ErdasImagine-zavrsni Rad

UNIVERZITET U NOVOM SADU
FAKULTET TEHNIČKIH NAUKA U

NOVOM SADU
Uroš Radovanović
Hiperspektralni snimci i vegetacioni indeksi

ZAVRŠNI RAD
- Osnovne akademske studije -
Novi Sad, 2013.

UNIVERZITET U NOVOM SADU ⚫FAKULTET TEHBIČKIH NAUKA
21000 NOVI SAD, Trg Dositeja Obradovića 6
KLJUČNA DOKUMENTACIJSKA INFORMACIJA
Redni broj, RBR:

Indetifikacioni broj, IBR: 238
Tip dokumentacije, ТD: Monografska dokumentacija
Tip zapisa, TZ: Tekstualni štamapani materijal
Vrsta rada, VR: Završni rad
Autor, АU: Uroš Radovanović
Мentor, МN: prof. Dr Miro Govedarica
Naslov rada, NR:
Jezik publikacije, ЈP: Srpski

Jezik izvoda, ЈI: Srpski/ Еngleski
Zemlja publikovanja, ZP: Republika Srbija
Uže geografsko područje, UGP: Vojvodina
Godina, GО: 2013.
Izdavač, IZ: Autorski reprint
Mesto i adresa, МА: Univerzitet u Novom Sadu, Fakultet Theničkih Nauka, Trg Dositeja
Obradovića 6
Fizički opis rada, FО: 6/47/3/3/23/7/1
(poglavlja/strana/ citata/tabela/slika/grafika/priloga)
Naučna oblast, NO: Geodezija i geomatika
Naučna disciplina, ND: Daljinska detekcija
Predmetna odrednica /Ključne reči, PO: Hyperion,Landsat 7 ETM+,Vegetacioni indeksi,
NDVI,SAVI,GNDVI,TNDVI,MSAVI2,Klasifikacija
UDK
Čuva se, ČU: U biblioteci Fakulteta Tehničkih nauka
Važna napomena, VN:
Izvod, IZ: Upoređevianje vrednosti pet vegetacionih indeksa za hiperspektralnu i

multispektralnu platformu.Ispitivanje podobnosti hiperspektrlanih snimaka
kao podloga za računanje veg.indeksa. Klasifikacija rezultata dobijenih za
NDVI i SAVI indeks. Obrada i analiza podataka je rađena uz pomoć
Intergraph Imagine ERDAS 13.
Datum prihvatanja teme, DP:

Datum odbrane, DО:
Članovi komisije, КО: Predsednik:
Član: Potpis mentora

Član, mentor:
Obrazac Q2.НА.04-05 - Izdanjе 1

UNIVERSITY OF NOVI SAD⚫FACULTY OF TECHNICAL SCIENCES
KEY WORDS DOCUMENTATION
Accession number, ANO:

Identification number, INO: 238
Document type, DT: Monographic publication
Type of record, TR: Textual printed material
Contents code, CC: Bachelor Thesis
Author, AU: Uroš Radovanović
Mentor, MN: prof. Dr Miro Govedarica
Title, TI:
Hyperspectral data and vegetation indeces
Language of text, LT: Serbian

Language of abstract, LA: Serbian
Country of publication, CP: Republic of Serbia
Locality of publication, LP: Vojvodina
Publication year, PY: The year of defense, 2013.
Publisher, PB: Author’s reprint
Publication place, PP: Novi Sad, Dositeja Obradovica sq. 6
Physical description, PD: 6/47/3/3/23/7/1
(chapters/pages/ref./tables/pictures/graphs/appendixes)
Scientific field, SF: Geomatics
Scientific discipline, SD: Remote sensing
Subject/Key words, S/KW: Hyperion,Landsat 7 ETM+,Vegetation indeces,
NDVI,SAVI,GNDVI,TNDVI,MSAVI2,Classification
UC
Holding data, HD: The Library of Faculty of Technical Sciences, Novi Sad, Serbia
Note, N:
Abstract, AB: Calculating values of five different vegetation indeces based on

hyperspectral and multispectral data. Testing ability of hyperspectral data for
usage in calculating vegetation indeces. Classification of resulting images
based on values for NDVI and SAVI index. Software solution used for
analysis is Intergraphs Imagine Erdas 13.
Accepted by the Scientific Board on, ASB:

Defended on, DE:
Defended Board, DB: President:
Member: Menthor's sign
Member, Mentor:
ObrazacQ2.НА.04-05 - Izdanje
UNIVERZITET U NOVOM SADU ⚫FAKULTET TEHBIČKIH NAUKA Broj:
ZADATAK ZA IZRADU ZAVRŠNOG Datum:

(BACHELOR) RADA
(Podatke unosi predmetni nastavnik-mentor)
Vrsta studija: а) Osnovne akademske studije

б) Osnovne sturukovne studije
Studijski program:
Geodezija i geomatika
Rukovodilac
Prof.dr Miro Govedarica
studijskog
programa:
Student: Uroš Radovanović Broj indeksa: 238

Oblast: Daljinska detekcija
Mentor: prof. Dr Miro Govedarica
NA OSNOVU PODNETE PRIJAVE, PRILOŽENE DOKUMENTACIJE I ODREDBI STATUTA FAKULTETA

IZDAJE SE ZADATAK ZA ZAVRŠNI (Bachelor) RAD, SA SLEDEĆIM ELEMENTIMA:
- problem – tema rada;
- način rešavanja problema i način praktične provere rezultata rada, ako je takva provera neophodna;
- literature
NASLOV ZAVRŠNOG (BACHELOR) RADA:

TEKST ZADATKA:
Kandidat ima zadatak da uradi analizu hiperspektralnih satelitskih snimaka i uporedi

njegove karakteristike sa standardnim multispektralnim satelistkim snimcima. U uporednoj
analizi koristiti vegetacione indekse NDVI, SAVI, GNDVI, TNDVI i MSAVI2. Uporediti
vrednosti indeksa i ispitati upotrebljivost hiperspektlranih snimaka kao ulaznih podataka za
računanje vegetacionih indeksa.
Rukovodilac studijskog programa: Mentor rada:
Miro Govedarica
Hiperspektralni snimci i vegetacioni indeksi 2013
Sadržaj:
1. Uvod.......................................................................................................................................................... 6
2. Daljinska detekcija ................................................................................................................................... 7
2.1 Senzori............................................................................................................................................. 7
2.2 Rezolucija ........................................................................................................................................ 8
2.4 Platforme za daljinsku detekciju ................................................................................................... 13
2.4.1 Hyperion................................................................................................................................. 15
2.4.2 Landsat 7 ETM+ ...................................................................................................................... 17
2.5 Primena daljinske detekcije .......................................................................................................... 19
2.6 Klasifikacija .................................................................................................................................... 21
3.Vegetacioni indeksi ................................................................................................................................. 23
3.1 Normalised Difference Vegetation Index...................................................................................... 23
3.2 Transformed Normalised Difference Vegetation Index................................................................ 24
3.3 Green Normalised Difference Vegetation Index .......................................................................... 25
3.4 Soil Adjustment Vegetaton Index ................................................................................................. 25
3.5 Modified Soil Adjustment Vegetaton Index .................................................................................. 26
4. Obrada rezultata .................................................................................................................................... 27
4.1 Preprocessing ................................................................................................................................ 28
4.2 Modeli korišćenih indeksa ............................................................................................................ 31
4.3 Statistička obrada demo zone ....................................................................................................... 33
4.4 Klasifikacija snimaka...................................................................................................................... 39
5. Zaključak ................................................................................................................................................. 44
6. Literatura ................................................................................................................................................ 47
5
1. Uvod
Podaci koji su dobijani u obliku digitalnih snimaka sa prvih satelitskih
platformi za daljinsku detekciju se od sedamdesetih godina prošlog veka pa sve do
danas koriste kao materijal u mnogim naučnim oblastima. Najčešće se koriste za
praćenje prirodnih kontinualnih promena na Zemljinoj površini, kako u urbanim
zonama tako i van njih. Sama zainteresovanost za karakteristike Zemljine površine
kao što su temperatura, vegetacija, tip tla, reflektivnost, minerlani sastav itd.
dovela je do izrade mnogobrojnih softverskih rešenja koja se koriste za
obradu,analizu i vizuelizaciju podataka dobijenih sa satelita.
Određivanje tipa, starosti, rasprostranjenosti, kao i mnogih drugih
karakteristika vegetacije, je oduvek bio zadatak velikog broja naučnika. Nakon
lansiranja prvih multispektralnih i hiperpsektrlanih satelitskih platformi u Zemljinu
orbitu, ovi naučnici su kao rezultat toga dobili ogromne količine podataka o
vegetaciji. Radi lakše obrade podatka, nastaju mnogobrojni vegetacioni indeksi,
koji su osetljivi na ražličite karakteristike, kao na primer procenat hlorofila u listu
ili prisutnost vegetacije. Posledica toga su i laboratorijska ispitivanja različitih
tipova vegetacije, odnosno njihova reakcija na različite talasne dužine iz
elektromagnetnog spektra. Najinteresantnije talasne dužine su one iz vidljivog i
infracrvenog dela spektra, jer je utvrđeno da zelena vegetacija dobro reflektuje
infracrvenu talasnu dužinu. Najčešće korišćeni indeks nastao je još 1973 godine,
njegovi tvorci su Rous i Kregler (Rouse and Kriegler). Indeks nosi naziv Normalised
Difference Vegetation Index ili skraćeno NDVI i još uvek je u upotrebi. Pored ovog
indeksa u ovom radu korišćena su još četiri indeksa novijeg datuma. Snimci sa
Landsatovih multispektrlanih platformi se već decenijama koriste kao podloga za
vegetacione indekse. U ovom radu se kao ulazni podatak za računanje vrednosti
veg. indeksa, pored snimaka sa Landsat 7 platforme, koriste i snimci sa Hyperion-a
koji je hiperspektrlana platforma. Cilj ovog rada i jeste da se uporede dobijene
vrednosti više vegetacionih indeksa za obe platforme, odnosno da se utvrdi
podobnost hiperspektrlanih snimaka kao podloga za izradu istih. Kroz statističku
analizu biće utvrđeno da li se rezultati za različite tipove površina snimaka
dobijenih sa Hyperion-a ponašaju isto ili slično kao rezultati dobijeni sa snimaka
Landsat 7 satelita. Rezultati će takođe biti uporedno analizirani i kroz klasifikaciju
tako što će rezultujući rasteri, nakon računanja indeksa, biti provučeni kroz
inženjersku klasifikaciju.
6
2. Daljinska detekcija
Pojam “Daljinska detekcija“ prvi put se, u naučnoj sferi, pojavljuje 1960.
godine, nastao kao slobodan prevod engleske reči „Remote Sensing“. Pre 1960.
godine ovaj metod je ugalvnom bio poznat kao Aerofotogrametrija, koja se
koristila za prikupljanje podataka još od šesdesetih godina IX veka. Gotovo da
nema ni jedne naučne discipline koja se razvijala tako ubrzano, kao daljinska
detekcija. Njen ubrzan razvoj, omgućen je napredovanjem tehnologije, drugom
polovinom XX veka, pogotovo razvojem kompjuterske tehnike, koja je tih godina,
takođe doživljavala veliku ekspanziju. Omogućen je prelazak sa analogne na
digitalnu metodu čuvanja podataka, koja je omogućavala mnogo bolju analizu i
interpretaciju. Ona postaje nezamenjljiv metod za masovno prikupljanje podataka
u svim oblastima nauke. Sama definicija kaže: „Daljinska detekcija predstavlja
metod prikupljanja informacija putem sistema, koji nisu u direktnom, fizičkom
kontaktu sa ispitivanom pojavom ili objektom”[10] (Evelyn L. Pruitt
1960).Razvitkom svemirske thenologije dolazi i do revolucije u daljinskoj detekciji.
Senzori koji su do tada bili instalirani na avionima i drugim letelicama, sada
dobijaju nove platforme u vidu satelita. Sateliti mogu da pokriju mnogo veće
površine, samim tim sto se snimanje vrši sa veće visine i mogu da preleću iste
prostore u više naleta tokom određenog perioda. Jedan od prvih programa
namenjen snimanju Zemlje iz svemira, razvijen od strane NASA-e 1972. godine, je
ERTS (Earth Resource Technology Satellite). Ovaj satelit je kasnije preimenovan u
LANDSAT I, i bio je prvi iz serije satelita, čiji je cilj bio iscrtavanje i mapiranje
Zemljine površine.
2.1 Senzori
Glavni elementi uređaja za daljinsku detekciju su senzori. To su uređaji za
otkrivanje, registraciju i merenje zračenja elektromagnetne energije, koju emituje
ili reflektuje sam objekat. Senzori takođe funkcionišu na principu konverzije,
elektromagnetne energije u električne impulse. Oni koriste rotirajuće ili
oscilirajuće ogledalo putem koga registruju elektromagnetnu energiju po
uskim,međusobno bliskim i gusto raspoređenim trakama, upravnim (along track )
ili poprečnim (across track) na pravac kretanja nosača-platforme. Spektar
elektromagnetnog zračenja je izuzetno veliki, tako da ne postoji uređaj koji može
da obuhvati sve. Senzori se konstruišu tako da detektuju uže ili šire spektralno
područije.
7
Osnovna podela senzora je prema načinu registrovane energije:
• Aktivni senzori emituju energiju ka objektu od interesa i registruju onaj deo

energije koji se od njega odbio. Nazivaju se aktivni zato što i šalju i primaju
energiju.
• Pasivni senzori registruju energiju koja dolazi od samog objekta, bez obzira
da li je sam objekat poseduje i emituje, ili pak reflektuje energiju saopštenu
od nekog prirodnog izvora. Pasivni senzori samo primaju energiju.
Senzori se takođe dele i prema broju i širini spektralnih opsega:

• panhromatske (koji mere energiju refleksije u jednom širokom delu
elektromagnetnog spektra),
• multispektralne (meri se refleksija u velikom broju opsega od više desetina
do stotina kanala)
• hiperspektralne senzore (meri se refleksija u puno pojedinačnih opsega od
više stotina do hiljadu kanala)
• ultraspektralne (još su u razvoju)
2.2 Rezolucija
Rezolucija je bitan pojam za bilo koji multispektralni ili hiperspektralni
snimak. U daljinskoj detekciji poznate su nam četiri vrste rezolucije:
1. Spektralna
2. Radimetrijska
3. Temporalna
4. Prostorna
Spektralna rezolucija se odnosi na specifične intervale talasne dužine u
elektromagnetnom spektru koje senzor može da snimi. Može biti fina ili gruba to
zavisi od ospega elektromagnetnog zračenja kojeg senzor registruje.
Multispektralni snimci imaju nisku spektralnu rezoluciju, a hiperspektralni snimci
imaju visoku spektralnu rezoluciju.
Radimetrijska rezolucija se odnosi na dinamički opseg, odnosno broj
mogućih vrenosti u svakom opsegu (bend-u). Tacnije odnosi se na broj bita u koje
je podeljena enrgija opsega. Najčešće vrednosti radiometrijske rezolucije se kreću
od 7,8 bita pa do 16,32,64,128 bita sve u zavisnosti od potrebe.
8
Temporalna rezolucija se odnosi na to koliko često senzor prikuplja snimak

jednog određenog područja. Ona je veoma važna ako stručnjaci prate neke
sezonske promene na područiju od interesa.
Prostorna rezolucija se
definiše kao mera najmenjeg
objekta koji moze biti detektovan.
Takodje se definiše i kao veličina
prostora na Zemlji koje se može
prikazati jednim pikselom. Ona
može biti visoka i niska. Npr. visoka
je prostorna rezolucija od 1-2
metra, a niska je ona od par
desetina metara npr 60-80m.Na Slika 1. Prikaz rezolucija
Slici 1. su prikazane sve rezolucije.
2.3 Elektromagnetni spektar

Elektromagnetno zračenje koje prođe kroz atmosferu dolazi do površine
Zemlje i objekata na njoj. To zračenje se naziva upadajuće zračenje i u kontaktu sa
površinom objekata ono se menja po: intenzitetu, smeru, talasnoj dužini,
polarizaciji i fazi.
Promene koje nastaju karakteristične su za pojedine objekte jer zavise od
njihovih fizičkih i hemijskih osobina, a kod živih organizama i biljaka, zavise od
njihove anatomske strukture i fiziološkog stanja. Svaki objekat može pristiglo
zračenje reflektovati, propustiti ili absorbovati. Svaki objekat može emitovati
svoju energiju. Dobijeni podaci sa senzora tumače se i interpretiraju kako bi se
prepoznali objekti i kako bi se otkrile njihove karakteristike.
Jačina i količina zračenja koje uređaj za snimanje detektuje zavise od:
• osobine objekta da reflektuje elektromagnetno zračenje,

• osobine objekta da propušta elektromagnetno zračenje,
• osobine objekta da upija elektromagnetno zračenje,
• karakteristike površine objekta,
• mase objekta,
• položaja objekta,
9
• položaja Sunca u trenutku snimanja (azimut i visina),

• položaja urđaja za snimanje (azimut i visina),
• atmosferskih uticaja,
• karakteristika uređaja za snimanje i
• nacina akvizicije i obrade prikupljenih podataka.
Svako telo, koje se nalazi na Zemljinoj površini, usled Sunčevog zračenja

poseduje energiju određene frekvencije i talasne dužine i sposobno je da emituje
energiju dela elektromagnetnog spektra. Određene čestice materije poseduju
električni naboj. One menjaju okolni prostor i stvaraju električno polje. Polje
deluje silom na svaki električni naboj koji se nalazi u njemu. Čestice sa električnim
nabojem u pokretu čine električnu struju. Električna struja izaziva dalje promene
okolnog prostora i stvara magnetno polje. Magnetno polje takođe deluje silom na
svaku česticu sa električnim nabojem u pokretu. Na taj način izmenjeno električno
polje stvara magnetno polje, a izmenjeno magnetno polje stvara električno polje.
Nastale promene vode ka uvećanju energije u vidu povezanih električnih i
magnetnih polja sa vremenski i prostorno promenljivom jačinom. Vektori
električnog i magnetnog polja međusobno su upravni, a u svakoj tački prostora
pružaju se upravno na pravac pružanja energije kao sto je prikazano na Slici 2.
Slika 2.[11]Prostiranje el.mag. polja u prostoru
10
Opšti zakon talasnog kretanja glasi: C =   f gde je  talasna dužina, f

frekvencija, a C je brzina svetlosti. Elektroagnetni spektar se deli na: γ i χ (gama i
iks zračenje), ultraljubičasto (UV), vidljivi deo spektra,infracrveno zračenje (IR),
mikrotalasno zračenje (Micro wave) i područije radio talasa (Radio wave).
• Zraci iz područja γ i χ zračenja imaju malu prodornost kroz atmosferu, pa su

neupotrebljivi za daljinsku detekciju terena.
• Ultraljubičasto zračenje (UV), čini 10% od ukupne svetlosne energije koja

dospe na Zemljinu površinu. Talasne dužine UV zraka se kreću od 0.1 do
0.4μm. Prodornost UV zraka iz dalekog i srednjeg dela UV područja kroz
atmosferu praktično ne postoji, pa su oni u potpunosti neupotrebljivi u
daljinskoj detekciji. U delu koji je blizak vidljivom delu spektra prodornost
se povećava, ali do sada izvršena ispitivanja su samo eksperimentalnog
karaktera.
• Vidljivo područje spektra elektromagnetne energije obuhvata talasne
dužine od 0.4 do 0.7 μm. Čovek detektuje zračenje energije u vidljivom
području kao tzv. "belu svetlost". Prema talasnoj dužini u vidljivom delu
spektra razlikuje se, međutim, više boja, od ljubičaste sa najkraćom(0.4-
0.044 μm), preko plave (0.44-0.5 μm), zelene (0.5-0.57 μm), žute (0.57-0.59
μm) i narandžaste (0.59-0.62 μm), do crvene sa najvećom talasnom
dužinom (0.62-0.7 μm).Spektar "bele svetlosti" može se predstaviti u tri
osnovne boje koje sadrži svaka odostalih boja (RGB). Osnovne boje su plava
(0.4-0.5μm), zelena (0.5-0.6 μm) i crvena(0.6-0.7 μm). Vidljivi deo
predstavlja najviše i najčešćekorišćeno spektralno područje u daljinskoj
detekciji.
• Infracrveno područje, označeno kao IC područje (IR),obuhvata vrlo širok

spektar zračenja, čije talasne dužine variraju u rasponu od 0.7 do 1000μm.U
Infracrvenom delu spektra el.mag. zračenja razlikujemo dve vrste:
emitovano i reflektovano. Reflektovano nastaje tako što površina Zemlje
odbija energiju koju dobija od Sunca i ono se kreće u granicama od 0.7 μm
do 3 μm. Emitovano predstavlja toplotu koju emituju objekti na Zemlji kao i
sama njena površina i ono se kreće od 3 μm do 1000 μm. Celokupni
infracrveni deo spektra se deli na:
11
▪ blisko infracrveno zračenje, sa talasnim dužinama između 0.7 μm do 1.5

μm(NIR);
▪ srednje infracrveno zračenje, deo sa dužinama od 1.5 μm do 5.6 μm(MIR);
▪ daleko infracrveno zračenje talasnih dužina od 5.6 μm do 1000 μm(FIR).
Infracrveno zračenje se u daljinskoj detekciji dosta upotrebljava,zato

što se uz pomoć njega lako detektuju površine pod vegetacijom,zato što
hlorofil koji je zelene boje najviše reflektuje ovo zrake, takodje se može
odrediti i tip vegetacije na osnovu stepana absorpcije ili refleksije određene
talasne dužine IC zračenja. Snimanje ovim delom spektra se može vršiti i
noću, a takođe ovi zraci prolaze kroz oblake,izmaglicu,dim itd.
• Mikrotalasno zračenja obuhvata deo spektra sa veoma velikim vrednostima

talasnih dužina koje se kreću od 1.000 μm (1 cm) do 1.000.000 μm (1 m).
Izvor zračenja mikrotalasa može biti prirodan, kada mikrotalase emituje
površina zemlje, ili veštački gde ove zrake proizvodi čovek. Prodornost
mikrotalasnih zraka kroz atmosferu je izuzetno velika, čak veća i od vidljivih
zraka. Ovi zraci prodiru kroz oblake, vlagu u vazduhu, krošnje drveća, čak i
krozplitke naslage na površini terena kao što su peskovi i aluvijalni
sedimenti i posledica toga je da se njihova primena u daljinskoj detekciji
svakodnevno proširuje.
• Radiotalasi predstavljaju zračenje velikih talasnih dužina, preko 1 m, koja se
koriste zapotrebe radio-komunikacija. Ova energija je veštačkog porekla,
proizvodena od strane čoveka. U daljinskoj detekciji se retko koristi.
12
2.4 Platforme za daljinsku detekciju

Kao što je već spomenuto u podeli senzora prema broju bendova i širini
elektromagntnog opsega, jedna od podela je imala naziv hiperspektralni senzori.
Njihovom upotrebom u sistemima za daljinsku detekciju nastaju hiperspektralni
snimci. Preteča hiperspektralnih platformi su multispektralne koje se i danas
koriste. One imaju najmanje 3 a najviše 10 spektaralnih bendova sa relativno
širokim rasponom talasnih dužina elektromagnetnog spektra(Landsat,Spot,Ikonos
QuickBird).
Nasuprot multispektralnim platformama, hiperspektralne vrše akviziciju

podataka u najmanje 10 spektralnih bendova, a najvše do nekoliko stotina, sa
veoma malim rasponima talasnih dužina (Nasa Terra and Aqua satellites 36
bendova, Hyperion na EO-1 224 benda, NASA Airborn Visible-Infrared Imaging
Spectrometer 220 bendova).Nepostoji gornja granica za broj bendova da bi se
platforma smatrala hiperspektralnom. Korišćenje ovih platformi nam obezbeđuje
spektar refleksija visoke rezolucije za svaki element jednog snimka. Mnogi ali ne i
svi materijali na površini Zemlje imaju sposobnost absorpcije elektromagntenog
zračenja koja se može uočiti u veoma malim razmacima talasnih dužina (od 10 do
20 μm). Sve hiperspektralne platforme vrše prikupljanje podataka pomoću više
stotina bendova koje se razlikuju za samo 10 μm i svi su u okviru
elektromagnetnog spektra koji se kreće od 400 do 2500 μm.
Način prikupljanje podataka, spektrometrijom, je diefinisan kao simultana

akvizicija snimaka u više relativno susednih ili nesusednih spektralnih bendova uz
pomoć ultraljubičastog,vidljivog i infracrvenog dela elektromagnetnog spektra.[1]
13
Skika 3.[12] Različite konstrukcije platformi
14
Prikupljanje spektralne refleksije ili emisije elektromagnetnog zračenja sa

Zemljine površine u stotinama bendova zahteva drugačiji pristup konstrukcije
senzora u odnosu na prethodne modele koji se koriste u multispektralnom
opažanju i u digitalnoj aerofotogrametriji. Na Slici 3. se može videti razvoj
tehnologije senzora od obične digitalne kamere, preko skenera sa rotirajućim
ogledalom, pa sve do Whiskbroom tehnologije lineranog niza bendova i
tehnologije koju koriste hiperspektralni senzori, odnosno formiranje 2D niza
bendova. Kod ove thenologije senzora postoji kolona spektralnih detektora za
svaki piksel na snimku. Ovakva konfiguracija unapređuje geometriju i radiometriju
slike zato što se ne koristi rotirajuće ogledalo, dopuštajući svakom pojedinom
detektoru da se duže zadrži iznad trenuntog područija, što rezultira tačnijim
prikupljanjem zračenja. Neke od hiperspektralnih avionskih platformi koje koriste
gore pomenute vrste senzora su: AVIRIS (NASA,JPL), CASI i CASI 2(Canada),
HyMap(Integrated Spectronics Inc.,Australia), HYDICE(NRL,USA)… Neke od
satelitskih hiperspektralnih paltformi su: Meris on Envi-Sat, Modis on EOS Tera
and Aqua(NASA), MOS on IRS-3P (India), Hyperion on EO-1 (NASA), CHRIS on
PROBA (ESA) i CHOIS on NEMO(US Navy).
2.4.1 Hyperion
Hiperspektralni podaci koji su korišćeni za analizu su snimljeni uz pomoć

platforme Hyperiona koju nosi satelit EO-1(Earth Observing).
Slika 4.[8] Hyperion na EO-1
15
Tabela 1.[8] Karakteristike instrumenata na EO-1
Kao što možemo da vidimo iz Tabele 1. Hyperion je hiperspektralna

platforma koja prikuplja podatke u vidu više snimaka za jedan isti predeo, a ti
snimci se kasnije kombinuju i formiraju hiperspektralnu trodimenzionalnu kocku
koja se koristi u daljoj analizi i obradi. Prostorna rezolucija je 30 m, širina trake
kojom se vrši snimanje je 7,5 km, opažanje se vrši u 224 bliska benda koja se
razlikuju za samo 10 μm talasne dužine. Opseg spektralne rezolucije se kreće od
0,4 μm do 2500 μm. Možemo da primetimo da je u odnosu na multispektralne
platforme temporlana rezolucija Hyperiona dosta veća, razlog tome je dosta uža
traka snimanja nego kod pomenutih platformi. NASA-in satelit EO1 je deo tzv.
„Novo-milenijumskog“ programa (NASA New Millenium Program) koji je baziran
na novijoj senzorskoj i svemirskoj tehnologiji koja za cilj ima da smanji troškove
Landsat programa (Landsat ETM+) i ostalih povezanih sistema za satelitsko
snimanje Zemlje (Earth Monitoring Systems).
16
EO-1 se nalazi u istoj orbiti kao i Landsat 7 na visini od 705 km. EO-1 kasni
za Landsatom za odprilike jednu minutu i pokriva istu površinu terena kao i
Landsat 7. To omogućava da se prikupe snimci iste površine u veoma malom
vrmenskom razmaku sa dve različite platforme, što je dobro zbog uporedne
analize i kalibracije sirovih podataka. Još dva satelita se nalaze u približnoj orbiti
kao i ova dva to su NASA-in TERRA i Argentinski satelit SAC-C. Ova četiri satelita
čine takozvanu „jutranju konstalaciju“ (morning constellation Slika 5.).
Slika 5.[7] Morning constellation
2.4.2 Landsat 7 ETM+
Druga platforma koja se koristi u zadatku je Landsat 7 ETM+ (Earth

Thematic Maper +). Ona je sedma po redu od 8 platformi koliko je USGS ( United
States Gelogical Survey) lansirao u Zmeljinu orbitu, u okviru Landsat programa koji
je započet još 23. jula 1972. Zadnji satelit iz ovog program je lansiran ove godine
u februaru pod nazivom Landsat 8. Landsat 7 je lansiran još 1999. godine sa
predviđenim rokom trajanja od 5 godina,ali uprkos svemu on je još uvek
operativan ali sa greškom korekcije linije skeniranja (SLC off), zbog koje su neka
područija na površini Zemlje snimljena dva puta, a neka nisu uopšte. Ovaj
problem je kasnije rešen softverski. Njegov primarni cilj je bio da obnovi globalnu
arhivu satelitskih snimaka, obezbeđujući updejtovane snimke površina kao i
snimke bez oblaka. Njegova orbita je na visini od 705 km (+- 5 km) i ima
sposobnost da prikupi i pošalje do 532 snimka na dan.
17
Širina trake snimanja je 185km, a temporalan rezolucija je 16 dana ili 232

orbite. Radiometrijska rezolucija je 9 bita ali se od tih 9 bita bira 8 sa najboljim
vrednostima.Na samoj platformi se nalazi hard disk sa kapacitetom od 375 Gb.
Ona prikuplja informacije u 8 različitih bendova i njihove talasne dužine i rasponi
su prikazani u tablici ispod.
Tabela 2.[14] Karakteristike Landsat 7 ETM+
Band Number Spectral Range(μm) Ground Resolution(m)
1 0.45 to .515 30
2 0.525 to 0.605 30
3 0.63 to 0.690 30
4 0.75 to 0.90 30
5 1.55 to 1.75 30
6 10.40 to 12.5 60
7 2.09 to 2.35 30
Pan 0.52 to 0.90 15
U Tabeli 2. Možemo da vidiom da većina bendova ima prostornu rezoluciju
od 30 m dok 6-ti bend, koji je termalni, ima 60 m i posldnji 8-mi bend ima
rezoluciju od 15 m on je panhromatski. Na Slici 6. je prikazan šematski prikaz
platforme i svih instrumenata na njoj.
Slika 6.[14] Šematski prikaz Landsat 7 ETM+
18
2.5 Primena daljinske detekcije
Primena daljinske detekcije je obrada i analiza snimka određenog područija

u cilju mapiranja i vizualizacije. Kada koristimo daljinsku detekciju u kombinaciji sa
digitalnom obradom slike, određene površine na zemlji mogu da budu analizirane
bez fizičkog kontakta sa njima. Takođe daljinska detekcija se može upotrebiti za
određivanje površina pod vegetacijom. Ova osobina pomaže biolozim ili
ekolozima da utvrde tip, visinu, rasporostranjenost, starost kao i mnoge druge
osobine bilo kog vegetacijskog pokrivača.
Daljinskom detekcijom se mogu proučavati opasna i teško dostupna

područja. Takva mesta mogu biti područja prirodnih nepogoda kao što su požari,
područja zahvaćena poplavama ili nevremenom i dr. Mogu se vršiti merenja na
Severnom polu i u dubinama okeana, a ovakva proučavanja osiguravaju da mesta
koja se snimaju nisu poremećena prisustvom čoveka. Koristeći daljinsku detekciju
mogu se bolje razumeti kretanja vode, a u ekološkom smislu širenje zagađenja
bilo vazduhom ili vodenim putevima. Daljinska detekcija se koristi u meteorološke
svrhe pri praćenju promene vremena i za potrebe vremenske prognoze ali može
se koristiti i koristi se u raznim geološkim istraživanjima: regionalnim tektonskim,
geofizičkim, geotehničkim, istraživanjima ležišta mineralnih sirovina, i uopšte pri
geološkom kartiranju. Daljinska detekcija omogućava brže prikupljanje podataka,
smanjenje troškova i olakšava sagledavanje celine istražnog prostora. Daljinska
detekcija se koristi i prilikom prostornog planiranja raznih regionalnih objekata
poput, putnih pravaca i železničkih pruga, dalekovoda, gasovoda i dr. U geodeziji
daljinska detekcija se koristi prilikom izrade različitih vrsta karata. Ona se koristi i
prilikom izrade različitih vrsta geografskih informacionih sistema (GIS). U
vojnobezbednosne svrhe vrše se satelitska snimanja kretanja vojnih trupa,
osmatranje izgradnje nuklearnih postrojenja i postrojenja dalekometnih raketa, za
otkrivanje izvršenih nuklearnih proba i njihovih posledica, pri globalnom
pozicioniranju područja od interesa, snimanje kretanja brodova i dr.
19
Ova disciplina je veoma brzo našla primenu u većini naučnih istraživanja

koja koriste, refleksiju elektromagnetnog zračenja, kao jedan od podataka,
najčešće za klasifikaciju razlićitih materijala,vegetacijskih pokrivača,mineralnih
bogastava i ostalog.
Na Slici 7. vidimo koje sve naučne oblast i discipline koriste podatke

prikupljene daljinskom detekcijom.
Slika 7.[14] Oblasti primene daljinske detekcije
20
2.6 Klasifikacija
Jedan od najbitnijh koraka u digitalnoj obradi slike jeste i klasifikacija.
Klasifikacija može biti definisana na više načina, ali jedan od njih kaže:
“Klasifikacija je postupak u kojem se vrši svrstavnje objekata ili pojmova u
konačan skup klasa na osnovu osobina tih objekata ili pojmova”[13] . U domenu
hiperspektralne analize ova definicija se može reći ovako: “Klasifikacija je proces
sortiranja piksela u određeni broj individualni klasa ili kategorija, u zavisnosti od
spektralne vrednosti piksela.”[13]. Upotrebom algoritama za analizu slika svi
pikseli s istim spektralnim karakteristikama se svrstavaju u istu klasu, jer pikseli s
jednakim spektralnim karakteristikama najčešće odgovaraju istom tipu
vegetacionog pokrivača, zemljišta ili voda.Klasifikacija u suprotnom smeru nije
efikasna jer svi pikseli odredenog vegetacionog prekrivača, zemljišta ili voda ne
moraju pripadati istoj klasi, pa postoji potreba za grupisanjem klasa (na primer
prema raznim tipovima vegetacije ili zemljišta).
Na osnovu fundamentalne razlike u metodama koje se koriste,glavna

podela je na: statističku i sintaksičku klasifikaciju. Prva se zasniva na statističkim
osobinama uzoraka, a druga na strukturi uzoraka i na vezama između osobina
isitih. Nakon ove podele najvažnija podela klasifikacije je na nadgledanu
(supervised) i nenadgledanu (unsupervised). Kod prvog tipa je u procesu dostupan
obućavajući skup, koji se formira pre početka, u stvari se raspolaže sa skupom
objekata ili pojmova koji su razvrstani u klase. Kod drugog tipa obučavajući skup
nije dostupan i klasifikacija se sporvodi na osnovu statističkih pravilnosti u
podacima.
Sam postupak klasifikacije se u širem smislu može opisati u četiri faze,a ako
proces klasifikacije posmatramo kao složen sistem onda faze posmatramo kao
delove tog sistema (podsistemi). Te faze (podsistemi) su: opažanje (senzorski
podsistem), generisanje osobina (podsistem za ekstrahovanje osobina), izbor
osobina (pods. za izbor osobina) i klasifikacija u užem smislu (klasifikator).
Zadatak senzorskog podsistema je da prikupi opažanja, tj njegov cilj je da
prikupljene podatke pretvori u tip digitalnog podatka sa kojim se kasnije može
manipulisati putem računara. Podsistem za ekstrahovanje podataka služi za
smanjivanje dimenzionalnosti podataka a izlaz iz ovog podsistem je vektor
osobina.
21
Podsistem za izbor osobina nastavlja sa smanjivanjem dimezionalnosti

podatak tako što odbacuje joše neke osobina koje smatra manje važnim. Izlaz iz
ovog podsistem je redukovani vektor osobina. Uloga klasifikatora u nadgledanoj
klasifikacije, ili klasifikaciji sa učiteljem, jeste da dobijeni redukovani vektor
osobina dodeli nekoj od postojećih klasa. Kod nenadgledane klasifikacije, ili
klasifikacije bez učitelja, uloga je ista samo što klasifikator ima zadatak da formira
klase.
Neke od najpoznatijih metoda nenadgledane klasifikacije (bez učitelja) su:
ISODATA algoritam, Fuzzy C klasifikacija, K klasifikacija, Dendogram. Neke od
najpoznatijih metoda nadgledane klasifikacije (sa učiteljem) su: paralelopipedska
klasifikacija, klasifikacija na osnvu prostora osobina, minimalna udaljenost,
Mahalanobis udaljenost, Bajesova klasifikacija (maksimum uslova verovatnoće).
Pored ova dva tipa klasifikacije koje su usmerna ka statističkim podacima uzorka i
formiranja klasa, postoje još dva tipa,a to su: ekspertna(inženjerska) klasifikacija i
klasifikacija ekstrahovanjem objekata.
Ekspertna klasifikacija se bazira na pristupu koji koristi pravila i omogućuje
klasifikaciju multispektralnih i hiperspektralnih slika, post-klasifikacijsku obradu i
modelovanje GIS-a. Sistemi za ekspertnu klasifikaciju su ustvari hijerarhiski
uredjena pravila, ili stabla odlučivanja, koja opisuju uslove pod kojima se skup
informacija na niskom nivou prevodi u skup informacija na visokom nivou. Low
level information ili informacije na niskom nivou su u stvari korisnički definisane
promnljive kao što su rasteri, prostorni modeli, eksterni modeli i obični skalari.
Više pravila i hipoteza se mogu hijerarhijski organizovati tako da jednoznačno
odredjuju krajnji skup informacionih klasa tj „termalnih hipoteza“. Za svaki uslov
se može definisati i nivo poverenja (confidence level) u cilju što bolje klasifikacije.
Na Slici 8. je prikazan primer inženjerske klasifikacije sa 4 pravila.
Slika 8. Primer inženjerske klasifikacije
22
3.Vegetacioni indeksi
Još od 70-ih godina prošlog veka naučnici koriste razne osnovne i
modifikovane modele vegetacionih indeksa. Oni su ekstraktovali i modelirali razne
vegetaciono biofizičke promenljive i konstante na osnovu podataka koje su
dobijali sa prvih platformi za daljinksu detekciju. Faktori koji utiču na formiranje
bilo kojeg indeksa su: radiometrijska merenja koja ukazuju obilje i aktivnost
zelene vegetacije, procenat zelenog pokrivača, sadržina hlorofila u listu, količina
biomase, kao i prostorni indeks lista LAI ( Leaf Area Index ) i upijena fotosintetička
aktivna radijacija APAR ( Absorbed Photosynthetic Active Radiation ).
Svaki vegetacioni indeks bi trebao da:
▪ normalizuje ili modelira spoljašnje efekte kao što su ugao Sunca i

atmosferski uslovi za dato područije,
▪ da poveća osetljivost na vegetacione biofizičke parametre,
▪ bude u kombinaciji sa nekim specifičnim biofizičkim parametrima kao što su
LAI,APAR i biomasa kao deo validacije i kontrole kvaliteta,
▪ normalizuje unutrašnje efekte kao što su topografija, varijacije tla, varijacije
pozadine lišća i razlike u staroj i drvenastoj vegetaciji.
U ovom radu je korišćeno pet indeksa,a to su: NDVI,TNDVI, GNDVI, SAVI,MSAVI2.
3.1 Normalised Difference Vegetation Index

NDVI (Normalised Difference Vegetation Index) se koristi preko 30 godina.
Koristio se za globalnu analizu vegetacije, koja je bila bazirana na lineranoj
regresiji NDVI vrednosti sa direktnim ispitivanjem LAI,APAR, faktora biomase i
procenta pokrivenosti. Ovaj indeks je veoma bitan jer može da prati sezonske i
višegodišnje vegetacione promene,takođe smanjuje mnoge oblike multiplaktivnih
šumova prisutinih u bendovima. Formula po kojoj se računa vrednost NDVI
indeksa je:
NIR − RED
NDVI =
NIR + RED
23
Vrednosti ovog indeksa se kreću od -1 do 1, a vegetacija je u najvećem

broju slučajeva od 0.3 do 0.8, vrednosti od 0.2 do 0.3 predstavljaju travnata
područija. NDVI je ekvivalentan SR-u (SR=RED/NIR) vrednosti Simple Ratio-a se
kreću od 0 do 30, a vegetacija je od 2 do 8.
Skorija istraživanja su pokazala da empirijski podaci NDVI-ja mogu biti

nestabilni, pošto variraju u zavisnosti od boje tla i prisustva vlažnosti,
atmosferskih uslova i mrtve materije u samim biljkama. Iako se NDVI pokazao kao
vrlo koristan kod procena vegetacionih osobina, mnogi bitni unutrašnji i spoljašnji
uticaji ograničavaju njegovu globalnu korisnost. Poboljšani indeksi obično
uključuju pozadinu tla i/ili faktore atmosferskog prilagođavanja. Ti poboljšani
indeksi koji su korišćeni u ovom radu su TNDVI, GNDVI, SAVI i MSAVI2.
3.2 Transformed Normalised Difference Vegetation Index
TNDVI (Transformed Normalised Difference Vegetation Index) se dobija po

ovom izrazu:
NIR − RED
TNDVI =
NIR + RED
Možemo da vidimo da ovaj indeks u stvari predstavlja kvadrtani koren od

NDVI indeksa, zato su njegove vrednosti uvek pozitivne i kreću se od 0 do 1. On
ima veći koeficijent odlučnosti nego NDVI i to je jedina razlika između TNDVI-ja i
NDVI-ja. TNDVI ukazuje vezu između količine zelene vegetacije koja se nalazi u
jednom pikselu. Ovaj indeks je nastao 1996 od strane naučnika D.Senseman-a.
Vrednosti indeksa veće od 0.4 ukazuju na prisustvo zelene vegetacije, kako indeks
raste procenat vegetacije je je veći.
24
3.3 Green Normalised Difference Vegetation Index

GNDVI (Green Normalised Difference Vegetation Index) je razvijen od
strane naučnika Gitelson-a još 1996 godine. U njegovj formuli se umesto crvenog
opsega koristi zeleni opseg. Za vrednost talasne dužine zelenog opsega se ne
uzima centralana vrednost već talasna dužina od 550 μm koja u stvari predstavlja
donju granicu tog opsega. Nakon niza ispitivanja vršenih sa ovim indeksom, nad
raznim tipovima vegetacije kao i listiovima različitih vrsta biljaka i različite starosti,
utvrđeno je da je GNDVI osetljiv na veoma male količine hlorofila ( <500 mg / cm 2 ).
Formula po kojoj se računa GNDVI izgleda ovako:
NIR − GREEN 550

GNDVI =
NIR + GREEN 550
3.4 Soil Adjustment Vegetaton Index

Tvorac SAVI (Soil Adjustment Vegetaton Index) indeksa je A.R. Huete.
Formula po kojoj se dobija SAVI, nastala je 1988 i izgelda ovako:
(1 + L)( NIR − RED )

SAVI =
NIR + RED + L
gde je L faktor prilagođavanja pozadini lišća, koji se koristi za postepeni prestanak

diferencijalnog crvenog i blisko-infracrvenog dejstva kroz listove biljaka. Vrednost
L od 0.5 u reflektivnom prostoru je korišćena da minimizuje svetlinu tla i da
eliminiše potrebu za dodatnim kalibracijama kod raznih tipova tla. Kasnije je su
razvijen MSAVI, koji koristi iterativnu, kontinualnu L funkciju da optimizuje
prilagođavanje tla i da poveća dinamički opseg SAVI-ja. Vrednosti ovog indeksa se
kreću od -1 do 1, a što je vrednost manja, manje je i prisustvo vegetacije i
obratno.
25
3.5 Modified Soil Adjustment Vegetaton Index

MSAVI2 je nastao 1994 i njegovo tvorac je J.Qi, a njegova formula izgleda
ovako:
2 * NIR + 1 − ((2 * NIR + 1) 2 − 8 * ( NIR − RED )))

MSAVI 2 =
2
Vrednosti se kreću u istom rasponu kao i kod SAVI-ja. Formula je dobijena
tako što je formula MSAVI-ja zamenjena sa 1-MSAVI(n) i računata je za više
vrednosti n,koristeći matematičku indukciju, sve dok MSAVI(n)=MSAVI(n-1). Ovim
postupkom je dobijena formula koja u sebi ne sadrži korekcioni faktor L, već se
vrednost indeksa računa samo uz pomoć radijacije koja je prikupljena u
bendovima NIR i RED.
26
4. Obrada rezultata
Pre bilo kakve obrade podataka potrebno je savladati upotrebu jednog od
sofisticiranih softvera za obradu digitalnih snimaka. Neki od najpoznatijih su: ENVI
(Enviornment for Visualizing Images), ERDAS Imagine, IDRISI, PCI Geomatica. Ovi
navedni sofveri moraju biti sposobni da:
• Pretvore sirovo zračenje prikupljeno senzorom u prividno zračenje

površine zemlje i na kraju u stvarno reflektovano zračenje opažane površine.
Ovi postupci podrazumevaju otklanjanje atmosferskih uticaja, uticaj koji
nastaje zbog reljefa terena kao i otklanjanje elektronskog šuma instrumenta.
• Analiziraju prethodno kalibrisane podatke vezane za prikupljeno
zračenje emitovano od površine koja je snimana da bi se nakon konačne
obrade utvrdili sastavni materijali površine. To se postiže ovim postupcima:
uklanjanje krajnjih članova is sirovih hiperspektralnih podatka koji imaju null
vrednost, upoređivanje spektralnih podataka nastalih uz pomoć platforme i
spektralnih podataka snimljenih direktno na terenu na dan preleta ili
upoređivanje sa već postojećom bibliotekom koja sadrži vrednosti refleksije
većine površinskih materijala.
Koraci koji se korsiste u obradi podatak dobijenih daljinskom detekcjiom.
Slika 9. Koraci u obradi satelitskog snimka

27
4.1 Preprocessing
Programsko rešenje koje je korišćeno u ovom radu je Erdas Imagine 2013.
Ovaj softver poseduje ogroman broj mogućosti za analizu, vizuelizaciju,
georeferenciranje, mapiranje, gis aplikacije i mnoge druge operacije sa prostornim
podacima,kao i sa snimcima sa više vrsta platformi.
Glavni zadatak ovog rada je bilo upoređivnaje vrednosti pet različitih

vegetacionih ideksa (NDVI,GNDVI,TNDVI,SAVI,MSAVI2) na snimcima sa dve
različite platforme, jedne multispektralne (Landsa 7ETM+) i druge hiperspektralne
(Hyperion na EO-1). Snimci obuhvataju predeo između Srema i Bačke i nastali su
istog datuma 22.03.2003, a prostorna rezolucija im je ista 30m. To znači da su
snimci nastali u približno sličnim atmosferskim uslovima što nam odgovora zbog
uporedne analize vrednosti vegetacionih indeksa.
Pre početka bilo kakve analize snimci su georeferencirani. Snimak sa

Hyperiona je uzet kao referetni, a snimak sa Landsata je georeferenciran po
njemu. Korišćen je Erdasov AutoSync Georeferencing Wizard, u njemu se prvo
izaberu snimci koji treba da budu georeferencirani,zatim se izabere snimak koji je
referentni.
Slika 10. Georeferencing Wizard
28
U wizardu nam je takođe prikazan tip izlazne projekcije i datuma,u našem

slučaju projekcija je UTM Zona 34, a datum je WGS 84.
Slika 11. Izbor projekcije izlaznog snimka
Nakon georeferenciranja Landsatov snimak je isečen (subsetovan) po

granicama snimka sa Hyperion-a, da bi snimci bili identični. To je urađeno tako što
je kreiran AOI (Area Of Intrest) na osnovu Hyperion snimka,zatim je taj aoi učitan
u toolbox za subsetovanje. Nakon preklapanja snimaka i upotrebe komande
Swipe, može se videti da se snimci savršeno preklapaju i da je georeferenciranje
dobro odrađeno.
Nakon izvršenja ovih operacija, snimci su spremni za računanje pomenutih

indeksa. Za njihovo računanje korišćen je Erdas-ov modeler. Indeksi koji su
upotrebljeni su već urađeni kao modeli u Erdas-ovoj biblioteci vegetacionih
indeksa, tako da nije bilo potrebe za ručnim modelovanjem.
29
Slika 12. Izgled prozora za izbor vegetacionog indeksa
Prvi korak je selektovanje snimka za koji hoćemo da izračunamo

indeks,zatim možemo da izaberemo tip platforme (Slika 12). Nakon toga biramo
indeks koji hoćemo da izračunamo. U prozoru Toolboxa se nakon izbora platforme
prikazuje svaki pojedinačni band sa svojom talasnom dužinom. Takođe možemo
videti i koji bendovi se koriste za željeni vegetacioni indeks koji je prethodno
izabran. Sa opcijom View možemo videti model za svaki indeks koji se nalazi u
biblioteci.
30
4.2 Modeli korišćenih indeksa

Prvi indeks koji je rađen je NDVI, a njegov model je prikazan na Slici 13:
Slika 13. Izgled NDVI modela
Drugi indeks je TNDVI i njegov model je prikazan na Slici 14:
Slika 14. Izgled TNDVI modela
31
Treći indeks koji je rađen je SAVI i njegov model je prikazan na Slici 15:
Slika 15. Izgled SAVI modela
Četvrti indeks je MSAVI2 i njegov model je prikazan na Slici 16:
Slika 16. Izgled MSAVI2 modela
Model za peti vegetacioni indeks GNDVI je isti kao i za NDVI samo se

umesto crvenog benda koristi zeleni bend (GREEN).
32
4.3 Statistička obrada demo zone

Nakon računanja vrednosti indeksa za snimke sa obe platforme urađena je
statistička uporedna analiza za 28 tačaka (piksela) u demo zoni. Birani su pikseli
koji predstavljaju vegetaciju,obradivo zemljište,veštačku površinu i piksele koji se
nalaze između te tri površine, tačnije na graničnim prelazima između pomenutih
površina.
Na Slici 17. je prikaz demo zone u Google Earth-u, koji je koristio kao
približni Ground Truth podatak, da tačno vidimo gde je vegetacija,obradivo
zemljište, ali pošto su snimci iz 2003 a prikaz je iz 2011 verovatno ima nekih
manjih promena u struktruri terena.
Slika 17. Izgled demo zone (u blizini naslje Savino selo)
Vrednosti svih pet indeksa za obe platforme su upoređene uz pomoć

grafika urađenih u Excell-u. Za vrednost X ose je uzet redni broj tačke,a za Y osu su
uzete dobijene vrednosti indeksa.
33
Tabela 3. Prikaz vrednosti indeksa za obe platforme
Tn NDVIHy NDVIL7 SAVIHy SAVIL7 TNDVIHy TNDVIL7 GNDVIHy GNDVIL7 MSAVIHy MSAVIL7
1 0.514 0.248 0.74 0.371 0.997 0.865 0.315 0.191 0.679 0.396
2 0.528 0.264 0.792 0.394 1 0.874 0.319 0.206 0.691 0.416
3 0.431 0.206 0.646 0.235 0.965 0.84 0.26 0.16 0.602 0.341
4 0.409 0.139 0.613 0.207 0.953 0.824 0.275 0.147 0.58 0.242
5 0.49 0.21 0.74 0.314 0.995 0.843 0.293 0.165 0.658 0.346
6 0.501 0.228 0.751 0.341 1 0.853 0.306 0.191 0.667 0.37
Legenda:
7 0.43 0.172 0.645 0.257 0.965 0.82 0.276 0.163 0.602 0.3
8 0.403 0.1 0.604 0.148 0.95 0.771 0.256 0.099 0.489 0.19
9 0.409 0.139 0.613 0.207 0.953 0.8 0.275 0.157 0.58 0.242 Vegetacija
10 0.393 0.072 0.559 0.108 0.934 0.799 0.24 0.081 0.543 0.233
11 0.169 -0.077 0.254 -0.115 0.818 0.65 0.026 -0.056 0.248 -0.164
12 0.142 -0.074 0.212 -0.11 0.801 0.653 0.01 -0.056 0.222 -0.157 Pikseli imzmeđu tri
13 0.15 -0.064 0.225 -0.096 0.806 0.66 0.028 -0.038 0.279 -0.136 površine
14 -0.045 -0.258 -0.068 -0.385 0.675 0.492 -0.124 -0.191 -0.112 -0.679
15 -0.053 -0.245 -0.079 -0.365 0.669 0.505 -0.111 -0.196 -0.081 -0.635
16 -0.047 -0.242 -0.07 -0.361 0.673 0.508 -0.116 -0.191 -0.089 -0.625 Obradivo zemljište
17 -0.047 -0.247 -0.071 -0.369 0.673 0.503 -0.13 -0.205 -0.103 -0.642
18 -0.039 -0.263 -0.058 -0.393 0.679 0.487 -0.103 -0.205 -0.053 -0.697
19 -0.05 -0.229 -0.075 -0.342 0.671 0.52 -0.124 -0.187 -0.08 -0.582 Veštačke površine
20 -0.042 -0.227 -0.064 -0.339 0.676 0.522 -0.122 -0.209 -0.1 -0.575
21 -0.043 -0.244 -0.065 -0.365 0.676 0.506 -0.126 -0.2 -0.068 -0.632
22 -0.01 -0.188 -0.016 -0.281 0.7 0.558 -0.102 -0.163 0.009 -0.455
23 -0.029 -0.191 -0.044 -0.286 0.686 0.555 -0.111 -0.174 -0.002 -0.465
24 -0.012 -0.188 -0.018 -0.28 0.699 0.559 -0.075 -0.133 0.06 -0.455
25 0.017 -0.165 0.025 -0.247 0.719 0.578 -0.048 -0.117 0.114 -0.391
26 -0.006 -0.2 -0.01 -0.299 0.703 0.548 -0.029 -0.127 -0.011 -0.492
27 -0.027 -0.193 -0.04 -0.288 0.699 0.554 -0.06 -0.14 -0.055 -0.571
28 0.056 -0.175 -0.083 -0.262 0.745 0.57 -0.011 -0.138 0.075 -0.419
34
Grafik NDVI indeksa sa vrednostima za oba snimka:
0.6
0.5
0.4
0.3
0.2
Series1
0.1
Series2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27
-0.1
-0.2
-0.3
-0.4
Grafik 1. Prikaz vrednosti NDVI indeksa za obe platforme
Grafik TNDVI indeksa sa vrednostima za obe platforme:
1.2
0.8
Series1
0.6
Series2
0.4
0.2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27
Grafik 2. Prikaz vrednosti TNDVI indeksa za obe platforme
35
Grafik upoređenih vrednosti za GNDVI indeks:

0.4
0.3
0.2
0.1
Series1
0 Series2
1 3 5 7 9 11 13 15 17 19 21 23 25 27
-0.1
-0.2
-0.3
Grafik 3. Prikaz vrednosti GNDVI indeksa za obe platforme
Grafik upoređenih vredonsti za SAVI indeks:
0.8
0.6
0.4
Series1
0.2
Series2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27
-0.2
-0.4
-0.6
Gradik 4. Prikaz vrednosti SAVI indeksa za obe platforme
36
Grafik upoređenih vrednosti za MSAVI2 indeks:
0.8
0.6
0.4
0.2
Series1
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 Series2
-0.2
-0.4
-0.6
-0.8
Grafik 5. Prikaz vrednosti MSAVI 2 indeksa za obe platforme
* plava funkcija su vrednosti indeksa za Hyperion
* crvena funkcija su vrednosti indeksa za Landsat 7 ETM+
U tabeli ispod su prikazane prosečne razlike izmedju piksela sa istim

koordinatama za izračunati određeni vegetacioni za obe platforme.
Tabela 4. Prikaz vrednosti prosečnih odstupnja indeksa kod platformi u zavisnosti od površine
Prosecne vrednosti odstupanja NDVI TNDVI GNDVI SAVI MSAVI2

Prosečna razlika za vegetaciju ∆Xveg srednje 0.271 0.142 0.13 0.412 0.312
Prosečna razlika tri površine ∆Xpov srednje 0.225 0.154 0.07 0.337 0.402
Prosečna razlika za obradivo zemljište ∆Xzem srednje 0.192 0.162 0.08 0.314 0.531
Prosečna razlika za veštačke površine ∆Xves srednje 0.19 0.149 0.09 0.25 0.502
37
Na Graficima 6. i 7. su prikazani spektralni profile za tri pikslea iz demo zone

pod različitim tipovima vegetacije. Prvi profil je drvenasti tip vegetacije odnosno
šuma, a drugi i treći profil su zeljasti tipovi vegetacije odnosno kultivisane vrste
biljaka.
Grafik 6. Spektralni profil piksela pod vegetacijom za Hyperion
Grafik7. Spektralni profil za piksele pod vegetacijom za Landsat platformu
38
4.4 Klasifikacija snimaka

Nakon statističke obrade podataka u demo zoni, urađena je klasifikacija
snimaka za obe platforme na osnovu vrednosti dobijenih za NDVI i SAVI indeks.
Zona klasifikacije obuhvata demo zonu i šire područije oko nje. U prvoj klasifikaciji
sa vrednostima dobijenim za NDVI indeks, kreirane su četiri klase: voda,
vegetacija, veštačka površina i obradivo zemljište. Klasifikacija je rađena uz pomoć
opcije Enegenier Classificator u Erdas-u. Granice promenljive su izabrane na
osnovu vrednosti dobijenih u statističkom ispitivanju demo zone, jer se
predpostavlja da vrednosti na celom područiju bi trebalo da se kreću u istom
rasponu kao i u demo zoni. Na Slici 18. je prikaz hipoteza,pravila i granica
promenljive za klasifikaciju snimka sa Landsat-a 7.
Slika 18. Inženjerska klasifikacija Landsatovog snimka sa NDVI vrednostima
Rezultat inženjerske klasifikacije je tematska karta, sa onoliko boja koliko

ima prethodno zadatih klasa. Zelena je standardizovana boja za vegetaciju, kao i
plava za vodu, dok je za obradivo zemljište izabrana braon boja i za veštačke
površine narandžasta, zbog preglednosti karte. Možemo da vidimo da su voda i
vegetacija dobro klasifikovane dok je razlika između veštačke površine i obradivog
zemljišta nedovoljno definisana. Jer se vidi da na mestim gde bi trebalo da je
zemljište (braon boja) površina je obojena narandžastom.
39
Razlog tome je zbog karakteristika sastava podloge,jer se i obrađena zemlja

u neku ruku može svrstati u “veštaćku površinu”. Na Slici 19. je prikaz rezultata.
Slika 19. Izgled klasifikovanog Landsat 7 snimka na osnovu NDVI vrednosti
Kod klasifikacije snimka sa Hyperiona koriščena je takođe inženjerska

klasifikacija sa istim klasama. Granice za promenljivu su takođe uzete iz statističke
obrade zadatka. Rezultat je veoma sličan kao sa Landsatovim snimkom sa tim što
je takodje nejasan granica između veštačke površine i obradivog zemljišta,razlog
te pojave je već objašnjen. Ali najbitnija stvar u svemu ovome je da su prepoznata
područija pod vegetacijom. Na Slici 20. je rezultujuća karta za Hyperion platformu.
40
Slika 20. Prikaz karte za Hyperion platformu nakon izvršene klasifikacije
Slika 21. Izgled klasa za snimak sa Hyperiona
41
Klasifikacija koja je vršena sa vrednostima SAVI indeksa za obe platforme je

rađena samo sa dve klase, vegetacija i ostalo. Pošto indeks određuje procenat
vegetacije, odnosno sto je vrednost veća vegetacije ima više i obratno. Tako da za
obe platforme treba izabrati prelomnu vrednost promenljive. Izabrana je
najmanja vrednost indeksa koja je dobijena u demo zoni za neke piksle koji au
predstavljali površinu pod vegetacijom. Kod Landsata to je 0.17, a kod Hyperiona
je ta vrednost dosta veća i iznosi 0.5. Na slikama 22. i 23. su prikazani rezultati
klasifikacija.
Slika 22. Rezultat klasifikacije za Landsat 7
42
Slika 23. Rezultat klasifikacije za Hyperion
Rezultati dobijeni nakon klasifikacije izvršene nad rezultatima dobijenim za

SAVI vrednosti indeksa su dosta dobri za obe platforme. Nakon preklapanja
dobijenih karti sa originalnim snimcima na kojima je kroz crveni bend propušten
infracrveni, jer se tako ističu područija pod vegetacijom, dobija se dosta veliko
preklapanje.
43
5. Zaključak
Prvo što možemo da zapazimo na svim ovim graficima jeste da se ove
funkcije ponašaju veoma slično, tj. da liče jedna na drugu. Takođe primećujemo
da su vrednosti indeksa za hiperspektralnu platform, za sve tipove površina, veći u
odnosu na indekse koji su nastali na osnovu snimaka sa multispektralne
platforme. Ovakva razlika u vrednostima nastaje zbog dva faktora. Prvi se tiče
razlike u konstrukciji hiper. i multispektralnih senzora. Kod hiperspektrlanih
senzora se detektori koji prikupljaju reflektovano zračenje duže zadržavaju iznad
svake pojedinačne tačke,zato što se podaci prikupljaju u mnogo većem broju
opsega, nego detektori kod multispektralnih platformi. Drugi faktor je to što se
podaci kod hiper. platformi snimaju u 16-bitnom formatu, a dok se kod multispek.
uglavnom koristi 8-bitni format. Ovi faktori su uticali na linearnu zavistnost
funkcija pri izračunavnaju vrednosti za svih pet računatih indeksa.
Kod NDVI indeksa možemo da vidimo da se vrednosti, za područije sa

vegetacijom, kreću od 0.33 do 0.52 za Hyperion i od 0.06 do 0.27. Mora se uzeti u
obzir da su snimci nastali 22 marta, što znači da su biljke bile na samom početku
vegetacionog perioda, odnosno formiranja lista kod drvenastog i žbunastog tipa
vegetacije, i formiranja tela i lista kod ostalih tipova vegetacije. Zbog ove činjenice
vrednosti NDVI indeksa za Landsat 7 platformu se ne kreću u standardnim
granicama, koje kažu da se vegetacija kreće od 0.2 do 0.8. Vrednosti dobijene sa
Hyperiona ulaze u ovu granicu, što pokazuje da su hiperspektrlni snimci bolja
podloga za računanje NDVI kad je vegetacija u predvegetativnom periodu ili na
samom njegovom početku. U laboratotijskim ispitivanjima je utvrđeno da se
vrednosti od -0.1 do 0.1 vezuju za veštačke površine (asfalt ili beton). Rezultati
dobijeni za Hyperion se uklapaju u te vrednosti dok za Landsat se donja granica
spusta na -0.25. Sve vrednosti ispod ove granice bi trebalo da odgovaraju vodenim
površinama. Obradivo zemljište koje se u neku ruku može posmatrati kao
veštačka površina daje rezultate u istim granicama kao za pomenute površine.
44
Što se tiče SAVI indeksa, njegove vrednosti su veće ako je procenat

vegetacije u tom pikeslu veći i obratno. Vrednosti piksela pod vegetacijom
dobijene za Hyp. se kreću od 0.5 do 0.8, a za Landsat se kreću od 0.1 do 0.4.
Vrednosti za veštačke površine kao i za obradivo zemljište su negativne za obe
platforme, što znači da je procenat vegetacije veoma mali ili je uopšte nema. Veće
vrednosti dobijene za Hyperion su posledica već navedene razlike u konstrukciji.
Što se tiče MSAVI2 indeksa kod piksela pod vegetacijom,koji je tu radi povećanja
dinamičkog opsega rezultata, može se videti da ta činjenica više ide u korist
multispektralnoj platformi, jer su vrednosti za Hyperion, za iste piksele, nešto
manje dok su za Landsat veće, pa je donja granica pomerena sa 0.1 na 0.2. Ako
pogledamo vrednosti za veštačke površine i obradivo zemljište vrednosti su
negativne i ukazuju na nedostatak vegetacije. Rezultati za multispektralnu
platformu su “više negativni” nego za Hyperion, što ukazuje da uz pomoć MSAVI-
ja, sa multispektralnim snimkom kao podlogom, se mnogo jasnije ukazuje na
manjak ili nedostatak vegetacije.
Što se tiče TNDVI indeksa, on ima veze sa procentom biomase u pikselu.

Veća vrednost znači veći procenat, a on je uvek pozitivan. Vrednosti dobijene za
piksele pod vegetacijom za Landsat platformu se kreću od 0.77 do 0.9, dok se za
Hyperion kreću od 0.88 do 1. Vrednosti piksela pod veštačkom površinom i
obradivim zemljištem se kreću od 0.45 do 0.6 pa je teško odrediti šta je asfalt a
šta zemlja, dok kod Hyperiona je ta razlika uočljiva. Vrednosti za obradivo
zemljište se kreću od 0.6 do 0.7, a za veštačku površinu od 0.7 do 0.78.
Vrednosti za GNDVI za vegetaciju su nešto manje nego kod NDVI

indeksa,razlog tome je, kao što je već rečeno, to što GNDVI je osetljiv na male
količine hlorofila u listovima i zeljastim delovima biljke. Indeks je proporcionalno
manji za obe platforme pa se vrednosti za Landsta krecu od 0.1 do 0.2, a za
Hyperion od 0.2 do 0.3. Ostale površine samim tim što nisu pod vegetacijom
znači da ne sadrže hlorofil, pa su njihove vrednosti negativne i kreću se od -0.1 do
0 za Hyperion i od -0.2 do -0.1 za Landsat 7.
45
Važna činjenica je to da se do sada definisane granice, koje su ustanovljene

za multispektralne platforme, koje određuju površine pod vegetacijom moraju
predefinisati kada koristimo hiperspektralne snimke. Za svih pet indeksa, koji su
računati u ovom zadatku, vrednosti su bile veće za snimke sa Hyperiona. Ovo je
možda i najbitnije za NDVI indeks gde je donja granica za vegetaciju kod
Landsatovih snimaka 0.1,što odstupa od standardnih vrednosti donje granice koja
iznosi 0.2-0.3, a kod Hyperiona je ona 0.39.U tekstu je ranije pomenuto da
vrednosti NDVI-ja mogu da budu nestabilne i da variraju u zavisnosti od boje tla i
prisustva vlažnosti,što je verovatno slučaj sa ovim podacima sa Landsat-a. Takođe
je utvrđeno da je izvršena bolja detekcija vegetacije sa malim količinama hlorofila
kod računanja vrednosti GNDVI indeksa za hiperspektralne snimke. Što se tiče
vrednosti za preostala tri indeksa, možemo da zaključimo samo da su veće one za
Hyperion ali da to ne utiče bitnije na dobijene rezultate. Možemo da zaključimo
da hiperspektralne snimke možemo da koristimo kao podlogu za računanje
vegetacionih indeksa i da u nekim situacijama ponašaju bolje i daju bolje rezultate
nego podaci sa Landsat-a.
46
6. Literatura
1. Thematic Information Extraction: Chapter 11 “Hyperspectral Image Analysis”
2. Analysis of change in vegetation biomass using multisensor satellite data

(A.Aakartal and F.S.Erbek)
3. A Modified Soil Adjusted Vegetation Index ( J. Qi, A.Chebouni, A.R. Huete,

H.Kerr)
4. Soil Background Impact Analysis on Clorophyll Indeces Using Field,Airborn and

Satellite Data. (A. Bannari and K. Staenz)
5. A Soil Adjusted Vegetation Index (SAVI) A.R. Huete
6. Eo1.usgs.gov & eo1.gsfc.usgs.gov
7. EO-1 User Guide v. 2.3 Universety of Cincinnaty
8. Examples of EO-1 Hyperion Data Analysis ( Michael K. Griffin, Su May Hsu,

Hsiao-hua K. Burke, Seth M. Orloff, and Carolyn A. Upham)
9. EO-1/Hyperion hyperspectral imager design, development,characterization,

and calibration (Mark Folkman, Jay Pearlman, Lushalan Liao, and Peter Jarecke)
10. jan.ucc.nau.edu/~geog-p/geog/RemoteSensing/
11. http://kpv.rs/wp-content
12. www.e-education.psu.edu/drupal6/files/geog480/Jensen
13. http://ccd.uns.ac.rs/aus/gis2/git_doc/Klasifikacija
14. landsat.gsfc.nasa.gov
15. geo.arc.nasa.gov
47

ErdasImagine-zavrsni Rad

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ErdasImagine-zavrsni Rad

Uploaded by

Copyright:

Available Formats

UNIVERZITET U NOVOM SADU

FAKULTET TEHNIČKIH NAUKA U

Hiperspektralni snimci i vegetacioni indeksi

Novi Sad, 2013.

KLJUČNA DOKUMENTACIJSKA INFORMACIJA

Redni broj, RBR:

Jezik publikacije, ЈP: Srpski

Važna napomena, VN:

Izvod, IZ: Upoređevianje vrednosti pet vegetacionih indeksa za hiperspektralnu i

Datum prihvatanja teme, DP:

Član: Potpis mentora

Obrazac Q2.НА.04-05 - Izdanjе 1

KEY WORDS DOCUMENTATION

Accession number, ANO:

Language of text, LT: Serbian

Abstract, AB: Calculating values of five different vegetation indeces based on

Accepted by the Scientific Board on, ASB:

ZADATAK ZA IZRADU ZAVRŠNOG Datum:

Vrsta studija: а) Osnovne akademske studije

Student: Uroš Radovanović Broj indeksa: 238

Mentor: prof. Dr Miro Govedarica

NA OSNOVU PODNETE PRIJAVE, PRILOŽENE DOKUMENTACIJE I ODREDBI STATUTA FAKULTETA

NASLOV ZAVRŠNOG (BACHELOR) RADA:

Kandidat ima zadatak da uradi analizu hiperspektralnih satelitskih snimaka i uporedi

Rukovodilac studijskog programa: Mentor rada:

Osnovna podela senzora je prema načinu registrovane energije:

• Aktivni senzori emituju energiju ka objektu od interesa i registruju onaj deo

Senzori se takođe dele i prema broju i širini spektralnih opsega:

Temporalna rezolucija se odnosi na to koliko često senzor prikuplja snimak

2.3 Elektromagnetni spektar

• osobine objekta da reflektuje elektromagnetno zračenje,

• položaja Sunca u trenutku snimanja (azimut i visina),

Svako telo, koje se nalazi na Zemljinoj površini, usled Sunčevog zračenja

Slika 2.[11]Prostiranje el.mag. polja u prostoru

Opšti zakon talasnog kretanja glasi: C =   f gde je  talasna dužina, f

• Zraci iz područja γ i χ zračenja imaju malu prodornost kroz atmosferu, pa su

• Ultraljubičasto zračenje (UV), čini 10% od ukupne svetlosne energije koja

• Infracrveno područje, označeno kao IC područje (IR),obuhvata vrlo širok

▪ blisko infracrveno zračenje, sa talasnim dužinama između 0.7 μm do 1.5

Infracrveno zračenje se u daljinskoj detekciji dosta upotrebljava,zato

• Mikrotalasno zračenja obuhvata deo spektra sa veoma velikim vrednostima

2.4 Platforme za daljinsku detekciju

Nasuprot multispektralnim platformama, hiperspektralne vrše akviziciju

Način prikupljanje podataka, spektrometrijom, je diefinisan kao simultana

Skika 3.[12] Različite konstrukcije platformi

Prikupljanje spektralne refleksije ili emisije elektromagnetnog zračenja sa

Hiperspektralni podaci koji su korišćeni za analizu su snimljeni uz pomoć

Slika 4.[8] Hyperion na EO-1

Tabela 1.[8] Karakteristike instrumenata na EO-1

Kao što možemo da vidimo iz Tabele 1. Hyperion je hiperspektralna

Slika 5.[7] Morning constellation

2.4.2 Landsat 7 ETM+

Druga platforma koja se koristi u zadatku je Landsat 7 ETM+ (Earth

Širina trake snimanja je 185km, a temporalan rezolucija je 16 dana ili 232

Band Number Spectral Range(μm) Ground Resolution(m)

Slika 6.[14] Šematski prikaz Landsat 7 ETM+

2.5 Primena daljinske detekcije

Primena daljinske detekcije je obrada i analiza snimka određenog područija

Daljinskom detekcijom se mogu proučavati opasna i teško dostupna

Ova disciplina je veoma brzo našla primenu u većini naučnih istraživanja

Na Slici 7. vidimo koje sve naučne oblast i discipline koriste podatke

Slika 7.[14] Oblasti primene daljinske detekcije

Na osnovu fundamentalne razlike u metodama koje se koriste,glavna