ECTS - University of Pisa
L’insegnamento si propone di illustrare le caratteristiche di sistemi per il telerilevamento basati su moderni sensori elettro-ottici. Lo studente sarà in grado di maturare la capacità di implementare e applicare metodi per l’analisi automatica dei dati telerilevati in riferimento ad alcune tipiche applicazioni.
The student who successfully completes the course will have the ability to understand the basic principles behind the complex world of remote sensing. He or she will be able to demonstrate a solid knowledge of remote sensing systems based on electro-optical sensors and of the methods used to process multispectral and hyperspectral images. He or she will be aware of the main signal processing aspects related to the remote sensing chain especially focusing on automatic techniques for object/material detection and extraction of thematic maps.
La verifica delle conoscenze è resa possibile mediante esercizi e attività di laboratorio.
During the laboratory practical demonstration, the student is asked to demonstrate his/her ability to write and run a MATLAB code that solves a practical remote sensing exercise (classification or detection). During the oral exam, the student will be assessed on his/her ability in discussing the main course contents with competence, critical awareness and propriety of expression.
Methods:
Further information:
The final test is composed of a final laboratory practical demonstration followed by an oral exam. In general, each part contributes 50% to the definition of the final grade.
Il corso intende fornire agli studenti la capacità di implementare in modo efficiente procedure di elaborazione di dati telerilevati, avvalendosi anche di software specialistici, quale ad esempio MODTRAN per la simulazione dei meccanismi di trasferimento radiativo in atmosfera. Per quanto riguarda lo sviluppo software, la stesura di script dedicati avviene in ambiente MATLAB.
Lo studente sarà in grado di sperimentare le diverse fasi della complessa catena di processing che porta dal dato acquisito al "prodotto" tematico. Nel dettaglio, lo studente acquisirà capacità di individuare, selezionare ed ottenere i dataset necessari, e di eseguire operazioni di trattamento del dato attrraverso software open quale ESA SNAP.
La verifica delle capacità è ottenuta tramite progetti da realizzare utilizzando i servizi ed i software illustrati durante il corso, impiegando l'ambiente di sviluppo MATLAB per la stesura di software specifici. Lo studente ha quindi così l'opportunità di applicare le nozioni apprese per l'analisi e l'elaborazione di immagini telerilevate multispettrali e iperspettrali.
Lo studente potrà acquisire e sviluppare la sensibilità alla gestione di un progetto seguendolo dalla fase di concepimento della soluzione fino alla fase di realizzazione e verifica su dati sperimentali.
Lo studente potrà valutare la sua capacità di portare avanti in autonomia la gestione di un progetto durante le attività di laboratorio
Si ritengono propedeutici gli insegnamenti di analisi matematica, algebra, teoria dei segnali e DSP. La conoscenza ed un proficuo utilizzo dell'ambiente MATLAB sono inoltre funzionali al compimento dele attività previste.
Non sono previsti corequisiti
Non costituisce prerequisito per corsi successivi
Le lezioni sono tenute mediante lucidi che coprono l’intero contenuto del corso. L’attività di laboratorio è documentata mediante il testo dei progetti da risolvere e la disponibilità di una traccia di soluzione in termini di codice MATLAB. Le esercitazioni sono anch’esse presentate tramite lucidi e rese disponibili insieme alle lezioni.
Delivery: face to face
Learning activities:
Attendance: Advised
Teaching methods:
INTRODUZIONE: Classificazione dei sistemi di telerilevamento. Sistemi di telerilevamento attivi e passivi: sistemi a microonde ed elettro-ottici. Principali applicazioni.
RICHIAMI DI RADIOMETRIA: Cenno alle principali grandezze radiometriche: Energia radiante, flusso radiante, irradianza e radianza. Flusso di fotoni. Radiatori ideali: la teoria del corpo nero: legge di Planck, legge di Stefan-Boltzmann e di Wien. Radiatori ideali: il corpo grigio, l’emissività. Proprietà ottiche della materia: riflettanza, emittanza e trasmittanza, legge di Kirchhoff. Propagazione dell’energia e.m. in un mezzo: legge di Lambert-Bouguer, estinzione, diffusione ed assorbimento. Il sole come sorgente di radiazione e.m. Esercitazione: introduzione a MATLAB. Esempi di calcolo radiometrico.
MODELLI PER LA RADIAZIONE E.M. RICEVUTA DAL SENSORE: principali finestre spettrali utilizzate per il telerilevamento. La firma spettrale. Modello per la radiazione al sensore per le bande VIS, NIR, SWIR e TIR. Codice MODTRAN per la simulazione della radiazione al sensore. ELABORAZIONE DEI DATI: Tecniche per la visualizzazione delle immagini multispettrali: RGB, CIR, a falsi colori. Analisi statistica dei dati. Vettori di v.a.: il modello gaussiano. Analisi preliminare dei dati mediante lo scatterogramma. Studio ed implementazione su calcolatore degli algoritmi di cui sopra.
CLASSIFICAZIONE: Schema di principio di un sistema di classificazione. Estrazione delle caratteristiche (feature extraction): selezione di bande ed analisi delle componenti principali (PCA). Il fenomeno di Hughes nei dati iperspettrali. Classificazione senza supervisione (clustering): l’algoritmo k-means. Classificazione con supervisione: criteri MAP, MV ed a minima distanza. Creazione di mappe tematiche a partire da dati telerilevati Thematic Mapper (TM) ed AVIRIS.
RIVELAZIONE IN DATI TELERILEVATI: Il problema della rivelazione in dati multidimensionali. Il caso dei dati iperspettrali: rivelazione di anomalie e rivelazione di oggetti aventi una firma spettrale nota. Il caso di sequenze di immagini: rivelazione di bersagli in movimento.
Generalities on remote sensing systems: the remote sensing chain leading from the radiance to the final products. Principles of radiometry. Models for at sensor radiance in the region of the e.m. spectrum spanning from Visible to InfraRed. The MODTRAN code. Preliminary analysis of multispectral and hyperspectral data. Supervised and unsupervised classification and application to satellite and airborne multispectral and hyperspectral images. Material detection in hyperspectral images: searching for "anomalies" or for materials characterised by a given spectrum.
R. Schott, Remote Sensing: the image processing chain, II Ed., Oxford University Press, 2007.
A. Schowengerdt, Remote Sensing: models and methods for image processing, II Ed., Academic Press, 1997.
A. Richards, X. Jia, Remote Sensing Digital Image analysis: An introduction, III Edition, Springer, 1999.
Driggers, R. G., Cox, P., & Edwards, T. (1999). Introduction to Infrared and Electro-Optical Systems. Artech House. Inc., Norwood, MA(USA).
Recommended reading includes the following works; further bibliography will be indicated. [1] J. R. Schott, "Remote Sensing : The Image Chain Approach", Oxford Press, 2007. [2] R. A. Schowengerdt, "Remote Sensing: models and methods for image processing, II Ed.", Academic Press, 1997. [3] J. A. Richards, X. Jia, "Remote Sensing Digital Image analysis: An introduction, III Edition", Springer, 1999.
Lo studente non frequentante può seguire la struttura delle lezioni consultando il registro reso disponibile online dal docente e richiedendo i lucidi presentati. Lo stesso discorso vale per le esercitazioni e le attività di laboratorio.
Prova pratica seguita da una prova orale. La prova pratica ha lo scopo di verificare le capacità acquisite dallo studente nell’attività di laboratorio.
Non previsti
