Transcript evtek_zm06_luento_04

Paikkatietotekniikan erikoistumisopinnot ZM06
Paikkatiedon keruu ja
muokkaus: kaukokartoitus
Luento 4
• Ilmakuvaus
• Kartoitusprosessi
• Tulkinta
– Visuaalinen
– Ohjattu
– Ohjaamaton
• CORINE Land Cover 2000
ILMAKUVAUS
• Fotogrammetrian ehdottomasti yleisin sovellus on
ilmakuvakartoitus
• Suomessa valtakunnallinen peruskartoitus
1:20'000 tehtiin koko maan osalta ensimmäisen
kerran ilmakuvilta vuosina 1947 - 75
• Kartoituskuvaukset ovat pystykuvauksia ja kuvaus
pyritään tekemään stereokuvauksena
• Koska koko kuvausalue tulee kattaa stereomallein,
kuvaus tehdään jonoina, joissa peräkkäiset kuvat
peittävät toisensa yli 50 % ja vierekkäiset jonot
toisensa 10 - 30 %
ILMAKUVAUS
• Tämä edellyttää erikoisvalmisteista
sarjakuvakameraa
230 mm x 230 mm negatiivikoko,
geometrisesti lähes virheetön objektiivi ja
erotuskyvyltään vähintään 30-40 viivaparia
millimetrillä toistava kuvausjärjestelmä
• Uutuuksia:
1990-luvulla satelliittipaikannukseen perustuva
navigointi ja kuvauksen ohjaus, sekä kameran
stabilointi ja kuvan maaliikkeen kompensointi
valotuksen aikana
2000-luvulla digitaalisten ilmakuvakameroiden
tulo markkinoille
KUVAUS
• Kartoituskuvaukset tehdään lähes yksinomaan pystykuvauksina
ja stereokuvauksen normaalitapauksen mukaisina
stereomalleina
• Kuvaus tehdään jonoina, joissa mallit muodostuvat, kun
peräkkäiset kuvat peittävät toisensa yleensä 60 %
(pituuspeitto)
• Vierekkäiset jonot kuvataan siten, että ne peittävät toisensa 20
- 30 % (sivupeitto)
KUVAUS
• Runsailla peitoilla pyritään varmistumaan siitä, että
koko alue tulee kuvattua stereomalleina
• Suurta tarkkuutta vaativissa kartoitustöissä
kuvaukset tehdään myös jonojen kesken 60 %
sivupeitolla (tarkka kartoituskuvaus)
• Tällöin useimmat maaston yksityiskohdista näkyvät
vähintään neljällä kuvalla ja kohteita jää katveisiin
vastaavasti vähemmän
• Kamerassa käytettävän objektiivin polttoväli f
(suunnilleen sama kuin kameravakio c) ja
kuvauskorkeus H määrittyy kartoitustarpeen
mukaan
KUVAUS- JA KARTOITUSMITTAKAAVAT
• Suomessa yleisimmin käytetyt kuvausmittakaavat.
Kartoituslaji
Kartoituksen
tarkkuusluokka
Kuvausmittakaava
Kameran
objektiivi
Lentokorkeus
Korkeakuvaus
-
1 : 60000
f = 15 cm
9200 m
Peruskartta
1 : 10000
1 : 30000
f = 15 cm
4500 m
Maastotietokanta
laatuluokat A ja B
1 : 31000
f = 21 cm
6500 m
Pohjakartta
(ortokuva)
1 : 5000
1 : 16000
f = 21 cm
3350 m
Kantakartta
(yleiskaavoitus)
1 : 5000
1 : 20000
f = 15 cm
3000 m
Kantakartta
1 : 2000
1 : 7000 1 : 10000
f = 15 cm
1050 m 1500 m
KUVAUS- JA KARTOITUSMITTAKAAVAT
Kartoituslaji
Kartoituksen
tarkkuusluokka
Kuvausmittakaava
Kameran
objektiivi
Lentokorkeus
Kantakartta
1 : 1'000
1 : 3'3001 : 6'000
f = 15 cm
500 m 900 m
Kantakartta
1 : 500
1 : 3'0001 : 3'500
f = 15 cm
450 m530 m
Tiesuunnittelu,
yleissuunnittelun
maastomalli
1 : 2'000
1 : 12'000
f = 15 cm
1'900 m
Tiesuunnittelu,
tarkka
numeerinen
maastomalli
1 : 3'300
f = 15 cm
500 m
Metsätalouden
väärävärikuvaukset
1 : 30'000
KARTOITUSKUVAUS
• Kartoituskuvaus tehdään mikäli mahdollista karttalehtijaon
mukaan ja alue kuvataan pääilmansuuntien suuntaisin jonoin
• Stereomallien kannalta on edullista, jos yksittäiset kuvat
peittävät esimerkiksi koko karttalehden tai sen puolikkaan
• Tällöin karttalehdet
koostuvat kokonaisista
malleista
• Aluekuvauksen
kuvajoukkoa kutsutaan
ilmakuvablokiksi
KARTOITUSKUVAUS
• Suomessa käytetään yleisimmin laajakulma- tai
välikulmakameraa
• Laajakulmakamera (c=15 cm) soveltuu erityisesti
topografiseen kartoitukseen
• Sillä kuvattaessa stereomallin kantasuhde on parempi kuin
välikulmakameralla, millä on merkitystä korkeusmallien
mittaustarkkuuteen
KARTOITUSKUVAUS
• Välikulmakameraa (c=21 cm) käytetään mm.
maanmittauslaitoksen maastotietokannan
ajantasaistustoiminnassa, jossa kartoitus perustuu aiemmin
mitattuun korkeusmalliin ja ns. ortokuvaukseen
• Välikulmaobjektiivilla kuvattaessa maaston peitteisyydestä
aiheutuvat katveet ovat kuvalla pienemmät kuin
laajakulmaobjektiivilla kuvattaessa
• Kartan tulee
muodostua
saumattomaksi
kokonaisuudeksi
yhdessä ja samassa
koordinaatistossa
• Koordinaatisto on
merkitty maastoon
taso- ja
korkeuslähtöpisteinä,
joihin koko
ilmakuvablokki
sidotaan
• Kartoitusalue tulee
rajata niin, että kaikki
stereomallit sijaitsevat
lähtöpisteverkon
sisällä
KOORDINAATISTO
JA SIGNALOINTI
KOORDINAATISTO JA
SIGNALOINTI
• Mallien liitospisteet:
kaikki stereomallit
sidotaan toisiinsa ja
lähtöpisteiden kautta
koko kartoitusalueen
koordinaatistoon
omilla tukipisteillään
• Signalointi: kaikki
lähtöpisteet
näkyvöitetään ennen
kuvaamista
• Liitospisteinä voidaan
käyttää myös
luonnollisia pisteitä,
jotka valitaan kuvilta
kuvauksen jälkeen
KOORDINAATISTO JA
SIGNALOINTI
• Kuvassa maapistelava (Ossi Jokinen, Padasjoki, 27.4.1979)
• Peruskartoituksessa lähtöpisteiden näkyvöittämiseen
käytetään pärelavoja
• Signaalin tulee näkyä kuvalla, joka otetaan 4500 metrin
korkeudesta
• Signaali keskistetään maassa olevan kolmiopisteen
tasosijainnin suhteen
• Jos samaa signaalia käytetään myös korkeuslähtöpisteenä, sen korkeus
maanpintaan on mitattava
ja tämä on otettava huomioon kuvia orientoitaessa
KOORDINAATISTO JA
SIGNALOINTI
• Kuvassa rajasignaali (Ossi
Jokinen, Kuhmoinen,
Koivumäki)
• Ennen kuvausta signaloidaan
kaikki maastonkohteet, joiden
koordinaatit halutaan
rekisteröidä tarkasti
• Tässä on kyse kiinteistörajan
näkyvöittämisestä ja signalointi
on tehty maanmittauslaitoksen
pohjakartoituksen 1 : 5.000
yhteydessä
• Kontrastia on lisätty
kuusenhavuilla
KOORDINAATISTO JA
SIGNALOINTI
• Signalointikartta, Humppila
• Kaikki signalointitiedot merkitään
kartalle
• Tärkeitä muistiin merkittyjä tietoja
ovat tiedot signaalien
epäkeskisyydestä, korkeusmitoista,
varasignaaleista ja niiden
sidemitoista
• Signalointikartalle merkitään myös
ne signaloitavat kohteet, joita ei ole
maastossa onnistuttu löytämään
KUVAUSKALUSTO
Ilmakuvakamera Zeiss LMK 2000
• Vasemmalta navigointikaukoputki, kuvaliikkeen
ohjausyksikkö, keskusyksikön terminaali, sekä kamera.
KUVAUSKALUSTO
Zeissin LMK 2000 koostuu seuraavista perusyksiköistä:
• Objektiivikartioita LC 2000 on neljälle polttovälille. Kussakin
on kiinteä fokusointi, kuvaportti, suljinkoneisto, lisätietojen
rekisteröintilaitteet ja valotusmittari.
• Käyttöyksikössä DU 2000 on kaksi erillistä osaa kasetin
molemmin puolin. Yksikössä on filmin siirtomoottori,
tyhjiöpumpun moottori ja näiden vaatimia ohjauslaskimia.
• Filmikasetissa MA 2000 on veto- ja varastopuola, imu- ja
painolevy, filmin siirtomekanismi ja kuvaliikkeen
kompensoinnin laitteet.
• Stabiloidulla jalustalla SM 2000 kamera kiinnitetään
lentokoneeseen. Jalusta on kolmen koordinaattiakselin
suhteen gyrostabiloitu. Eri objektiivikartioita varten on omat
adapterirenkaat.
KUVAUSKALUSTO
• Kuvaliikkeen ohjausyksikköä CU 2000, jossa on elektrooptinen etsinjärjestelmä kameran suuntaamiseksi, maa- ja
kuvaliikkeen määrittämiseksi, peiton määrittämiseksi ja
komponentit kuvaliikkeen kompensoinnin ohjaamiseksi.
• Navigointi- ja ohjausyksikköä NCU 2000, jossa on
etsinkaukoputki visuaalista navigointia varten, voidaan
käyttää vaihtoehtoisesti kuvaliikken ohjausyksikön kanssa.
Kummassakin on sama jalustaosa.
• Keskusyksikkö CM 2000 sisältää päätietokoneen, joka on
kameran toiminnallinen keskusyksikkö. Keskusyksikön
terminaalin kautta syötetään kameralle kaikki kuvauslennon
ohjaustiedot ja kuvan laitaan tulostettavat lisätiedot.
KUVAUSKALUSTO
Ulkoinen orientointi
• Kameran ulkoisen orientoinnin
muuttujat:
kameran sijainti (X, Y ja Z) sekä
kierrot koordinaattiakselien
ympäri (kappa, phi ja omega)
• Kuvausta ohjataan satelliittipaikannusta käyttäen, lisäksi
kameran projektiokeskuksen
koordinaatit rekisteröidään
kuvaushetkellä
• Jälkikäsiteltyinä koordinaattien
epätarkkuus on alle 10 cm
• Kameran jalusta stabiloidaan niin,
että kallistukset ovat keskimäärin
alle 0.5 astetta.
KARTOITUSPROSESSI
• Kartoitusprosessi: niiden työvaiheiden
muodostama kokonaisuus, jotka ovat tietyn
kartan valmistamiseksi välttämättömiä
• Kanta- ja peruskartoilla prosessiin kuuluu
useimmiten kalliita maastotyövaiheita
• Erikois- ja sovelletuilla kartoilla
maastotöiden osuus on vähäisempi, mutta
teeman osuus korostuu
KARTOITUSPROSESSI
KARTOITUSPROJEKTI
• Kartoitusprojekti sisältää työsuunnitelman,
aikataulun, resurssivaraukset,
kustannusarvion
• Kartoitusprosessi sisältää työmenettelyn
kartan valmistamiseksi
• Projekti on valmis, kun kartta on valmis ja
vastaa sille asetettuja vaatimuksia, ja sekä
asiakas eli kartan käyttäjä ja tuottaja eli
kartan tekijä ovat kummatkin tyytyväisiä
lopputulokseen
1. TARJOUSPYYNTÖ
• Kartan tarkoitus
• Selvitys aineistoista, joilla kartan tekemisen
kannalta on merkitystä: aiemmat
kartoitukset alueella, pisterekisteri, pyykkien
koordinaatit…
• Selvitys muista mittaustarpeista: kaivot,
viemärit, maanalaiset johdot…
• Asiakkaan tiedostoformaatit: Fingis, Tekla,
Intergraph…
• Muut kartoitusprosessiin vaikuttavat tarpeet:
3-D digitointi, pistetihennys…
2. TYÖSUUNNITELMA
• Työtehtävät, aikataulu, kuka tekee ja vastaa
• Asiakkaan kannalta hyvä aikataulu on
seuraava:
tammi-helmikuu: tarjouspyynnöt
toukokuu: kuvaus
kesäkuu: stereokartoitus
elokuu: maastotäydennykset
joulukuu: lopputarkastus
3. KUVAUS
• Esimerkiksi
lentokorkeus h = 600 m
kuvausmittakaava 1:4,000
kuvaus väripositiivifilmille
• Geodeettisten runkopisteiden signalointi
• Kuvausajankohta yleensä
loppukeväästä kun lumi on sulanut
mutta lehtipuissa ei ole vielä lehtiä
4. PISTETIHENNYS
• Ilmakolmiointi eli fotogrammetrinen pistetihennys
• Kuville määritetään tarpeellinen määrä
koordinaateiltaan tunnettuja tukipisteitä
stereokartoitusta varten
• Tuotetaan koordinaattihavaintoja geodeettisen
runkoverkon tihennyspisteille, rajamerkeille sekä
niille luonnollisille, kuvilla näkyville kohteille, joita
käytetään stereomallien tai ortokuvien tukipisteinä
• Kolmiointipisteiden 3-D koordinaatit ratkaistaan
tasoittamalla kuvahavainnot kolmiulotteisena
verkkona (blokkikolmiointi)
4. PISTETIHENNYS
• Punaiset ympyrät ja kolmiot: geodeettisen runkoverkon taso- ja
korkeuskiintopisteitä
• Vaaleanharmaat ympyrät: tihennyspisteet, eli pisteet joille ollaan
määrittämässä geodeettisia koordinaatteja
• Vaaleansiniset neliöt:
ilmakuvat jotka
muodostavat
kuvablokin
• Tummansiniset pisteet:
kiinto- ja tihennyspisteitä vastaavat
kuvapisteet
4. PISTETIHENNYS
• Kolmioinnin tuloksena saadaan välillisesti
ratkaistua kuvien ulkoiset orientoinnit
• Nykyisin kuvien orientoinnit voidaan
määrittää tarkkaan myös suorin GPShavainnoin, inertiaalisin navigointihavainnoin
sekä kameran kallistushavainnoin
• Tästä huolimatta kolmiointi tehdään, koska
sillä varmistetaan kartoituskoordinaatiston
tasalaatuisuus koko kartoitusalueella.
5. STEREOKARTOITUS
5. STEREOKARTOITUS
• Kartoituksen tehtävänä on tulkita näkymä ja esittää se
yksityiskohdittain koordinaatistoon sidottuna
geometria- ja ominaistietona
• Stereotulkintaa käytetään maanpinnan topografiseen
havaitsemiseen ja mittaamiseen sekä mallintamiseen
korkeusmalliksi
• Stereoskooppinen havainnointi auttaa myös
erottamaan maaston, sen kasvuston ja yksityiskohdat,
rakenteet ja rakennukset tarkasti sekä erottamaan
kartalle piirrettävät kuviorajat selvinä
• Kun maasto on kertaalleen kartoitettu ja siitä on
olemassa korkeusmalli, kartan ajantasaistus voidaan
tehdä yksikuvamittauksena ja perustaa se ortokuvien
tulkintaan
6. TÄYDENNYSMITTAUKSET ja
7. KARTAN EDITOINTI
Täydennysmittaukset
• Yleensä maastossa ja geodeettisesti
• Peitteiset alueet kuten sankka metsä
tällöin maastomalli mitattava paikanpäällä
• Räystäsmittaukset sekä mahdolliset sokkelimitat
asiakkaalta
Editointi
• Paikkatietoaineiston muokkaus,
koordinaatistomuunnokset sekä visualisointi
8. KARTAN TARKISTUS JA
9. TULOSTUS
Tarkistus
• Graafinen
• Numeerinen: heti stereotyön jälkeen
Tulostus
• Graafisesti muoville piirturilla
• Numeerisesti haluttuun formaattiin
Tulkinta
Visuaalinen tulkinta
• Ihminen suorittaa katsomalla kuvaa
Tietokoneen suorittama tulkinta
• Kohdetta kuvaava jatkuva muuttuja,
esim. puuston kuutiotilavuus
(mallintaminen)
• Kohdetta kuvaava kategoria eli
diskreetti muuttuja (luokittelu)
Visuaalinen
tulkinta
• Etsitään yhtenäisiä ja
samankaltaisia alueita kuvilta
• Tunnistetaan eri alueet
maastokohteiksi tai
maankäyttöluokiksi
• Erotellaan sävyn, muodon, koon,
tekstuurin, varjojen, ympäröivien
kohteiden avulla
Vis 1: Havainto ja erottuminen
• Sävyerot huomataan (erot joko teräviä tai
asteittaisia)
• Objekti havaitaan kun suoraan havaittu sävyero
on niin suuri että se erotetaan ympäristöstään
• Erottaminen riippuu havainnoijan kokemuksesta
ja kuvalla olevien sävyerojen kontrastista
• Ei välttämättä virheetöntä
– havainto voi johtaa harhaan
– objekti erottuu huonosti ympäristöstään
Vis 2: Koon määrittäminen ja
identifiointi
• Oikea arvio kohteen koosta on oleellista oikean
identifioinnin tekemiseksi
• Kohteen identifiointi voi perustua sen
geometriaan (koko, muoto, korkeus, varjo),
kohteen paikkaan tai sen
kontekstiin (asiayhteys)
• Kohde on identifioitu, kun se voidaan nimetä
Vis 3: Analyysi ja
johtopäätökset
• Liitetään merkitys nimetylle kohteelle
• Määritetään kohteiden väliset yhteydet ja
riippuvuudet
Sävy
• Kohteen sävy kuvaa
suhteellista kirkkausarvoa
kuvalla.
• Sen perusteella
pääasiassa tehdään
kohteiden tunnistamista
kuvalla
• Eri sävyisten kohteiden
muoto, koko yms.
erottuvat
Muoto
• Muodon perusteella
voidaan määritellä mikä
kohde on, esim
– ihmisen tekemät kohteet
ovat muodoltaan
terävämpiä ja
säännöllisempiä
– esim. tiet, rakennelmat
– luonnonkohteet rajoiltaan
epäsäännöllisiä ja
epämääräisiä
Koko
• Eri alueellisen
erotuskyvyn kuvilla
kohteet ovat eri
kokoisia
• Kohteiden koko
suhteessa muihin
kohteisiin auttaa
tunnistamisessa
Kuvio
• Samankaltaista
kohdetta on
paljon,
muodostuu kuvio
• Voi päätellä jotain
yksittäisistä
kohteista tai
alueesta
Tekstuuri / pinnan karkeus
• Alueen / kohteen
karkeus verrattuna
instrumentin
alueelliseen
erotuskykyyn
• Jos tekstuuri on
pienipiirteisempää,
kohde näkyy tasaisena
alueena
• Kuten avoalue
viereisellä kuvalla
Varjot
• Voi auttaa kohteen
tunnistamisessa ja koon
määrittämisessä
• Toisaalta estää alleen jäävän
kohteen tunnistamisen
Yhteys muihin kohteisiin
• Kohde voidaan
tunnistaa
ympäröivien
kohteiden
avulla, vaikka
se ei itsessään
olisikaan
tunnistettava
Mallintaminen
• Määritetään kaukokartoitushavaintojen ja
geofysikaalisen parametrin välinen yhteys
• Parametri jatkuva muuttuja
• Esimerkkejä puuston m3/ha, maaperän
kosteus, veden suolaisuus
Lähestymistapoja mallintamiseen
• Empiirinen
• Semi-empiirinen
• Teoreettinen
Empiirinen mallintaminen
• Tehdään tilastollinen malli kaukokartoitushavaintojen x
(selittävä muuttuja) ja geofysikaalisen parametrin y
(selitettävä muuttuja) välille
• Yksinkertaisimmassa tapauksessa kyseessä on
lineaarinen regressioanalyysi, yksi selittävä muuttuja:
y = a0 + a1 * x
• Mallin kertoimet a määritetään minimoimalla virhettä
mallilla estimoidun ye ja tunnetun y välillä
• Kertoimet a määrittävät vain muuttujien välisen
yhteyden eivätkä vastaa mitään reaalimaailman
ilmiötä
Empiirinen mallintaminen
• Landsat ETM Ch5 vs.
puuston pituus
a0 = 9.13, a1 = -0.09
PIT = -0.09 * DN + 9.13
RMSE = 1.22 m
RMSE% = 61.0%
PCC = -0.60
R2 = 35.8
Empiirinen mallintaminen
• Landsat ETM Ch5 vs.
puuston pituus, puuttomat
alueet poistettu
a0 = 7.70, a1 = -0.06
PIT = -0.06 * DN + 7.70
RMSE = 0.62 m
RMSE% = 21.7%
PCC = 0.74
R2 = 54.9
Digitaalinen tulkinta: luokittelu
• Sama tavoite kuin
visuaalisessa
tulkinnassa:
luokitellaan pikselit
eri luokkiin
• Tehdään
numeerisesti
• Eri kanavien
arvoihin perustuen
• Ohjelmilla /
algoritmeilla
Luokitteluprosessi
1. Mittaus: satelliitin keilain muodostaa
käsiteltävät hahmot, kuvapikselit
2. Esikäsittely: eliminoidaan virheet
– radiometrinen ja geometrinen korjaus
3. Piirteiden valinta ja irrotus:
–
valitaan osajoukko koko datasta, jossa
on suurin informaatio (kanavasuhde,
erotuskuvat pääkomponenttimuunnos)
Luokitteluprosessi
4. Esitysmuoto:
– vektori (yksi pikseli kaikilla
kanavilla/piirteillä)
– Pikseli: hahmovektori
5. Tunnistus:
– hahmot jaotellaan tunnettuihin tai
tuntemattomiin luokkiin
– määritetään luokkien samankaltaisuutta
– määritetään luokittelun luotettavuus!!!
Luokat
Spektraaliset luokat
• Yhtenäiset (tai lähes)
pikseliryhmät
• Ts. samanlainen spektri
Informaatioluokka
• Luokittelun lopullinen
tavoite
• Esim. eri puulajit, pellot,
kivilajit, hakkuualueet,
muuttuneet alueet,
saastuneet alueet, lajien
levinneisyyskartat…
Luokat
• Yhdistetään spektraaliset luokat haluttuihin
informaatioluokkiin.
• Harvoin kuitenkaan spektraalinen luokka
suoraan vastaa haluttua lopullista luokkaa
• Vaikeaa koska:
– Kuvalta löytyy spektrisesti yhtenäisiä alueita,
jotka eivät muodosta mitään haluttua lopullista
luokkaa
– Lopullinen luokka voi koostua useista
spektraalisista osaluokista.
Luokittelu
• 1. ohjattu (supervised)
• 2. ohjaamaton (unsupervised)
Ohjattu luokittelu
• Pohjaa kuvalta poimittaviin
/ osoitettaviin
homogeenisiin edustaviin
näytteisiin kustakin luokasta
= opetusalue
• Kerrotaan luokittelijalle
millaisia eri luokkien
spektraaliset ominaisuudet
ovat
• Eli millaisia luokkien
tyypilliset
hahmovektorit ovat
sekä näiden hajonta
Opetusalue
• Etsitään luokkia vastaavat alueet
kuvalta ja nimetään ne kunkin luokan
opetusalueiksi
• Hyvän opetusalueen valinta riippuu siitä
kuinka paljon alueesta on muuta tietoa:
– aiempi luokittelumateriaali ja
– kartat ym. muut tiedot (peruskartta)
– maastokäynnit / inventoinnit
– eli kuinka tuttu alue on
Opetusalueet
Opetusalueiden keskiarvot
kanavittain
Piirteiden valinta ja irrotus:
• Valitaan käytettävät kanavat / piirteet (turha
tieto pois!)
• Suhdekuvat, pääkomponentit, erotuskuvat
• Data, josta tulevat luokat erottuvat
parhaiten toisistaan
• Mitä vähemmän dataa sen parempi!
• Kuvan eri kanavien lisäksi hahmovektori voi
siis käsittää muitakin piirteitä, kuten vaikka
lasketun NDVI:n yhtenä kanavana
Ohjattuja luokittelumenetelmiä
• Bayesin päätössääntö
– todennäköisyysteoreettinen menetelmä, etsitään
sitä luokkaa joka parhaiten vastaa havaintoja
• Lähimmän naapurin päätössääntö
– perustuu hahmevektoreiden välisiin etäisyyksiin,
useita eri versioita
– periaatteena että lähekkäin olevat hahmovektorit
kuuluvat samaan luokkaan
• Diskriminanttifunktiot
– määritetään luokkien rajat
Bayesin päätössääntö
• Haetaan todennäköisintä luokkaa kullekin
datajoukon pikselille
• Määritetään kullekin pikselille x
todennäköisyys, että se kuuluu luokkaan wj
• Luokkia j: 1 , … , n
• Määritellään todennäköisyys luokalle wj (a
posteriori todennäköisyys) että pikseli x
kuuluu ko luokkaan:
P( wj|x)
Bayesin päätössääntö
P( j | x) 
p( x| j ) * p j
p( x)
P(wj|x) = luokan a posteriori todennäköisyys
p(x) = x:n yhteistiheysfunktio =  p(x|wj) * pi
luokitellaan x luokkaan, jolle P(wj|x) on kaikkein
suurin!
a posteriori todennäköisyyden laskentaan
tarvitaan:
• p(x|wj): luokan j todennäköisyys tietyn
tyyppiselle pikselille x
– luokan j tiheysfunktio hahmovektorille x
– ilmaiseen hahmovektorin x ja luokan j
opetusjoukon välisen etäisyyden
– kuinka paljon x kuuluu luokkaan j
• Pj: luokan j etukäteistodennäköisyys
– kuinka suuri osa kaikista pikseleistä kuuluu
luokkaan j
Bayesin päätössääntö
• Yksinkertaisimmassa tapauksessa x
luokitellaan siihen luokkaan jolla on suurin
a posteriori todennäköisyys
• Jos virheluokittelusta on suuret vahingot,
hylätään mieluummin kuin luokitellaan
väärin!
• Hylkäyskynnys: lr
• Luokitellaan luokkaan j :
w(x)=wj
jos P(wj|x) = max P(wi|x) > 1-lr
• Hylätään:
w(x)=w0
jos P(wj|x) = max P(wi|x) <= 1-lr
Suurimman uskottavuuden luokittelija
(maximum likelihood classifier) MLC
• Bayesin päätössääntö + parametrinen tiheysfunktio
• Parametrit estimoidaan opetusjoukon avulla
• Yleensä luokat oletetaan normaalijakautuneiksi,
määritettävä luokille keskiarvovektorit ja
kovarianssimatriisit
• Bayesin kaavassa käytetään luokan tiheysfunktion
kaavana normaalijakauman tiheysfunktion kaavaa
Kanavan
2 arvot
aa
a a xa a
a
dd
cxc
d dx d
c
d
x = luokan
keskiarvo
x b
b x b
b b
b
ellipsin säde
Kanavan1
arvot
Tulosten analysointi
• Minimoidaan luokitteluvirhe -> virheen
estimointi on oleellinen osa luokittelua
• Määritettävä estimaatin luotettavuus
• Virhe estimoidaan luokittelemalla
– 1. tulkinta-alue, eli poimitut ja nimetyt alueet
– tulkinta-alueen luokitteluvirhettä ei kuitenkaan
voi yleistää koskemaan koko kuvaa
– 2. testialue, joka on eri kuin opetusalueet
Virhematriisi
•
•
•
•
•
Tarkkuutta arvioidaan virhematriisin avulla
Diagonaalilla oikein luokittuneet
Muut ovat virheluokituksia
Riveillä: mihin luokitellaan
Sarakkeilla: mikä luokan pitäisi olla
testialueiden mukaan eli ”oikea luokka”
Virhematriisi
testialueen
luokituksen
tulokset
testialueen
oikeat luokat
Tarkkuuslukuja
• Lasketaan virhematriisista
Luokituksen keskimääräinen tarkkuus
• Miten luokat keskimäärin luokittuneet, eli keskiarvo
kaikkein pikselien luokittelutarkkuudesta
Tuottajan tarkkuus / tulkintatarkkuus
• Kertoo siitä, miten hyvin luokan testipikselit ovat
luokittuneet
Käyttäjän tarkkuus / kohdetarkkuus
• Kertoo todennäköisyyden, että luokkaan I luokiteltu
pikseli todella kuuluu kyseiseen luokkaan
KHAT-arvo eli Kappakerroin
• Luokitustuloksen ero satunnaiseen luokitteluun
Maastoaineisto
• Maastohavainnot eli käynti alueella,
esim. kuvioittainen metsäninventointi
• Aiemmat kartat
– huomioitava tekovuosi, onko alue
muuttunut!!
• Mikä tahansa tieto alueelta auttaa
• Tärkeää olla jotain validointiaineistoa
jolla arvioida tarkkuutta
Ohjaamaton luokitttelu
• Ensin ryhmitellään
spektraalisesti
samankaltaiset
alueet datalta
• Pohjataan vain
kuvalta saataviin
numeroarvoihin
• Tunnistetaan
jälkikäteen luokiksi
Ohjaamaton luokittelu
• Ei käytetä opetusalueita eikä etukäteistietoa
• Määritellään luontaisesti erottuvat
(tilastolliset) ryhmät datasta
• Ryhmiä kutsutaan klustereiksi
• Ryhmien lukumäärä annetaan tai algoritmi
määrittää
• Muita mahdollisia parametreja:
– luokkien tilastollinen erottuvuus ts. kuinka
kaukana/lähellä eri luokat saavat olla toisistaan
– luokan sisäinen spektrien vaihtelu (sisäinen
hajonta)
• Aluksi valitaan
satunnaiset
ryhmäkeskiarvot, esim 5
kappaletta.
• Luokitellaan muut pikselit
lähimpien ryhmäkeskiarvojen mukaan
• Lasketaan uudet
ryhmäkeskiarvot
ryhmitellystä datasta
• Ryhmitellään data
uudestaan uusien
ryhmäkeskiarvojen
mukaan.
• Iteroidaan, kunnes
keskiarvot tai
ryhmittelytulos ei muutu
K-means
ISODATA
• Modifioitu k-means-menetelmä
• Ryhmiä voidaan iteroinnin kuluessa jakaa
kahteen eri ryhmään tai yhdistellä läheisiä
ryhmiä
• Ryhmiä jaetaan, kun
– ryhmien lukumäärä kaukana halutusta,
ryhmän sisäinen hajonta suuri, ryhmän koko
liian suuri
• Ryhmiä yhdistellään kun,
– ryhmien lukumäärä kaukana halutusta, jokin
ryhmä liian pieni, kaksi ryhmää lähellä
toisiaan
Ohjaamaton luokittelu - etuja
• Koska spektriset erottuvuudet määrittävät
luokat, saatetaan löytää sellaisia luokkia,
joita alun perin ei osattu ajatella olevan
olemassa
• Esim. kasvillisuustyyppien lisäksi myös
kasvien terveys
• Opetus on myös usein mahdoton homma
silloin kun luokkia on paljon
Hybridi luokittelija
• Määritetään ensin klusteroimalla spektrisesti
hyvin erottuvat alueet osakuvalta.
• Käytetään sitten näitä alueita varsinaisen
luokittelun opetusalueena.
• Saadaan hyvät ja spektrisesti erottuvat
opetusalueet
• Hyvä erityisesti silloin, kun yksittäisiin
luokkiin sisältyy useita spektrisesti yhtenäisiä
osaluokkia, mutta varsinainen kokonainen
luokka on spektrisesti hajanainen.
SPOT-kuvan ryhmittely
Valkea ja ruskea vastaavat paljasta maata ja ihmisen tekemiä
kohteita, pelto keltaista, tumman vihreä puustoa, vaalean vihreä
muuta kasvillisuutta ja sininen vettä.
IMAGE2000 AND CORINE
Land Cover Update 2000
IMAGE2000: activities related to satellite
image acquisition and processing
CORINE2000 (CO-oRdination of
INformation on the Environment):
activities related to interpretation and
mapping of land cover and cover change
CORINE Land Cover
• Provide the greatest possible number of users
with information which is homogeneous, fully
comparable for all countries concerned and
which is updated periodically, at present every
10 years
• Original CORINE Programme ran from 1985 to
1990
• To get reliable and consistent information about
the location and status of ecosystems, habitats
and species in need of protection and to make
this information accessible to policy-makers
CORINE LAND Cover
Priority topics were:
• sites ("biotopes")
of major
importance for
nature
conservation
• emissions into the
air
• land cover
• soil
• water
• coastal erosion
CORINE Land Cover
• Visual interpretation using satellite images and
ancillary maps
• Mapping scale 1:100 000
• Mapping accuracy is at least 100m for all
national and European products
• Minimum mapping unit is 25 ha
• Only areas (polygons) are mapped
• Minimum mapping unit can be smaller in
national products
• Hierarchial classification, 44 classes at level 3
IMAGE2000
• Satellite image database of Europe
• Landsat-7 ETM, 185 km * 185 km
Channel
Ch1
Ch2
Ch3
Ch4
Ch5
Ch6
Ch7
PAN
Bandwidth (m) Spatial resolution (m)
0.45 - 0.52
30
0.53 - 0.61
30
0.63 - 0.69
30
0.78 - 0.90
30
1.55 - 1.75
30
10.4 - 12.5
60
2.09 - 2.35
30
0.52 - 0.90
15
IMAGE2000
Images
• Summer
2000 ± 1
year
Output
• National
mosaics in
national map
projections
• European
database in a
European
projection
MATERIAL FOR CORINE2000 IN
FINLAND
Datasources:
• SLICES
• Map Database 1:50 000
• Topographic Database 1:20 000
• IMAGE2000
Interprete variables like
CC: tree crown cover
H: tree height
VC: vegetation cover
Proportions of deciduous and coniferous trees
1. Artificial surfaces
1.1 Urban fabric
1.1.1 Continuous urban fabric (SLICES, Map Database 1: 50 000)
1.1.2 Discontinuous urban fabric (SLICES, Map Database 1: 50 000)
1.2 Industrial, commercial and transport
1.2.1 Industrial or commercial units (SLICES, Map Database 1:50 000)
1.2.2 Road and rail networks and associated land (SLICES)
1.2.3 Port areas (SLICES)
1.2.4 Airports (SLICES)
1.3 Mine, dump and construction sites
1.3.1 Mineral extraction sites (SLICES)
1.3.2 Dump sites (SLICES)
1.3.3 Construction sites (Not in Finland)
1.4 Artificial, non-agricultural vegetated areas
1.4.1 Green urban areas (SLICES, Map Database 1:50 000)
1.4.2 Sport and leisure facilities (SLICES)
2. Agricultural areas
2.1 Arable land
2.1.1 Non-irrigated arable land (SLICES, Topographic Database 1:20 000)
2.1.2 Permanently irrigated land (Not in Finland)
2.1.3 Rice fields (Not in Finland)
2.2 Permanent crops
2.2.1 Vineyards (Not in Finland)
2.2.2 Fruit trees and berry plantations (SLICES)
2.2.3 Olive groves (Not in Finland)
2.3 Pastures
2.3.1 Pastures (SLICES, Topographic Database 1:20 000)
2.4 Heterogeneous agricultural area
2.4.1 Annual crops associated with permanent crops (Generalized from Corine 2.1
and 2.2)
2.4.2 Complex cultivation (Slices, generalized from Corine 2.1, 2.2 and 2.3)
2.4.3 Land principally occupied by agriculture, with significant areas of natural
vegetation (Generalized from Corine 2.1, 2.2, 2.3 and 3.x)
2.2.4 Agro-forestry areas (Not in Finland)
3. Forests and seminatural areas
3.1 Forests (Crown cover > 30%, Height > 5m)
3.1.1 Broad-leaved forest (CC>75%, IMAGE2000, Topographic Database 1:20 000)
3.1.2 Coniferous forest (CC>75%, IMAGE2000, Topographic Database 1:20 000)
3.1.3 Mixed forest (Main CC<75%, IMAGE2000, Topographic Database 1:20 000)
3.2 Shrub and/or herbaceous vegetation associations
3.2.1 Natural grassland (CC<25%, Vegetation Cover>75%, H<1.5m, IMAGE2000)
3.2.2 Moors and heathland (CC<30%, VC>75%, H<3m, IMAGE2000)
3.2.3 Sclerophyllous vegetation (Not in Finland)
3.2.4 Transitional woodland/shrub (CC<30%, H<7m, IMAGE2000)
3.3 Open spaces with little or no vegetation
3.3.1 Beaches, dunes, and sand plains (CC<30%, Topographic Database 1:20 000,
IMAGE2000)
3.3.2 Bare rock (CC<10%, Topographic Database 1:20 000, IMAGE2000)
3.3.3 Sparsely vegetated areas (CC<10%, VC<50%, IMAGE2000)
3.3.4 Burnt areas (Not in Finland)
3.3.5 Glaciers and perpetual snow (Not in Finland)
4. Wetlands
4.1. Inland wetlands
4.1.1 Inland marshes (Topographic database, IMAGE2000)
4.1.2 Peatbogs (SLICES, Topographic database, IMAGE2000)
4.2 Coastal wetlands
4.2.1 Salt marshes (Topographic database, IMAGE2000)
4.2.2 Salines (NOT in Finland)
4.2.3 Intertidal flats (NOT in Finland)
5. Water bodies
5.1 Inland water
5.1.1 Water courses (Topographical Database 1:20 000)
5.1.2 Water bodies (SLICES, Topographical Database 1: 20 000 )
5.2 Marine waters
5.2.1 Coastal lagoons (Topographical Database 1:20 000, digitizing
Nautical charts and Topographic maps)
5.2.2 Estuaries
5.2.3 Sea and ocean (SLICES, Topographical Database 1:20 000)
CLC2000 tietotuotanto Suomessa
Satelliittikuvien esiprosessointi
-pilvien tulkinta ja poisto
-ilmakehäkorjaus
-kuvien mosaikointi yhteen
Karttatiedon valmistelu
-rasterointi, luokitteli,
mosaikointi, …
Satelliittikuvien tulkinta
-automaattisesti
-puoliautomaattisesti
Latvus
peitto
Puusto
n pituus
Puulajit
Tiedon yhdistely
Yleistys
Kasvipeit
teisyys
Päivitetty
Maankäyttö
SLICES
Maaperä
MTK
Tietoa kansalliseen
käyttöön (n kpl 25 m
rasteri)
Rasterista vektoriin
Tietoa EU:lle
IMAGE2000 - Satelliittikuvamosaiikki
Suomesta
•Pilvien
tulkinta
•Ilmakehäkorjaus (VTT
SMAC)
25 m (15m)
maastopikseli
sijaintitarkkuus 10-20 m
Yhtenäiskoordinaatistossa
käytössä 2004
•Topografiakorjaus
Lapissa
•Mosaikointi
ERDAS IMAGINE,
ECW, MrSid
Maanpeiteaineiston tuotanto
Lähtöaineistot:
Satelliittikuvat
Maastotieto
Metsähallitus
UPM-Kymmene
Maankäyttö
SLICES
Maaperä
Maastotietokanta
Rakennetut alueet ja maatalousalueet
SLICES
RHR 2001
- SLICES
rakennetun ’päivitys’
Sorakuoppien päivitys
IMAGE2000 avulla
Uudet maaainestenottoalueet MOTTO
rekisteristä
•osasta aluekeskuksia
valmiiksi digitoidut alueet
(PKA, UUS, PPO) mukaan
Maastotietokanta
Digitointi
SLICES-päivitys
SLICES ja Image2000
- turvetuotantoalueet laajentuneet
Satelliittikuvalta tulkitut alueet
päivitetään CORINE:en
Metsät sekä avoimet kankaat ja
kalliomaat
Automaattinen luokittelu - VTT-PROBA
Ohjaamaton luokittelu
Maastotieto ryhmille maastotiedon avulla ja pikseleille
lähimpien ryhmien painotettuna keskiarvona
Suot ja kivennäismaat erikseen
>> Maanpeitettä kuvaavat teemat:
Puuston pituus
Puuston latvuspeittävyys
Lehtipuiden osuus
Kasvillisuustyyppi ja –peitteisyys (ylä-Lappi)
>> Kynnystämällä ja yhdistämällä CORINE luokat
Satelliittikuvien tulkinta
• Metsätulkinta
Koko Suomi:
– Puuston pituus(m)
– Puuston tiheys(cc)
– lehtipuuston
osuus(%)…
Ylä-Lapissa lisäksi:
– Tunturikankaiden jako
kasvipeitteisyyden
mukaan
Kosteikot ja avoimet suot
• Maastotietokannan avosuot
• Avosoiden laajennus turvemailla
latvuspeittävyyden mukaan (<
10%)
• Turvetuotantoalueiden
(MTK+SLICES) päivitys
IMAGE2000 avulla
• Rantakosteikot johdetaan
puoliautomaattisella IMAGE2000
tulkinnalla yhdessä MTK
luokkien kanssa
• ylä-Lapissa PerusCD
Vesialueet
• Vesien tulkinta
IMAGE2000 avulla
• SLICES vesi
• Vesistötietokanta –
ranta20 (MML+SYKE) –
järvi/joki/meri
Fin CORINE2000 – 25m rasteri
Erillisten teemojen yhdistäminen:
1.
2.
3.
4.
5.
Kosteikot ja avoimet suot
Vesialueet
Rakennetut alueet
Maatalousalueet
Metsät sekä avoimet kankaat
ja kallioalueet
>> mahdollisuus tuottaa eril. yhdistelmiä
Yleistys
• Automaattinen yleistysmenetelmä
• Fin CORINE20000 (25 m pikseli)
>>>>>> EU CORINE (25 ha vektori)
• Arc/Info rasteri- ja vektorimenetelmät
• Menetelmä viilattu Suomen CLC2000
datoihin
CORINE Land
Cover 1990 –2000
TARKKUUDEN ARVIOINTI
Geometrinen tarkkuus
• Sijainnin tarkkuus
• Kuinka hyvin kohteet oikealla paikallaan
Temaattinen tarkkuus
• Ominaisuustietojen oikeellisuus
• Jatkuvien muuttujien estimointivirhe
• Luokittelussa oikeinluokituksen
todennäköisyys
GEOMETRINEN TARKKUUS
• Kansallisen tulkinnan pikseli 25 x 25 m2
• Kuvien oikaisun testipisteiden RMSE
virhe tasosuunnassa:
– kaikkien keskiarvo: 12.9 m
– pienimmän virheen omaava kuva: RMSE-ka 6.1
m, 189/16 Keitele
– suurimman virheen omaava kuva: RMSE-ka 18.8
m, 191/15 Rannikko
• Sijaintivirheet pienempiä kuin pikselin
koko
TEMAATTINEN TARKKUUS
Ulkoinen tarkkuusarviointi
• EEA: vertaa yleistettyä tulkintaa ja
satelliittikuvaa
• METLA: CLC-estimaatteja ja luokitusta
verrattu VMI-tietoihin
Sisäinen tarkkuusarviointi
• Tulkintatyön kuluessa
• Osa referenssikuvioista käytettiin
tarkkuuden arviointiin
TEMAATTINEN TARKKUUS
Jatkuvien muuttujien tarkkuus
• CLC-estimaatti vs. VMI
• CLC-estimaatti vs. CLC-testikuviot
Luokittelun tarkkuus
• CLC-luokitus vs. VMI-perusteinen CLCluokitus
• CLC-luokitus vs. CLC-testikuviot
Pinta-alojen vastaavuus
• CLC vs. VMI
KOEALUEET
• Oulujärvi: ETM 188/15
26.7.2000
• Posio: ETM 190/13
30.7.2002
• Puulavesi: ETM 187/17
2.8.1999
• Pyhäjärvi: ETM 190/15
30.7.2002
• Rannikko: ETM 191/16,17
15.9.1999
• Ylä-Lappi: kuvamosaiikki,
kasv.vyöh. 4c ja 4d
CLC2000-LUOKKIEN MUODOSTAMINEN VMI-TIEDOISTA
• VMI-tiedoista pystyttiin muodostamaan seuraavat luokat:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
Rakennetut alueet: CLC2000 päätaso 1
Rakennetut alueet paitsi luokka 1.3.1
Maa-ainesten ottoalueet: CLC2000-luokka 1.3.1
Maatalousalueet: CLC2000 päätaso 2
Maatalousalueet
Lehtimetsä mineraalimaalla: CLC2000-luokka
3.1.1.1
Lehtimetsä turvemaalla: CLC2000-luokka 3.1.1.2
Havumetsä mineraalimaalla: CLC2000-luokka
3.1.2.1
Havumetsä turvemaalla: CLC2000-luokka 3.1.2.2
Havumetsä kalliomaalla: CLC2000-luokka 3.1.2.3
Sekametsä mineraalimaalla: CLC2000-luokka
3.1.3.1
Sekametsä turvemaalla: CLC2000-luokka 3.1.3.2
Luonnonniityt, varvikot ja nummet sekä harvan
kasvillisuuden alueet: CLC2000-luokat 3.2.1, 3.2.2
ja 3.3.3
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
Harvapuustoinen alue mineraalimaalla:
CLC2000-luokka 3.2.4.1
Harvapuustoinen alue turvemaalla:
CLC2000-luokka 3.2.4.2
Harvapuustoinen alue kalliomaalla:
CLC2000-luokka 3.2.4.3
Erittäin harvapuustoiset alueet
mineraalimaalla: CLC2000-luokka 3.2.4.4
Rantahietikot ja duunialueet sekä
Kalliomaat: CLC2000-luokat 3.3.1 ja 3.3.2
Sisämaan kosteikko maalla: CLC2000luokka 4.1.1.1
Avosuo: CLC2000-luokka 4.1.2.1
Turvetuotantoalue: CLC2000-luokka 4.1.2.2
Sisävedet mukaanlukien osa kosteikoista:
CLC2000-luokat 5.1.1, 5.1.2 ja 4.1.1.2
Merivedet mukaanlukien osa kosteikoista:
CLC2000-luokat 5.2.3 ja 4.2.1.2
CLC2000 vs. VMI-LUOKITTELU
• Muodostettiin virhematriisit kullekin
alueelle
• Näistä määritettiin luokittelun
kokonaistarkkuus sekä luokkakohtaiset
tuottajan ja käyttäjän tarkkuudet
• Vertailuja tehtiin lisäksi kansalliselle
CLC2000-luokittelulle ja tästä yleistetylle
versiolle
• VMI-koealoja versiosta riippuen 16334 27211
LUOKITTELUTARKKUUS
• CLC2000 vs. VMI
• Kokonaistarkkuus, koko Suomi
Punainen viiva:
kansallinen CLC2000
Punainen katkoviiva:
kansallinen CLC2000,
poistettu kuviorajan lähellä
olevat koealat
Sininen viiva:
yleistetty CLC2000
Sininen katkoviiva:
yleistetty CLC2000, VMIkoealojen moodi
Sininen katkopisteviiva:
yleistetty CLC2000, VMIkoealojen moodi, n>2
PINTA-ALOJEN VERTAILU
Vertailu hankalaa koska eri luokitukset eivät täysin vastaa toisiaan
CLC2000
SLICES
VMI9***
25m, km2
25ha, km2
km2
km2
Rakennettu maa (1)
12 766
4702*
8025
12 731
Maatalousmaa (2)
25 633
29 465**
27 565*****
27 943
Metsät ym.(3)
265 953
272 250
268 169
263 169
473
****
523
990
304 825
306 417
304 282
304 471
Sähkölinjat (3246)
Yhteensä
* Turvetuotantoalueet kuuluvat metsät ym. pääluokkaan – ei voi erotella
** Sisältää myös rakennettuja alueita ja pieniä metsätalousmaan kuvioita
maatalousmaan yhteydessä
*** Alustavia VMI9 tuloksia
**** sisältyy metsät ym. pääluokkaan – ei voi erotella
*****SLICES-maatalous sisältää maatalouden rakennetut alueet
Tiedon jakelu
• Lopputuotteet paikkatietona
– ympäristöhallinnon paikkatietopalvelimilla
– karttakäyttöliittymissä (ARC/GIS, WWW)
• Tilastot HERTTAssa
• Paikkatiedot saatavissa maksutta WWW:n
kautta
– www.ymparisto.fi
– Hakusana CORINE, löytyy hakuohje
EU CLC2000 (25 ha vektori)
aineistojen saatavuus EEA:ssa
• Periaatteellinen avoimen ja helpon tiedon
saatavuuden politiikka
• Aineistot ladattavissa EEA:n kotisivuilta
http://dataservice.eea.eu.int
http://terrestrial.eionet.eu.int/ (lisäinfoa)
• EEA:n aineistot ovat käytettävissä ilmaiseksi
tietyillä vaatimuksilla
– maakohtaisista aineistoista erillinen hakemus
– tieto aineistopyynnöstä aineiston tuottajalle  lupa
aineiston käyttämiseen voidaan evätä?
– aineistoja ei saa käyttää kaupallisiin tarkoituksiin
– käytettäessä viittaus EEA:aan
– palaute EEAlle
– käytöstä ja tuloksista raportointi EEA:lle
IMAGE2000 (kuvat+mosaiikki)
saatavuus JRC:ssa
• Satelliittikuvat ladattavissa JRC:n kotisivuilta
http://image2000.jrc.it
• Ilmaiseksi tietyillä vaatimuksilla
• EU instituutioille
• Euroopan yhteisön alaisille toimijoille sekä
• ei-kaupallisille toimijoille (kansalliset aineistontuottajat, julkiset laitokset, yhteisöt,
säätiöt ja yhdistykset, oppilaitokset, julkiset tutkimuslaitokset)
–
kaupallisille toimijoille (yritykset, konsultit) erilliset hinnat, ohjeet ja
yhteystiedot (Metria, Eurimage)
• Aineistoista tulee täyttää erillinen rekisteröinti / käyttötarkoitus
– käytto vain rekisteröinnissä mainittuun tarkoitukseen
– projektin/käyttötarkoituksen päätyttyä kuvat tulee palauttaa tai tuhota
•
Saatavilla
– Yksittäiset orto-oikaistut satelliittikuvat
– Eurooppalainen mosaiikki tulossa jakoon
CORINE2006 Euroopassa
Lopputuote:
Tuotanto ja rahoitus
(yht. 14 M€)
keskitetysti – EU/ESA
(5.5 M€)
Satelliittikuvamosaiikki
(SPOT) – IMAGE2006
Maanpeitteen muutokset Kansallisesti
2000-2006 ( > 5 ha)
(4 M€)
Taajamarajaus ja raken- keskitetysti – EU
(2 M€)
tamisen intensiteetti
(> 1 ha)