Vid de tre årens ygfotograferingar användes 60 % övertäckning i ygstråkens riktning och i sidled. Flyghöjden var 1500 m (baslängd 900 m [14]) år 2002 och 2300 m (baslängd 1380 m [14]) år 2005. År 2002 genomfördes blocktriangulering i programvaran Bingo, år 2005 i Match-AT. Flygbilderna är ortogonalrekti erade med avseende på markytan, och ortofotona är således inte s.k. sanna ortofoton. Man har alltså inte rekti erat hus vid or-togonalrekti eringen och byggnader lutar därför radiellt utåt i bilderna, beroende på hur långt de är från bildcentrum. Det kan också nnas brister i markmodellens höjdvärden, vilket kan bidra till att en del husfasader är mer synliga än andra.
Flygfotograferingen för de olika årens ortofoton ägde inte rum vid samma tidpunkt på året. Bilderna från år 2002 togs i mitten av april och bilderna från år 2005 togs i de två första veckorna av juni månad. Detta märks tydligt i bilderna, som skiljer sig mycket åt vad gäller utbredning av växtlighet och skuggor. I bilderna som användes i detta examensarbete är skuggorna också olika många och har olika riktning, vilket kan vara en följd av att bilderna togs vid olika tider på dagen. Ljusförhållandena är inte heller desamma vad gäller ljusstyrka; 2002 års bild är inte lika solbelyst som den från år 2005.
4 Marknadsöversikt
Med marknadsöversikt menas här en översiktlig orientering bland några av dagens ex-isterande verktyg för förändringsanalys. Programvaror som studeras här är Geomatica från PCI Geomatics, Idrisi från Clark Labs och SOCET SET från BAE Systems. Dessa testades med data som är aktuella för examensarbetet, alltså ortofoton över Stockholm. För att det skulle bli så lätt som möjligt att jämföra de olika resultaten användes samma bildpar i stort sett genom hela studien. Det använda bildparet motsvarar kartblad 103 i kartbladsindelningen och innehåller blandad bebyggelse med till störst del villaområden, men också med erbostadshus på upp till ca 7 våningar. Bilderna innehåller skog och vägar i olika storlekar, och det som ansågs vara mest betydelsefullt vid valet av bilderna var att de innehöll era förändringar i form av nytillkommen och borttagen bebyggelse. I bilaga C visas de aktuella bilderna.
4.1 Geomatica
Geomatica är en programvara som erbjuder avancerade funktioner för fjärranalys, foto-grammetri och GIS. I detta examensarbete användes Geomatica 10 samt gratisversionen Geomatica 9 FreeView. Gratisversionen är kraftigt begränsad vad gäller förändringsa-nalys m.m. och innehåller främst funktioner för att visa fjärraförändringsa-nalysdata i olika format, medan Geomatica 10 bl.a. innehåller två analytiska metoder för förändringsanalys. 4.1.1 Visuell förändringsanalys
Som nämnts ovan är det vid visuell förändringsanalys en fördel om bilderna som ska analyseras kan placeras bredvid varandra, samt att de är orienterade i förhållande till varandra så att en operation i ett visst område i den tidigare bilden även kan utföras i samma område i den senare bilden. Det sistnämnda är aktuellt i Geomatica, men blir mindre användbart, eftersom det inte är möjligt att placera bilderna bredvid varandra, utan bara ovanpå varandra. Därför är det av ytterligare vikt att visuell förändrings-analys i Geomatica genomförs om bara mindre utvalda områden ska förändrings-analyseras, t.ex. bygglovsområden annars blir informationsmängden för stor för operatören.
4.1.2 Write Function Memory Insertion
Liksom i exemplet med Aralsjön (se gur 8) testades metoden WFMI även med ortofoton. Band 1 från 2002 års bild placerades i rött bildplan och band 2 och 3 från 2005 års bild placerades i grönt och blått bildplan. I den resulterande bilden är förändrade områden markerade med ljusa röda och blåa färger (se gur 9). Färgerna är dock för svaga i förhållande till den varierande bakgrunden för att resultatet ska bli lättöverskådligt, och skillnader mellan skuggornas utbredning leder också till ett försämrat resultat.
Figur 9: Förändringsanalys genom WFMI. Bilden till vänster och bilden i mitten visar ett utsnitt ur 2002 resp. 2005 års bilder för kartblad 106. Höger bild visar förändringar i rött/rosa och ljusblått/cyan. Analysen genomfördes i Geomatica FreeView v9.1.
4.1.3 GCD
GCD (Global Change Detection) är en av de bildalgebraiska analysmetoderna i Geoma-tica 10. Metoden genomför förändringsanalys i ett band åt gången genom att beräkna dierensen mellan två datum.
Den första analysen med GCD gjordes direkt i rött band utan någon förbearbetning av bilderna, förutom den tidigare nämnda omsamplingen till 1 meters upplösning. Resul-tatet visade förändringar på många platser i området. Skuggor, deplacerade byggnader och skillnader i växtlighet var de främsta anledningarna till dessa indikationer. Resul-tatet (se gur 10) innehöll så många förändringar att det var svårt att överskåda och identi eringen av de olika förändringarna var svår och tidskrävande. Slutsatsen av denna första körning av GCD är således att man vid analysen skulle behöva bortse från en del frekvent förekommande förändringar för att istället kunna fånga upp de viktigaste förändringarna. Hur detta ska vara möjligt diskuteras i stycke 4.1.5 nedan.
4.1.4 CHDET
CHDET (CHange DETection) är den andra av de två bildalgebraiska funktionerna för förändringsanalys i Geomatica 10. Metoden är utvecklad för att användas med radarbil-der och genomför förändringsanalys i ett spektralt band åt gången genom att beräkna förhållandet mellan två datum och presentera resultatet på en logaritmisk skala (en-het dB). CHDET har möjlig(en-het att ta emot positiva och negativa tröskelvärden som indata och sedan markera de förändringar som är större och mindre än dessa värden med hjälp av ett nytt bitmap-lager. I detta lager kan väljas att visa endast de pixlar som har er än ett visst antal grannpixlar. CHDET tillhandahåller också en funktion
Figur 10: De tre bilderna visar varsitt resultat efter förändringsanalys med GCD, CHDET utan tröskelvärden resp. CHDET med tröskelvärden i Geomatica 10. Röda och blåa markeringar visas i grupper om minst 5 pixlar (vilket motsvarar 5 m2) där förändringar överstiger angivna tröskelvärden i positiv resp. negativ riktning (här 6 dB och −6 dB). Se gur 12 för originalbilder av samma område.
för att ltrera bort brus i den resulterande förändringsbilden. Detta brus är av den typ som ofta förekommer i bilder registrerade med SAR, Synthetic Aperture Radar ( yg- och satellitburen dopplerradar för insamling av högupplösta fjärranalysdata [15]).
Förutom omsamplingen till lägre upplösning genomfördes den första analysen med CH-DET, liksom i fallet med GCD, utan någon förbearbetning av bilderna. Analysen gav ett liknande resultat som GCD (se gur 10). Den huvudsakliga skillnaden mellan metoder-na är att CHDET kan peka ut de största förändringarmetoder-na i resultatbilden med en tydlig färg. De största förändringarna är de som överstiger tröskelvärdena i negativ och positiv riktning. Detta underlättade identi eringen av en del viktiga förändringar, men många viktiga förändringar var ändå lätta att missa.
4.1.5 GCD och CHDET efter klassi cering
Efter de inledande testen av förändringsanalysfunktionerna i Geomatica 10 är det tydligt att bildernas stora olikheter ställer till problem. Alla skillnader i bl.a. växtlighet och skugga ger upphov till indikationer på stora förändringar i resultatet, och eftersom dessa förändringar i detta sammanhang anses vara oviktiga förändringar (i fortsättningen även kallat brus) bör dessa undvikas i så stor utsträckning som möjligt. För att åstadkomma detta nns möjligheten att utelämna bruspixlar från analysen genom att med hjälp av en s.k. binär mask ltrera bort dessa områden i båda bilderna. Denna binära mask kan skapas genom att båda bilderna först klassi ceras i två klasser; en med värdet 1 för de pixlar som ska nnas kvar, och en med värdet 0 för de pixlar som ska tas bort. De två maskerna multipliceras sedan med varandra, och resultatet är en binär mask som sedan kan multipliceras med båda bildernas olika band för att få bort oönskade pixelvärden, d.v.s. genom att tilldela dessa gråvärdet 0 i samtliga band. I Geomatica 10 nns möjligheten att utföra dessa beräkningar med en rasterkalkylator.
Eftersom skuggor gav upphov till många stora förändringar vid analys av bildpar 103 med WFMI, GCD och CHDET ovan, så skapades en binär mask som applicerades på de båda bildernas röda band för att radera skuggor i dessa. Klassi ceringen gjordes med
Figur 11:Förändringsanalys genom metoderna GCD och CHDET efter klassi cering i Geoma-tica 10. Se gur 10 för närmare gurbeskrivning.
oövervakad K-means-metod som ck nna 40 klasser, vilka senare aggregerades till två klasser. De tre analysmetoderna testades sedan igen, och de erhållna resultaten var nu mer lättöverskådliga än förut (se gur 11 för resultat med GCD och CHDET).