la traiettoria fissata quando le caratteristiche ottiche siano
leggermente mutate (ad esempio per estendere su una banda i risultati ottenuti per una
singola lunghezza d’onda).

Il risultato della simulazione può essere ottenuto scalando i risultati di simulazioni ottenuti
con tempi di calcolo ridotti (per esempio quando il fenomeno simulato ha una dipendenza
98
angolare parametrizzabile dalla direzione e dal cono di vista si possono utilizzare campi di
vista più grandi per ricevere velocemente più fotoni).
6.2.1.6.5 VANTAGGI DELLA TECNICA MONTE CARLO
Il metodo MC applicato al trasferimento radiativo permette di determinare contributi alla
radiazione ricevuta difficilmente stimabili con tecniche analitiche. In
Fig. 6.26,
Fig. 6.27 e Fig. 6.28 sono riportati alcuni esempi di contributi la cui stima è difficilmente
ottenibile con approcci statistici o analitici classici.
2
1,8
1,6
1,4
quota (km)
1,2
1
0,8
0,6
0,4
0,2
0
-0,30
-0,25
-0,20
-0,15
-0,10
-0,05
0,00
0,05
0,10
0,15
0,20
piano del terreno (km)
Fig. 6.26: Esempi di grafico delle traiettorie ricevute dal singolo elemento fotosensibile (è
visibile il cono di ricezione in basso a destra in figura). La simulazione è stata effettuata
utilizzando i coefficienti di scattering estratti dal database MODTRAN per un’atmosfera di
tipo midlatitude-summer con visibilità di 23km, umidità relativa del 70%, utilizzando il
modello RURAL. Il ricevitore è posto a quota 1.5km e osserva il terreno in direzione verticale
con FOV  20 mrad . La sorgente, di lunghezza d’onda 0.45m , è inclinata di 33° rispetto
alla verticale.
99
4000
3500
n. fotoni
3000
2500
2000
1500
1000
500
0
1
3
5
7
9
11
13
15
17
19
21
23
25
n. eventi di scattering per fotone
Fig. 6.27: La figura mostra l’istogramma degli eventi di scattering. In questo esempio si
sono considerati fino a 68 eventi di scattering prima di abbandonare il fotone, che ha
compiuto mediamente 3.8 eventi di scattering. I metodi analitici tradizionali non permettono
di stimare il contributo dato dalla “coda” della distribuzione.
Fig. 6.28: Il grafico rappresenta il piano del suolo e riporta separatamente i fotoni ricevuti
suddivisi per numero di eventi di collisione col terreno. Le coordinate di collisione di ogni
fotone sono riportate con colori diversi a seconda dell’ordine di collisione. I fotoni ricevuti
per via diretta (radiazione che ha illuminato il terreno ed è stata immediatamente ricevuta)
individuano la proiezione del cono di ricezione sul terreno (il cerchio al centro). Si nota il
contributo non trascurabile dei fotoni che collidono fuori dal cono di ricezione (ossia
rappresentano gli effetti di adiacenza dei pixel circostanti quello osservato) e il contributo dei
fotoni ricevuti dopo collisioni multiple col terreno (eventi maggiori di 1).
100
6.2.2 PROCEDURE DI CORREZIONI ATMOSFERICHE
ESISTENTI
Nello studio delle problematiche connesse al telerilevamento una particolare attenzione
deve essere dedicata alla determinazione degli effetti dovuti all’atmosfera, per poter
correttamente quantificare i parametri fisici, chimici, biologici, ecc. che si vogliono
monitorare. Pertanto nella comunità scientifica si sono sviluppati nel tempo modelli che,
basandosi su particolari algoritmi di correzione atmosferica, sono in grado di rimuovere con
notevole accuratezza dai dati spettrali il contributo dell’atmosfera (principalmente dovuto alla
diffusione da aerosol ed all’assorbimento da vapor d’acqua). Così gli spettri di riflettanza, che
generalmente sono i primi prodotti di queste elaborazioni, possono per esempio essere
confrontati con quelli raccolti in banche dati allo scopo di identificare la composizione
chimico-fisica delle superfici osservate.
I programmi di correzione più noti sono:



ATCOR (Atmospheric CORrection) sviluppato dal DLR (Germania) per sensori
multi/iper-spettrali (ATM, DAIS, MOMS, MOS, SPOT, TM) su un ampio intervallo
spettrale dal visibile all’infrarosso termico,
ATREM (Atmosphere REMoval) sviluppato da Bo-Cai Gao et al. Per dati raccolti dal
sensore AVIRIS per una copertura spettrale da circa 0,4 a 2,5 µm.
FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes) messo a
punto dall’Air Force Research Laboratory (AFRL) per sensori AVIRIS, HYDICE
limitatamente al calcolo delle bande spettrali del visibile e medio infrarosso,
La lista potrebbe allungarsi ma il resto dei programmi presenti in letteratura, come quelli di
Y. J. Kaufman et al. relativi agli ATBD per il sensore MODIS, di fatto si rifà ad essi come
ORASIS del Naval Research Laboratory. Un riferimento particolare meritano i più recenti
programmi QUAC (QUick Atmospheric Correction) sviluppato dalla Spectral Science Inc.
(MS, USA) e da AFRL, e COCHISE (COde de Correction atmospherique Hyperspectrale
d’Images de Senseurs Embarques) e COMANCHE (COde de Modelisation pur l’ANalyse des
Cibles Hyperspectrales vues en Entree instrument) sviluppati dal Dipartimento di Ottica
dell’ONERA (Office National d’Etudes et Recherches Aerospatiales, Francia).
Tutti questi programmi di correzione dei dati telerilevati si appoggiano ai due modelli in
precedenza descritti: il MODTRAN e il 6S. Sebbene ATCOR e FLAASH abbiano adottato i
codici del MODTRAN mentre ATREM il 6S, la procedura di calcolo dei tre programmi in
linea generale risulta equivalente mentre si differenzia solamente nel dettaglio dei singoli
passi che la compongono.
6.2.2.1 ATCOR
Per quanto concerne ATCOR l’idea centrale è di confrontare i valori di radianza L per
ciascun pixel sulle immagini ottenute direttamente dal sensore con quelli delle “look-up
tables” (LUTs, vedi tabella) prodotte per quattro superfici lambertiane con riflettanza nota a
0%, 10%, 30% e 60% tramite le simulazioni adattate ai parametri atmosferici e alle condizioni
di volo (quali la latitudine e la longitudine del luogo delle riprese, la data e l’ora al momento
delle osservazioni, la quota e la velocità di volo, i dati di calibrazione radiometrica del
sensore, la frequenza di scansione, etc..) con particolare riferimento all’angolo di scansione (
Tab. 6.9).
La scelta di quattro valori standard per la riflettanza per eseguire le simulazioni è
giustificata dal fatto che generalmente essa risulta essere sufficientemente rappresentativa
della maggior parte dei targets investigati.
101
Scans.(degr.) L(  =0%) L(  =10%) L(  =30%) L(  =60%) q(  =30%)  (totale)
0.0
0.887
4.436
11.65
22.77
0.154
0.918
2.7
0.899
4.448
11.66
22.78
0.154
0.917
26.7
1.086
4.593
11.72
22.70
0.172
0.906
29.3
1.117
4.614
11.72
22.67
0.176
0.904
32.0
1.151
4.637
11.72
22.63
0.181
0.901
Tab. 6.9: ATCOR look-at tables.
Le LUTs contengono anche i valori della trasmittanza totale T tot (  ) (diretta + diffusa)
simulata (per percorsi della radiazione suolo-terra) oltre che una colonna di coefficienti q che
quantificano l’efficacia di scattering dell’atmosfera calcolati secondo Eq. 6-41:
T tot (  )  T (  )  td (  )
td (  ) 
 [ L( ,0.3)  L( ,0)]
 ( ) Etot ( ,0.3)
1
td (  )
2
T ( )

qi 
Eq. 6-41
Ri (  )d
1
 Ri ( )d
2
dove L(  ,0.3) denota la radianza al sensore per una riflettanza del suolo del 30%,
Etot ( ,0.3) la radianza solare totale incidente sul suolo, Ri ( ) la risposta spettrale del
sensore e il pedice i l’i-esimo canale spettrale.
Dalle simulazioni viene poi estratta la riflettanza del suolo  (1) senza includere effetti di
( 1)
radianza diffusa, quindi mediata spazialmente sui pixel ( N x N ) adiacenti per ottenere  :

(1)

1
N2
  (j1)
Eq. 6-42
N 2 j 1
ed infine viene calcolata  ( 2 ) con l’aggiunta di effetti di adiacenza:
 ( 2 )   (1)  q(  (1)  
(1)
)
Eq. 6-43
E’ da precisare che l’algoritmo presentato viene applicato nell’intervallo spettrale
0.3  2.5m dove domina la radiazione riflessa e diffusa del sole mentre si trascura quella
termica.
Come in ATCOR, FLAASH calcola mediante simulazioni le radianze spettrali per
superfici a riflettanza standard (0%, 50% e 100%) con la differenza però di parametrizzare
102
l’equazione in funzione della colonna di vapor d’acqua e generando pertanto un certo numero
di LUTs.
6.2.2.2 ATREM
ATREM sintetizza l’algoritmo di calcolo della riflettanza, generando LUTs contenenti gli
spettri di trasmittanza dei sette principali gas che compongono l’atmosfera (uno soltanto per
ciascun gas: H 2 O , O3 , CO2 , NO2 , CO , CH 4 e O2 ), mediante simulazioni con il 6S riservando
però un trattamento particolare alla stima della quantità di vapor d’acqua le cui principali
bande di assorbimento cadono a 0,94 m e a 1,14 m . Questa infatti viene determinata con una
tecnica di “divisione a 3 canali” secondo la quale da uno spettro di riflettanza apparente
osservata  si mediano i valori di riflettanza intorno a 0,94 m su 5 lunghezze d’onda
adiacenti e quelli intorno a 0,865 m e a 1,025 m su 3 lunghezze d’onda adiacenti, ottenendo
. m) . A questo punto si divide la
rispettivamente  5ch (0.94m) ,  3ch (0.865m) e  3ch (1025
riflettanza media relativa alla banda di assorbimento per la metà della somma delle riflettanze
medie relative alle due regioni spettrali prima e dopo la banda di assorbimento:
 5ch (0.94m)
1
 3ch (0.865m)   3ch (1.025m)
 H 2O (0.94m)
Eq. 6-44
2
ottenendo così una trasmittanza media H 2O (0.94m) per la banda di assorbimento in
questione. Poi confrontando i valori di H 2O (0.94m) con quelli estratti dalle simulazioni si
ricava una stima della colonna di vapor d’acqua attraversata dalla radiazione elettromagnetica
solare. La stessa procedura viene ripetuta sulle altre bande di assorbimento.
E’ da precisare tuttavia che tale procedura ha validità soltanto nell’approssimazione di
poter trascurare ogni effetto di sovrapposizione tra gli assorbimenti da gas differenti (valido
fino a   2,5  m) e ammettendo un andamento lineare in funzione della lunghezza d’onda
della riflettanza in prossimità delle bande di assorbimento.
Insieme alle LUTs il codice 6S simula i contributi alla radianza al sensore da parte dei
fenomeni di diffusione oltre che l’albedo sferico e la riflettanza atmosferica. A questo punto
vengono calcolati gli spettri di riflettanza apparente sui quali si applicano nuovamente il
calcolo della quantità di vapor d’acqua e la procedura delle LUTs per ricavare la trasmittanza
totale corrispondente al pixel in questione. Infine sono calcolati gli spettri di riflettanza delle
superfici. ATREM a differenza di FLAASH e ATCOR non contempla gli effetti di adiacenza
né accoppiamento tra assorbimento e diffusione.
6.2.2.3 APPROCCIO STATISTICO
Abbiamo sottolineato in più occasioni che la radianza spettrale misurata da un sensore
iperspettrale da aereo, per un determinato materiale, dipende fortemente dalla illuminazione
della superficie e dalle condizioni atmosferiche. Questa dipendenza ha limitato l’efficacia di
algoritmi di identificazione della composizione chimica del suolo che trattano dati
iperspettrali senza avere a disposizione informazioni veritiere sui parametri in questione.
Pertanto negli ultimi anni è stato portato avanti uno studio mirato allo sviluppo di algoritmi di
103
identificazione del suolo che risultasse invariante alle condizioni atmosferiche, di
illuminazione e alla geometria di misura.
Recentemente è stato presentato da G. Healey e D. Slater un algoritmo di caratterizzazione
dei materiali basato su un approccio formale di tipo statistico. Il modello fisico su cui è
impostato l’intero algoritmo suppone di poter scomporre l’insieme degli spettri Li (  ) di
radianza osservata, per un determinato materiale sotto un numero C di condizioni fisiche, su
una base ortonormale di N vettori m j (  )  [m j ( 1 ), m j ( 2 ),....., m j (W )]T :
Eq. 6-45
Ltot  [ L1 (  ), L2 (  ),....., LC (  )]T
Li  [ Li (1 ), Li (2 ),....., Li (W )]T
1 i  C
N
Li   a ij m j
1 j  N
Eq. 6-46
Eq. 6-47
j 1
dove le costanti aij sono le funzioni-peso dei vettori della base dipendenti dalle particolari
condizioni sotto cui ciascuna Li (  ) è misurata mentre W è il numero di bande che
compongono lo spettro di riflettanza (che nel caso, ad esempio, del sensore HYDICE sono
210). L’accuratezza dell’approssimazione nell’equazione precedente per una singolo spettro
è:
2
N
E i ( N )  Li   aij m j
Eq. 6-48
j 1
mentre per l’insieme di radianze misurate l’errore totale normalizzato risulta essere pari a:
C
Etot ( N ) 
 E (N)
i
i 1
C
L
Eq. 6-49
2
i
i 1
Per ogni valore di N in pratica viene calcolata una base di vettori ortonormali
m j ( )  [m j (1 ), m j (2 ),....., m j (W )]T che minimizza Etot ( N ) con precisioni dell’ordine di
una parte su diecimila. In pratica il termine Etot ( N ) viene differenziato rispetto a ciascun m j
e l’insieme delle N espressioni risultanti sono poste uguali a zero.
Pertanto l’insieme degli spettri di radianza per ciascun materiale, misurati al variare dei
parametri fisici, metereologici e di illuminazione, giacciono approssimativamente in uno
sottospazio a N-dimensioni dello spazio matematico a W-dimensioni delle misure effettuate.
104
6.3 NOISE MODELING
Modellare e stimare il rumore introdotto dagli spettrometri ad immagine è un passo
fondamentale per lo sviluppo di algoritmi e procedure per l'analisi e per l'estrazione di
informazione dai dati iperspettrali. Metodi di preprocessing come il denoising ottengono
prestazioni migliori se i loro parametri operativi sono impostati sulle effettive caratteristiche
del rumore presente.
6.3.1.1 SPETTROMETRI DI NUOVA GENERAZIONE
Il rumore presente nel dato acquisito è dato da due contributi: il primo, il rumore
elettronico, che è indipendente dal segnale e modellato con una distribuzione gaussiana a
media nulla, e il secondo, quello fotonico, dipendente dal segnale ma anch’esso modellato con
una distribuzione gaussiana a media nulla. I recenti avanzamenti tecnologici nello sviluppo
dei sensori e dei sistemi opto-elettronici hanno portato ad una significativa diminuzione del
rumore elettronico rendendo quindi non più trascurabile la componente fotonica rispetto a
quella elettronica.
Per ciascuna banda spettrale, dunque, si assume per il segnale osservato g(i,j) una
rappresentazione che tiene conto della componente di rumore fotonica dipendente dal segnale:
g (i, j )  f (i, j ) 
f (i, j )  u (i, j )  w(i, j )
Eq. 6-50
In tale formula gli indici i , j si riferiscono rispettivamente alle righe e alle colonne,
f (i, j ) è il campione ideale privo di rumore, u(i, j) è un processo aleatorio indipendente da f e
w, stazionario spazialmente, autocorrelato con media zero e varianza  u2 e w(i, j ) è un
processo aleatorio indipendente da f e u , stazionario spazialmente, autocorrelato, con media
zero e varianza  w2 .
Focalizzando l’attenzione sul termine di rumore, esso è dato dalla seguente formula:
v(i, j ) 
f (i, j )  u (i, j )  w(i, j )
Eq. 6-51
e conseguentemente il rapporto segnale rumore (SNR) è espresso nel seguente modo:
 E[ f ]2 


E[ f ]2
SNRdB  10 log10 
10
log


10 
2
2
2 
 v 
 E[ f ] u   w 
Eq. 6-52
2
in tale formula  w2 è la potenza del rumore indipendente dal segnale, mentre  u  E[ f ] è la
potenza del rumore dipendente dal segnale. Per la caratterizzazione di un rumore così
modellato è necessario stimare il valore numerico di  w2 e  u2 . Questo è possibile farlo
attraverso una complessa procedura che ha il fulcro nell’elaborazione dei pixel appartenenti
alle aree omogenee di ciascuna banda attraverso il metodo dello scatterplot. Su tale aree,
infatti, vale la seguente relazione:
 g2  i, j    u2  E[ f (i, j )]   w2
105
Eq. 6-53
Questa formula esprime il fatto che, esclusivamente per i punti appartenenti ad aree
omogenee, la varianza complessiva di rumore ha una dipendenza lineare dalla media del
segnale, e i termini  w2 e  u2 sono rispettivamente il termine noto e il coefficiente angolare
della retta che esprime detta relazione. Avendo a disposizione un sufficiente numero di aree
omogenee e quindi un sufficiente numero di coppie,  g2 E[ f ], è possibile ricavare  w2 e  u2
calcolando i parametri della retta di regressione della dispersione di punti di coordinate (  g2 ,
E [ f ] ). Il residuo di detto calcolo fornirà quindi anche una misura dell’efficacia della stima
stessa e dell'adeguatezza del modello segnale-rumore adottato.
6.3.1.2 UN ESEMPIO APPLICATIVO SU HYPER/SIM-GA
La metodologia di cui si sono forniti gli elementi essenziali è stata applicata per la
caratterizzazione dei parametri di rumore del sensore iperspettrale di nuova generazione
Hyper/SIM-GA realizzato da Selex Galileo. Tale strumento è costitutito da due spettrometri
operanti uno nel range di frequenze del visibile e vicino infrarosso (VNIR) e l’altro
nell’infrarosso a onda corta (SWIR) . Per brevità vengono riportati solo i risultati riferiti allo
spettrometro del VNIR. Analizzando dunque le caratteristiche del rumore e della stima ad
esso relativa così come presentate in Fig. 6.29 si nota una prevalenza della componente
moltiplicativa di rumore. Questo fatto non sorprende in quanto lo spettrometro Hyper/SIMGA è di nuova generazione e quindi presenta un basso rumore elettronico. Osservando
l’andamento dei residui si nota che la stima perde di efficacia nelle lunghezze d’onda agli
estremi dell’intervallo considerato, questo in accordo con il fatto che nelle stesse zone il
rumore aumenta di intensità in corrispondenza anche ad una perdita di efficacia del sensore.
L’aumento è più pronunciato nella componente indipendente dal segnale. Si può comunque
concludere che il modello adottato per descrivere la dipendenza del segnale e del rumore
risulta adeguato.
Per la misura dell’SNR è stato adottato come segnale di riferimento un pannello di
calibrazione inserito nella scena acquisita. L’SNR così calcolato è stato confrontato con
quello ottenuto stimando direttamente il rumore senza formulare alcuna ipotesi sul modello
presente. Tale stima ha comportato la misura della varianza dello stesso pannello e l’ipotesi
che essa avesse come unica causa i fenomeni di rumorosità del sensore, ritenendo trascurabile
la tessitura del pannello stesso. Detto confronto è stato un primo mezzo per riscontare
l’efficacia della stima stessa. Una seconda verifica compiuta ha avuto una maggiore
articolazione e ha coinvolto una sessione sperimentale in laboratorio. In tale sessione è stato
misurato sperimentalmente l’SNR in presenza di un segnale di riferimento noto. Tale SNR è
stato confrontato con quello ottenuto dal rapporto tra il medesimo segnale di riferimento e il
rumore ottenuto applicando a quest’ultimo i parametri di rumore calcolati sull’acquisizione in
situ. Al fine di ottenere risultati congruenti lo strumento ha funzionato con le stesse
impostazioni.
La Fig. 6.30 riporta i risultati ottenuti secondo le sperimentazioni descritte. In particolare la
Fig. 6.30-(c) riporta il confronto tra l’SNR ottenuto elaborando i parametri di rumore (ModelBased) e quello ricavato dalla semplice misura della varianza del pannello intermedio (ModelUnconstrained). La Fig. 6.30-(d) riporta il confronto tra l'SNR misurato in laboratorio (Lab.
Measurements) e quello ottenuto come rapporto tra il segnale di riferimento del laboratorio e
il rumore ottenuto applicando il valore dei parametri misurati in situ allo stesso segnale di
riferimento (Field Measurements). Si nota in entrambi i confronti un ottimo accordo fra i
rispettivi andamenti.
106
Fig. 6.29: Stima dei parametri di rumore del sensore operante nel range di frequenze
VNIR dello spettrometro Hyper-SIMGA: (a) potenza del rumore dipendente dal segnale; (b)
potenza del rumore indipendente dal segnale; (c) valori di  u2 ; (d) residui.
107
(b)
(a)
(d)
(c)
Fig. 6.30: Stima dell’ SNR per il sensore operante nel range di frequenze VNIR dello
spettrometro Hyper-SIMGA: (a) radianza di segnale in situ; (b) radianza del segnale in
laboratorio; (c) SNR in situ ; (d) SNR misurato su segnale di laboratorio
108
6.4 CARATTERISTICHE SPAZIALI E SPETTRALI
Uno dei parametri più importanti che caratterizzano spazialmente e spettralmente (nel caso
di dati iperspettrali) un sensore è rappresentato dalla modulation transfer function (MTF) di
sistema. L'MTF altri non è che il modulo della trasformata di Fourier della point spread
function (la funzione impulsiva luminosa). L'andamento in frequenza della MTF rivela le
caratteristiche del sensore. In particolare, il suo valore alla frequenza di Nyquist (la metà della
frequenza di campionamento) riassume in modo significativo il comportamento del sistema ed
è assunto come uno dei requirements di progetto più importanti.
Se ad esempio il valore della MTF alla frequenza di Nyquist è troppo basso il sistema
lavora con una risoluzione scarsa che nel caso spaziale corrisponde alla produzione di
un'immagine i cui dettagli sono sfumati in particolare nelle zone di contorno e in quelle
tessiturate.
Se viceversa il valore della MTF alla frequenza di Nyquist è troppo alto il sistema produce
immagini troppo dettagliate rispetto alla frequenza di campionamento con la conseguente
produzione di aliasing che si sovrappone all'informazione utile. Si generano in tal caso pattern
spuri in corrispondenza delle transizioni più accentuate (contorni e tessiture più forti nel caso
delle immagini) che possono alterare significativamente la qualità dei dati.
Per quanto riguarda la stima della MTF esistono in letteratura e sui libri di testo una serie
di metodi "classici" che derivano direttamente dalla teoria. Tali metodi si fondano
sull'identificazione di oggetti particolari presenti nell'immagine come sorgenti puntuali o
bordi. Sulla base della teoria si cerca quindi di valutare l'MTF. Tali metodi, abbastanza diretti,
presentano almeno due tipi di problemi legati entrambi al fatto che l'immagine a disposizione
è in realtà già stata campionata ed ha quindi già subito un processo di "degrado" che la rende
non (o poco) adatta alla stima che ci interessa. Il primo problema è che il campionamento
fissa non solo la risoluzione dell'immagine ma anche la risoluzione alla quale si può stimare
l'MTF; tale risoluzione non è in genere sufficiente. Il secondo problema è che le zone più
interssanti e più utili per la stima della MTF (sorgenti puntuali e bordi) sono quelle più
soggette al fenomeno di aliasing e quindi meno adatte per la stima.
Queste considerazioni spiegano perché, nonostante esista una casistica abbastanza ampia di
ricercatori che riportano risultati per sensori ad alta risoluzione spaziale, esiste anche una
certa discrepanza sui risultati riportati in letteratura. La maggior parte dei ricercatori
sembrano ignorare gli effetti dell'aliasing prodotto in acquisizione e non considerano
esplicitamente gli effetti legati all'angolo di elevazione del sensore al momento
dell'acquisizione.
Quello che si intende proporre per il progetto è di stimare la MTF dei canali iperspettrali
traendo vantaggio dall'avere a disposizione un’immagine iperspettrale e una pancromatica a
più alta risoluzione. L'immagine ad alta risoluzione può essere assunta come immagine
originale paraticamente "analogica" rispetto a quelle iperspettrali con evidenti vantaggi per la
stima. Si può infatti simulare il processo di acquisizione a partire dall'immagine ad alta
risoluzione e simulare quindi anche il fenomeno di aliasing. In tal modo se ne può tenere
conto nella stima successiva.
109
6.5 FUSIONE DI IMMAGINI
Le tecniche di pansharpening utilizzano due set di dati (pancromatici o multispettrali il
primo, multispettrali o iperspettrali il secondo) con risoluzione spaziale e spettrale
complementare per generare un terzo set di dati (fusione) che abbia la risoluzione spaziale del
primo mantenendo quanto più possibile le caratteristiche spettrali del secondo.
6.5.1 STATO DELL’ARTE
Viene qui di seguito presentato lo stato dell'arte sulle tecniche di pansharpening, disciplina
che si è iniziato a definire negli anni '80 e che si è affermata decisamente alla fine degli anni
'90 con il lancio di satelliti con sensori in grado di acquisire immagini pancromatiche e
multispettrali della stessa scena con risoluzioni diverse.
6.5.1.1 INTRODUZIONE
Il Pansharpening è una branca della data fusion, e più specificamente dell'image fusion,
che continua a ricevere sempre più attenzione nella comunità del telerilevamento. I sensori di
nuova generazione orbitanti nello spazio. che operano in bande spettrali diverse con differenti
risoluzioni al suolo, mettono a disposizione enormi quantità di dati con risoluzioni spaziali e
spettrali complementari.
I vincoli costruttivi relativi al rapporto segnale-rumore (SNR) impongono che la
risoluzione spaziale sia bassa quando si desideri una risoluzione spettrale più alta.
Diversamente, la risoluzione spaziale può essere molto alta quando non è richiesta alcuna
discriminazione spettrale. Questo compromesso fra risoluzione spettrale e spaziale motiva lo
studio di algoritmi capaci di aumentare la risoluzione spaziale dei dati multispettrali (MS) a
bassa risoluzione spaziale o, in modo equivalente, di aumentare la risoluzione spettrale
dell'insieme dei dati aventi risoluzione spaziale più alta, come nel caso tipico dell'immagine
pancromatica integra l'informazione in una sola banda.
Per ottenere un tale obiettivo sono stati proposti e riportati in letteratura negli ultimi 30
anni un gran numero di algoritmi e procedure. La maggior parte segue un protocollo di
carattere generale che può essere schematizzato in due punti chiave:
 estrarre l'informazione geometrica ad alta risoluzione della scena dall'immagine
pancromatica (Pan);
 integrare il dettaglio spaziale nelle bande multispettrali di bassa risoluzione una volta
che queste siano state interpolate alla scala dell'immagine pancromatica cercando di
modellare in modo adeguato la relazione esistente fra MS e Pan.
I progressi che sono stati ottenuti nel pansharpening sono stati sostanzialmente motivati
dagli avanzamenti tecnologici conseguiti dalla strumentazione di acquisizione spaziale.
A partire dallo SPOT-1 nel 1986, il primo sistema di acquisizione in grado di acquisire due
immagini MS con un'immagine Pan, nell'arco di tempo di un venticinquennio i metodi di
pansharpening si sono progressivamente evoluti ed adattati a tre bande and un Pan (SPOT 2,
3, 4, 5), 6 bande MS + Pan (Landsat ETM+), 4 bande MS + Pan (IKONOS-2, QuickBird-2,
GeoEye-1, GeoEye-2, Pleiades), fino a 8 bande MS + Pan (Worldview-2).
Non è difficile prevedere che con l'avvento di missioni come PRISMA sarà sempre più
interessante valutare da un punto di vista applicativo la fusione di dati con centinaia di bande
con un Pan.
Tutti gli strumenti lanciati nell'ultimo decennio presentano un fattore di scala fra Pan e MS
uguale a quattro (due per le missioni precedenti). La banda del blu (B) è tipicamente stretta e
110
la banda del Pan contiene anche una parte del vicino infrarosso (NIR). Adattare gli algoritmi
di pansharpening ad un fattore di scala 4 non ha portato problemi sostanziali. Viceversa, la
presenza della banda del blu e del Pan che si sovrappone parzialmente col NIR ma che
abbraccia solo parzialmente la banda del blu ha creato significativi problemi nei metodi più
attempati, motivando lo sviluppo di alternative significative.
Molti metodi per la fusione di immagini sono stati quindi proposti per combinare i dati MS
e Pan. Alcuni metodi come intensity-hue-saturation (IHS - Carper 1990), la trasformazione di
Brovey transform (BT - Gillespie 1987), e le componenti principali (PCA - Shettigara 1992)
forniscono immagini fuse ad alta risoluzione di elevata qualità visiva ma ignorano i requisiti
di alta qualità di sintesi dell'informazione spettrale (Liu 2000}. Se da un lato questi metodi
sono molto utili per l'interpretazione visiva, dall'altro una sintesi di alta qualità
dell'informazione spettrale è fondamentale per la maggior parte delle applicazioni di
telerilevamento che si basano sulle risposte spettrali come accade in litologia e nell'analisi dei
suoli e della vegetazione (Garguet-Duport 1996).
Nell'ultimo ventennio, i metodi esistenti sono stati classificati in vari gruppi. Schowengerdt
(Schowengerdt 1997) li ha classificati in tecniche spettrali, tecniche spaziali e tecniche
multirisoluzione. In ogni caso, le tecniche multirisoluzione, come quelle wavelet, sono
implementate per mezzo di filtri digitali e sono di fatto tecniche spaziali. Ci si può quindi
aspettare che, metodi come HPF (Chavez 1991) e AWL (Nunez 1999) che differiscono solo
per il tipo di filtro, appartengano alla stessa categoria. Ranchin e Wald (Ranchin 2000,
Thomas 2008) classificano i metodi di pansharpening in tre gruppi: metodi di proiezione e
sostituzione, di contributo spettrale relativo ed i metodi che si fondano sul concetto ARSIS
(Amelioration de la Resolution Spatiale par Injection de Structures), che impiegava
originariamente la trasformata wavelet decimata (DWT - Ranchin 2000). E' risultato inoltre
che molti dei metodi di fusione finora sviluppati come HPF, GLP e ATW(Aiazzi 2002)
trovano una diretta collocazione nell'ambito dell'ARSIS.
In ogni caso, le prime due classi di metodi, proiezione e sostituzione e contributo spettrale
relativo (es. BT) sono equivalenti. Infatti, attraverso uno sviluppo matematico (Tu 2001) è
possibile dimostrare che IHS, PCA, BT e Gram-Schmidt (GS - Laben 2000, Aiazzi 2007) non
necessitano del calcolo della trasformazione spettrale completa ma è sufficiente calcolare solo
la componente da sostituire, ad es. l'intensità sia per IHS che BT. Perciò IHS e BT
differiscono solo per il modo in cui i dettagli spaziali sono pesati prima della loro iniezione e
non per il modo in cui sono estratti dall'immagine Pan. Inoltre, anche IHS può essere
facilmente estrapolata al caso di un numero arbitrario di bande spettrali.
6.5.1.2 RASSEGNA DEI METODI DI PANSHARPENING
In accordo con gli sviluppi più recenti la maggior parte dei metodi si divide in due classi
principali. Queste due classi differiscono unicamente per il modo in cui i dettagli spaziali sono
estratti dall'immagine Pan.
 Metodi che utilizzano operatori lineari spazio-invarianti per filtrare l'immagine Pan e
ottenere l'immagine dei dettagli spaziali da aggiungere alle bande MS interpolate
(Ranchin 2003); si noti che tutti i metodi che utilizzano l'analisi multirisoluzione
(MRA) appartengono a questa classe.
 Tecniche che ottengono i dettagli spaziali come differenza pixel a pixel fra l'immagine
Pan e una componente a media non nulla che deriva da una trasformazione delle bande
MS senza alcun filtraggio dell'immagine Pan. Tali tecniche sono equivalenti a quelle in
cui alle immagini MS si applica una trasformazione, alla componente a media non
nulla viene sostituita all'immagine Pan e viene quindi eseguita la trasformazione
inversa (Aiazzi 2007) come accade in tutti i semplici metodi component substitution
CS.
111
Indipendentemente da come sono stati prodotti, i dettagli spaziali sono sommati alle
bande MS interpolate previa moltiplicazione per opportuni coefficienti di guadagno, divesi
per ogni banda, e opzionalmente variabili spazialmente per ogni pixel.
Gli algoritmi che sfruttano le informazioni locali (context adaptive - CA) hanno di solito
migliori prestazioni di quelli che usano modelli di iniezioni locali (Aiazzi 2009). Un modello
di iniezione locale permette di formulare algoritmi che si basano sulla modulazione (Dou
2007), come ad es. BT per la classe di metodi di Fig. 6.31 (b) e SFIM (Liu 2000) per la classe
di metodi di Fig. 6.31 (a).
Le due classi di metodi descritti presentano prestazioni complementari per quanto
riguarda la qualità spaziale e spettrale. I metodi che non filtrano l'immagine Pan (CS)
producono immagine di grande qualità geometrica con possibili distorsioni spettrali.
Diversamente, i metodi che filtrano l'imagine Pan sono in generale spettralmente accurati ma
possono essere non soddisfacenti in termini di qualità spaziale.
In ogni caso, se la combinazione delle bande MS è ottimizzata al fine di ottenere la
massima qualità spettrale e se il filtraggio è ottimizzato per produrre la massima qualità
spaziale le due categorie di metodi portano a risultati che sono molto simili in temini di
qualità globale (Aiazzi 2009).
Fig. 6.31: Schemi per le due classi di metodi di fusione: MRA (a) e CS (b).
La Fig. 6.31 mostra gli schemi dei due approcci. Nel caso (a) il filtraggio è cruciale:
filtrare con la funzione di trasferimento (MTF) del sistema di acquisizione porta i migliori
risultati (Aiazzi 2006). Nel caso (b) il punto chiave è dato dalla trasformazione spettrale
definita dall'insieme di pesi {wk} A(iazzi 2007.
In entrambi gli schemi i dettagli sono aggiunti attraverso dei guadagni {gk}. Il filtro MTF
passa basso effettuato Fig. 6.31 (b) è usato solo per calcolare i pesi {wk} e non per produrre i
dettagli spaziali come in Fig. 6.31 (a).
6.5.1.3 METODI DI FUSIONE CON DATI IPERSPETTRALI
Le tecniche di fusione per dati iperspettrali che sono state riportate in letteratura, comprese
quelle proposte da IFAC, sono estensioni di quelle proposte per immagini multispettrali.
Analogamente, si possono catalogare gli algoritmi di fusione con gli stessi criteri e si possono
proporre metodi di valutazione di qualità analoghi considerando opportune generalizzazioni
matematiche degli indici già proposti. Specifici sviluppi al caso iperspettrale saranno oggetto
di studio e sviluppo nel progetto.
112
6.5.2 FUSIONI DI IMMAGINI MULTISPETTRALI E
PANCROMATICHE
Si riportano alcuni risultati recentemente conseguiti da IFAC-CNR nella valutazione
delle tecniche di pansharpening basate su component substitution (CS) e analisi
multirisoluzione (MRA) in rapporto alla loro robustezza rispetto all'aliasing prodotto in fase
di acquisizione, al disallineamento spaziale delle immagini ed al disallineamento temporale
nel caso di osservazioni multiple. Tali aspetti, finora affrontati qualitativamente in letteratura,
sono stati trattati in modo sistematico e quantitativo. I risultati ottenuti danno indicazioni
precise sul metodo di fusione da adottare in base alle condizioni operative. E' stata finora
considerata la fusione di immagini pancromatiche e multispettrali.
6.5.2.1 TECNICHE DI FUSIONE
Lo schema in Fig. 6.32 illustra gli aspetti essenziali delle due tecniche di fusione principali
cui possono essere riportate la maggior parte degli algoritmi esistenti in letteratura. Lo switch
seleziona l'uscita superiore dello schema (CS) o quella inferiore (MRA). I pesi {w(k)}, i
guadagni {G(k)} e la risposta del filtro passa basso determinano le caratteristiche dei vari
algoritmi di fusione e la loro adattabilità ai vari sensori. In particolare il filtro passa basso
dovrebbe simulare le caratteristiche del sistema di acquisizione ed essere quindi adattato alla
sua MTF (modulation transfer function). Quando quest'ultima non è nota dalla letteratura o da
chi ha realizzato lo strumento si può preventivamente stimarla a partire dai dati stessi
Fig. 6.32: Schema per metodi di fusione MRA e CS
6.5.2.2 TECNICHE DI FUSIONE “Component Substitution”
Per le tecniche di tipo CS le immagini fuse sono ottenute come:
113
Eq. 6-54
dove MF(k) è la k-esima banda fusa, PH è il pancromatico ad alta risoluzione, ML(k) è la kesima banda originale interpolato alla scala di PH. L' immagine sintetica IL è invece definita
come:
Eq. 6-55
I pesi {w(k)} determinano le caratteristiche dell'algoritmo di fusione. La proposta di IFAC,
che fornisce ottimi risultati, è di scegliere {w(k)} in modo da minimizzare l'errore quadratico
medio fra IL e la versione filtrata passa basso, idealmente con l'MTF del sistema di
acquisizione del dato multispettrale, dell'immagine PH, che possiamo identificare con PL.
6.5.2.3 TECNICHE DI FUSIONE BASATE SU DECOMPOSIZIONI
MULTIRISOLUZIONE
Le immagini fuse con le tecniche di tipo MRA sono ottenute come:
Eq. 6-56
dove PL è ottenuta filtrando PH con l'MTF del sistema di acquisizione.
6.5.2.4 QUALITÀ DEI DATI FUSI
Le valutazioni di qualità sui dati fusi sono solitamente problematiche per la mancanza di
un immagine originale cui far riferimento per un confronto. La maggior parte dei ricercatori
del settore adotta un protocollo di valutazione noto come protocollo di Wald, dal nome del
suo ideatore. Prescindendo per sintesi dalle motivazioni per cui è stato concepito, il protocollo
consiste nel degradare il set di immagini a disposizione (pancromatica e multispettrale) di un
fattore corrispondete al fattore di scala esistente fra PH e il multispettrale originale MS. A
questo punto si effettua la fusione sui dati così ottenuti (dati degradati). Il risultato è
confrontabile col multispettrale originale che quindi fa da riferimento. I controlli da effettuare
sono di tre tipi:
1. fondendo i dati originali e verificando che i dati fusi, quando degradati, sono il più
simili possibile ai dati MS originali;
2. misurando indici di qualità e distorsione, banda per banda, sui dati degradati una volta
fusi;
3. misurando indici complessivi di qualità e distorsione spettrale sui dati degradati una
volta fusi.
La figura che segue schematizza il protocollo di Wald.
114
Fig. 6.33a: Protocollo di Wald
6.5.2.5 VALUTAZIONI TECNICHE DI PANSHARPENING
I parametri che vengono riportati nel seguito per esigenze di sintesi sono del tipo 3) e sono
SAM, ERGAS, e Q4. La loro definizione formale viene rimandata alla letteratura. SAM ed
ERGAS (Ranchin 2003) sono misure di distorsione e dovrebbero essere idealmente 0. Q4 è
un indice di qualità che dovrebbe valere idealmente 1 (Alparone 2004).
6.5.2.6 ALIASING
Il problema dell'aliasing e del disallineamento geometrico dei dati è stato recentemente
affrontato in (Baronti 2011) dove sono state formulate spiegazioni teoriche e sono state
presentate prove sperimentali. Di seguito vengono forniti i risultati principali. L'aliasing è
stato valutato quantitativamente utilizzando immagini del sensore IKONOS (Pan -1m ed MS 4m). Le immagini di tale sensore si prestano allo scopo in quanto l'aliasing intrinseco
generato al momento dell'acquisizione è abbastanza basso. L'esperimento consiste nel
degradare le immagini multispettrali con MTF il cui valore alla frequenza di Nyquist è
progressivamente crescente (da 0.1 a 0.6 negli esperimenti riportati) ottenendo un set di
immagini MS aliasate in modo crescente. L'immagine pancromatica viene invece degradata
con un filtro ideale. Le immagini degradate (MS e Pan) vengono fuse generando un set di
immagini multispettrali fuse che, confrontate con l'immagine MS originale, permettono di
misurare i parametri di qualità che vengono di seguito riportati. Gli algoritmi che sono stati
messi a confronto sono quello della wavelet a trous (ATW - rappresentativo delle tecniche
MRA) e l'algoritmo di Gram-Schmidt (GS+ - rappresentativo delle tecniche CS) nella variante
migliorativa sviluppata da IFAC. I tre grafici a lato mostrano che all'aumentare del valore di
cutoff alla frequenza di Nyquist le prestazioni di GS+ migliorano costantemente e non sono
influenzate dall'aliasing (che viene compensato). Al contrario ATW migliora inizialmente
perché l'aliasing è trascurabile e viene iniettato un segnale progressivamente più ricco del
contenuto dell'immagine MS. Quando però l'aliasing diventa significativo, esso prevale ed il
trend si inverte, nonostante il contributo dell'immagine MS nella fusione continui a crescere.
115
Fig. 6.34
Anche l'esame visivo effettuato su immagini del sensore montato sul satellite QuickBird ha
confermato questa tendenza. Le tre immagini riportate sotto sono, rispettivamente, il
multispettrale originale (sinistra), e il risultato della fusione dei dati con i due algoritmi presi
in esame. Nell''immagine di centro (GS+) l'aliasing, evidente nel multispettrale originale, è
stato compensato e non risultano evidenti pattern di aliasing, che appaiono ancora
nell'immagine di destra (ATW).
Immagine MS originale
GS+
ATW
Fig. 6.35
6.5.2.7 DISALLINEAMENTO GEOMETRICO
Per una trattazione teorica del disallineamento geometrico si fa ancora riferimento a
(Baronti 2011) e si riportano solo i risultati più importanti. Tali risultati si riferiscono al
sensore IKONOS. Anche in questo caso si è operato su dati degradati in modo da avere il
multispettrale originale come riferimento. Il multispettrale originale è stato successivamente
shiftato fino a 8 pixel (32m) con passo di un pixel (4m) in modo da avere un set di 8 immagini
multispettrali shiftate. Ognuna di queste è stata quindi ridotta e rappresenta il dato disallineato
su cui effettuare la fusione. Dopo la fusione i dati sono stati confrontati col multispettrale
originale.
I grafici sottostanti riportano i risultati della simulazione. Il SAM non ha un andamento
significativo (non è particolarmente influenzato dalle variazioni spaziali e risente poco del
disallineamento geometrico) mentre ERGAS e Q4 mostrano decisamente la miglior qualità di
GS+. Questo vale specialmente per Q4 che è decisamente l'indice più adatto per un'analisi di
questo tipo.
116
Fig. 6.36
I risultati visivi confermano che GS+ è influenzato meno di ATW dalla presenza di
disallineamenti spaziali. Ciò è evidente nell'immagine di destra: per ATW appare uno
sdoppiamento dei contorni estratti dall'immagine pancromatica rispetto ai pattern
dell'immagine multispettrale originale.
Immagine MS originale
GS+
Fig. 6.37
ATW
6.5.2.8 DISALLINEAMENTO TEMPORALE
Sono state considerate due scene acquisite dal sensore GeoEye (Maggio e Luglio 2010)
che ha una risoluzione di 0.5m per il pancromatico e 2m per il multispettrale. Le immagini
sono state ortorettificate con l'ausilio di un DEM di precisione di 10m secondo le coordinate
x-y-z. Si è considerata la seconda osservazione e si è simulato di avere a disposizione per essa
solo l'immagine multispettrale o solo quella pancromatica, utilizzando per quella mancante
l'immagine della prima acquisizione. I risultati quantitativi sono riportati per dati degradati
nella tabella sottostante. Gli algoritmi considerati sono ancora ATW e GS+. Anche
l'immagine fusa utilizzando Pan ed MS della seconda osservazione è riportata per confronto.
EXP si riferisce all'immagine multispettrale semplicemente interpolata. La fusione del
multispettrale fatta col metodo MRA utilizzando il multispettrale di Luglio con il
pancromatico di Maggio fornisce ancora risultati tutto sommato soddisfacenti soprattutto per
la qualità spettrale. Questo viene confermato anche dall'analisi visiva.
Tab. 6.10
117
Fig. 6.38
118
6.6 RIDUZIONE DELLA DIMENSIONALITÀ
6.6.1 STATO DELL’ARTE
L’analisi di segnali ad elevata dimensionalità richiede una descrizione adeguata della
distribuzione statistica del segnale per migliorare le prestazioni degli algoritmi di elaborazione
ed estrarre informazioni significative. L’alta dimensionalità nel dominio di rappresentazione
originale (spazio e lunghezza d’onda nel caso di immagini iperspettrali) impedisce la stima
diretta della pdf dall’osservazione di campioni del segnale, anche riducendo l’analisi a piccole
regioni.
Tuttavia, le proprietà fisiche degli oggetti osservati, tra cui l’omogeneità spaziale e
spettrale, determinano alcune caratteristiche molto specifiche nella distribuzione dei campioni
osservati nelle coordinate spaziali e spettrale: i pixel delle immagini iperspettrali si
distribuiscono all’interno di piccole regioni con particolari caratteristiche di localizzazione
(nei cosiddetti manifold) nello spazio originale. Da un punto di vista matematico, si intende
per manifold uno spazio matematico astratto che a scala sufficientemente piccola si può
ricondurre ad uno spazio Euclideo di una certa dimensione, detta manifold dimension. Perciò
ciascun punto di un manifold n-dimensionale ha un intorno in cui si può definire un
omeomorfismo con uno spazio euclideo di dimensione n, ovvero una corrispondenza
biunivoca fra due spazi topologici che ne preserva la topologia.
Nel campo dell’elaborazione di dati telerilevati, in particolare di immagini iperspettrali,
l’obiettivo principale delle tecniche di manifold learning (trasformazioni non-lineari di
riduzione della dimensionalità) consiste nel mappare i dati a dimensione ridotta rispetto a
quella di partenza, allo scopo di svolgere un’analisi migliore e più efficace, mantenendo al
contempo le caratteristiche topologiche (spettrali) originali [Bachmann 2005, Bachmann
2006].
Le immagini iperspettrali hanno caratteristiche intrinsecamente non lineari, dovute, tra
l’altro, alla bidirectional reflectance distribution function (BRDF), ai mezzi non lineari, a
fenomeni di scattering multiplo, alla eterogeneità dei pixel osservati. Ciò è immediatamente
riscontrabile in una scena iperspettrale naturale, tracciando gli scatter plots di diverse terne di
canali, che forniscono viste alternative del manifold dei dati con dimensionalità intrinseca
molto inferiore a quella dello spazio originale [Bachmann 2005].
L’elevata complessità richiesta per ricercare una rappresentazione che fornisca una
descrizione adeguata di questo manifold suggerisce l’utilizzo di approcci avanzati non
parametrici oppure di approssimazioni parametriche. Da un lato, la flessibilità dei metodi non
parametrici (metodi basati su kernel e tecniche non lineari di Independent Component
Analysis) è spesso limitata dall’elevato costo di calcolo richiesto. I metodi parametrici,
viceversa, ad esempio i modelli Bayesiani nel dominio wavelet, hanno il vantaggio della
semplicità computazionale, ma frequentemente possono essere eccessivamente rigidi quando
il modello adottato non descrive accuratamente le caratteristiche del segnale. L’obiettivo è
dunque quello di derivare un sistema di coordinate che sia inerente al data manifold
analizzato, che segua la sua struttura per quanto intricata e convoluta allo scopo di ottenere
una migliore rappresentazione dei dati per scopi di analisi, classificazione o rappresentazione
sintetica. In particolare, si intende sostituire un concetto lineare di similarità in cui la semplice
metrica euclidea descrive le distanze tra tutte le coppie di punti campione, con il concetto di
distanza geodetica che si misura lungo la traiettoria caratteristica del data manifold. Ciò
equivale a determinare un sistema di coordinate che risiede nel manifold e a misurare la
similarità tramite la stima della distanza geodetica lungo lo stesso manifold. Quando si riesce
a definire un tale sistema di coordinate, la distanza geodetica lungo il manifold diventa
semplicemente una metrica lineare nel sistema di coordinate del manifold. Tali tecniche fanno
119
parte delle metodologie che operano una trasformazione nonlineare dello spazio originale
[Van der Maaten, 2009, Burges 2005, Venna 2007].
Quando si stimano le distanze geodetiche, la metrica è applicata soltanto ad un intorno
limitato, localmente lineare. Le distanze tra campioni posti al di fuori dell’intorno locale sono
calcolate collegando i percorsi più brevi tra punti comuni a più intorni.
In definitiva, i sensori iperspettrali permettono di campionare densamente le firme spettrali
dei vari tipi di materiali e classi di copertura al suolo, migliorando la discriminazione fra
classi simili rispetto ai tradizionali sensori multispettrali. L’elevato numero N di bande
spettrali ha tuttavia un impatto diretto sull’analisi dei dati, sui tempi di elaborazione e sulla
scelta di un’opportuna rappresentazione del dato che consenta di evidenziare, nello spazio Ndimensionale, delle strutture intrinsecamente significative dal punto di vista informativo.
L’obiettivo è dunque determinare una rappresentazione del dato iperspettrale avente una
dimensione corrispondente alla dimensionalità intrinseca del dato stesso [Fukunaga, 1990].
Di seguito, si riporta un elenco delle principali tecniche di manifold learning [Crawford
2011] adattabile all’analisi di immagini iperspettrali:
Metodi globali
Isometric Feature Mapping (Isomap)
[Tenenbaum 2000]
Kernel Principal Component Analysis (KPCA)
[Scholkopf 1998]
Metodi locali
Locally Linear Embedding
[Roweis 2000]
Local Tangent Space Alignment (LTSA)
[Zhang 2004]
Laplacian Eigenmaps
[Belkin 2003]
Tab. 6.11
120
6.7 IMAGE ENHANCEMENT E RESTORATION
6.7.1 STATO DELL’ARTE
Le tecniche di image enhancement e restoration sono comunemente utilizzate per
migliorare la qualità delle immagini. Esiste una vasta casistica di tali tecniche molte delle
quali sono specifiche della tipologia e delle caratteristiche dei dati o della specifica
applicazione. Quelle che considereremo nel progetto sono di tipo generale (sostanzialmente
indipendenti dall'applicazione) e sono invece tipiche dei sensori iperspettrali e pancromatici
risentendo delle caratteristiche spaziali, spettrali e radiometriche dei sensori. In particolare,
tali tecniche tengono conto delle MTF di sistema e dei parametri di rumore stimati durante il
controllo di qualità.
Allo scopo di limitare e focalizzare la trattazione considereremo solo quelle tecniche che
possano risultare specificamente utili per la missione PRISMA. Occorre inoltre tener conto
che, data la scarsa diffusione dei sensori iperspettrali, non esiste una casistica specifica di
tecniche di enhancement e restoration per tali sensori. I ricercatori che operano nel settore si
sono finora preoccupati di utilizzare i dati originali senza introdurre manipolazioni che ne
possano in qualche modo falsare le caratteristiche. Tale principio di preservare quanto più
possibile i dati originali, riconosciuto nella comunità scientifica, sarà assunto come base nel
progetto.
Le tecniche che abbiamo identificato e ritenute di interesse per il progetto riguarderanno:


correzione dell’immagine PAN mediante filtraggio inverso e successiva riduzione del
rumore in alta frequenza;
filtraggio adattivo del rumore del sensore per i dati iperspettrali che tenga conto del
modello segnale rumore e dei parametri del rumore.
Il miglioramento del SNR in dati iperspettrali è stato tradizionalmente realizzato
assumendo il rumore additivo indipendente dal segnale [5], eventualmente autocorrelato
spettralmente [6]. Fino ad oggi, le procedure di denoising hanno raramente [1,2] tenuto conto
di un modello parametrico che includa il rumore fotonico [3,4]. E’ altresì necessario
investigare metodologie di filtraggio 2D di singole bande rispetto al filtraggio 3D del cubo di
dati, oppure filtraggi 2D applicati a una trasformazione spettrale dei dati (MNF o wavelet) [7],
soprattutto in termini di preservazione delle anomalie spettrali che si presentano come
componenti minoritarie.
L'approccio che si propone nel progetto per ridurre il rumore è abbastanza classico e fa
riferimento ad algoritmi che lavorano con trasformata wavelet e tengono conto del modello
segnale rumore e dei parametri del rumore secondo quanto proposto da Argenti, Torricelli e
Alparone nel 2006 [1]. Un uso efficiente del filtro richiede una stima efficace dei parametri di
rumore secondo quanto preventivato nel progetto.
Rimane tuttora oggetto di discussione l'utilità di considerare un filtraggio inverso per le
bande iperspettrali finalizzato a migliorarne la risoluzione spaziale. Tali bande possono infatti
presentare due tipi di problemi. Sono rumorose secondo un modello di rumore dipendente dal
segnale e in particolare possono essere affette da un fenomeno di aliasing sulle frequenze
spaziali più alte legato al valore della MTF di sistema di ogni banda alla frequenza di Nyquist.
Un filtraggio inverso avrebbe come conseguenza un ulteriore esaltazione di tale rumore di
aliasing la cui eliminazione potrebbe portare ad alterazioni non tollerabili dell'immagine.
L'utilità di un filtraggio inverso delle bande del sensore iperspettrale di PRIMA sarà
oggetto di indagine nel corso del progetto.
121
1.
2.
3.
4.
5.
6.
7.
F. Argenti, G. Torricelli, and L. Alparone, “MMSE filtering of generalised signaldependent noise in spatial and shift-invariant wavelet domains,” Signal Processing, Vol.
86, No. 8, pp. 2056–2066, August 2006.
H. Faraji, W. J. MacLean, “CCD noise removal in digital images,” IEEE Transactions on
Image Processing, Vol. 15, No. 9, pp. 2676–2685, September 2006.
N. Acito, M. Diani, G. Corsini, “Signal-dependent noise modeling and model parameter
estimation in hyperspectral images,” IEEE Transactions on Geoscience and Remote
Sensing, Vol. 49, No. 8, pp. 2957–2971, August 2011.
L. Alparone, M. Selva, B. Aiazzi, S. Baronti, F. Butera, L. Chiarantini, “Signaldependent noise modelling and estimation of new-generation imaging spectrometers,” in
Proc. 1st Workshop Hyperspectral Image Signal Process.—Evolution Remote Sensing,
2009, pp. 1–4.
D. Letexier, S. Bourennane, “Noise removal from hyperspectral images by
multidimensional filtering,” IEEE Transactions on Geoscience and Remote Sensing, Vol.
46, No. 7, pp. 2061–2069, July 2008.
X. Liu, S. Bourennane, C. Fossati, “Nonwhite noise reduction in hyperspectral images”,
IEEE Geoscience and Remote Sensing Letters, Vol. 9, No. 3 pp. 368–372, May 2012.
B. Aiazzi, L. Alparone, S. Baronti, F. Butera L. Chiarantini, M. Selva, “Benefits of
signal-dependent noise reduction for spectral analysis of data from advanced imaging
spectrometers”, in Proc. 3rd Workshop on Hyperspectral Image and Signal Processing:
Evolution in Remote Sensing (WHISPERS), 6-9 June 2011.
122
7 APPLICAZIONI
7.1 STATO DELL’ARTE
La prospezione geologica effettuata con l’ausilio dei sensori aerospaziali ha inizio nel 1972
con il lancio del primo Landsat e rappresenta il primo esempio di telerilevamento con
strumentazione digitale delle risorse terrestri per scopi civili. La limonite, una combinazione
di minerali con Fe3+, è stato il primo ed unico materiale roccioso identificato con l’analisi dei
dati provenienti dal Multispectral Scanner System e questa capacità è stata utilizzata per
mappare le rocce idro-termicamente alterate. Nel 1982 l’aggiunta sul Thematic Mapper dei
canali a 1,65 e a 2,22 µm permise l’identificazione delle classi di minerali che hanno le bande
di assorbimento del OH, HOH e CO3, ma rimase impossibile discriminare i minerali
all’interno delle classi.
Le immagini digitali relative al “colore” del mare sono state raccolte a partire dal 1978 con
il Coastal Zone Color Scanner. A causa della limitata risoluzione spaziale questi dati sono
stati utilizzati principalmente in oceanografia per studiare i processi a mesoscala. Usando i
quattro canali spettrali a 0,43, 0,52, 0,55, and 0,67 µm, i dati sono stati corretti dagli effetti
dell’atmosfera e quindi sono stati usati per stimare le concentrazioni dei pigmenti nel
fitoplancton vicino alla superficie.
Attualmente l’utilizzo del telerilevamento ad alta risoluzione spettrale permette
l’identificazione di molti minerali, lo studio dei processi biochimici nella vegetazione, la
stima delle dimensioni delle particelle di neve e delle impurità assorbite, la quantificazione
dei sedimenti sospesi e del fitoplancton nelle acque costiere ed interne, la mappatura di alcuni
dei principali gas atmosferici. A tale scopo dal 1982 sono stati progettati e costruiti molti
spettrometri ad immagine per aereo ed alcuni per satellite. Questi sensori sono passati ad
operare dalla configurazione whisk-broom a quella push-broom ed utilizzano varie tecniche di
campionamento spettrale quali reticoli, prismi, interferometri e filtri accordabili a cristalli
liquidi.
In sintesi due sono gli obiettivi della spettrometria ad immagine: utilizzare i dati
iperspettrali come uso di bene pubblico (per esempio, la gestione degli scarichi di miniera, la
valutazione degli stress ambientali negli ecosistemi) e dove possibile per facilitare anche lo
sviluppo di prodotti ed attività commerciali (per esempio, nella prospezione geologica, in
silvicoltura).
123
7.2 REQUISITI UTENTE
Tab. 7.1 riporta le principali aree di applicazione ed i prodotti che sono più frequentemente
richiesti da un generico utente. Sono stati identificati una ventina di prodotti, facenti capo a
differenti aree di applicazione, per i quali l’uso del telerilevamento da satellite con
strumentazione iperspettrale comporta una migliore accuratezza nella determinazione dei vari
prodotti e/o aggiunge ulteriori informazioni sulle aree di applicazione. Si deve notare che in
campo atmosferico le principali applicazioni del telerilevamento della superficie terrestre
sono rivolte alla correzione degli effetti atmosferici. Infatti nella catena di processamento dati
questo è un punto cruciale per ottenere prodotti accurati ed affidabili. Al fine di soddisfare
alcuni requisiti dell’utente, certe volte può venir presa in considerazione la possibilità di
fondere dati iperspettrali con immagini provenienti da camere pancromatiche ad alta
risoluzione spaziale o da SAR.
Molti studi sull’utilizzo di dati iperspettrali sono stati eseguiti usando i dati provenienti da
sensori iperspettrali avionici quali l’Airborne Visible/Infrared Imaging Spectrometer
(AVIRIS), un sensore avionico iperspettrale con risoluzione spettrale di 10 nm, risoluzione
spaziale di 20 m ad una quota di volo di 20 km. Le tecniche sviluppate per i dati ottenuti da
strumentazione avionica possono essere in parte trasferite al dominio spaziale anche se in
generale le loro risoluzioni spaziali e spettrali sono differenti.
Area di Applicazione
Agricoltura
-
Principali prodotti attinanti all’area
Mitigazione dello stress delle coltivazioni ed oragnizzazione
dell’area di coltura
Produttività delle coltivazioni
Qualità del suolo ed erosione
Monitoraggio e previsione dello stato di salute dell’ambiente
agrario
Selvicoltura
- Inventario delle caratteristiche delle foreste
- Chimica (stato di salute delle foreste, selvicoltura di
precisione)
- Monitoraggio e stime
Geologia/Suoli
- Esplorazione mineraria
- Mappatura litologica
- Mappatura geobotanica
Coste/Acque interne
- Biomassa del phytoplankton oceanico e produttività marina
- Biomassa del phytoplankton costiero e delle acque interne,
fioritura algale, presenza di sedimenti alla foce dei fiumi
- Navigazione, attività relative alla pesca, eventi inquinanti
- Mappatura delle coste, monitoraggio delle spiagge e delle
alghe, aree umide
- Purezza delle acque, parametri ottici a fini militari
Ambiente
-
Mappe dell’uso del territorio
Cambiamento climatico
Mappatura delle zone umide
Degradazione del territorio
Mappatura post-bellica di aree minate
124
Zone urbane
- Mappe dell’uso del territorio
- Monitoraggio della qualità dell’aria
Neve e ghiaccio
- Misura dell’estensione della copertura nevosa (sub-pixel cover)
- Stato energetico della copertura nevosa (albedo, dimensione
del grano nevoso, presenza di acqua liquida in superfice, acqua
liquida equivalente alla quantità di neve)
Tab. 7.1: Applicazioni e prodotti di maggior interesse per l’utente.
Le caratteristiche richieste ad un sensore iperspettrale sono definite dalle aree di
applicazione per cui dovrebbe essere progettato. In Tab. 7.2 vengono elencati i parametri più
stringenti a seconda dell’area di applicazione. Queste richieste possono essere talvolta
tecnicamente difficili da realizzare perciò si possono venire rilassare sempre soddisfacendo i
requisiti per i prodotti richiesti.
Le specifiche principali che caratterizzano un sensore iperspettrale posto su un satellite
sono: il rapporto segnale-rumore, la risoluzione spaziale e spettrale, l’estensione dell’area
esaminata ed il tempo di rivisitazione. Inoltre è importante ricordare che per ottenere
determinati prodotti è necessario selezionare e quindi indagare ben determinate zone spettrali
(singole lunghezze d’onda e/o bande spettrali che possono essere contigue e non).
Area di Applicazione
Specifiche richieste
Agricoltura
- Risoluzione spettrale nella zona del “red-edge”: < 10 nm
- Intervallo di campionamento spettrale nel VNIR: 5 nm
- Frequenza di osservazione: settimanale
Selvicoltura
- Risoluzione spaziale: 1 - 20 m
- Traccia a terra: ≥ 60 km
- Accuratezza della calibrazione spettrale: < 0.1 nm
Geologia/suoli
- Risoluzione spettrale: < 10 nm
- SNR1 nello SWIR: 400:1
- Accuratezza della calibrazione spettrale: < 0.2 nm
Acque interne/costiere
- Zona spettrale: da 370 nm in su
- SNR2: >> 100:1
- Frequenza di osservazione in periodi critici: 1 - 3 giorni
Ambiente
-
1
2
Risoluzione spettrale:: < 10 nm
Risoluzione spaziale: 5 – 20 m
SNR1 nel VNIR: > 800:1
Traccia a terra: ≥ 50 km
Per un target con riflettanza 0.3 visto sotto un angolo solare zenitale di 30 °
Per un target con riflettanza 0.05 visto sotto un angolo solare zenitale di 30
Tab. 7.2: Requisiti più stringenti per le differenti aree di applicazione di un sensore
iperspettrale.
125
7.2.1 CARATTERISTICHE DEL SENSORE E REQUISITI
OPERATIVI DI MISSIONE
La tabella Tab. 7.3 riporta le principali specifiche per un generico sensore iperspettrale che
soddisfi i requisiti riportati nella tabella precedente. In Tab. 7.4 sono invece riportati i requisiti
operativi.
Parametri
Requisiti utente
Traguardi requisiti utenti
Ampiezza della traccia a terra
almeno 30 km
la più grande possibile
Lunghezza della traccia a terra
200 km
Risoluzione spaziale
20 m
Copertura spettrale
400 – 2450 nm
Risoluzione spettrale (FWHM) 1
10 nm
5 nm in VNIR
Intervallo di campionamento
un campione per FWHM
due campioni per FWHM
spettrale
Picco SNR2 (VNIR)
600:1
800:1
2
Picco SNR (SWIR1)
400:1
500:1
2
Picco SNR (SWIR2)
200:1
400:1
Accuratezza assoluta della
5%
3%
3
calibrazione radiometrica (TOAR)
Accuratezza assoluta della
0.1 nm
calibrazione spettrale
Quantizzazione radiometrica
12 bits
1
FWHM = Full Width Half Maximum
2
Per un target con riflettanza 0.3 visto sotto un angolo solare zenitale di 30 °
3
TOAR = Top Of Atmosphere Radiance
Tab. 7.3: Requisiti del sensore iperspettrale.
Parametri
Requisiti utenti
Area coperta al giorno
Frequenza di rivisitazione
Angolo di roll rispetto al nadir
Massimo angolo zenitale solare
Copertura nuvolosa accettabile con un quick look
Ora di passaggio del satellite
Più grande possibile
< 6 giorni
30 °
65 ° per le aree polari
60 ° altrove
20 %
10:00 – 12:00
Tab. 7.4: Requisiti operativi della missione spaziale.
126
7.3 RISCHI NATURALI E ANTROPICI
Negli ultimi anni si è assistito ad un sempre maggior interesse per le problematiche
ambientali, e grande attenzione è stata data alle tematiche relative ai disastri naturali quali
alluvioni, frane, incendi e terremoti. La comunità scientifica si è sempre interrogata sul
possibile utilizzo dei dati telerilevati da piattaforma satellitare come ausilio nella lotta e nella
gestione di questi eventi catastrofici, e la crescente disponibilità e qualità dei dati acquisiti da
satellite ha contribuito ad aumentare sempre più la potenzialità di questi dati. A titolo di
esempio, rimanendo nel contesto italiano, si possono citare alcuni dei progetti pilota finanziati
da ASI per valutare l’utilizzo dei dati EO come supporto alle operazioni di protezione civile
per la lotta al rischio alluvioni (progetti PROSA, OPERA), al rischio frane (progetto
MORFEO) e al rischio incendi (progetto SIGRI).
7.3.1 FRANE
In Italia, le frane sono fenomeni comuni e diffusi, ed ogni anno provocano danni alla
popolazione e danni economici e ambientali molto gravi. La mitigazione del rischio da frana
rappresenta quindi un obiettivo tecnico-scientifico di rilevanza sociale. Da oltre un trentennio
il telerilevamento è applicato nello studio dell’ambiente, in quanto per loro natura le immagini
acquisite da sensori satellitari sono le sole a fornire, per aree geograficamente estese e con una
elevata ricorrenza temporale, grandi quantità di dati sullo stato fisico, chimico e biologico
della superficie della terra.
Purtroppo i sensori attualmente operanti da satellite associano ad ampi campi di vista una
risoluzione sia spaziale che spettrale e temporale non sempre sufficiente, ed è molto difficile
estrarre dal dato telerilevato informazioni significative per l’identificazione e monitoraggio di
quei fenomeni ambientali che si manifestano su limitate porzioni della superficie della terra o
che a grande scale hanno una elevata variabilità spaziale. Questo è particolarmente vero per i
movimenti franosi., che in generale interessano aree di modeste dimensioni (da uno a pochi
ettari), e sono caratterizzati da feature morfologiche articolate che, tradizionalmente, vengono
studiate da operatori esperti (foto-interpreti) tramite l’impiego della fotografia aerea e
dell’osservazione diretta su campo [Kusaka et al., 1992]. Entrambi queste operazioni
richiedono però tempi lunghi e sono fortemente dipendenti dall’esperienza del rilevatore. A
questi inconvenienti vanno aggiunte la difficoltà di ottenere un quadro di insieme di porzioni
estese di territorio, e il costo della ripetizione periodica di rilevamenti aerofotogrammetrici
delle zone di interesse.
Allo stato attuale delle cose, le effettive potenzialità delle immagini telerilevate da satellite
nell’ambito dello studio dei eventi franosi, sia per l’identificazione che per il monitoraggio,
non sono state completamente sviscerate, soprattutto alla luce della molteplicità informativa
(spaziale, temporale e spettrale) garantita dalle attuali tecnologie di telerilevamento [Shikada
et al., 1995]. La disponibilità di immagini multispettrali ed iperspettrali, ad alta ed altissima
risoluzione spaziale, acquisite talvolta anche in modalità stereoscopica apre infatti sempre
nuove prospettive, sull’utilizzo di questi dati nel contesto delle frane. Tale opportunità si
rivela particolarmente utile in territori quali quello italiano, soggetto a fenomeni franosi che
costituiscono l’evento catastrofico spazialmente e temporalmente più frequente per tutta l’area
collinare-montuosa del paese.
E’ quindi sempre più forte l’interesse per lo sviluppo di metodi innovativi per la
caratterizzazione, il monitoraggio e la perimetrazione delle aree instabili interessate da
fenomeni di frana che integrino le tecniche tradizionali (osservazioni di campagna e tramite
foto aeree) con i moderni strumenti per la gestione ed elaborazione dei dati geografici (GIS) e
con le informazioni ottenibili con l’impiego di sensori satellitari e da aereo di nuova
127
concezione [Liu et al., 2004][Fourniadis et al. 2006], così come è forte la necessità di una
ricerca che esplori sistematicamente le possibilità di un effettivo impiego delle immagini
satellitari nelle operazioni di controllo e gestione del territorio per quanto riguarda i rischi di
frana. Uno studio di questo genere è stato effettuato con il Progetto Pilota “MORFEO –
Protezione Civile dalle frane” (Contratto ASI n. I/045/07/0), volto alla realizzazione di un
sistema prototipale che supporti la Protezione Civile nelle decisioni relative al rischio da
frana, integrando l’utilizzo di tecnologie e dati di Osservazione della Terra nelle metodologie
tradizionali.
Allo stato attuale delle cose, in prima istanza si può notare come le informazioni
provenienti da dati telerilevati da piattaforma satellitare possono rivelarsi utili nei seguenti
contesti specifici:
I. impiego del dato EO opportunamente elaborato, come ausilio per l’individuazione, la
caratterizzazione e la mappatura delle frane con le usuali tecniche fotogrammetriche.
II. impiego del dato EO di nuova generazione per l’individuazione di aree ad elevata
propensione al dissesto nella maniera più automatica possibile.
III. impiego del dato EO di nuova generazione al fine della stima dello stato di umidità
superficiale a livello di versante.
7.3.1.1 VALUTAZIONE DELL’UMIDITÀ SUPERFICIALE
Nel caso dello studio della stabilità dei versanti in aree vaste (da diverse decine ad alcune
migliaia di chilometri quadrati), e dove non è possibile applicare modelli (deterministici,
fisicamente o pseudo-fisicamente basati), la soluzione più comunemente adottata consiste
nella applicazione di modelli statistici. La valutazione della suscettibilità da frana, intesa
come probabilità che un territorio possa essere soggetto a frane sulle base delle caratteristiche
fisiografiche (morfologiche, geologiche, di uso e copertura del suolo, meteorologiche,
climatiche, ecc.), avviene utilizzando metodi di classificazione multi-variata, che cercano di
stabilire correlazioni statistiche tra un set di parametri tematici geo-ambientali e la presenza di
frane. [Guzzetti et al., 1999, 2005a, 2006]. I fattori naturali e antropici che controllano la
propensione di un territorio a franare sono molteplici, e intrinsecamente connessi. Le variabili
territoriali da usare come parametri nello studio multi-variato sono scelte sulla base di
conoscenze pregresse (geologiche, geomorfologiche, geotecniche, idrologiche, pedologiche,
ecc.) e considerando i fattori che influenzano i fenomeni di instabilità, nonché determinate
informazioni tematiche e ambientali, a scale ed accuratezza adeguate. Le frane infatti possono
essere indotte da diversi eventi, sia meteorologici che geofisici, come piogge intense o
prolungate e terremoti . In entrambi i casi, le condizioni idrauliche dei versanti e il grado di
saturazione del terreno sono importanti fattori per l’innesco delle frane, e in particolare per
quelle più superficiali. Fra le variabili tematiche assumono quindi una notevole importanza
quelle che descrivono le condizioni geo-idrologiche locali e le loro variazioni spaziali e nel
tempo. Infatti, anche se non esiste una relazione diretta fra il contenuto d’acqua nello strato
più superficiale del suolo (da 1 a 20 cm) e le condizioni idrauliche dei pendi alle profondità
alle quali si sviluppano le frane (da diverse decine di centimetri ad alcune decine di metri), la
conoscenza dell’umidità superficiale del terreno è di notevole interesse per lo studio dei
fenomeni franosi [Crosta e Frattini, 2003], e in particolare per la definizione della loro
pericolosità.
Attualmente, le cartografie dell’umidità del suolo, vengono prodotte, per le scale e le
risoluzioni spaziali e tematiche adeguate alla valutazione della suscettibilità da frana, solo per
aree limitate (da alcune decine a diverse migliaia di metri quadrati), ricorrendo a costose
campagne di misura al suolo, effettuate prevalentemente con sistemi TDR portatili o usando il
metodo della resistività elettrica, (GPR), che opera su di un volume di suolo maggiore rispetto
a quello investigato dalle sonde TDR. Le sonde TDR garantiscono misure accurate e a
128
profondità variabili, ma le loro misure sono tuttavia puntuali (riferite ad un volume di suolo di
alcune decine di centimetri cubi), e raramente vengono ripetute con la frequenza temporale
necessaria ad una adeguata caratterizzazione delle variazioni temporali di umidità del suolo. I
risultati sono quindi affidabili solo per il luogo dove la misura è stata effettuata, e possono
originare errori significativi a causa dell’eterogeneità di molti suoli, in quanto l’umidità del
suolo è una grandezza fisica ad alta variabilità sia spaziale che temporale.
Per la produzione di mappe dell’umidità superficiale del suolo fino a circa 5 cm di
profondità, una alternativa è rappresentata dall’elaborazione di immagine remote, ottiche o
SAR, riprese da aereo o da satellite. Per quanto riguarda in particolare i dati ottici, l’attività
svolta per la stima dell’umidità superficiale consiste principalmente nella calibrazione di
modelli di inversione che utilizzano l’informazione raccolta nelle bande termiche e di
riflettenza.
I limiti delle due metodiche (quella basata su misure al suolo e quella che utilizza i dati
telerilevati) sono noti. Nel caso delle misure al suolo, le tecniche di spazializzazione non sono
sempre in grado di rappresentare in modo corretto o adeguato l’andamento (spaziale e
temporale) dell’umidità superficiale. Dal canto loro, le misure telerilevate soffrono di
mancanza di accuratezza e della necessaria risoluzione spaziale e temporale, in quanto i vari
tipi di satelliti hanno caratteristiche operative, riassunte in Tab. 7.5, variabili ma comunque
non completamente ottimali.
Piattaforma
Caratteristiche operative
Periodicità
Risoluzione
Scala spaziale
Satelliti polari
Bassa
(16-18 giorni)
Alta
5 – 100m
Bassa
(60 - 185 Km)
Satelliti polari
metereologici
Media
(12 ore - 2 giorni)
Media
(900m - 3Km)
Media
(700 - 3000 Km)
Satelliti
geostazionari
Alta
(30 minuti)
Bassa
(1 - 5 Km)
Alta
(quasi emisferico)
Tab. 7.5: Caratteristiche operative delle varie piattaforme satellitari.
Le mappe di umidità del suolo ottenute da dati telerilevati sono inoltre ancora sperimentali
e mancanti di una effettiva validazione scientifica e operativa.
L'utilizzo dei sensori satellitari ottici (nel medio e nel lontano infrarosso) e alle microonde
di ultima generazione (COSMO-SkyMed), per produrre mappe di umidità del suolo
sufficientemente accurate da poter essere inserite nella modellistica della suscettibilità da
frana, è stato oggetto di studio nel progetto MORFEO (MOnitoraggio del Rischio da Frana
con tecnologie EO) dell’Agenzia Spaziale Italiana.
129
7.3.2 INCENDI BOSCHIVI
Negli ultimi anni si è assistito ad un sempre maggior interesse per le problematiche
ambientali e le risorse naturali. In questo ambito grande attenzione è stata data alle tematiche
relative ai disastri naturali quali alluvioni, frane, incendi e terremoti. La comunità scientifica
si è sempre interrogata sul possibile utilizzo dei dati telerilevati da piattaforma satellitare
come ausilio nella lotta e nella gestione di questi eventi catastrofici, e la crescente
disponibilità e qualità dei dati acquisiti da satellite ha contribuito ad aumentarne sempre più la
potenzialità. A titolo di esempio, rimanendo nel contesto italiano, si possono citare alcuni dei
progetti pilota finanziati da ASI per valutare l’utilizzo dei dati telerilevati come supporto alle
operazioni di protezione civile per la lotta al rischio alluvioni (progetti PROSA, OPERA), al
rischio frane (MORFEO) e al rischio incendi (progetto SIGRI).
Il tema della lotta agli incendi riveste un ruolo di primaria importanza, soprattutto in paesi
della regione Mediterranea come l’Italia nei quali le risorse forestali sono limitate ed ingenti
sono i danni annuali arrecati dagli incendi boschivi. La necessità di un aumento
dell’efficienza delle azioni di lotta e monitoraggio degli incendi ha fatto sorgere la richiesta
per una sempre maggiore quantità e qualità dell’informazione da usare in tutte le fasi di queste
azioni. L’acquisizione di dati direttamente sul posto è utile nella fase d’intervento, ma è
limitata da alcuni fattori quali la configurazione orografica del terreno, la difficoltà di
spostamento, la pericolosità dell’ambiente in cui i dati vanno rilevati e talvolta anche
l’estensione del fronte del fuoco. Nelle fasi che richiedono una analisi dell’intero territorio di
interesse, quali quelle legate all’acquisizione di dati per la mappatura delle zone di rischio, i
dati acquisiti direttamente sul posto sono utili poi solo per zone limitate di alto valore
specifico, ma non possono ovviamente essere rilevati in maniera globale, così come per
motivi di estensione risulta difficile un utilizzo dei dati rilevati in-situ per l’individuazione
precoce dei focolai d’incendio in zone con estese coperture boschive poco abitate. Molti degli
inconvenienti sopra riportati risultano essere superati con una acquisizione dei dati da
piattaforma aerea e soprattutto da satellite, anche se a prezzo di altri tipi di limitazione (legati
alla risoluzione e alla disponibilità del dato); la potenzialità dei dati EO acquisiti da
piattaforma satellitare come ausilio nelle varie fasi di intervento è stata quindi indagata dalla
comunità scientifica. Nel progetto SIGRI, ad esempio, si è valutata la potenzialità di dati
multispettrali come quelli acquisiti da MODIS e Meteosat Second Generation-SEVIRI, dati
SAR come quelli di COSMO-SkyMed e quelli delle future missioni SAOCOMO/SIASGE e
Pleiades. La disponibilità de nuovi dati iperspettrali, con bande spettrali più strette e
ravvicinate aumenta ulteriormente l’informazione resa disponibile dai dati telerilevati, e la
loro potenzialità nel contesto della lotta agli incendi.
Le applicazioni possibili dei dati telerilevati nel campo della lotta agli incendi possono
essere classificate in base alle varie fasi di intervento;
 Analisi del rischio (prevenzione)
 Rilevazione
 Gestione e monitoraggio dell’incendio
 Perimetrazione delle aree incendiate
7.3.2.1 ANALISI DEL RISCHIO
In questa fase, precedente l’incendio, si mira a realizzare mappe di rischio che aiutino gli
enti interessati a realizzare le opportune opere di prevenzione. Affinché un incendio possa
svilupparsi grazie ad una causa innescante, è necessario che la temperatura e la fuel moisture
superino determinate soglie [Rothermel, 1972]. La possibilità che un incendio si inneschi può
essere quindi sintetizzata in un unico indice di rischio che dipende da vari fattori quali tipo di
combustibile, fuel moisture, pendenza del terreno, vento, temperatura. Molti di questi
130
parametri possono essere convenientemente ricavati da dati di vario tipo acquisiti da
piattaforma satellitare.
Informazioni sul tipo di combustibile, il genere e il tipo di copertura del territorio possono
essere ricavate grazie ai dati dei sensori iperspettrali, sfruttando dei modelli di emissività delle
varie specie vegetali è possibile.
I dati telerilevati si rivelano utili anche per fornire informazioni sulla fuel moisture, che
rappresenta poi un parametro chiave, in quanto se l’umidità è alta è necessario più calore per
innescare il fuoco [Chuvieco et al., 2002], e la stessa propagazione dell’incendio sarà più lenta
[Verbesselt et al., 2002] . L’umidità della vegetazione influisce infatti sulle proprietà
radiometriche della vegetazione stessa, e questa informazione può essere raccolta da sensori
nella banda ottica [Ceccato et al., 2002], Numerosi indici empirici sono stati sviluppati a
questo proposito per i dati multispettrali, tra cui l’EWT (Equivalent Water Thickness),
definito come il peso dell’acqua allo stato liquido per unità di area fogliare [Gao,
1996][Ceccato et al., 2002] [Rock et al., 1986] [Zarco-Tejada and Ustin, 2001].
EWT 
W f  Wd
A
Eq. 7-1
dove:
Wf = peso della massa fogliare umida come misurata sul campo su una superfice A
Wd = peso della stessa massa fogliare secca
ed il similare EWTc (canopy EWT )
EWTC  EWT  LAI
Eq. 7-2
dove LAI è il Leaf Area Index
Nei modelli utilizzati nel contesto della lotta agli incendi risulta però più utile l’indice
FMC (Fuel Moisture Content), definito come la percentuale di peso dell’acqua per unità di
peso della massa fogliare secca,
FMC 
W f  Wd
Wd
Eq. 7-3
ed equivalente al rapporto fra EWT e peso della massa fogliare secca per unità di area (Dry
Matter Content - DMC).
DMC 
Wd
A
Eq. 7-4
Essendo un rapporto fra due parametri che influenzano in maniera indipendente la
riflettanza, l’indice FMC è più difficile da valutare; è stato comunque dimostrato che il dato
iperspettrale garantisce una migliore stima rispetto a quanto si può fare con un dato
multispettrale [Maffei e Menenti, 2010]. Nel caso di dati iperspettrali infatti questo indice può
essere calcolato con più precisione considerando l’andamento dello spettro in determinate
bande di assorbimento dell’acqua [Gao, 1990], o con una inversione di un modello di
trasferimento radiativo [Verbesselt et al, 2002].
Poiché la banda SWIR è influenzata dai parametri EWT, DMC [Ceccato et al., 2002] e dalla
struttura della foglia mentre la banda NIR è sensibile solo a DMC e struttura fogliare, sono
stati sviluppati molti indici basati sul rapporto fra la riflettanza in queste due bande per
131
evidenziare l’informazione relativa al parametro EWT da dati multispettrali, fra cui il
Normalized Difference Water Index (NDWI), definito per le bande del sensore MODIS come
NDWI 
R860  R1240
R860  R1240
Eq. 7-5
dove R860 and R1240 sono i valori della riflettanza misurati nelle bande centrate
rispettivamente a 860 and 1240 nm.
Un altro indice utilizzato per valutare la EWT è il Global Vegetation Moisture Index
(GVMI) definito per le bande di SPOT-VEGETATION come:
GVMI 
R840  0,1  R1660  0,02
R840  0,1  R1660  0,02
Eq. 7-6
dove R840 and R1660 sono i valori della riflettanza misurati nelle bande centrate rispettivamente
a 840 and 1660 nm.
Questi indici, anche se risentono del parametro LAI [Ceccato et al., 2002], si sono rivelati
efficienti, e possono essere estesi anche dati iperspettrali; nel caso dei dati iperspettrali però
sono stati sviluppati nuovi indici più efficienti. Fra questi possiamo citare un metodo basato
su un semplice modello della riflettanza fogliare, usato per stimare i parametri che rendono lo
spettro simulato più simile a quello misurato in un intorno della banda di assorbimento a 970
nm [Gao, 1990], mentre un secondo metodo effettua una inversione del modello di
trasferimento radiativo su tutto lo spettro [Verbesselt et al., 2002].
Questi metodi precedentemente citati offrono buone prestazioni per il calcolo dell’ EWT,
ma presentano dei problemi nel calcolo del DMC [Riaño et al, 2005], con un conseguente
errore nella stima dell’FMC.
Per risolvere questi inconvenienti, un nuovo metodo [Maffei e Menenti, 2010] è stato
proposto basandosi su una regressione PLS (Partial Least Square) [Wold et al, 2001], con
risultati migliori di quelli ottenuti con i metodi precedenti. Da notare come i risultati ottenuti
in [Maffei e Menenti, 2010] siano ricavati con un dato iperspettrale simulato sulla base di
caratteristiche affini a quelle del progetto PRISMA.
7.3.2.2 RILEVAZIONE
L’apporto d’informazioni provenienti da opportune elaborazioni di dati acquisiti da
satellite si è rilevato ben presto di notevole aiuto per implementare un’efficace strategia di
prevenzione degli incendi, ed, ad incendio avvenuto, per portare a termine l’opera
d’individuazione a posteriori delle zone colpite e la valutazione dell’impatto ambientale e dei
relativi danni, con conseguente beneficio nella fase di pianificazione degli interventi di
ripristino e di eventuale sostegno alla popolazione colpita. Ad una prima analisi, le esigenze
quasi real-time della fase di rilevazione sembrerebbero essere di grande ostacolo all’utilizzo
in questa fase di dati telerilevati da piattaforma satellitare, vista la possibile indisponibilità di
dati da satelliti polari a causa dell’eccessivo periodo di rivisitazione e la scarsa risoluzione
spaziale dei satelliti geostazionari. In realtà i continui sviluppi tecnologici nel campo del
telerilevamento e nella modellazione dei sistemi hanno però suggerito un’utilizzazione dei
dati telerilevati anche nella fase di lotta attiva agli incendi. Tali dati infatti possono essere
usati, in aggiunta a quelli provenienti dalle postazioni a terra, per la realizzazione di un
sistema di allarme precoce (con l’individuazione precoce dei focolai di incendio) che sia
meno sensibile ai falsi allarmi; in più, sempre grazie ad opportune tecniche di elaborazione
del segnale, essi possono essere sfruttati per la gestione delle operazioni di spegnimento (ad
132
esempio, attraverso l’individuazione del fronte di fuoco, il monitoraggio del suo spostamento,
e l’individuazione delle possibili priorità di intervento), con una conseguente diminuzione dei
danni e delle spese complessive sostenute per la neutralizzazione del singolo evento. La
rivelazione precoce di incendi boschivi è infatti di vitale importanza per la limitazione dei
danni, in termini di pericolo per le vite umane, di perdita di ecosistemi e di distruzione di
infrastrutture; a questo bisogna aggiungere il costo delle risorse (in uomini e mezzi) impiegate
per la neutralizzazione, senza contare poi il conseguente rischio idrogeologico che può
gravare sulle pendici non forestate, le spese ed il tempo necessari per la messa in sicurezza ed
il ripristino dell’ecosistema ed i possibili danni secondari dovuti al deturpamento del
panorama in zone ad alta vocazione turistica.
Gli incendi di biomasse, (con temperature di 480-850 K nel caso di fuoco che cova sotto la
cenere e 800-1200 K nel caso di incendio con fiamme) producono solitamente una notevole
emissione di radiazioni elettromagnetiche in tutta l’estensione dello spettro ottico, con un
massimo generalmente collocato nel medio infrarosso (MIR, 3.0-5.0 μm). Al crescere della
temperatura, l’emissione aumenta con la potenza del 4 (legge di Stefan-Boltzmann) e il picco
si muove verso lunghezze d’onda minori (Wien’s displacement law), fino ad arrivare alla
banda SWIR (1,4 2,5 μm) per temperature di 1150 K (Fig. 7.1).
La rivelazione dei fuochi viene quindi in genere fatta considerando alcuni intervalli
spettrali (es. MIR e TIR) che contengono informazioni utili distinguere i punti caldi riferiti
agli incendi dal background [R77 (Robinson, 1991)]. Per poter essere individuato, infatti, un
incendio si deve distinguere spettralmente dalle zone non incendiate che emettono una
combinazione di radiazione termica emessa dalla superficie e, durante il giorno, radiazione
solare riflessa. In particolare, nell’infrarosso termico (TIR, 8.0 – 13.0 μm) il flusso
riconducibile al sole è trascurabile rispetto alla radiazione emessa dalla terra ad una
temperatura ordinaria, mentre nel vicino infrarosso (NIR 0.8 – 1.0 μm) avviene il contrario;
nel medio infrarosso (MIR) invece entrambe le emissioni sono deboli, e, durante il giorno,
simili; quindi in teoria la migliore visibilità dei fuochi si dovrebbe riscontrare proprio nel
medio infrarosso.
Fig. 7.1: Intensità della emissione in funzione della temperatura
In effetti l’intervallo 1.1-2.5 μm (SWIR) è adatto all’individuazione del fronte del fuoco,
grazie alla forte emissione di corpo nero in quest’intervallo spettrale delle zone incendiate ed
133
alla contemporanea bassa emissione del background, sia in termini di radiazione solare
riflessa che di radiazione emessa dal suolo (la prima cresce infatti a lunghezze d’onda
inferiori all’intervallo 3-5 μm, mentre la seconda cresce a lunghezze d’onda superiori al range
3-5 μm con un massimo nell’intervallo 8-14 μm). La forte emissione di radiazione delle
fiamme può comportare però problemi legati alla saturazione del sensore. E’ stato inoltre
dimostrato (Barducci e Pippi, 1996)]. che anche le caratteristiche spettrali relative
all’assorbimento introdotte da acqua (allo stato di vapore) e CO2 intorno a 1.4 μm possono
essere sfruttate per individuare in maniera precisa il fronte del fuoco, grazie probabilmente
all’intensa emissione di radiazione di corpo nero dovuta all’evaporazione dell’acqua della
vegetazione che sta bruciando ed all’eccitazione delle molecole di CO2 dovuta al rilascio di
energia del fuoco. Le altre bande in cui acqua e CO2 presentano entrambe un assorbimento
(1.9 e 2.4 μm) risultano invece meno efficaci a causa del basso rapporto segnale/rumore.
Una possibile tecnica alternativa di rilevazione degli incendi è basata sulla ricerca,
attraverso una inversione della legge di Plank, dei punti con elevate temperature; in questo
caso però le emissioni dell’atmosfera e del suolo possono introdurre un forte disturbo, e
questo origina un errore nella quantità ricavate [Barducci e Pippi, 1996] che può essere
mitigato utilizzando maschere per le nubi e per i riflessi delle superfici d’acqua.
Bisogna poi considerare come le considerazioni precedentemente fatte valgono per
atmosfere normalmente trasparenti; il fumo emesso dall’incendio influenza infatti in maniera
significativa lo spettro del segnale acquisito dal satellite sulle zone incendiate. Un fuoco
isolato che non è coperto dal suo fumo ha un’emissione che segue la distribuzione di Planck
di un corpo nero ad una temperatura compresa fra 700 e 900 K, modulata dall’assorbimento
introdotto da gas quali H2O, N2O, CH4, CO2. Se invece il fumo dell’incendio copre l’incendio
stesso, allora l’emissione di corpo nero è in gran parte mascherata, mentre aumenta la
componente di radiazione solare che viene riflessa non dal suolo ma dal fumo stesso.
7.3.2.3 IDENTIFICAZIONE DEGLI UTENTI E LORO REQUISITI
L’utente del prodotto e le relative esigenze, variano in funzione della fase di intervento in
cui tale prodotto va a collocarsi, e non sempre sono di facile individuazione. In Italia infatti la
gestione della lotta agli incendi forestali è abbastanza complessa. Il coordinamento è
effettuato dal servizio nazionale di protezione civile, il cui capo opera per conto dell’ufficio
del Primo Ministro; secondo una recente legge, (2000-2002), la gestione del rischio incendi è
demandata alle regioni attraverso un centro operativo unificato (SOUP) che collabora con la
Protezione Civile e il Corpo Forestale delle Stato. Ogni amministrazione regionale ha il
compito di redigere un Piano Operativo Regionale Antincendio nel quale sono definite le
diverse connessioni tra le organizzazioni nazionali, regionali e locali coinvolte nel
monitoraggio, avvistamento ed estinzione di un incendio, mentre lo stato si occupa del
concorso aereo; ad esempio, in Toscana è il Corpo Forestale dello Stato che tramite il Servizio
Anti-Incendi Boschivi, coordinato da un Centro di Coordinamento Nazionale (SOC) ha il
compito di coordinare le attività operative di spegnimento, sulla base di una convenzione
stipulata fra regione e Ministero delle Politiche agricole e Forestali.
Sono quindi molti gli enti e le istituzioni che possono essere potenziali utenti di prodotti
ottenuti dall’elaborazione di dati iperspettrali telerilevati legati in qualche maniera alla
tematica degli incendi, così come molte sono le applicazioni basate su questi dati.
Possiamo comunque a grandi linee notare come nel caso della generazione delle mappe di
rischio le esigenze siano legate ad una efficacia in termini di fedeltà e risoluzione della
mappa, così come nel caso della mappatura delle aree bruciate, originando così dei requisiti di
risoluzione spaziale e spettrale del dato satellitare utilizzato; al contrario, nel caso della
134
individuazione degli incendi la disponibilità e un basso periodo di rivisitazione sono il
parametro critico.
7.3.2.4 ALGORITMI
In letteratura sono noti molti algoritmi per la localizzazione di eventuali incendi boschivi a
partire da dati telerilevati.. Inizialmente Matson e Dozier dimostrarono come l’uso simultaneo
dei canali a 3.8 μm e 11μm permetteva di rivelare sorgenti ad alta temperatura sulla superficie
terrestre, con il canale a 3.8 particolarmente sensibile a queste sorgenti. Per caratterizzare il
background intorno alle zone interessate da un incendio, Matson e Holben [Matson and
Holben, 1987] studiarono l’uso del Normalized Difference Vegetation Index (NDVI) in
aggiunta alla differenza fra temperatura nella banda MWIR e LWIR. Per rendere gli algoritmi
più robusti alle variariazioni della vegetazione interessata, Franca et al. [Franca et al., 1995]
proposero una tecnica multispettrale per i dati del sensore NOAA-11 AVHRR, mentre Harris
sviluppò un approccio diverso (che ha portato alla nascita degli algoritmi contestuali), che
teneva conto del contesto in cui si inserivano i pixels analizzati. la transizione verso gli
algoritmi contestuali è stata completata da Flasse e Ceccato Flasse e Ceccato, (1996)) . Il
successo degli algoritmi contestuali portò alla loro adozione anche per il trattamento dei dati
del sensore MODIS [Kaufmann e Justice, 1998].
Spesso questi algoritmi sono dedicati ai dati acquisiti da un singolo sensore, a causa della
peculiarità dei dati di ogni strumento, ma sono comunque basati su considerazioni fisiche
comuni, ed è possibile tracciare un quadro complessivo della situazione, suddividendo gli
algoritmi in classi diverse. [Li et al., 2000][Martin et al., 1999]:






algoritmi basati su tecniche di misura della temperatura nell’infrarosso;
algoritmi con soglia (fissa/adattiva) su singolo canale;
algoritmi con soglia (fissa/adattiva) su più canali;
algoritmi basati sul contesto spaziale;
algoritmi basati su previsione;
algoritmi basati sulle tecniche di misurazione della temperatura della superficie
terrestre.
Alcuni algoritmi particolari non rientrano però in questa classificazione, come il raw
digital count method [Setzer and Pereira, 1991] [Pereira and Setzer, 1993] o quello proposto
in [Vergara et al., 2003] che tiene conto anche del cambiamento temporale del segnale che si
verifica quando l’incendio comincia a crescere.
Gli algoritmi sviluppati sono basati su considerazioni teoriche, ma la loro implementazione
e la scelta dei parametri è spesso effettuata in maniera empirica. Questi algoritmi
richiederebbero quindi delle procedure di validazione; alcuni tentativi basati sulla conoscenza
della verità a terra sono stati fatti in passato [Flannigan and Vonder Haar, 1986]; [Setzer and
Pereira,1991]; [Setzer et al., 1994]; [Rauste et al., 1997]; [Li et al., 1997], [Li et al., 2000)],
ma il problema della validazione rimane ancora importante.
7.3.2.4.1 ALGORITMI BASATI SU TECNICHE DI MISURA DELLA TEMPERATURA
NELL’INFRAROSSO
Recentemente la comunità scientifica ha mostrato un rinnovato interesse per le
applicazioni nel campo dell’infrarosso termico (TIR), ed i sensori iperspettrali si sono rivelati
135
molto importanti per la misurazione di caratteristiche della superficie terrestre quali emissività
e temperatura.
La radianza proveniente da una superficie vegetata incendiata è infatti composta da tre
componenti: la prima è quella dovuta alla riflessione della radiazione solare dell’atmosfera, la
seconda è quella dovuta alla riflessione della radiazione solare da parte della superficie e la
terza è quella dovuta all’emissione della superficie incendiata. Quest’ultima poi può essere
considerata come composta dalla sovrapposizione di due contributi: quello originato dalla
superficie relativamente calda della zona che brucia e quello dei gas molto caldi che bruciano
sopra la superficie. Questi ultimi due contributi hanno un comportamento diverso, essendo il
primo un’emissione da una superficie ad una temperatura moderatamente alta, mentre
l’ultimo è un’emissione da un volume a temperatura più alta.
Per quanto riguarda la stima della temperatura, nel campo dell’infrarosso termico
(SWIR/TIR) possiamo innanzitutto ipotizzare, con buona approssimazione, che la radianza
dovuta alla riflessione dell’atmosfera sia trascurabile, e che quindi tutta la radianza misurata
dal sensore sia dovuta alla scena inquadrata, sia per emissione del target (radiazione di corpo
nero all’equilibrio termodinamico locale – TLE) che per riflessione dell’irradianza solare.
Pertanto la radianza monocromatica L(λ) misurata alla lunghezza d’onda λ su una scena
fissata potrà essere scritta, in una forma semplificata, come :
L(  )  Lu ( ,  )  ( ,  ) ( ) B(T ,  )
Eq. 7-1
Lu ,   = spettro di radianza retro-diffusa;
    = spettro d’emissività della superficie osservata;
Bt ,  
= funzione di Planck
( , ) indica lo spettro di trasmittanza atmosferica.
Gli effetti atmosferici che modulano la radianza che raggiunge il sensore mostrano un alto
grado di variabilità spettrale mentre la radianza emessa dalla superficie è una funzione a lenta
variazione. Allo scopo di valutare la temperatura della superficie, ha quindi senso calcolare la
variazione relativa della radianza-al-sensore in due canali spettrali adiacenti L  .
Facendo le seguenti ipotesi:




la radianza emessa alla superficie è una funzione a variazione lenta delle lunghezze
d’onda;
la radianza-al-sensore emerge da una zona interessata da un incendio isolato, non
oscurato dalla presenza di nubi e fumi la cui temperatura è ben maggiore di quella
dell’atmosfera sovrastante;
il termine di radianza retro-diffusa, dovuto principalmente a diffusione molecolare, è
piccolo rispetto al temine di radianza emessa nell’intervallo spettrale considerato.
le lunghezze d’onda scelte per calcolare la differenza  sono tali per cui la
variazione nella trasmittanza ( , ) sia trascurabile, cosa che può essere raggiunta
imponendo:
 C2
 
 T  5 


il che nello SWIR significa avere   100nm , si può affermare che
136
Eq. 7-2
C 
L( )  

5 2 

 
T 
L(  )
Eq. 7-3
Se le ipotesi fatte sono vere, l’ Eq. 7-3 rappresenta una legge approssimata che esprime la
variazione relativa della radianza tra due canali spettrali adiacenti in funzione dalla
temperatura della superficie calda (del fuoco). Invertendo questa legge si può quindi trovare
in modo assoluto la temperatura del fuoco, con una approssimazione legata alla variabilità
spettrale della trasmittanza atmosferica nei due canali scelti ed agli errori accumulati nella
procedura di calibrazione radiometricadello strumento.
Uno dei problemi connessi con i metodi di rilevazione della temperatura da dati satellitari è
legato al fatto che la radianza misurata dal sensore non è solo generata dall’area incendiata,
ma è una somma di emissioni provenienti dal fuoco, dalle zone non incendiate e dal riflesso
dell’atmosfera, con un contributon relativo che dipende dalla lunghezza d’onda, dal tipo di
copertura vegetale o background e dal tipo di fuoco. La radianza al sensore può essere scritta
Lsensor  t L  LEf  LEb   LP
Eq. 7-4
dove
Lsensor = radianza al sensore
t = trasmittanza atmosferica
L = radianza solare riflessa
LEf = Radianza emessa dal fuoco
LEb = Radianza emessa dal background
LP = Radianza dovuta al contributo dì assorbimento e emissione dell’atmosfera.
In particolare la radianza al sensore può essere modellata come la somma di due contributi,
quello del background e quello del fuoco
Lsensor  f f   , T f   f b   , Tb 
Eq. 7-5
dove
ff = frazione del pixel occupata dal fuoco
fb = frazione del pixel occupata dal background
Tf = tempetratura del fuoco
fb = temperatura del background
A titolo di esempio possiamo ricordare il metodo proposto in [Green, 1996], che utilizza
dati iperspettrali acquisiti anche nella banda SWIR dal sensore AVIRIS; in questa banda il
137
contributo del background è minore, e la trasmittanza dei fumi relativamente alta, anche se la
radianza solare riflessa raggiunge alti valori che disturbano anche in caso di incendi molto
caldi. In questo metodo la radiazione solare riflessa viene modellata insieme con il contributo
in radianza di due corpi neri, e la somma delle radianze valutate da questi modelli alle varie
lunghezze d’onda è comparata con la radiazione misurata dai canali del sensore AVIRIS. La
stima dei parametri di temperatura viene fatta con un metodo ai minimi quadrati non lineare.
In questo metodo però si considera temperatura del fuoco e background omogenei.
Opportuni modelli di multiple endmembers spectral mixture analysis – MESMA [Roberts
et al., 1998] sono stati usati sotto opportune ipotesi per separare questi contributi e ricavare la
temperatura effettiva del fuoco e la percentuale del pixel affetta dall’incendio da dati
iperspettrali nelle bande SWIR, MIR e TIR attraverso la minimizzazione dell’errore
quadratico medio fra dato predetto dal modello e dato misurato anche in presenza di
background non omogeneo. Numerosi altri algoritmi di questo genere sono stati sviluppati per
dati iperspettrali da satellite e aereo, fra cui quelli proposti in [Matson & Holben, 1987];
[Oertel et al., 2004]; [Riggan et al., 2004]; [Wooster et al., 2003]; [Zhukov et al., 2005] in
[Dennison, 2006] e [Eckmann et al., 2008] [Eckmann et al., 2010] per i dati MODIS e in
[Eckmann et al., 2009] per i dati ASTER. Ulteriori sviluppi sono stati proposti per tenere in
considerazione anche la non omogeneità della temperatura del fuoco, e gli effetti sulla
radianza introdotti durante la propagazione nella fiamma.
7.3.2.4.2 ALGORITMI CON SOGLIA SU SINGOLO CANALE (SINGLE CHANNEL)
Gli algoritmi con soglia su singolo canale (single-channel) si basano sui dati provenienti da
una singola banda nel medio infrarosso. Questi algoritmi soffrono di un problema legato alla
saturazione della banda; per sensori non progettati specificamente per la rilevazione degli
incendi la saturazione può avvenire anche in presenza di una forte riflessione della radiazione
solare sulle nubi o su un terreno lucido, originando falsi positivi. Questi metodi si rivelano
quindi utili in zone in cui il background sia a temperatura relativamente bassa e con bassa
riflettività solare [Setzer e Pereira, 1991] [Malingreau e Tucker, 1988], oppure per passaggi
durante l’alba o la sera, quando l’irraggiamento solare è [Malingreau, 1999].
Algoritmi di questo tipo sono stati adottati ad esempio per i sensori AVHRR e ATSR.
7.3.2.4.3 ALGORITMI CON SOGLIA SU PIÙ CANALI (MULTI-CHANNEL)
Gli algoritmi per la rivelazione degli incendi con soglia su più canali (multi-channel), fra
cui quelli basati sulla coppia di bande MIR - TIR (e.g. [Kaufman et al., 1990]; [Prins and
Menzel, 1992]; [Kaufman et al., 1998]; [Giglio et al., 2003], [Ichoku et al., 2003]) sono stati
sviluppati per ovviare ai problemi degli algoritmi con soglia su singolo canale. In genere essi
constano dei seguenti tre passi [Kaufman et al., 1990a]:
1. Il canale nel medio infrarosso viene utilizzato con un algoritmo a singola soglia per
identificare tutti i possibili pixel interessati da un incendio, ivi compresi gli eventuali
falsi positivi dovuti a saturazione del canale e riflessioni del terreno e delle nuvole.
2. Un secondo canale in banda termica viene utilizzato per rimuovere i falsi positivi
dovuti alle nuvole.
3. i due canali sono confrontati e la differenza viene utilizzata per individuare e
rimuovere i falsi positivi dovuti ad una temperatura alta del terreno che satura il
canale.
138
Questa procedura permette dunque di eliminare alcuni falsi positivi ma non evita i falsi
positivi dovuti alla presenza di superfici con elevato albedo. Per questo sono stati introdotti
algoritmi che tengono in considerazione i dati di tre canali (quali quelli usati per MODIS e per
i dati di BIRD), in cui, ad esempio, il visibile viene utilizzato proprio per stimare l’albedo.
Gli algoritmi a soglia su più bande sono stati usati su vari tipi di superficie, quali foreste
tropicali [Kaufman et al., 1990a], savane [Franca et al., 1995] e foreste boreali [Cahoon et al.,
1991], [Li et al., 1997].
Alcuni algoritmi espressamente dedicati per dati con bande strette quali quelle dei dati
iperspettrali sono stati presentati in letteratura [Dennison et al., 2008]. In [Vodacek et al.,
2002] viene descritto un algoritmo basato sull’emissione del potassio vicino a 770 nm e
realizzato dividendo la radianza a770 nm per la radianza a 780 nm, due bande presenti nel
dato AVIRIS, con l’ultima banda usata come riferimento. Questo algoritmo soffre però in
presenza di densi fumi che possono mascherare il segnale a 770 nm, e nel tentativo di
superare questo problema, in [Dennison et al., 2006] viene descritto un algoritmo basato
sull’assorbimento del biossido di carbonio attorno a 2000 nm, una lunghezza d’onda in cui i
fumi hanno una minore influenza, e basata sull’indice Continuum Interpolated Band Ratio
(CIBR), definito come:
CIBR 
L1
w2 L 2  w3 L 3
Eq. 7-6
dove 1 è la lunghezza d’onda in cui si ha l’assorbimento considerato e 2 e 3 sono
lunghezze d’onda fuori della banda di assorbimento. Anche questo algoritmo presenta però
alcuni problemi nel definire in maniera opportuna la soglia, in quanto il valore del CIBR è
influenzato anche dalla lunghezza del path (e quindi dalla geometria di acquisizione), dal
variare della illuminazione, dalla eventuale non omogeneità della distribuzione spaziale di
CO2 e da evntuali differenze nella riflettanza superficiale fra le tre bande. Le prestazioni dei
due metodi sopra citati sono confrontate tra loro in [Dennison et al. , 2008], insieme con
quelle di un metodo basato sull’assorbimento del vapor d’acqua ed in particolare sul water
vapor index definito come il rapporto fra la riflettanza di una banda di riferimento (1890 nm)
fratto la riflettanza della banda in cui si trova il picco di assorbimento del vapor d’acqua a
1910 nm.
Finalmente, in [Roberts e Wooster, 2008] è possibile trovare un algoritmo appositamente
studiato per un sensore geostazionario quale SEVIRI, che, a prezzo di una minore risoluzione,
garantisce una copertura temporale non garantita dagli altri sensori montati su satelliti con
orbita polare.
7.3.2.4.4 ALGORITMI BASATI SUL CONTESTO SPAZIALE (CONTEXTUAL)
Gli algoritmi contestuali (contextual) sono stati sviluppati [Lee e Tag, 1990] per migliorare
le prestazioni degli algoritmi multi-channel; le soglie di questi ultimi infatti sono difficili da
stabilire in quanto dipendono dal contesto.
Gli algoritmi contestuali usano invece soglie che non sono fissate a priori ma variano da
pixel a pixel in funzione delle caratteristiche locali. In particolare questi algoritmi sono basati
su una procedura composta di due passi. Una prima fase di identificazione dei potenziali
fuochi viene effettuata basandosi su una determinata scelta delle soglie, (tale da evitare falsi
negativi); le soglie sono poi raffinate per arrivare all’individuazione definitiva dei fuochi
[Martin et al., 1999]. considerando la deviazione standard delle soglie in pixel valutati privi da
incendi e confinanti con pixel valutati invece come interessati dal fuoco.
139
Nel caso di applicazioni a scala regionale, nella scelta delle soglie di possono tenere anche
in considerazione le caratteristiche locali e stagionali [Martin et al., 1999] [Chuvieco e
Martin, 1994].
Inizialmente gli algoritmi contestuali sono stati studiati per i dati AVHRR [Justice e
Malingreau, 1993] e per i dati GOES [Prins e Menzel, 1992].
Questo primo tentativo è stato poi esteso al monitoraggio globale e regionale degli incendi
[Justice e Malingreau, 1996][Eva e Flasse, 1996]; [Dwyer et al., 1998], e gli algoritmi
contestuali sono stati utilizzati anche per il World Fire Web [Gregoire et al., 2000)].
7.3.2.4.5 ALGORITMI BASATI SU DATI DA PIÙ SATELLITI
Nel corso del progetto FIRES, finanziato dalla NASA, è stato sviluppato da Telespazio e
portato a livello di prototipo un approccio innovativo per la rivelazione precoce di incendi
[Cisbani et al. 2002]. Questo metodo sfrutta in maniera sinergica la copertura temporale dei
satelliti geostazionari e le potenzialità multispettrali dei satelliti in orbita polare.
I dati multispettrali sono usati in particolare per la valutazione dei parametri che variano
lentamente nel tempo (es: emissività del terreno), mentre i dati dei satelliti geostazionari nella
banda TIR sono analizzati automaticamente per individuare i punti caldi (dovuti ad eventuali
incendi). Per superare i limiti di risoluzione dei satelli geostazionari, quest’ultima analisi è
fatta con accuratezza sub-pixel.
La tecnica di rivelazione degli incendi è basata sull’implementazione di un modello di
trasferimento radiativo che, tenendo conto dell’irraggiamento solare e dell’influsso
dell’atmosfera lega la radianza misurata in una certa banda all’emissività termica della
superficie terrestre osservata.
Basandosi su considerazioni fisiche, vengono fissate unaa serie di soglie e condizioni, e
vengono classificati come pixel interessati dalla presenza di un incendio quelli che verificano
le seguenti condizioni:



la differenza di radianza è superiore di alcuni fattori al livello di rumore intrinseco;
la differenza di temperatura fra fuoco e background supera una certa soglia
(tipicamente intorno a 200 K);
la temperatura di background assume valori ragionevoli.
7.3.2.5 GESTIONE E MONITORAGGIO DELL’INCENDIO
Durante la fase di gestione e monitoraggio degli incendi i dati telerilevati possono essere
utili per fornire una serie di informazioni e parametri ambientali necessari alla creazione di un
modello di evoluzione del fuoco, da utilizzarsi per pianificare le operazioni di intervento in
fase di emergenza.
7.3.2.6 PERIMETRAZIONE DELLE AREE INCENDIATE
L’individuazione delle zone interessate dal fuoco e la valutazione dei danni è una attività di
estrema importanza; gli incendi infatti hanno un forte impatto sull’ambiente [Pereira et al.,
1997], sul rilascio di aereosol e sul bilancio del carbonio, nonché sulla erosione del suolo e,
per grandi incendi, anche sui cambiamenti climatici. Anche in questo contesto l’uso di dati
telerilevati risulta molto utile, grazie alla loro elevata copertura spaziale e alla frequenza di
140
rivisitazione, oltre che alla tipologia dei dati, caratterizzati da risoluzioni spaziali e spettrali
sempre maggiori.
Ad titolo di esempio possiamo ricordare come i dati acquisiti dallo strumento NOAAAVHRR sono stati comunemente usati per la delimitazione delle zone colpite dal fuoco,
mentre attualmente vengono utilizzati dati provenienti da MODIS, Altre fonti di dati che si
sono rivelate utili sono quelle dello strumento VEGETATION su SPOT 4 e quelle del canale
ad 1.6 μm di ATSR-2. A scala regionale vengono impiegati anche i dati in alta risoluzione del
LANDSAT Thematic Mapper e di SPOT/HRVIR, come nel caso del progetto ITALSCAR.
ITALSCAR, finanziato dalla Protezione Civile italiana attraverso un DUP (Data User
Program) di ESA, è un progetto dimostrativo per un servizio di mappatura (Burn Scars Maps
– BSM) delle zone interessate da incendi che copra tutta l’Italia con una risoluzione di 1 ha.
Lo studio ha previsto l’utilizzo di una serie di dati telerilevati fra cui dati SPOT e LANDSAT,
e la valutazione di una serie di algoritmi fra cui quelli sviluppati per ricavare alcuni indici
spettrali quali GEMI [Cisbani et al., 2002]; [Pinty, B. and Verstraete, M.M. (1992)] e BAI
[Martin et al. 1998].
Se i sensori a bassa risoluzione spaziale sono stati impiegati sempre più per la mappatura
delle zone bruciate, la necessità di ottenere mappe con risoluzioni più elevate ha aumentato
l’interesse nei confronti dei dati SAR, sia per la possibilità di mappare aree con 10 m di
risoluzione che per la possibilità di operare anche in presenza di copertura nuvolosa di nebbia
o di fumi dovuti all’incendio. I tentativi fatti con immagini radar (ERS/SAR) non hanno
inizialmente dato risultati operativi principalmente a causa dell’insufficiente risoluzione e
della complessità di elaborazione dei dati, ma questi problemi sono in fase di risoluzione,
come evidenziato dal progetto SARscape.
Nuove possibilità sono state offerte nel campo della media risoluzione dai nuovi satelliti
indiani e russi, insieme con i dati a più alta risoluzione spettrale di MODIS (su EOS), MERIS
(su ENVISAT) e GLI (su ADEOS-II). In particolare MERIS (MEdium Resolution Imagining
Spectrometer), con le sue 15 bande e una copertura a Terra di 1150 km di larghezza con una
risoluzione di 250 m, è uno strumento dedicato all’osservazione della Terra che ha assunto un
ruolo rilevante per quanto riguarda la tematica degli incendi boschivi, insieme con il sensore
ASAR (Advanced Synthetic Aperture Radar), operante come MERIS a bordo del satellite
ENVISAT.
Altri progetti sperimentali sono poi nati per sfruttare immagini ottiche in alta risoluzione
quali quelle di LANDSAT TM, RESURS MSU-E e IRS-1C per una più articolata
valutazione del livello di danno subito dalla vegetazione nelle zone colpite da un incendio ed
in quelle prospicienti la zona interessata direttamente dal fuoco. Nell’ambito del progetto
GOFC/GOLD Fire program, anche l’utilizzo dei dati provenienti durante la fase diurna del
giorno dai sensori ospitati sui satelliti geostazionari GOES, MSG e MTSat è stato valutato,
con particolare riferimento ai dati provenienti da MSG HRV.
E’ banale osservare poi come l’attività di valutazione delle zone colpite non potrà che
trarre ulteriore beneficio da nuovi dati con risoluzioni spaziali e spettrali aumentate, con
particolare riferimento a nuovi sensori iperspettrali..
7.3.2.7 INDIVIDUAZIONE DELLE AREE INCENDIATE CON IMMAGINI
TELERILEVATE
La mappatura delle zone che sono state affette da un incendio con immagini satellitari è
basata sulle caratteristiche spettrali delle aree bruciate [Chuvieco e Congalton, 1998], che
però sono simili a quelle di alcune tipologie di copertura del suolo, da cui non sono quindi
facilmente distinguibili.
La radianza delle aree vegetate cambia infatti dopo un incendio, sia per il cambiamento
della copertura vegetale che per la deposizione di cenere e carbone; anche le zone che non
141
vengono toccate dall’incendio però subiscono nel tempo cambiamenti spettrali dovuti ad altri
fattori (da considerarsi in questo caso come fattori perturbanti), fra cui una eventuale
differenza nella geometria di acquisizione e una diversa illuminazione della scena [Trigg
eFlasse, 2001], diversità degli effetti atmosferici ed errori di calibrazione dei sensori. Le
prestazioni degli algoritmi di mappatura dipendono quindi dalla possibilità di discriminare gli
effetti introdotti dall’incendio da quelli introdotti dai fattori perturbanti.
A questo scopo molti degli studi si sono concentrati sull’uso congiunto di più bande, ed in
alcuni studi è stato visto che le coppie di bande migliori sono la NIR-MIR e la NIR-SWIR:
molti algoritmi sono stati proposti per usare i dati provenienti da queste bande e altre bande
vicine [Pereira et al., 1999], alcuni volti alla rivelazione iniziale (initial assessment),
effettuata subito dopo l’incendio, ed altri ad una rivelazione effettuata durante la stagione di
crescita successiva (Extended assessment)
Tra questi algoritmi si possono elencare quelle basate su:
 analisi visuale o classificazione supervisionata [Chuvieco et al., 1998] , basata
sull’operato umano;
 analisi singola banda/ multi-banda, in cui la discriminazione avviene imponendo
opportune soglie su una banda, su più bande o su una loro combinazione;
 analisi dell’indice di vegetazione, in cui si considerano delle soglie su uno dei tanti
indici di vegetazioni disponibili.
In particolare in letteratura sono stati proposti molti indici appositamente definiti per la
discriminazione delle aree incendiate, fra cui:





BAI (Burned Area Index)
NBR (Normalized Burn Ratio)
CBI (Composite Burn Index)
NBR differenziale
BAIM (BAI adattato a MODIS)
Questi indici sono stati proposti ed usati per la mappatura delle aree bruciate [Malingreau
et al., 1985], all’interno di algoritmi che possono prevedere l’imposizione una semplice soglia
opportunamente fissata, oppure una procedura più complessa che prevede un uso di più indici.
Altri algoritmi sono stati proposti basandosi su opportune trasformate dallo spazio dei dati
multispettrali disponibili in un nuovo spazio più adatto alla discriminazione delle aree
bruciate, quali quelli basati su [Milne, 1986] [Richards, 1986];



trasformazione Karhunen-Loéve
trasformazione nello spazio HIS (Hue-Saturation_intensity)
PCA (Principal Component Analysis)
Un altro algoritmo proposto è quello basato sulla texture analysis, che considera la
distribuzione spaziale del valore dei pixel [Mather, 1999].
Altre classi di algoritmi proposti in lettaratura sono quelle basate su:



regression analysis (o logistic regression)
change detection analysis [Martin et al., 1995] [Fraser et al., 2003]
spectral mixture analysis (or Spectral Unmixing)
142
Un’altra possibile classificazione dei metodi proposti in letteratura per la mappatura delle
aree incendiate può essere realizzata in funzione della tempistica delle immagini acquisite; si
distinguono così


metodi uni-temporali (basati su una singola immagine)
metodi multi-temporali (basati su più immagini acquisite in tempi diversi, (in genere
una prima e una dopo l’incendio), nello stesso anno (approccio single year [Kasischke
et al., 1993]), o nella stessa stagione in anni diversi [Kasischke e French, 1995]
I metodi multitemporali risentono dei cambiamenti di fenologia, degli errori nella crosscalibrazione, delle differenze nella geometria di acquisizione e di illuminazione e della
differenza negli effetti atmosferici, ma la presenza di una immagine acquisita prima
dell’incendio è di notevole supporto per discriminare le zone che nell’intervallo di tempo fra
le acquisizioni subiscono un incendio da quelle che non subiscono un incendio ma hanno sia
nella prima che nella seconda immagine una caratteristica spettrale simile a quella delle zone
incendiate.
Comunque, anche i metodi multi-temporali, così come tutti gli altri proposti in letteratura
risentono della presenza nei prodotti di falsi positivi (commission errors) e falsi negativi
(omission errors), e i primi in genere possono essere diminuiti solo a spese di una crescita dei
secondi, e viceversa, rendendo necessaria la scelta di un opportuno compromesso. Molti studi
presentati in letteratura raggiungono prestazioni buone solo su zone omogenee con poche
situazioni ambigue e con parametri dedicati alla zona in questione.
L’impiego in un contesto operativo richiede invece delle elevate prestazioni in termini di






Limitazione falsi positivi (efficienza)
Limitazione falsi negativi nel caso di identificazione automatica o identificazione
automatica di un congruo numero di pixel per ogni area bruciata, la cui estensione sarà
rifinita con intervento umano (identificazione semi-automatica)
Operatività a livello regionale.
Efficacia su aree incendiate con estensione limitata (compatibilmente con risoluzione
spaziale).
Robustezza (efficacia su aree regionali diverse).
Operatività con poche immagini acquisite in tempi non vincolati al momento
dell’incendio e con sensori diversi.
143
7.4 CONTENUTO DI ACQUA DELLA VEGETAZIONE
Da quanto detto nel paragrafo relativo alle firme spettrali della vegetazione, la stima del
contenuto d’acqua puó essere effettuata grazie all’uso dell’indice di vegetazione GVMI.
Tramite il semplice rapporto di bande
GVMI 
( 820  0.1)  ( 1600  0.02)
( 820  0.1)  ( 1600  0.02)
Eq. 7-7
calcolato utilizzando il software ENVI è possibile avere un immagine delle zone a piú alto o
piú basso contenuto di acqua. Invertendo la relazione che lega GVMI a EWT si puó avere una
immagine del contenuto di acqua della vegetazione sorvolata. Per contenuti di acqua non
superiori a 2000 g/m2, la relazione fra GVMI ed EWT puó considerarsi lineare ed essere
espressa come:
GVMI  a  b
EWT 
(g/m2)
Eq. 7-8
b (c  d )
dove: a = 1.53
b = -1.40
c = -0.000099
d = 0.000517
144
7.5 MAPPATURA DEI FONDALI MARINI
La mappatura dei fondali marini in prossimità della costa rappresenta uno dei prodotto del
telerilevamento da satellite utilizzante sensori ottici operanti nel visibile e vicino infrarosso, in
modo da poter penetrare la prima decina di metri di massa d’acqua.
In questa zona si sviluppano ovunque importantissimi ecosistemi per la varietà di speci
animali e vegetali che vi convivono. Quindi mapparne i fondali rappresenta una prima
utilissima informazione per identificare le aree coperte da vegetazione siano esse alghe o
fanerogame.
Le fanerogame marine ed in particolare la Posidonia oceanica e la Cymodocea nodosa
sono nel Mediterraneo i vegetali sottomarini più importanti, poichè le loro praterie formano
un ambiente ideale allo sviluppo della vita della fauna marina. La loro presenza si estende in
prossimità delle coste ad una profondità compresa tra i 5 ed i 35 metri circa, in cui la luce
solare può ancora penetrare.
La presenza delle fanerogame puó essere monitorata andando ad osservare la radianza che
arriva al sensore su una coppia di lunghezze d’onda spettralmente sufficientemente vicine e
poste nell’intervallo spettrale 400nm –600nm dove l’assorbimento dell’acqua è basso. Poiché
le posidonie sono delle piante, si è scelto come coppia di lunghezze d’onda una nel verde
attorno a 530nm (picco nel verde) ed una nella zona giallo-rosso dello spettro vicino a 600nm.
Se andiamo a fare un semplice rapporto di bande questo risulta sensibile alle posidonie sotto
la superficie dell’acqua. In questo caso si suppone che la radianza al sensore risenta sia degli
effetti atmosferici, sia della presenza dell’acqua analogamente in entrambi i canali.
Definiamo un indice VPI come:
Lgreen
VPI 
Eq. 7-9
L yellow  red
dove Lgreen ed Lyellow-red sono le radianze al sensore nel verde e nel giallo-rosso. Questo indice
è proporzionale alla presenza della vegetazione sommersa.
L’indice è stato usato su immagini acquisite dal VIRS-200 lungo le coste dell’Isola d’Elba
nel 1995. Un esempio è mostrato in figura, si noti come vengono evidenziate le zone sabbiose
sommerse e la presenza di praterie di posidonia oceanica. L’immagine telerilevata elaborata è
messa a confronto con una mappa della costa in cui è riportata la tipologia del fondale. Una
analisi visiva dell’immagine ha permesso inoltre l’identificazione di un danneggiamento
dell’uomo alla prateria di posidonia a seguito della posa a mare di un condotto.
145
Fig. 7.2: A sinistra RGB di immagine VIRS acquisita sulla zona di costa di Pomonte. A
destra immagine del rapporto di banda L501/L601. E’ stato effettuato un enhancement per
eliminare il dettaglio della costa ed evidenziare le zone prive di vegetazione ( in bianco) da
quelle coperte di posidonia oceanica ( in verde/violetto). Si nota molto bene il canale privo di
sabbia in mezzo alla prateria in alto a sinistra riportato in cartina
146
8 BIBLIOGRAFIA
8.1 GENERALE DI BASE
•
•
•
•
•
Asrar G., (1989), Theory and Applications of Optical Remote Sensing, John Wiley &
Sons, Inc..
Colwell R. N., (1996) Manual of Remote Sensing, American Society of Photogrammetry,
Vol.1,2 1983H.J.Kramer “Observation of the Earth and its Environment – Survey of
Missions and Sensors”, Springer-Verlag.
Schowengerdt R., (1983), Techniques for Image processing and Classification in Remote
Sensing, Academic Press, Inc.
Slater P. N., (1980), Remote Sensing, Optics and Optical System, Addison-Wesley
Publishing Company.
Smith F. G. , (1993), Atmospheric Propagation of Radiation, ERIM and SPIE, Vol. 1-8.
8.1.1 SIMULAZIONE IMMAGINI IPERSPETTRALI
•
•
•
Börner A., Wiest L., Keller P., Reulke R., Richter R., Schaepman M., Schläpfer D.,
(2001), SENSOR: a tool for the simulation of hyperspectral remote sensing systems.
ISPRS Journal of Photogrammetry and Remote Sensing 55, 299-312.
Guanter L., Segl K., Kaufmann H., (2009), Simulation of optical remote sensing scenes
with application to the EnMAP hyperspectral mission. IEEE Transactions on Geoscience
and Remote Sensing 47, 2340-2351.
Segl, K.; Guanter, L.; Kaufmann, H.; Schubert, J.; Kaiser, S.; Sang, B.; Hofer, S., (2010)
Simulation of Spatial Sensor Characteristics in the Context of the EnMAP Hyperspectral
Mission, . IEEE Transactions on Geoscience and Remote Sensing 48, 3046 – 3054.
8.1.2 FUSIONE DATI
•
•
•
•
•
•
•
Aiazzi, B., Alparone, L., Baronti, S., Garzelli, A. (2002): Context-driven fusion of high
spatial and spectral resolution images based on oversampled multiresolution analysis.
IEEE Transactions on Geoscience and Remote Sensing 40, 2300–2312.
Aiazzi, B., Alparone, L., Baronti, S., Garzelli, A., Selva, M. (2006): MTF-tailored
multiscale fusion of high-resolution MS and Pan imagery. Photogrammetric Engineering
and Remote Sensing 72, 591–596.
Aiazzi, B., Baronti, S., Lotti, F., Selva, M. (2009): A comparison between global and
context-adaptive pansharpening of multispectral images. IEEE Geoscience and Remote
Sensing Letters 6, 302–306.
Aiazzi, B., Baronti, S., Selva, M. (2007): Improving component substitution
Pansharpening through multivariate regression of MS+Pan data. IEEE Transactions on
Geoscience and Remote Sensing 45, 3230–3239.
Alparone, L., Aiazzi, B., Baronti, S., Garzelli, A., Nencini, F., Selva, M. (2008):
Multispectral and panchromatic data fusion assessment without reference.
Photogrammetric Engineering and Remote Sensing 74, 193–200.
Alparone, L.,Wald, L., Chanussot, J., Thomas, C., Gamba, P., Bruce, L.M. (2007):
Comparison of pansharpening algorithms: Outcome of the 2006 GRS-S Data Fusion
Contest. IEEE Transactions on Geoscience and Remote Sensing 45, 3012–3021.
Baronti, S., Aiazzi, B., Selva, M., Garzelli, A., Alparone, L. (2011): A theoretical analysis
of the effects of aliasing and misregistration on pansharpened imagery. IEEE Journal of
Selected Topics in Signal Processing 5, 446-453.
147
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Carper, W., Lillesand, T., Kiefer, R. (1990): The use of Intensity-Hue-Saturation
transformations for merging SPOT panchromatic and multispectral image data.
Photogram. Engin. Remote Sensing 56, 459–467.
Chavez, P.S., Stuart, J., Sides, C., Anderson, J.A. (1991): Comparison of three different
methods to merge multiresolution and multispectral data: Landsat TM and SPOT
panchromatic. Photogrammetric Engineering and Remote Sensing 57, 259–303.
Cook, M.K., Peterson, B.A., Dial, G., Gibson, L., Gerlach, F.W., Hutchins, K.S., Kudola,
R., Bowen, H.S. (2001): IKONOS technical performance assessment. In: Proceedings of
SPIE. Volume 4381.
Dou, W., Chen, Y., Li, X., Sui, D. (2007): A general framework for component
substitution image fusion: An implementation using fast image fusion method. Computers
and Geoscience 33, 219–228.
Garguet-Duport, B., Girel, J., Chassery, J.M., Pautou, G. , (1996): The use of
multiresolution analysis and wavelet transform for merging SPOT Panchromatic and
multispectral image data. Photogram. Engin. Remote Sensing 621057–1066.
Gillespie, A.R., Kahle, A.B.,Walker, R.E. (1987): Color Enhancement of Highly
Correlated Images-II. Channel Ratio and “Chromaticity” Transform Techniques. Remote
Sensing of Environment 22, 343–365.
Laben, C.A., Brower, B.V. (2000): Process for enhancing spatial resolution of
multispectral imagery using Pan-sharpening. US Patent Number 6,011,875, Eastman
Kodak Company.
Laporterie-Dejean, F., de Boissezon, H., Flouzat, G., Lef´evre-Fonollosa, M.J. (2005):
Thematic and statistical evaluations of five panchromatic/multispectral fusion methods on
simulated PLEIADES-HR images. Information Fusion 6, 193–212.
Liu, J.G. (2000): Smoothing Filter Based Intensity Modulation: A spectral preserve image
fusion technique for improving spatial details. International Journal of Remote Sensing
21, 3461–3472.
Nunez, J., Otazu, X., Fors, O., Prades, A., Pala, V., Arbiol, R. (1999):
Multiresolutionbased image fusion with additive wavelet decomposition. IEEE
Transactions on Geoscience and Remote Sensing 37, 1204–1211.
Otazu, X., Gonzalez-Audıcana, M., Fors, O., Nunez, J. (2005): Introduction of sensor
spectral response into image fusion methods. Application to wavelet-based methods. IEEE
Transactions on Geoscience and Remote Sensing 43, 2376–2385.
Ranchin, T., Aiazzi, B., Alparone, L., Baronti, S., Wald, L. (2003): Image fusion - the
ARSIS concept and some successful implementation schemes. ISPRS Journal of
Photogrammtry and Remote Sensing 58, 4–18.
Ranchin, T., Wald, L. (2000): Fusion of high spatial and spectral resolution images: The
ARSIS concept and its implementation. Photogrammetric Engineering and Remote
Sensing 66, 49–61.
Rangaswamy, M.K. (2003): Quickbird II two-dimensional on-orbit Modulation Transfer
Function analysis using convex mirror array. Master’s thesis, South Dakota State
University.
Schowengerdt, R.A. (1997): Remote Sensing: Models and Methods for Image Processing
Academic, Orlando, FL.
Shettigara, V.K. (1992): A generalized component substitution technique for spatial
enhancement of multispectral images using a higher resolution data set. Photogrammetric
Enginnering & Remote Sensing 58, 561–567.
Thomas, C., Ranchin, T., Wald, L., Chanussot, J. (2008): Synthesis of multispectral
images to high spatial resolution: A critical review of fusion methods based on remote
sensing physics. IEEE Transactions on Geoscience and Remote Sensing 46, 1301–1312.
148
•
•
•
•
•
•
Tu, T.M., Huang, P.S., Hung, C.L., Chang, C.P. (2004): A fast intensity-hue-saturation
fusion technique with spectral adjustment for IKONOS imagery. IEEE Geoscience and
Remote Sensing Letters 1, 309–312.
Tu, T.M., Su, S.C., Shyu, H.C., Haung, P.S. (2001): A new look at IHS-like image fusion
methods. Information Fusion 2, 177–186.
Wang, Z., Ziou, D., Armenakis, C., Li, D., Li, Q. (2005): A Comparative Analysis of
Image Fusion Methods. IEEE Transactions on Geoscience and Remote Sensing 43, 1391–
1402.
Wald, L., Ranchin, T., Mangolini, M. (1997): Fusion of satellite images of different
spatial resolutions: Assessing the quality of resulting images. Photogrammetric
Engineering and Remote Sensing 63, 691–699.
Wang, Z., Bovik, A.C. (2002): A universal image quality index. IEEE Signal Processing
Letters 9, 81–84.
Alparone, L., Baronti, S., Garzelli, A., Nencini, F. (2004): A global quality measurement
of pan-sharpened multispectral imagery. IEEE Geoscience and Remote Sensing Letters 1,
313–317.
8.1.3 RIDUZIONE DELLA DIMENSIONALITÀ











C.M. Bachmann, T.L. Ainsworth, R.A. Fusina, “Exploiting manifold geometry in
hyperspectral imagery”, IEEE Transactions on Geoscience and Remote Sensing,
43(3):441–454, Mar 2005.
C.M. Bachmann, T.L. Ainsworth, R.A. Fusina, “Improved manifold coordinate
representations of large-scale hyperspectral scenes”, IEEE Transactions on Geoscience
and Remote Sensing, 44(10):2786–2803, Oct. 2006.
C. M. Bachmann, M. H. Bettenhausen, R. A. Fusina, T. F. Donato, A. L. Russ, J. Burke,
G. M. Lamela, W. J. Rhea, B. R. Truitt, and J. H. Porter, “A credit assignment approach to
fusing classifiers of multiseason hyperspectral imagery,” IEEE Trans. Geosci. Remote
Sens., vol. 41, no. 11, pp. 2488–2499, Nov. 2003.
M. Balasubramanian, E. L. Schwartz, J. B. Tenenbaum, V. de Silva, and J. C. Langford,
“The ISOMAP algorithm and topological stability,” Science, vol. 295, no. 5552, p. 7a,
Jan. 2002.
M. Belkin, P. Niyogi, “Laplacian eigenmaps for dimensionality reduction and data
representation”, Neural Comput. 15(6), pp.1373-1396, 2003.
C.J.C. Burges, “Data Mining and Knowledge Discovery Handbook: A Complete Guide
for Practitioners and Researchers”, chapter ‘Geometric Methods for Feature Selection and
Dimensional Reduction: A Guided Tour’, Kluwer Academic Publishers, 2005.
M.M. Crawford, L. Ma, W. Kim: “Exploring Nonlinear Manifold Learning for
Classification of Hyperspectral Data”, in Optical Remote Sensing (S. Prasad, L.M. Bruce,
J. Chanussot Eds.), Springer-Verlag, Berlin Heidelberg pp. 207-234, 2011.
K. Fukunaga. Introduction to Statistical Pattern Recognition. Academic Press
Professional, Inc., San Diego, CA, USA, 1990.
L.J.P. van der Maaten and G.E. Hinton. Visualizing High-Dimensional Data Using t-SNE.
Journal of Machine Learning Research 9(Nov):2579-2605, 2008.
L.J.P. van der Maaten, E.O. Postma, H.J. van den Herik, “Dimensionality Reduction: A
Comparative Review”, Tilburg University Technical Report, TiCC-TR 2009-005, 2009.
S.T. Roweis, L.K. Saul, “Nonlinear dimensionality reduction by local linear embedding”,
Science, 290(5500), pp. 2323-2326, 2000.
149






L.K. Saul, K.Q. Weinberger, J.H. Ham, F. Sha, D.D. Lee, “Spectral methods for
dimensionality reduction”, in “Semisupervised Learning”, Cambridge, MA, USA, 2006.
The MIT Press.
B. Scholkopf, A.J. Smola, K.-R. Muller, “Nonlinear component analysis as a kernel
eigenvalue problem”, Neural Computation, 10(5):1299–1319, 1998.
J.B. Tenenbaum, V. de Silva, J.C. Langford, “A global geometric framework for nonlinear
dimensionality reduction”, Science, 290(5500):2319–2323, 2000.
J. Venna, “Dimensionality reduction for visual exploration of similarity structures”, Ph.D.
Thesis, Helsinki University of Technology, 2007.
K.Q. Weinberger, F. Sha, L.K. Saul, “Learning a kernel matrix for nonlinear
dimensionality reduction”, in Proceedings of the 21st International Confernence on
Machine Learning, 2004.
Z. Zhang, H. Zha, “Principal manifolds and nonlinear dimensionality reduction via
tangent space alignment”, SIAM J. Sci. Comput. 26(1), pp.313-338, 2004
8.2 AMBIENTE E RISORSE
8.2.1 GEOLOGIA
•
•
•
•
•
•
Giardino, C., Sgavetti M., (2000), Correzione del path radiance atmosferico per
l'interpretazione dei dati MIVIS,AIT informa-Rivista Italiana di Telerilevamento, 20, 1-8.
Longhi, I., Mazzoli C. Sgavetti, M., (2000), Metamorphic grade in siliceous muscovitebearing rocks through laboratory reflectance and imaging spectroscopy, Terra Nova, 12,
21-27.
Longhi, I., Sgavetti M., Chiari R. and Mazzoli C., (2000), Spectral analysis and
classification of metamorphic rocks from laboratory reflectance and transmittance spectra
in the 0.4-2.5m and 2.5-25m regions: a tool for hyperspectral data interpretation;
International Journal of Remote Sensing, in press.
Longhi, I , Sgavetti, M., (2000), Spettroscopia ottica con sistemi di telerilevamento,
Rivista Italiana di Telerilevamento, in stampa.
Sgavetti, M., Longhi I Guerra., G.L., Barducci A., Tonelli A., (1999), Effects of optical
remote sensor spectral and spatial resolution variation for geological feature recognition,
in: T.Engman and E.Zilioli, eds, Remote Sensing for Earth Science Applications, SPIE
Vol. 3868, p. 308-319.
Sgavetti, M., Giardino, C., Longhi, I., Maselli, F., Pippi, I., Teggi, S., (2000), La
certificazione dei dati telerilevati, Atti IV Congresso ASITA, relazione a invito, LXVIILXXII
8.2.2 VEGETAZIONE
•
•
Asrar G. et Alii, (1984), Estimating absorbed photosyntethic radiation and leaf area index
from spectral reflectance in wheat, Agronomy Journal, 76, 300-306
Asrar et alii, (1992) Spatial Heterogenity in vegetation canopies and remote sensing of
absorbed photosintetically active radiation: a modeling study, Remote Sensing of
Environment, 41, 85-103
150
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Bernasconi, L. , Pippi I., Raddi S., (2003), Comparison among normalized vegetation
inces for the determination of LAI., Remote sensing for agricolture, ecosystem and
Hydrology IV, SPIE, Vol. 4879, 145-153
Carter G.A., (1994), Ratios of leaf reflectances in narrow wavebands as indicators of plant
sterss, Int. J. remote Sensing, 15, 697-703
Field CB, Gamon JA, Penuelas J (1998) Remote sensing of terrestrial photosynthesis.
Anonymous 511-527
Filella I, Amaro T, Araus JL, Penuelas J (1996) Relationship netween photosynthetic
radiation use efficiency of baerly canopies and the photochemical reflectance index (PRI)
Physiologia Plantarum 96: 211-216
Gamon JA, Penuelas J, Field CB (1992) A narrow-waveband spectral index that tracks
diurnal changes in photosynthetic efficiency. Remote Sensing of Environment 41: 35-44
Gamon JA, Serrano L, Surfus JS (1997) The photochemical reflectance index - an optical
indicator of photosynthetic radiation use efficiency across species, functional types, and
nutrient levels. Oecologia 112: 492-501
Gamon JA, Surfus JS (1999) Assessing leaf pigment content and activity with a
reflectometer. New Phytologist 143: 105-117
Gausman HW (1985) Plant leaf optical proprieties. Texas Tech University Press,
Gholz HL, Curran PJ, Kupiec JA, Smith GM (1997) Assessing leaf area and canopy
biochemistry of Florida pine plantations using remote sensing. In: Gholz HL, Nakane K,
Shimoda H (eds) The use of remote sensing in the modeling of forest productivity.
Kluwer Academic Publishers, Netherlands, pp 3-22
Gitelson AA, Merzlyak MN (1994) Spectral reflectance changes associated with autumn
senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral
features and relaction to chlorophyll estimation. Journal of Plant Physiology 143: 286-292
Hu B, Lucht W, Strahler AH (1999) The interrelationship of atmospheric correlation of
reflectances and surface BRDF retrieval: a sensitivity study. IEEE Tansactions on
Geoscience and Remote Sensing 37: 724-738
Joel G, Gamon JA, Field CB (1997) Production efficiency in sunflower: the role of water
and nitrogen stress. Remote Sensing of Environment 62: 176-188
Kokaly RF, Clark RN (1998) Spectroscopic determination of leaf biochemistry: use of
normalized band-depth and laboratory measurements and possible extension to remote
sensing measurements. In:Anonymous Airborne Visible/Infrared Imaging Spectrometer
(AVIRIS) Airborne Geoscience Workshop, JPL, Pasadena, USA,
Kokaly RF, Clark RN, Livo KE (1998) Mapping the biology and mineralogy of
Yellowstone National Park using imaging spectroscopy. In: Green RO (ed) JPL
Pubblication 97-21, pp 245-254
Lee TY, Kaufman YJ (1986) Non-Lambertian effects in remote sensing of surface
reflectance and vegetation index. IEEE Tansactions on Geoscience and Remote Sensing
24: 699-708
Owens TG (1996) Processing of excitation energy by antenna pigments. In: Baker NR
(ed) Photosynthesis and the environment. Kluwer Academic Publishers, NL, pp 1-23
Liu H.Q. Huete A.R. (1995), A feedback based modification of the NDVI to minimize
canopy ackground and atmospheric noise, IEEE Trans. Geosci. Remore Sensing, 33, 457465
Penuelas J, Filella I, Gamon JA (1995) Assessment of photosynthetic radiation-use
efficiency with spectral reflectance. New Phytologist 131: 291-296
Penuelas J, Filella I, Gamon JA, Field C (1997b) Assessing photosynthetic radiation-use
efficiency of emergent aquatic vegetation from spectral reflectance. Aquatic Botany 58:
307-315
151
•
•
•
•
•
•
•
•
•
•
•
•
•
Penuelas J, Filella I, Llusia J, Siscart D, Pinol J (1998) Comparative field study of spring
and summer leaf gas exchange and photobiology of the mediterranean trees Quercus ilex
and Phillyrea latifolia. Journal of Experimental Botany 49: 229-238
Penuelas J, Gamon JA, Fredeen AL, Merino J, Field CB (1994a) Reflectance indices
associated with physiological changes in nitrogen- and water-limited sunflower leaves.
Remote Sensing of Environment 48: 135-146
Penuelas J, Gamon JA, Fredeen AL, Merino J, Field CB (1994b) Reflectance indices
associated with physiological changes in nitrogen- limited and water-limited sunflower
leaves. Remote Sensing of Environment 48: 135-146
Penuelas J, Gamon JA, Griffin KL, Field CB (1993a) Assessing community type, plant
biomass, pigment composition and photosynthetic efficiency of acquatic vegetation from
spectral reflectance. Remote Sensing of Environment 46: 110-118
Penuelas J, Gamon JA, Griffin KL, Field CB (1993b) Assessing community type, plant
biomass, pigment composition, and photosynthetic efficiency of aquatic vegetation from
spectral reflectance. Remote Sensing of Environment 46: 110-118
Penuelas J, Llusia J, Pinol J, Filella I (1997a) Photochemical reflectance index and leaf
photosynthetic radiation-use-efficiency assessment in mediterranean trees. International
Journal of Remote Sensing 18: 2863-2868
Pinty B., Verstraete M.M., “ Extracting information on surface properties from bidirectional reflectance measurements”, Journal of Geophysical Research, Vol. 96, No. D2,
pp. 2865 - 2874, 1991
Prince S.D., Goward S.T.(1995) Global primary production: a remote sensing approach,
journal of Biogeografy, 22, 815-835
Roujean J.L., Leroy M., Deschamps P.Y., “A Bidirectional Reflectance model of the
Earth’s Surface for the correction of remote sensing data”, Journal of Geophysical
Research, Vol. 97, No. D18, pp. 20455 - 20468, 1992.
Sandmeier SR, Itten KI (1999) A field goniometer system (FIGOS) for acquisition of
hyperspectral BRDF data. IEEE Tansactions on Geoscience and Remote Sensing 37: 979986
Sellers PJ. (1987), Canopy reflectance photosynthesis and transpiration II : the role of
biophysics in the linearity of their interdepndence. Remote sensing of environment, 21 ,
143-183
Veljovicjovanovic S, Bilger W, Heber U (1993) “inhibition of photosynthesis,
acidification and stimulation of zeaxanthin formation in leaves by sulfur dioxide and
reversal of these effects”. Planta 191: 365-376
Zagolski F, O'Neill NT, Cartel RA (2000) CESL Project:L2 evaluation of MERIS
atmospheric correction algorithms for land. Validation of a DDV-based aerosol retrieval
algorithm
for
atmopheric
corections.
http://callisto
si
usherb
ca/cartel/noneill/CESL_exec htm
8.2.2.1 STIMA DEL CONTENUTO D’ACQUA NELLA VEGETAZIONE




Ceccato P., 2001, Estimation of water content using remote sensing for the assessment of
fire risk occurenece and burning efficiency, PhD thesis, University of Greenwich.
GaoB., 1996, NDWI, A normalized difference water index for remote sensing if
vegetation liquid water from space, remote sensing of environment, 58, pp. 257-266
Illera P., Fernandez A., Delgado J.A., 1996, Temporal evolution of NDVI as an indicator
of forest fire danger, International Journal of remote Sensing, 17(6), pp. 1093-1105
Leprieur C., Verstraete M., Pinty B., 1994, Evaluation of the performance of variouse
vegetation index to retrieve vegetation cover from AVHRR data, Remote Sensing
Reviews, 10, pp. 265-284
152
8.2.3 NEVE E GHIACCIO










Bromwich D. H., Tzeng R.-Y., Parish T. R. (1994), Simulation of the modern arctic
climate by the NCAR CCM1, Journal of Climate, 7, 1050-1069
Conway H., Gades A., Raymond C., (1996), Albedo of dirty snow during conditions of
melt, Water Resources Research, 32, 1713-1718
Nolin AW, Dozier J, Mertes LAK. (1993), Mapping alpine snow using a spectral mixture
modeling technique, Ann. Glaciol., 17,121– 124
Nolin AW, Dozier J. (2000), A hyperspectral method for remotely sensing the grain size
of snow, Remote Sens. Environ., 74, 207–216
Rosenthal W, Dozier J. 1996. Automated mapping of montane snow cover at subpixel
resolution from the Landsat Thematic Mapper, Water Resour. Res., 32, 115–130
ParkinsonC.L., Comiso J., Zwally H., Cavalieri D., Gloersen P., Campbell W. (1987),
Arctic Sea Ice, 1973-1976:Satellite Passive-Microwave Observations, Nasa SP-489,GPO,
Washington D.C.
Steffen K. (1987), Bidirectional reflectance of Snow. In B.E. Goodison, R.G. Barry, J.
Dozier (editors): large scale effects of seasonal snow cover. Proceedings of the IAHS
Symposium hel in Vancouver on 19-22 august 1987 (Vancouver, Canada:IAHS), 415-425
Tucker C.J. (1979), Red and Photographic infrared linear combinations for monitoring
vegetation, Remote Sensing of Environment, 8, 127-150
Warren S.G. (1982), Optical properties of snow, Reviews of Geophysics and Space
Physics, 20, 67-89
Warren S.G., Wiscombe W.J. (1985), Soot from Arctic haze: Radiation effects on the
Arctic snowpack, World Data Center A for Glaciology (snow and ice), Report GD-18,
edited by G. Kukla, R.G. Barry, A. Hecht, D. Wiesnet, Boulder, Colorado
8.2.4 OCEANI, MARI ED ACQUE INTERNE
•
•
•
•
•
•
•
•
•
Berger W. H., (1982), Deglacial CO2 buildup:Constraints on the coral reef model,
Paleogeog. Paleoclim., Paleoeco., 40, 235-253
Bramlette M. N. (1958), Significance of coccolithophorids in calcium carbonate
deposition, Bull. Geol. Soc. Am., 28, 816-832
Brigidaire R., Ondrusek M.,Morrow J., Kiefer D. (1990), In vivo absorption properties of
algal pigments, SPIE Vol. 1302 Ocean Optics X, 290-302
Carder K. L., Hawes S., Baker K., Smith R., Steward R., Mitchell B., (1991), Reflectance
model for quantifying chlorophyll  in the presence of productivity degradation products,
J. Geophys. Res., 96, 20599-20611
Eppley R.W., Stewartr E, Abbott M.R., Heyman U, (1985), Estimating Ocean Primary
Production from satellite chlorophyll: Introduction to regional differences and statistics
from South California Bight, J. Plank. Res., 7, 57-70
Groom S. B., Holligan P.M., (1987), Remote sensing of coccolitophore blooms,
Proceedings XXVI COSPAR meeting, Toulouse, France
Honjo S., (1990) Particle fluxes at 47N e 34N 20W stations between April 3 to September
26, 1989, EOS, 71,81
Hovis W.A., Clark D., Anderson F., Austin R., Wilson W et alii (1980), Nimbus-7 coastal
zone color scanner:system description and intial imagery, science, 210, 60-63
Kirk, J.T.O., (1983), Light and photosynthesis in aquatic ecosystems, 401, Cambridge
Univ. Press, New York
153
•
•
•
•
•
•
•
Lee Z.P., Carder K, hawes S., Steward R., peacock T., Davis C. (1994), A model for
interpretation of hyperspectral remote sensing reflectance, Apll. Opt. 33, 5721-5732
Morel A., Prieur ., (1977), Analysis of variation in ocean color, Limnol. Oceanogr., 22,
709-722
Morel A., Bricaud A., (1981), Theoretical resultsconcerning light absorption in a discrete
medium and application to th especific absorption of phytoplankton, Deep Sea Res., part
A, 28, 1357-1393
Morel A. Gentili B., (1993), Diffuse reflectance of oceanic waters, II, Bi-directional
aspects, Appl. Opt., 32, 6864-6879
Sikes S. Fabry V, (1994), Photosynthesis, CaCO3 deposition, coccolithophordis and the
global carbon cycle, in Photosynthetic carbon metabolism and regulation of atmospheric
CO2 and O2, edited by N.E. Tolbert and J. Preiss, Oxford University Press, London, 1994
Smith R. C., Baker K.S., (1977), The bio-optical state of Ocean waters and remote
sensing, Scripps Institution of Oceanografy, Ref. 77-2, 36
Smith R. C., Baker K.S., (1981), Optical properties of the clearest natural waters (200800nm), Appl. Opt., 20, 177-184
8.2.5 ATMOSFERA
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Ackerman S.A., (1997), Remote sensing aerosols using satellite infrared observations, J.
Geophys. Res., 102, 17069-17079
Barducci A., Guzzi D., Marcoionni P., Pippi I., (2004) Algorithm for the retrieval of
columnar water vapor from hyperspectral remotely sensed data, Applied Optics, 43,55525563
Charlos R.J., Lovelock J., Andrae M., Waren S, (1987), Oceanic Phytoplancton,
atmospheric sulphur, cloud albedo and climate, Nature. 326, 655-661
Charlson R.J., Schwartz S.E., Hales J.M., Cess R.D., Coakley J. A., Hansen J.E.,
Hofmann D.J., (1992), Climate forcing by antropogenic aerosols, Science, 258, 423-430
Coakley and Cess, (1985), Response of the NCAR Community Climate model to the
radiative forcing by the naturally occurring tropospheric aerosol, J. Atmos. Sci, 16671692
Deshler T. Herving M.E., Hofman D.J., Rosen J.M., Liley B. J., (2003), Thirty years of in
situ stratospheric aerosol size distribution measurements from Laramie, Wyoming (41 N0,
using balloon-borne instruments, J. Geophys. Res, 108, -4167-4180
Gao, B. C., and A. F. H. Goetz(1990), Column Atmospheric Water Vapor and Vegetation
Liquid Water Retrievals From Airborne Imaging Spectrometer Data, J. Geophys. Res., 95,
3549-3564.
Fraser, R.S., (1993), Optical thickness of aatmospheric dust over Tadjikistan, Atmos.
Envir., 27a, 2533-2538
Fraser R.S., Kaufman, Y.J., Mahoney, R. L., (1984) Satellite measurements of aerosol
mass and transport, Atmos. Environ. 18, 2577-2584
Hansen J.E. Hovanier J.W. (1974), Interpretation of the polarization of Venus, J. Atmos.
Sci, 1137-1160
Hansen J.E., Lacis A.A., (1990), Sun and dust versus greenhouse gases: an assessment of
their relative role in global climate change, neature , 346, 713-719
Hegg D. A., (1990), Heterogenous production of cloud condensation nuclei in te marine
troposphere, Geophys. Res. Letters, 17, 2165-2188
Hidy G.M. (1984), Aerosols: An industrial and environmental science, Academic Press
Inc. (London) Ltd., 24/28 Oval Road, London NW1 7DX, 774-775
Hirugashi A., Nakajima T., (1997), AVHRR remote sensing of aerosol optical prperties in
the Persian Gulf region, summer 1991, J. Geophys. Res. 102, 16935-16946
154
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Hirugashi A., Nakajima T., (1999), Development of a two channel aerosol retrieval
algorithm on global scale, using NOAA AVHRR, J. Atmos. Sci., 56, 924-941
Hobbs P.V., Locatelli J.D., (1970): Ice nucleus measurements at three sites in western
Washington. J. Atmos. Sci., 27, 90-100
Holben B.N., Vermote E., Kaufman Y. J., Tanrè D., Kalb V., (1992), Aerosol retrieval
over land from AVHRR data - Application for atmospheric correction, IEEE Trans
Geosci. Remote Sens., 30, 212-222
Kaufman, Y. J., Fraser R., Mahoney S., (1991), Fossil fuel and biomass burning effect on
climate, Heating or cooling, J. Clim. 4, 578-588
Kaufman, Y. J., Gao B.-C. (1992), Remote sensing of water vapor in the near IR from
EOS/MODIS, IEEE Trans. Geosci. Remote Sensing,, 30, 871-884
Kaufman Y.J., Tanrè D., Gordon H.R., Nakajima T., Lenoble J. Frouin R., Grassl H.,
Herman B., King D., Teillet P. (1997), Passive remote sensing of tropospehric aerosol and
atmospheric correction for the aerosol effect, J. Geophys. Res, 102, 16815-16830
Kaufman Y.J., Tanrè D., Remer A., Holben B.N., Vermote E., Chu A., (1997a)
Operational remote sensingof tropospheric aerosol over land from EOS-Moderate
Resolution Imaging Spectroirradiometer, J. Geophys. Res., 102, 17051-17067
Meszaros E., (1981) Atmospheric chemistry. Fundamental aspects, studies in
environmental science 11, Elseiver Scientific Publishing company, P.O. Box 330,
Amsterdam The Nederlands, 201-202
Patterson E.M., Gilette D. A., (1977), Commonalities in measured size distribution for
aerosol having a soil-derived component, J. Geophys. Res., 82, 2074-2081
Stowe L., Ignatov A., Singh R., (1997), Development, validation, and potential
enhancement to the second-generation operational aerosol product at the National
Environmental Satellite, Data and Information Service of the National Oceanic and
Atmospheric Administration, J. Geophys. Res., 102, 16923-16934
Tanrè D., Kaufman Y.J., Herman M., Matoo S., (1997), Remote sensing of aerosol
properties over oceans using the MODIS/EOS spectral radiance, J. Geophys. Res., 102,
16971-16988
Tanré D., Bréon F., Deuzé M., Heman M., Nadal P., marchand A., (2001), Global
observation of antropogenic aerosols from satellite, Geophysical Research letters, 28,
4555-4558
Towmey S.A., Warner J, (1967), Comparison of methods of cloud droplets and cloud
nuclei, J. Atmos, Sci, 24, 702-703
Towmey S.A., Piepgrass M., Wolfe T.L., (1984), An assessment of the impact of
pollution on the global albedo, Tellus, 36b, 356-366
Wigley T.M.L., (1989), Possible climate change due to SO2 derived cloud condensation
nuclei, Nature, 339, 355-357
8.2.5.1 MODELLI DI TRASFERIMENTO RADIATIVO
•
•
•
Barducci aa, D.Guzzi, P.Marcoionni, I.Pippi “Bidirectional Reflectance Distribution
Function: Theory, Measurements, and Results”, CNR-IFAC Report, April 2004.
Berk, A.; Bernstein, L. S.; Anderson, G. P.; Acharya, P. K.; Robertson, D. C.; Chetwynd,
J. H.; Adler-Golden, S. M. (1998). "MODTRAN cloud and multiple scattering upgrades
with application to AVIRIS". Remote Sensing of Environment (Elsevier) 65 (3,): 367–
375. doi:10.1016/S0034-4257(98)00045-5.
Bohren, Craig F. and Eugene E. Clothiaux, Fundamentals of atmospheric radiation : an
introduction with 400 problems, Weinheim : Wiley-VCH, 2006, 472 p., ISBN 3-52740503-8.
155
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Buehler, S. A.; Eriksson, P.; Kuhn, T.; von Engeln, A.; Verdes, C. (2005). "ARTS, the
Atmospheric Radiative Transfer Simulator". J. Quant. Spectrosc. Radiat. Transfer 91 (1):
65–93. Bibcode 2005JQSRT..91...65B. doi:10.1016/j.jqsrt.2004.05.051.
Caillaut, K.; Fauqueux, S.; Bourlier, C.; Simoneau, P.; Labarre, L. (2007).
"Multiresolution optical characteristics of rough sea surface in the infrared". Applied
Optics 46 (22): 5471–5481. Bibcode 2007ApOpt..46.5471C. doi:10.1364/AO.46.005471.
PMID 17676164.
Clough, S. A.; Shephard, M. W.; Mlawer, E. J.; Delamere, J. S.; Iacono, M. J.; CadyPereira, K.; Boukabara, S.; Brown, P. D. (2005). "Atmospheric radiative transfer
modeling: a summary of the AER codes". J. Quant. Spectrosc. Radiat. Transfer 91: 233–
244. Bibcode 2005JQSRT..91..233C. doi:10.1016/j.jqsrt.2004.05.058.
Edwards, D. P. (1992), GENLN2: A general line-by-line atmospheric transmittance and
radiance model, Version 3.0 description and users guide, NCAR/TN-367-STR, National.
Evans, K. F. (1998). "The spherical harmonics discrete ordinate method for threedimensional atmospheric radiative transfer". Journal of the Atmospheric Sciences 55:
429–446.
Bibcode
1998JAtS...55..429E.
doi:10.1175/15200469(1998)055<0429:TSHDOM>2.0.CO;2.
Fu, Q.; Liou, K.-N (1993). "Parameterization of the radiative properties of cirrus clouds.".
J. Atmos. Sci. 50: 2008–2025. Bibcode 1993JAtS...50.2008F. doi:10.1175/15200469(1993)050<2008:POTRPO>2.0.CO;2.
KARINE: a tool for infrared radiative transfer analysis in planetary atmospheres par V.
Eymet. Note technique interne, Laboratoire d'Energétique, 2005.
Key, J.; Schweiger, A. J. (1998). "Tools for atmospheric radiative transfer: Streamer and
FluxNet". Computers & Geosciences 24 (5): 443–451. Bibcode 1998CG.....24..443K.
doi:10.1016/S0098-3004(97)00130-1Center for Atmospheric Research, Boulder, Co.
Kotchenova, S. Y.; Vermote, E. F.; Matarrese, R; Klemm, Jr., F. J. (2006). "Validation of
a vector version of the 6S radiative transfer code for atmospheric correction of satellite
data. Part I: Path Radiance". Applied Optics 45 (26), 6762–6774. Bibcode
2006ApOpt..45.6762K. doi:10.1364/AO.45.006762. PMID 16926910.
Martin-Torres, F. J.; Kupetov, A.; Dudhia, A.; Gusev, O.; Feoÿlov, A.G. (2003).
"Accurate and fast computation of the radiative transfer absorption rates for the infrared
bands in the atmosphere of Titan". Geophysical Research Abstracts. Bibcode
2003EAEJA.....7735M
Lyapustin, A. (2002). "Radiative transfer code SHARM-3D for radiance simulations over
a non-Lambertian nonhomogeneous surface: intercomparison study". Applied Optics
(OSA) 41 (27): 5607–5615. Bibcode 2002ApOpt..41.5607L. doi:10.1364/AO.41.005607.
PMID 12269559.
Mayer, B.; Kylling, A. (2005). "Technical note: The libRadtran software package for
radiative transfer calculations - description and examples of use". Atmospheric Chemistry
and Physics 5: 1855–1877. doi:10.5194/acp-5-1855-2005.
Mlawer, E. J.; Taubman, S. J.; Brown, P. D.; Iacono, M. J.; Claugh, S. A. (1997). "RRTM,
a validated correlated-k model for the longwave.". J. Geophys. Res. 102 (16): 663–682.
Bibcode 1997JGR...10216663M. doi:10.1029/97JD00237.
Scott, N. A.; Chedin (1981). "A fast line-by- line method for atmospheric absorption
computations: The Automatized Atmospheric Absorption Atlas.". J. Appl. Meteor. 20,
802–812.
Bibcode:
1981JApMe..20..802S.
doi:
10.1175/15200450(1981)020<0802:AFLBLM>2.0.CO;2.
Stamnes, Knut; Tsay, S. C.; Wiscombe, W.; Jayaweera, Kolf (1988). "Numerically stable
algorithm for discrete-ordinate-method radiative transfer in multiple scattering and
emitting layered media". Appl. Opt. 27 (12): 2502–2509. Bibcode 1988ApOpt..27.2502S.
doi:10.1364/AO.27.002502.
156
•
•
•
•
•
•
•
•
•
Saunders, R. W.; Matricardi, M.; Brunel, P.. "An Improved Fast Radiative Transfer Model
for Assimilation of Satellite Radiance Observations". Quart. J. Royal Meteorol. Soc. 125:
1407–1425. Bibcode 1999QJRMS.125.1407S. doi:10.1256/smsqj.55614.
Ricchiazzi, P.; Yang, S.; Gautier, C.; Sowle, D. (1998). "SBDART: A Research and
Teaching Software Tool for Plane-Parallel Radiative Transfer in the Earth's Atmosphere".
Bull. Am. Meteor. Soc. 79 (10): 2101–2114. Bibcode 1998BAMS...79.2101R.
doi:10.1175/1520-0477(1998)079<2101:SARATS>2.0.CO;2.
Rozanov, A.; Rozanov, V.; Buchwitz, M.; Kokhanovsky, A.; Burrows, J. P. (2005).
"SCIATRAN 2.0-A new radiative transfer model for geophysical applications in the 1752400 nm spectral region". Advances in Space Research (Elsevier) 36 (5): 1015–1019.
Bibcode 2005AdSpR..36.1015R. doi:10.1016/j.asr.2005.03.012.
Liou, Kuo-Nan, An introduction to atmospheric radiation, Amsterdam ; Boston :
Academic Press, 2002, 583 p., International geophysics series, v.84, ISBN 0-12-451451-0.
Mobley, Curtis D., Light and water : radiative transfer in natural waters; based in part on
collaborations with Rudolph W. Preisendorfer, San Diego, Academic Press, 1994, 592 p.,
ISBN 0-12-502750-8
Petty, Grant W, A first course in atmospheric radiation (2nd Ed.), Madison, Wisconsin :
Sundog Pub., 2006, 472 p., ISBN 0-9729033-1-3
Preisendorfer, Rudolph W., Hydrologic optics, Honolulu, Hawaii : U.S. Dept. of
Commerce, National Oceanic & Atmospheric Administration, Environmental Research
Laboratories, Pacific Marine Environmental Laboratory, 1976, 6 volumes.
Stephens, Graeme L., Remote sensing of the lower atmosphere : an introduction, New
York, Oxford University Press, 1994, 523 p. ISBN 0-19-508188-9.
Thomas, Gary E.and Knut Stamnes, Radiative transfer in the atmosphere and ocean,
Cambridge, New York, Cambridge University Press, 1999, 517 p., ISBN 0-521-40124-0
8.3 RISCHI NATURALI E ANTROPICI
8.3.1 FRANE
•
•
•
•
•
•
•
Crosta G.B., Frattini P. (2003) Distributed modelling of shallow landslides triggered by
intense rainfall. Natural Hazards and Earth System Sciences, 3:1-2 81-93.
Fourniadis I.G., Liu J.G. e Mason P.J., (2007), Landslide hazard assessment in the Three
Gorges area, China, using ASTER imagery: Wushan–Badong, Geomorphology 84 pp.
126–144
Guzzetti F., Carrara A., Cardinali M., Reichenbach P. (1999), Landslide hazard
evaluation: a review of current techniques and their application in a multi-scale study,
Central Italy. Geomorphology, Vol. 31, 181-216.
Guzzetti F., Reichenbach P., Cardinali M., Galli M., Ardizzone F. (2005a), Probabilistic
landslide hazard assessment at the basin scale. Geomorphology, Vol. 72: 272-299.
Guzzetti F., Galli M., Reichenbach P., Ardizzone F., Cardinali M. (2006), Landslide
hazard assessment in the Collazzone area, Umbria, central Italy. Natural Hazards and
Earth System Sciences, Vol. 6, 115-131.
Hervas J., Barredo J., Rosin P., Pasuto A., Mantovani F., Silvano S., 2003, Monitoring
landslides from optical remote sensedimagery: the case history of Tessina landslide, Italy,
Geomorphology, 54, pp. 63-75
Iverson R.M. (2000), Landslide triggering by rain infiltration. Water Resources Research,
36: 1897- 1910.
157
•
•
•
•
•
•
•
•
•
•
•
•
•
Jayaseelan S., Sanjeevi S., 2002, Visible and NIR reflectance spectra of the components
of a landslide zone in the Nilgiris, South India, Proc. ACRS 2002, Hazard mitigation and
Disaster management.
Kusaka T., Shikada M. e Kawata Y. , (1992), Extraction of landslide areas using spatial
features of topographics basins, Proc. Of IEEE Conf. Geosci. Remote Sensing
IGARSS'92, 938-940.
Lillesand, T. M. and Kiefer R. W., 1999. Remote Sensing and Image Interpretation (4th
ed.). John Wiley & Sons, Inc.
Liu, J.G., Mason, P.J., Clerici, N., Chen, S., Davis, A., Miao, F., Deng, H., Liang, L.,
(2004), Landslide hazard assessment in the Three Gorges area of the Yangtze river using
ASTER imagery: Zigui–Badong. Geomorphology 61, 171–187
McKean, J., Buechel, S., Gaydos, L., 1991. Remote Sensing andLandslide Hazard
Assessment. Photogrammetric Engineering and Remote Sensing, 57(9), pp. 1185-1193.
Metternicht, G. I. and Zinck, J. A., 1998. Evaluating the information contents of JERS-1
SAR and LANDSAT TM data for discrimination of soil erosion features.
PhotogrammetricEngineering & Remote Sensing, 53(3), pp. 143-153.
Meyer, G. A., Pierce, J. L., Wood, S. H., Jull, A. J. T., 2001. Fire,storms, and erosional
events in the Idaho batholith. Hydrological Processes, 15, pp. 3025-3038.
Pickup, G., and Marks, A., 2000. Identifying large-scale erosion and deposition processes
from airborne gamma radiometrics and digital elevation models in a weathered landscape.
Earth Surface Processes and Landforms, 25, pp. 535-557.
Rosin P.L., Hervas J., Barredo J., 2000, Remote sensing image theresholding for landslide
motion detection, Proc. 1st workshop on pattren recognition technique, Andorra, pp.10-17
Rosin P.L., 2001, Unimodal theresholding, Pattern recognition, 34, pp. 2083-2096
Shikada M., Muramatu N., Kusaka T. e Goto S. (1995), Extraction of landslide areas
using satellite remote sensing and GIS technology, Proc. of SPIE vol.2/95, 377,-379.
Singhroy, V. and Mattar, K., 2000. SAR image techniques for mapping areas of
landslides. International Society for Photogrammetry and Remote Sensing Conference
Proceedings, Amsterdam, pp. 1395-1402.
Vohora V. e Donoghue S., 2004, Application of remote sensing data at landslide mapping
in Hong Kong, Proceeding of ISPRS, Istambul
8.3.2 ALLUVIONI
•
•
•
•
•
•
Brackenridge, G. R., Tracy, B. T., and Knox, J. C., 1998, Orbital SAR Remote Sensing of
a River Flood Wave. International Journal of Remote Sensing, 19, 1439-1445.
Corbley, K., 1993, Remote Sensing and GIS Provide Rapid Response for Flood Relief.
Earth Observation Magazine, September, 28-30.
Correia, F. N., Rego, F. C., Saraiva, M.D. S, and Ramos, I. 1998, Coupling GIS with
Hydrologic and hydraulic flood modeling. Water Resources Management, 12, 229-249.
Dartmouth Flood Observatory, 1999, DFO-1999-076 Flooding From Hurricane Floyd.
NASA-Supported Dartmouth Observatory.
Hansen, M., DeFries, R., DiMiceli, C., Huang, C., Solhberg, R., Zhan, X. and Townshend,
J.R.G. 1998. Red and infrared space partitioning for detecting land cover change.
IGARSS’98: 1998 IEEE International Geoscience and Remote Sensing Symposium
Proceedings. Seattle, Washington. Vol. V: pp. 2512-2514.
Hess, L. L., Melack, J. M., Filoso, S., and Wang, Y., 1995, Realtime mapping of
inundation on the Amazon floodplain with the SIR-C/X-SAR synthetic aperture radar.
IEEE Transactions on Geoscience and Remote Sensing, 33:896-904.
158
•
•
•
•
•
•
Imhoff, M. L., Vermillon, C., Story, M. H., Choudhury, A. M., and Gafoor, A., 1987,
Monsoon flood boundary delineation and damage assessment using space borne imaging
radar and Landsat data. Photogrammetric Engineering and Remote Sensing, 4, 405-413.
Jensen, J. R., 1996, Introductory digital image processing: a remote sensing perspective.
2nd Ed., Prentice Hall, New Jersey.
Jones, J. L., Haluska, T. L., Williamson, A. K., and Erwin, M. L., 1998, Updating flood
inundation maps efficiently: building on existing hydraulic information and modern
elevation data with a GIS. U.S. Geological Survey Open-File Report 98-200.
Miranda, F. P., Fonseca, L. E. N., and Carr, J. R., 1998, Semivariogram textural
classification of JERS-1 (Fuyo-1) SAR data obtained over a flooded area of the Amazon
rainforest. International Journal of Remote Sensing, 19,549-556.
Wang, Y., Colby, J., and Mulcahy, K., 2000a, An efficient method for mapping flood
extent in a coastal floodplain by integrating Landsat TM and DEM data, Int. J. of Remote
Sens., 20 p.
Wang, Y., Colby, J. D., and Mulcahy, K., 2000b, Mapping flood extent in Tar River basin
within Pitt County of North Carolina by river gauge data and topographic data, a chapter
in the book, Hurricane Floyd and Its Aftermath: Recovery in the Coastal Plain (Carolina
Press), 15 p.
8.3.3 INCENDI
•
•
•
•
•
•
•
•
•
•
•
Barducci A., Pippi I., (1996), Temperature and Emissivity Retrieval from Remotely
Sensed Images Using the “Grey Body Emissivity” Method. IEEE Transaction on
Geoscience and Remote Sensing, 34, n. 3, pp.681-695.
Barducci A., Guzzi D., Marcoionni P., Pippi I., Poggesi M., (2002), Tecniche avanzate di
telerilevamento da aereo per l’osservazione della Terra, Rivista Italiana di
Telerilevamento, 24, 25 – 31.
Cahoon, D.R., Jr., J.S. Levine, P. Minnis, G.M. Tennille, T.W. Yip, P.W. Heck, and
B.J.Stocks, (1991), The Great Chinese Fire of 1987: A View from Space, Global Biomass
Burning: Atmospheric, Climate, and Biospheric Implications, J.S. Levine, editor, MIT
Press, Cambridge, MA, 61-66, 1991.
Ceccato, P., Gobron, N., Flasse, S., Pinty, B., & Tarantola, S. (2002), Remote Sensing of
Environment, 82, 188
Chrysoulakis N., Cartalis C., (2000), A new approach for the detection of major fires
caused by industrial accidents, using NOAA/AVHRR imagery, International Journal of
Remote Sensing, 21, No8, 1743 – 1748.
Chuvieco E., (1997) A review of remote sensing methods for the study of large wildland
fires, Alcalá de Henares, Spain: Universidad de Alcalá.
Chuvieco, E., and M.P. Martin, (1994), A simple method for fire growth monitoring using
AVHRR channel 3 data, Int. J. Rem. Sens., 15: 3141-3146, 1994.
Chuvieco, E. and Congalton, R.G. (1998), Mapping and inventory of forest fires from
digital processing of TM data, Geocarto international,4: 41-53.
Chuvieco, E., Riaño, D., Aguado, I., & Cocero, D. (2002), International Journal of
Remote Sensing, 23, 2145
Cisbani E. et al.., (2002), Early fire detection system based on multi-temporal images of
geostazionary and polar satellites, IGARSS 2002, Toronto, July 2002.
Dennison Philip E., Kraivut Charoensiria, Dar A. Robertsb, Seth H. Petersonb and Robert
O. Green, (2006), Wildfire temperature and land cover modeling using hyperspectral data,
Remote Sensing of Environment, Volume 100, Issue 2, 30 January 2006, Pages 212-222
159
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Dennison Philip E., Dar A. Roberts and Lucy Kammer, (2008) Wildfire detection for
retriving fire temperature from Hyperspectral data. ASPRS 2008 Annual Conference
Portland, Oregon April 28 - May 2, 2008
Dennison Philip E, Dar A. Roberts, (2009), Daytime fire detection using airborne
hyperspectral data, Remote Sensing of Environment 113 (2009) 1646–1657
Dennison Philip E., D. Scott Matheson (2011), Comparison of fire temperature and
fractional area modeled from SWIR, MIR, and TIR multispectral and SWIR hyperspectral
airborne data, Remote Sensing of Environment 115 (2011) 876–886.
Dwyer, E., J.-M. Gregoire, and J.-P. Malingreau, (1998), A global analysis of vegetation
fires using satellite images: Spatial and temporal dynamics, Ambio, 27:175-181, 1998.
Dwyer E. , Gregoire J. M., (2000),Global spatial and temporal distribution of vegetation
fire as determined from satellite observations, International Journal of Remote Sensing,
21, No6 & 7, 1289 – 1302.
Eckmann, T. C., Roberts, D. A., & Still, C. J. (2008). Using multiple endmember spectral
mixture analysis to retrieve subpixel fire properties from MODIS. Remote Sensing of
Environment, 112, 3773−3783.
Eckmann, T. C., Roberts, D. A., & Still, C. J. (2009). Estimating subpixel fire sizes and
temperatures from ASTER using multiple endmember spectral mixture analysis.
International Journal of Remote Sensing, 30, 5851−5864.
Eckmann, T. C., Still, C. J., Roberts, D. A.,&Michaelsen, J. C. (2010). Variations in
subpixel fire properties with season and land cover in Southern Africa. Earth Interactions,
14-006.
Eva, H., and S. Flasse, (1996), Contextual and muliple-threshold algorithms for regional
active fire detection with AVHRR data, Rem. Sens. Rev., 14:333-351, 1996
Fernandez A., Casanova J. M., (1997), Automatic mapping of surfaces affected by forest
fires in Spain using AVHRR NDVI composite image data”, Remote Sensing of
Environment, 60, 153 – 162.
Flannigan, M.D., and T.H. Vonder Haar, (1986), Forest fire monitoring using NOAA
satellite AVHRR, Can. J. Forest Res., 16:975-982, 1986.
Flasse, S.P., and P. Ceccato, (1996), A contextual algorithm for AVHRR fire detection,
Int. J.Rem. Sens., 17:419-424, 1996.
Franca, J.R, J.M. Brustet, J. Fontan, Multispectral remote sensing of biomass burning in
West Africa, J. Atmos. Chem., 22:81-110
Fraser, R.H., Fernandes, R., Latifivic, R., (2003), Multi-temporal Mapping of burned
Forest over Canada Using Satellite-based Change Metrics, Geocarto International, Vol.18,
n. 2 June 2003, 37-47.
Gao, B.-C. (1996), Remote Sensing of Environment, 58, 257
Gao, B.-C. & Goetz, A. F. H. (1990), Journal of Geophysical Research, 95, 3549
Giglio, L., J. Descloitres, C.O. Justice, and Y.J. Kaufman (2003). An enhanced contextual
fire detection algorithm for MODIS, Remote Sensing of Environment, 87:273-282.
Green, R.O., (1996), Estimation of biomass fire temperature and areal extent from
calibrated AVIRIS spectra. Summaries of the Sixth Annual JPL Airborne Earth Science
Workshop, Pasadena: Jet Propulsion Laboratory, JPL Publication 96-4, Volume 1, 105113.
Grégoire J-M., D. R. Cahoon, D. Stroppiana, Z. Li, S. Pinnock, H. Eva, O. Arino, J.M.
Rosaz, and I. Csiszar, (2000), Forest fire monitoring and mapping for GOFC: current
products and information networks based on NOAA-AVHRR, ERS-ATSR, and SPOTVGT, Rem. Sens. Environ. 2000.
Ichoku, C., Y.J. Kaufman, L. Giglio, Z. Li, R.H. Fraser, J.Z. Jin, and W.M. Park, 2003.
Comparative analysis of daytime fire detection algorithms using AVHRR data for the
1995 fire season in Canada: Perspective for MODIS, International Journal of Remote
Sensing, 24:1669-1690.
160
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Justice, C.O., and J.P. Malingreau (editors), (1993), The IGBP-DIS Satellite Fire
Detection Algorithm Workshop Technical Report, IGBP-DIS Working Paper 9,
NASA/GSFC, Greenbelt, Maryland, USA, February, 1993.
Justice, C.O., J.P. Malingreau, A.W. Setzer, (1993) Remote sensing of fires: Potential and
limitations, Fire in the Environment (P.J. Crutzen and J.G. Goldammer, Eds.), pp. 77-88,
1993.
Kant Y. , Badarinath K.V.S., (2000), Studies on land surface temperature over
heterogeneous areas using AVHRR data, International Journal of Remote Sensing, 21,
no8, 1749 – 1756.
Kasischke E. S., Harrell H. F., (1993), Monitoring of wildfires in boreal forests using
large area AVHRR NDVI composite image data, Remote Sensing of Environment, 45, 61
– 67.
Kasischke, E.S. and French, N.H.F. (1995). Locating and estimating the areal extent of
wildfires in Alaskan boreal forests using multiple-season AVHRR NDVI composite data.
Remote Sensing of Environment 51: 263-275.
Kaufman, Y.J., C.J.Tucker, I.Fung, (1990) Remote sensing of biomass burning in the
tropics, J.Geophy. res. 95: 9927-9939, 1990
Kaufman, Y.J., C. Justice, L. Flynn, J. Kendall, E. Prins, D.E. Ward, P. Menzel, and
A.Setzer, (1998) Potential global fire monitoring from EOS-MODIS, J. Geophy. Res.,
103:32215-32238, 1998.
Koutsias N., Karteris M. (2000), Burned area mapping using logistic regression modeling
of a single post-fire Landsat-5 Thematic Mapper image, International Journal of Remote
Sensing, 21, No4, 673 – 687.
Lee, T.M., and P.M. Tag, (1990) Improved detection of hotspots using the AVHRR 3.7
um channel. Bull. Amer. Meteoro. Soc. 71:1722-1730, 1990.
Li, Z., Cihlar, J., Moreau, L., Huang, F., Lee, B., (1997), Monitoring fire activities in the
boreal ecosystem, J. Geophy. Res., 102:29611-29624, 1997.
Li, Z., Y.J. Kaufman, C.Ichoku, R.Fraser, A. Trishchenko, L.Giglio, J.Jin, X,Yu, (2000),
A review of AVHRR-based Active Fire Detection Algorithms: Principles, Limitations,
and Reccomendations, September 2000.
Li, Z., S. Nadon, J. Cihlar, (2000), Satellite detection of Canadian boreal forest fires:
Development and application of an algorithm, Int. J. Rem. Sens., 21:3057-3069, 2000
Maffei C., M. Menenti, Fire Risk assessment: the role of Hyperspectral Remote Sensing,
Proc. ‘Hyperspectral 2010 Workshop’, Frascati, Italy, 17–19 March 2010 (ESA SP-683,
May 2010)
Malingreau, J.P., Stephens, G. and Fellows, L. (1985), Remote sensing of forest fires:
Kalimantan and North Borneo in 1982-83. Ambio 14(6): 314-321.
Malingreau J.P. and C.J. Tucker, (1988), Large scale deforestation in the south-eastern
Amazon basin. Ambio, 17: 49-55, 1988.
Malingreau, J.P., (1990), The contribution of remote sensing to the global monitoring of
fires in tropical and sub-tropical ecosystems. In: Fire in the Tropical Biota, edited by
J.G.Goldammer, pp. 337-370. Berlin: Springer-Verlag, 1990.
Martin, P. and Chuvieco, E. (1995), Cartografía y evaluación superficial de grandes
incendios forestales a partir de imágenes de satélite", Ecología, vol. 9, pp. 9-21.
Martin, P., Ceccato, P., Flasse, S., and Downey, I. (1999), Fire detection and fire growth
monitoring using satellite data. Remote Sensing of Large Wildfires in the European
Mediterranean Basin, Chuvieco, E., (Ed.). Springer-Verlag Berlin/Heidelberg 3-54065767-3, XII, 212 pp, 1999.
Mather, P.M., (1999), Incorporation of non-spectral features. In Computer Processing of
Remotely Sensed Image, pp. 198-201 (Chichester: John Wiley and Sons).
Matson, and B. Holben, (1987), “Satellite detection of tropical burning in Brazil”,
International Journal of Remote Sensing, 1987, 8, 509-516.
161
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Michalek J. L., Kasischke E. S., (2000), Using Landsat TM data to estimate carbon release
from burned biomass in an Alaskan spruce forest complex, International Journal of
Remote Sensing, 21, No2, 323 – 338.
Milne, A.K. (1986), The use of remote sensing in mapping and monitoring vegetational
change associated with bushfire events in Eastern Australia. Geocarto International (1):
25-35.
Muirhead K., Cracknell A.P., (1984), Identification of gas flares in the North Sea using
satellite data, International Journal of Remote Sensing, 5, 199-212.
Oertel, D., Zhukov, B., Thamm, H. P., Roehrig, J., & Orthmann, B. (2004). Space-borne
high resolution fire remote sensing in Benin, West Africa. International Journal of Remote
Sensing, 25, 2209−2216.
Pereira, J.M.C., and A.W. Setzer, (1993), Spectral characteristics of deforestation fires in
NOAA/AVHH images, Int. J. Rem. Sens., 14:583-597, 1993
Pereira M. C. , Setzer A. W.,(1996), Comparison of fire detection in savannas using
AVHRR’s channel 3 and TM images, International Journal of Remote Sensing,. 17, 1925
– 1937.
Pereira, J.M.C., Chuvieco, E., Beaudoin, A., Desbois, N., (1997), Remote Sensing of
burned areas: a review, in “A review of remote sensing methods for the study of large
wildland fires”, Emilio Chuvieco Editor, Universidad de Alcalà, Alcalà de Henares
(Spain), August 1997, ISBN 84-8498-578-4.
Pereira, J.M.C., Sà, A.C., Sousa, A.M., Silva, J.M., Santos, T.N., and Carreiras, J.M.,
(1999), Spectral Characterization and discrimination of burnt areas. In Remote Sensisng
of large Fires, E Chuvieco (Ed.), pp. 123-138 (Berlin: Spriger).
Prins, E.M. and W.P. Menzel, (1992), Geostationary satellite detection of biomass burning
in South America. Int. J. Remote Sensing, 13:2783-2799, 1992.
Rauste, Y., E. Herland, H. Frelander, K. Soini, T. Kuoremaki, and A. Ruokari, (1997),
Satellite-based forest fire detection for fire control in boreal forests, Int. J. Rem. Sens.,
18:2641-2656, 1997.
Richards, J.A. (1986). Remote Sensing Digital Image Analysis: an Introduction. SpringerVerlag, Berlin
Riaño, D., Vaughan, P., Chuvieco, E., Zarco-Tejada, P. J., & Ustin, S. L. (2005), IEEE
Transactions on Geoscience and Remote Sensing, 43, 819
Riggan, P. J., Tissell, R. G., Lockwood, R. N., Brass, J. A., Pereira, J. A. R., Miranda, H.
S., et al. (2004). Remote measurement of energy and carbon flux from wildfires in Brazil.
Ecological Applications, 14, 855−872.
Rock, B. N., Vogelmann, J. E., Williams, D. L., Vogelmann, A. F., & Hoshizaki, T.
(1986), Bioscience, 36, 439
Roberts G..J, D. A., Gardner, M., Church, R., Ustin, S., Scheer, G., & Green, R. O.
(1998), Mapping chaparral in the Santa Monica Mountains using multiple endmember
spectral mixture models. Remote Sensing of Environment, 65, 267−279
Roberts G. J. and Martin J. Wooster, (2008), Fire Detection and Fire Characterization
Over Africa Using Meteosat SEVIRI, IEEE Trans. on Geoscience and Remote Sensing,
VOL. 46, NO. 4, April 2008
Robinson, J.M., (1991), Fire from space: Global fire evaluation using infrared remote
sensing, Int. J. Rem. Sen., 12:3-24, 1991.
Rothermel, R. C. (1972), A mathematical model for predicting fire spread in wildland
fuels, Research paper INT-115, USDA Forest Service
Salvador R., Valeriano J., (2000), A semi-automatic methodology to detect fire scars in
shrubs and evergreen forests with Landsat MSS time series, International Journal of
Remote Sensing, 21, No4, 655 – 671.
Setzer, A.W. and M.C. Pereira, (1991), Amazonian biomass burnings in 1987 and an
estimate of their tropospheric emission, Ambio 20, 19-22, 1991.
162
•
•
•
•
•
•
•
•
•
•
Setzer A.W., and M.C. Pereira, (1991), Operational detection of fires in Brazil with
NOAA-AVHRR, 24th Symp. Rem. Sens. Environ., Rio de Janeiro, Brazil, May 1991a.
Setzer, A.W., M.C. Pereira, and Jr.A.C. Pereira, (1991), Satellite studies of biomass
burning in Amazonia - some practical aspects. Rem. Sens. Rev., 10:91-103, 1994
Trigg, S. And Flasse, S., (2001), An evaluation of different bi-spectral spaces for
discriminating burned shrub-savannah, Int. J. of Remote Sensing, 2001, vol. 22, no. 13,
pp. 2641-2647.
Verbesselt, J., Fleck, S., & Coppin, P. (2002), in Proceedings of the 6th International
Conference on Forest Fire Research (Luso, Coimbra, Portugal: Millpress Science), 11
Vergara, L., I. Bosch, P. Bernabeu & N. Cardona, (2003), Infrared signal processing for
early warning of forest fires, 4th International Workshop on remote sensing and GIS
Application to Fire management: Innovative Concepts and methods in fire Danger
Estimation (Ghent, Belgium, 2003)
Vodacek, A. R.L. Kremens, A.J. Fordham, S.C. Vangorden, D. Luisi, J.R. Schott, and D.J.
Latham (2002). Remote optical detection of biomass burning using a potassium emission
signature, International Journal of Remote Sensing, 13:2721-2726.
Wold, S., Sjöström, M., & Eriksson, L. (2001), Chemometrics and Intelligent Laboratory
Systems, 58, 109
Wooster, M. J., Zhukov, B., & Oertel, D. (2003). Fire radiative energy for quantitative
study of biomass burning: Derivation from the BIRD experimental satellite and
comparison to MODIS fire products. Remote Sensing of Environment, 86, 83−107.
Zhukov, B., Briess, K., Lorenz, E., Oertel, D., & Skrbek, W. (2005). Detection and
analysis of high-temperature events in the BIRD mission. Acta Astronautica, 56, 65−71.
Zarco-Tejada, P. J. & Ustin, S. L. (2001), in International Geoscience and Remote
Sensing Symposium, 2001. IGARSS ’01, Vol. 1, 342–344
8.3.4 ATTIVITA' VULCANICA E GEOTERMICA
•
•
•
•
•
•
•
•
Brock, T.D., 1994. Life at High Temperatures. Yellowstone Association for Natural
Science History, and Education, Wyoming. 31 pp.
Farmer, J.D., 2000. Hydrothermal systems: doorways to early biosphere evolution. GSA
Today 10 (7), 1 –11.
Francis, P.W., McAllister, R., 1986. Volcanology from space; using Landsat Thematic
mapper data in the Central Andes. EOS, Transactions-American Geophysical Union 67,
pp.170– 171.
Francis, P.W., Rothery, D.A., 1987. Using the Landsat Thematic Mapper to detect and
monitor active volcanoes: an example from Lascar volcano, Northern Chile. Geology 15,
pp.614– 617.
Gawarecki, S.J., Lyon, R.J.P., Nordberg, W., 1965. Infrared spectral returns and imagery
of the Earth from space and their application to geological problems: scientific
experiments for manned orbital flight. American Astronautical Society, Science and
Technology Series 4, pp.13– 133.
Harris, A.J.L., Flynn, L.P., Rothery, D.A., Oppenheimer, C., Sherman, S.B., 1999. Mass
flux measurements at active lava lakes: implications for magma recycling. Journal of
Geophysical Research 104, pp.7117– 7136.
Hellman M. J., Ramsey M. S., 2004, Analysis of hot spring and associated deposits in
Yellowstone National Park using ASTER and AVIRIS remote sensing, J. of Volcanology
and geoth. activity, 135, pp.195 - 219
Kaneko, T., Wooster, M.J., 1999. Landsat infrared analysis of fumarole activity at Unzen
volcano: time-series comparison with gas and magma fluxes. Journal of Volcanology and
Geothermal Research 89, pp.57– 64.
163
•
•
•
•
•
•
•
Kaneko, T., Yasuda, A., Ishimaru, T., Takagi, M., Wooster, M.J., Kagiyama, T., 2002a.
Satellite monitoring of Japanese volcanoes: a prototype AVHRR-based system. Advances
in Environmental Monitoring and Modelling 1, pp.125– 133.
Kaneko, T., Wooster, M.J., Nakada, S., 2002b. Exogenous and endogenous growth of the
Unzen lava dome examined by satellite infrared image analysis. Journal of Volcanology
and Geothermal Research 116, pp.151–160.
Kroktov N.A., Krueger A., Bhartia P., 1997. Ultraviolet optical model of volcanic clouds
for remote sensing of ash and sulphur dioxide, Journal of Geophysical Research, 102, pp.
21891-21904.
Oppenheimer, C., 1991. Lava flow cooling estimated from Landsat Thematic Mapper
infrared data: the Lonquimay eruption (Chile, 1989). Journal of Geophysical Research 96,
pp. 21865– 21878.
Oppenheimer, C., Francis, P.W., Rothery, D.A., Carlton, R.W.T., Glaze, L.S., 1993.
Infrared image analysis of volcanic thermal features: Lascar volcano, Chile, 1984– 1992.
Journal of Geophysical Research 98, pp. 4269– 4286.
Walter, M.R., DesMarais, D.J., 1993. Preservation of biological information in thermal
spring deposits: developing a strategy for the search for fossil life on Mars. Icarus 101,
129– 143.
Wright, R., Flynn, L.P., Harris, A.J.L., 2001. Evolution of lava flow-fields at Mount Etna,
27–28 October 1999, observed by Landsat 7 ETM+. Bulletin of Volcanology 63, pp. 1 –7.
8.3.5 INQUINAMENTO DI PETROLIO A MARE
•
•
•
•
•
•
•
Borzelli G., Ciappi A., Ulivieri C., Antonelli G., Laneve G., 1996, A new perspective on
oil slick detection from space by NOAA satellites, International Journal of Remote
Sensing, 17, pp. 1279-1292
Cross A. M., 1992. Monitoring marine oil pollution using AVHRR data: observation off
the coast of Kwait and Saudi Arabia during january 1991, International Journal of Remote
Sensing, 13, pp. 781-788.
Fingas M., Brown C., 2002. Review of oil spill remote sensing, Seventh International
Conference on Remote sensing for marine and coastal environments, Miamik, Florida, 2022 maggio 2002
McMillin L., 1975. Estimation of sea surface temperature from two infrared windows
measurement with different absorption, J. Geophys. Research, 80, pp5113-5117
Salem F. e Kafatos M., 2001, Hyperspectral image analysis for oil spill mitigation, 22nn
Asian Conference on remote sensing, Singapore, 5-9 dicembre 2001
Salisbury J., D’Aria D., Sabins F., 1993. Thermal infrared remote sensing of crude oil
slicks, Remote Sensing of Environment, 45, pp. 225-231.
Ulivieri C. e Cannizzaro G. , 1985. land surface temperature retrievals from satellite
mesurements Acta Astronautica, 12, pp. 977-986
8.4 ESECUZIONE DELLE CAMPAGNE DI
TELERILEVAMENTO
•
•
“Pianificazione ed esecuzione delle campagne di telerilevamento - VOLO_991110”,
Rapporto Tecnico del CNR-IROE.
“Pianificazione ed esecuzione delle campagne di telerilevamento - VOLO_000321”,
Rapporto Tecnico del CNR-IROE.
164
•
•
“Pianificazione ed esecuzione delle campagne di telerilevamento - VOLO_000621”,
Rapporto Tecnico del CNR-IROE.
M. G. Baldecchi, I. Pippi, B. Radicati, “SPEREF v1.2 banca dati di misure di riflettanza
spettrale nel visibile e nell’infrarosso”, report CNR-IROE.
165

Documenti analoghi