UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI” - IAȘI

FACULTATEA DE HIDROTEHNICĂ, GEODEZIE ȘI INGINERIA MEDIULUI

PRELUCRAREA IMAGINII SATELITARE SENTINEL 2,

FOLOSIND SOFTUL OPEN SOURCE SNAP

ÎNDRUMĂTOR: STUDENT:
CONF. DR. ING. ONIGA VALERIA ERSILIA LUPAȘCU GEORGE-ANDREI
GRUPA: 7404
Caracteristicile Constelația Sentinel-2 este formată din sateliții
Sentinel-2A (23 iunie 2015)
imaginilor Sentinel-2B (iulie 2016) și
satelitare Sentinel-
2 durata de viață a misiunii este de 7 ani.

Orbita: heliosincrona
Altitudine: 785 km
Sentinel 2 Rezolutie spațială:
10 m x 10 m (B2, B3, B4 și B8)
20 m x 20 m(B5, B6, B7,B8a, B11 și B12)
60 m x 60 m(B1, B9 și B10) .
Rezolutie spectrală: 13 Benzi spectrale
Rezolutie temporală: 5 zile
Amprenta la sol: 290 km x 290 km
Sunt disponibile pentru utilizatori în 2 nivele de procesare:
Nivelul-1B (imaginile sunt corectate radiometric)
Nivelul-1C (imaginile sunt corectate radiometric și geometric).
Utilizatorii pot procesa imaginile până la Nivelul-1C, utilizând
programul Sentinel-2 Toolbox, produs de ESA.
 Instrumentul MSI
(engl.Multispectral
Instrument) are 13
benzi spectrale, de la
vizibil și infraroșu
apropiat la unde scurte
infraroșii, cu diferite
rezoluții spațiale .
 Benzile
spectrale
Sentinel-2
Sursa:
www.esa.int
 Google →Scientific Data Hub Copernicus →
https://scihub.copernicus.eu

•Click → Scientific Hub

Descărcare
imagini •Creare cont

Sentinel-2
•Draw region of interest

•Insert search criteria

Reeșantionarea și decuparea imaginilor
satelitare
 Reeșantionarea imaginilor satelitare (engl. resampling) este procedeul
matematic utilizat pentru a crea o nouă versiune a imaginii satelitare, cu o altă
dimensiune a mărimii pixelilor. Dimensiunile pixelilor pot fi mărite (upsampling)
sau diminuate (downsampling) Valorile digitale ale noilor pixeli sunt obținuți prin
interpolare, prin metode precum: metoda vecinului cel mai apropiat, interpolarea
biliniară, convoluție cubică.
REEȘANTIONAREA ȘI DECUPAREA IMAGINILOR SATELITARE

PROCESUL DE REEȘANTIONARE A IMAGINILOR SATELITARE

REEȘANTIONAREA ȘI DECUPAREA IMAGINILOR SATELITARE

PROCESUL DE REEȘANTIONARE A IMAGINILOR SATELITARE

 REEȘANTIONAREA ȘI DECUPAREA IMAGINILOR SATELITARE
Pentru decuparea imaginilor satelitare se accesează Raster →Subset:
 REEȘANTIONAREA ȘI DECUPAREA IMAGINILOR SATELITARE

Se va alege partea din imagine care se dorește decupată și dimensiunea subsetului.

REEȘANTIONAREA ȘI DECUPAREA IMAGINILOR SATELITARE

Imaginea reeșantionată și decupată.

Utilizarea În teledetecție și fotogrammetrie există 3 mari tipuri de benzi:
1.Benzile din domeniul vizibil (RGB) -reprezentate de:
combinațiilor de a) Banda albastră (Blue), utilizată in:

benzi spectrale și - identificarea zonelor costiere

-diferentierea intre sol si vegetatie
rolul acestora -identificarea tipurilor de paduri
b) Banda verde (Green), utilizata in:
-identificarea vegetatiei verzi/sanatoase
c) Banda rosie (Red), utilizata in:
-identificarea diferitelor tipuri de plante
-identificarea limitelor solului
-identificarea limitelor straturilor geologice
Utilizarea
2. Benzile in InfraRosu (IR)-reprezentate de:
a)Infrarosu apropiat (Blue), utilizat in:

combinațiilor de -identificarea biomasei

-identificarea terenurilor cultivate

benzi spectrale și -identificarea contrastelor dintre sol si teren cultivat si teren-apa

b)Infrarosu mijlociu, utilizat in:

rolul acestora -identificarea umiditatii din plante

-studiul terenurilor cultivate afectate de secetata
-analize ale vegetatiei sanatoase
-diferentieri intre nori, zapada si gheata
-identificarea tipurilor de roci si a limitelor solului
-identificarea umiditatii din sol si vegetatie
3.Benzile termale, folosite in:
-identificarea intensitatii caldurii
-identificarea zonelor in care au fost utilizate insecticide
-identificarea poluarii termice
Utilizarea Pentru vizualizarea imaginilor în culori naturale sunt folosite benzile:
Rosu: B4 (10 m)
combinațiilor de Verde: B3 (10 m)

benzi spectrale și Albastru: B2(10 m)

rolul acestora Interpretarea unei imagini in culori naturale:

-elementele din imagine apar ca si cum ar fi vazute cu ochiul liber

-vegetatia apare in culoarea verde masliniu
-terenurile cultivate-verde mediu-verde inchis
-zonele umede-verde inchis sau negru
-apa-nuante de albastru si verde
-zonele urbane-de la alb la gri inchis
Utilizarea combinațiilor de benzi spectrale și rolul
acestora
Pentru vizualizarea imaginilor în culori „false” IR s-
au folosit benzile:
Infrarosu apropiat: B8 (10 m) (ROSU in SNAP)
Rosu: B4 (10 m)(VERDE in SNAP)
Verde:B3 (10 m) (ALBASTRU in SNAP)
Interpretarea unei imagini in culori false IR:
-vegetatia apare in nuante de rosu
-apa apare cu culoarea neagra sau bleumarin, in
functie de adancime sau curenti
-terenurile cultivate-de la roz la rosu sau nuante de
verde
-zonele umede-rosu inchis sau nuante de verde
-solul gol-de la turcoaz la verde deschis sau roz pal
in unele cazuri în funcție de tipul solului și
umiditatea acestuia
Utilizarea combinațiilor de benzi spectrale și rolul
acestora
Pentru vizualizarea imaginilor în culori
„false” s-au folosit benzile
Shortwave Infrared (SWIR): B12 (10 m)
Near Infrared (NIR): B8 (10 m)
Verde: B3 (10 m)
Interpretarea unei imagini in culori false:
-culorile nu reflecta elementele in culorile
naturale
-drumurile pot fi in culoarea rosie
-vegetatia poate fi in culoarea verde
-utile in identificarea spatiului urban (apare
in culoarea bleu, in general), dar si a
vegetatiei.
 Calculul indicelui normalizat de diferentiere al vegetatiei (INDV)
NDVI- engl. Normalized Difference Vegetation Index
Valorile NDVI au valori cuprinse între -1 și +1 și exprimă consistența vegetației verzi. Indicele variază în
funcție de absorbția radiației de către clorofilă în zona spectrală roșu și reflectanța acesteia în zona spectrală
infraroșu apropiat.
Formula de calcul al Indicelui Normalizat al Vegetației este:

unde:
NDVI-Indicele Normalizat de Diferențiere al Vegetației
NIR-Banda Spectrală nfraroșu Apropiat
R-Banda Spectrală Roșu
 Creare masti
pentru indicele
normalizat de
diferentiere al
vegetatiei
 Creare masti
pentru indicele
normalizat de
diferentiere al
vegetatiei
 Creare masti
pentru indicele
normalizat de
diferentiere al
vegetatiei
 Creare masti
pentru indicele
normalizat de
diferentiere al
vegetatiei
 Creare masti pentru indicele normalizat de diferentiere al
vegetatiei
NDVI <= -0.1-terenuri umede
NDVI >= -0.1 and NDVI <=0.1-terenuri neacoperite de vegetație, cu sol umed sau rocă
NDVI >= 0.1 and NDVI <=0.3-terenuri neacoperite cu vegetatie
NDVI >=0.3 and NDVI <=0.5-terenuri cu vegetatie joasa
NDVI >=0.5 and NDVI <=0.9-terenuri cultivate
 Creare masti pentru indicele normalizat de diferentiere al
vegetatiei
Zonele acoperite de apă au valori ale NDVI mai mici ca -0.1, atât în luna decembrie cât și în luna
aprilie.
Terenurile neacoperite de vegetație, cu sol umed sau rocă au valori ale NDVI cuprinse între -0.1 și 0.1.
Acestea sunt predominante în luna decembrie.
Pajiștile permanente au valori ale NDVI cuprins între 0.1 și 0.3 în luna decembrie, aceleași valori fiind
corespunzătore terenurilor neacoperite de vegetație în luna aprilie.
Vegetația joasă are valori ale NDVI între 0.3 și 0.5 fiind predominantă în luna decembrie și întâlnită
mai puțin în luna aprilie.
Valorile NDVI mai mari ca 0.5 sunt majoritare în luna aprilie și mai puțin întâlnite în luna decembrie.
Acestea corespund culturilor de rapiță, lucerne, grâu.
 Crearea
indicelui
normalizat de
diferențiere al
apei NDWI
 Crearea
indicelui
normalizat de
diferențiere al
apei NDWI
 Crearea
indicelui
normalizat de
diferențiere al
apei NDWI
Extragerea
benzilor de
interes (B1, B9,
B10)
•Se realizează accesând Graph
Builder
 Extragerea
benzilor de
interes (B1,
B9, B10)
 Extragerea
benzilor de
interes (B1,
B9, B10)
 Extragerea
benzilor de
interes (B1,
B9, B10)
Digitizarea imaginilor satelitare
Se vor crea 5 straturi accesând fereastra New Vector Data
Container:
-Pădure
-Sol cu vegetație
-Sol fără vegetație
-Zone construite
-Apa
 Digitizarea imaginilor satelitare
Vectorii creați se accesează din fereastra Layer Manager;
Se va selecta forma de creare a poligoanelor pe layer-ul dorit
din cele create;
 Digitizarea imaginilor satelitare
Exportul și importul vectorilor creați

Exportul vectorilor creați Importul vectorilor creați

 Clasificarea imaginilor satelitare

Clasificarea conținutului imaginilor satelitare are ca

obiectiv înlocuirea analizelor vizuale cu tehnici
cantitative în vederea identificării automate a
detaliilor și a trăsăturilor acestora pe imagine.
Aceasta implică analiza imaginilor multispectrale și
aplicarea regulilor de decizie bazate pe statistică în
vederea stabilirii claselor de acoperirea terenului
pentru fiecare pixel din imagine.
În urma procesului de clasificare toți pixelii din
imaginea satelitară sunt atribuiți unei clase de
acoperire a terenului, obţinându-se hărţi tematice
însoţite de o statistică sumară care evidenţiază
suprafețele, sub formă tabelară, pe fiecare clasă de
acoperire a terenului.
Clasificarea conținutului imaginilor satelitare
presupune gruparea pixelilor cu proprietăți similare
dintr-o imagine, pentru a forma mai multe clase.
Clasificarea nesupervizată

•Clasificarea nesupervizată este un

proces de grupare care își propune
determinarea numărului distinct de
grupuri și a pixelilor asociația cestor
grupuri (sau clase).
•Algoritmii de grupare folosiți în
clasificarea nesupervizată sunt
numeroși, fiecare având spectrul
său.
•Ce au în comun acești algoritmi
este faptul că toți se bazează pe un
proces iterativ de construirea
claselor.
Algoritmul K- •Pentru acest scenariu vor fi incluse toate cele 13 benzi spectrale, mai puțin
means Cluster B9 și B10.
•5 de clase
Analysis Scenariul I
 Algoritmul
K-means Cluster
Analysis Scenariul I
 Algoritmul
K-means Cluster Analysis
Scenariul II
Toate cele 13 benzi + NDVI+
NDWI
5 clase
 Algoritmul
K-means Cluster Analysis
Scenariul III
Toate cele 13 benzi +
NDVI+ NDWI
20 clase
 Clasificare nesupervizată Algoritmul
K-means Cluster Analysis Procente –Scenarii
 Clasificarea supervizată
Metoda clasificării supervizate presupune
intervenția operatorului în procesul de clasificare.În
clasificarea supervizată se determină întâi clasele de
informații după care se găsesc clasele spectrale.
Pentru fiecare clasă de informații sunt definite, de
către operator, eșantioane
reprezentativedincareseculegsemnăturilespectrale.
Clasificarea supervizată a imaginilor se poate facer
prin intermediul următorilor algoritmi:
• -Random Forest Classifier
• -KNN Classifier
• -Maximum Likelihood Classifier
•-Minimum Distance Classifier
• -Spectral Angle Mapper Processor
Clasificarea
supervizată
Maximum Likelihood
Classifier
Clasificarea
supervizată
Maximum Likelihood
Classifier
Scatter plot Apa
Scatter plot Padure
Scatter plot Sol cu vegetatie
Scatter plot Sol cu vegetatie
Scatter plot Sol fara vegetatie
Scatter plot Zone construite
Crearea Pin-ilor
Pin placing tool
S-au creat 50 , câte 10 pentru fiecare clasă.
Crearea Pin-ilor Pin Manager

Cu funcția “Export selected

data to flat text file”se vor
exporta Pinii creați pe cele
două imagini și apoi se vor
importa în imaginile clasificate
supervizat și nesupervizat cu
funcția “Import all pins from
XML or text file”.
Clasificarea
supervizata
MLClassifier
 Clasificarea
nesupervizata
Kmeans
Clasificarea
supervizata
MLClassifier
 Clasificarea
nesupervizata
Kmeans