PRISMA Prodotti e Applicazioni - Stato dell`arte
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 ( ) hc 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 hcostante 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( , ; , )dd 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; , ) dd 0 0 2 1 Eq. 6-18 Pertanto il problema RTE ammette le seguenti soluzioni: ( ) TOA L( , ; , ) E ( ) exp 1 2 1 L( ,1; , ) dd 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 (SOL@OBS) per la trasmittanza del percorso fino a terra e fino al70 sensore comprensivo della riflettanza del suolo). SOL@OBS: 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) SOL@OBS 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 SOL@OBS 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( , ; , ) dd 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 0.45m , 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 2.5m 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 (0.94m) , 3ch (0.865m) 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 (0.94m) 1 3ch (0.865m) 3ch (1.025m) H 2O (0.94m) Eq. 6-44 2 ottenendo così una trasmittanza media H 2O (0.94m) per la banda di assorbimento in questione. Poi confrontando i valori di H 2O (0.94m) 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; Bt , = 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 Lsensor t L LEf LEb LP Eq. 7-4 dove Lsensor = radianza al sensore t = trasmittanza atmosferica L = radianza solare riflessa LEf = Radianza emessa dal fuoco LEb = Radianza emessa dal background LP = 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 Lsensor 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 L1 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