Förändringsanalys i ortofoton

Förändringsanalys i ortofoton

Staan Bengtsson

Examensarbete i Geoinformatik

TRITA-GIT EX 07-002

Skolan för Arkitektur och Samhällsbyggnad

Kungl Tekniska Högskolan (KTH)

100 44 Stockholm

Maj 2007

ga Tekniska Högskolan, som en del av lantmäteriprogrammet med inriktning tekniskt lantmäteri. Examensarbetet har titeln Förändringsanalys i ortofoton och är gjort för Stockholms stadsbyggnadskontor, där handledare är tekn.dr Patric Jansson. Handledare på KTH är universitetsadjunkt Jonas Nelson, examinator är prof. Yifang Ban.

möjligheterna att utföra förändringsanalys i ortofoton över Stockholms stad för att upp-täcka nybyggda hus och vägar. Stockholms stadsbyggnadskontor eftersöker en sådan möjlighet för att man på ett eektivt sätt ska kunna uppdatera sina databaser med geo-graskt lägesbundna data, eftersom många färdigställda nybyggnationer med bygglov inte färdigrapporteras till kommunen så att avslutande inmätning kan utföras.

Använda data var ortofoton över Stockholms stad från år 2002 och 2005, omsamplade till 1 meters upplösning. Förändringsanalys i dessa data testades med olika bentliga metoder i programvarorna Geomatica, Idrisi och SOCET SET, men resultat och använ-darvänlighet ansågs inte leva upp till Stadsbyggnadskontorets behov, varför utveckling av en ny och anpassad applikation avsedd endast för förändringsanalys blev examensar-betets nya fokus.

Programmet utvecklades i Java och förutom den huvudsakliga förändringsberäkningen, som likt i de testade programvarorna genomförs bildalgebraiskt, ck den nya applika-tionen bl.a. funktioner för att kalibrera bilder med varandra och reducera brus och oin-tressanta förändringar i förändringsbilden på manuell och automatisk väg. Till skillnad från de testade programvarorna genomförs dessutom förändringsberäkningen i den nya applikationen direkt i bildernas samtliga band, vilket resulterar i en färgkomposit istället för en gråskalig bild.

Det faktum att ortofotona inte är s.k. sanna ortofoton gör förändringsanalys i dessa problematisk. Den radiella höjddeplaceringen gör att byggnader lutar åt olika håll i de olika ortofotona, vilket ger upphov till många oönskade förändringar. Dessutom är de använda ortofotona mycket olika med avseende på skillnader i skuggor och växtlighet, och problemet med skillnader i skuggor och lutande hus försvåras med byggnadshöjd. Det är därför rekommenderat att förändringsanalys i de aktuella ortofotona inte utförs i höghusområden, utan hellre i låghusområden  där ger förändringsanalys ofta ett gott resultat, särskilt med hjälp av den anpassade applikationen.

the possibilities to perform change detection in orthophotos of the city of Stockholm in order to discover new buildings and roads. The Stockholm City Planning Administration is seeking a possibility to do so in order to eciently update the map database, since approved construction work often is nished without being reported to the municipality for nal registration in the database.

Orthophotos of Stockholm from the years 2002 and 2005, resampled to 1 meter reso-lution, were used as data for the project. Dierent existing change detection methods in the softwares Geomatica, Idrisi and SOCET SET were tested on the data, but the results and ease of use were not considered to meet the needs of the City Planning Admi-nistration, hence the development of a new and adapted application for change detection became the focus of interest of the thesis.

The application was developed in Java and except for the image dierencing opera-tion, which is carried out as in the tested softwares, the new application was also given functions e.g. for calibrating images and automatically and manually reducing noise and uninteresting changes in the dierence image. Unlike the tested softwares, the new app-lication performs image dierencing in all bands of the images, which generates a color composite dierence image, instead of a grayscale image.

The fact that the orthophotos are not true orthophotos complicates the change detection process. The radial displacement makes buildings lean in dierent directions in the die-rent orthophotos, which generates many unwanted changes. The orthophotos also dier because of shadow and vegetation variations, and the problem with shadow variations grows with building heights, which states that in these orthophotos it is not recom-mended to perform change detection in areas with tall buildings. Change detection is preferably performed in areas with low buildings  in those areas change detection often generates an acceptable result, especially with the aid from the adapted application.

1 Inledning 1 1.1 Bakgrund . . . 1 1.2 Problemformulering . . . 1 1.3 Syftesformulering . . . 1 1.4 Målformulering . . . 2 1.5 Lösningsmetoder . . . 2 2 Teori 3 2.1 Steg vid förändringsanalys . . . 5

2.1.1 Område . . . 5

2.1.2 Tidsperiod . . . 6

2.1.3 Klassicering . . . 6

2.1.4 Typ av förändringsanalys  hård eller fuzzy . . . 6

2.1.5 Per-pixel eller objektorienterad förändringsanalys . . . 6

2.1.6 Fjärranalyssystem . . . 7

2.1.7 Miljövariabler . . . 8

2.2 Algoritmer . . . 10

2.2.1 Bildalgebra . . . 10

2.2.2 Förändringsanalys genom jämförelse efter klassicering . . . 12

2.2.3 Förändringsanalys med binär mask på datum 2 . . . 13

2.2.4 Förändringsanalys med utomstående data . . . 14

2.2.5 Spektral förändringsvektoranalys . . . 14

2.2.6 Korskorrelation . . . 15

2.2.7 Visuell förändringsanalys . . . 16

2.2.8 Write Function Memory Insertion . . . 16

2.3 Atmosfärskorrektion . . . 17

3 Data 19 3.1 Ortofoto . . . 19

3.2 Flygfotografering och ortogonalrektiering . . . 19

4 Marknadsöversikt 20 4.1 Geomatica . . . 20

4.1.1 Visuell förändringsanalys . . . 20

4.1.2 Write Function Memory Insertion . . . 20

4.1.3 GCD . . . 21

4.1.4 CHDET . . . 21

4.1.5 GCD och CHDET efter klassicering . . . 22

4.2 Idrisi . . . 23

4.2.1 Visuell förändringsanalys . . . 23

4.2.2 Write Function Memory Insertion . . . 23

4.3 SOCET SET . . . 26

4.3.1 Visuell förändringsanalys . . . 26

4.3.2 Change Detection . . . 27

4.4 Slutsatser och diskussion . . . 27

4.4.1 Geomatica . . . 27 4.4.2 Idrisi . . . 28 4.4.3 SOCET SET . . . 28 5 Applikationsutveckling 29 5.1 Programmets metod . . . 29 5.1.1 Val av bildpar . . . 29 5.1.2 Kalibrering . . . 29 5.1.3 Förändringsberäkning . . . 30 5.1.4 Brusreducering . . . 31 5.1.5 Visuell identiering . . . 32 5.1.6 Automatisk identiering . . . 32 5.1.7 Manuell kontroll . . . 33 5.2 Ytterligare funktioner . . . 33

5.3 Val av bildalgebraisk operation . . . 34

5.4 Resultat . . . 35

5.5 Slutsatser och diskussion . . . 35

6 Slutsatser och diskussion 37 7 Rekommendationer och framtida arbete 39 8 Litteraturförteckning 40 A Användarhandledning 42 A.1 Installation . . . 42

A.2 Rekommenderad arbetsgång . . . 42

A.3 Ytterligare funktioner . . . 43

A.4 Funktionssammanställning . . . 44

B Objektmodell 45

1 Sektorkoder vid förändringsvektoranalys . . . 15

2 Klassiceringsschema för metoden Standardized class image i Idrisi . . . . 25

3 Medelvärde och standardavvikelse efter brusreducering med CDetector . . 31

4 Medelvärde och standardavvikelse per operation och band . . . 34

5 Resultat efter förändringsanalys med CDetector . . . 35

Figurer

2 Tillämpning av bildalgebraisk förändringsanalys . . . 11

3 Exempel på histogram för en förändringsbild . . . 12

4 Princip för förändringsanalys efter klassicering . . . 12

5 Exempel på förändringsmatris . . . 13

6 Förändringsriktningar med sektorkoder vid förändringsvektoranalys . . . . 15

7 Principen för förändringsanalys genom WFMI . . . 16

8 Exempel på förändringsanalys genom WFMI . . . 17

9 Förändringsanalys genom WFMI i Geomatica FreeView . . . 21

10 Förändringsanalys genom metoderna GCD och CHDET i Geomatica . . . 22

11 Förändringsanalys genom metoderna GCD och CHDET efter klassicering 23 12 Förändringsanalys genom metoden Dierence image i Idrisi . . . 24

13 Förändringsanalys genom metoden Standardized class image i Idrisi . . . . 25

14 Exempel på kalibrering med CDetector . . . 30

15 Exempel på nybyggnation i skuggat område . . . 31

16 Exempel på brusreducering med CDetector . . . 32

17 Exempel på visning av automatiskt identierade förändringar i CDetector 33 18 Exempel på lutande hus . . . 37

19 Ortofoto år 2002 . . . 47

20 Ortofoto år 2005 . . . 48

1 Inledning

1.1 Bakgrund

Som ett led i bygglovsprocessen inom Stockholms stad ska färdigställda byggnader med bygglov rapporteras till kommunen. När en byggnad rapporterats mäter kommunen in det uppförda objektet och uppdaterar baskartan i det aktuella området. Men färdigrap-porteringen uteblir ofta, vilket betyder att baskartan kan innehålla felaktigheter i områ-den där det skett förändringar i byggnadsbeståndet. För att hålla baskartan uppdaterad utför Stadsbyggnadskontoret bl.a. löpande kontroller av bygglov som inte slutrapporte-rats, men dessa kontroller är mycket tids- och resurskrävande och man eftersöker nu en metod för att eektivisera förfarandet genom att jämföra ortofoton från olika epoker för att upptäcka nya och borttagna byggnader samt vägar.

1.2 Problemformulering

Examensarbetet har som uppgift att presentera en metod som genom förändringsana-lys i ortofoton kan upptäcka nybyggnation, och strävar efter att nna svar på följande frågeställningar:

• Går det att med tillfredsställande resultat genomföra förändringsanalys i ortofoton för att upptäcka nya och borttagna byggnader samt vägar?

• Kan förändringsanalysen genomföras med kommersiella programvaror i dagsläget? • Går förändringsanalysen att genomföra på annat sätt än med kommersiella

pro-gramvaror?

• Vilken eekt har olika faktorer på förändringsanalysen, t.ex. atmosfäriska förhål-landen, analysmetod och radiell deplacering?

1.3 Syftesformulering

Syftet med examensarbetet är att utreda om Stockholms stadsbyggnadskontor kan an-vända sig av förändringsanalys i ortofoton för att upptäcka nya och borttagna byggnader samt vägar med tillfredsställande resultat.

Det ska utredas om förändringsanalys kan genomföras med redan existerande program-varor på marknaden, hur detta i så fall görs, och om det därmed skulle vara aktuellt för Stadsbyggnadskontoret att använda sig av en sådan programvara. Det ska också undersökas om det nns möjlighet att utveckla en ny och anpassad lösning för Stads-byggnadskontoret för att se om en sådan lösning skulle vara att föredra eller inte. För att uppnå ett resultat av god kvalitet ska det undersökas hur olika faktorer inverkar på resultatet, exempelvis vilken förändringsanalytisk metod som utförs, radiell deplace-ring av föremål över markytan samt atmosfäriska förhållanden.

1.4 Målformulering

Målet med examensarbetet är att presentera en lösning som genom förändringsanalys i ortofoton kan identiera nybyggnation inom Stockholms stad. Lösningen ska vara anpas-sad efter Stadsbyggnadskontorets behov och ekonomiska förutsättningar. Lösningen ska eektivisera Stadsbyggnadskontorets arbete i slutskedet av bygglovsprocessen och vara av så god kvalitet att den kan användas i det framtida arbetet med att nna nya byggna-der som en del av bygglovsprocessen. Lösningen som presenteras ska vara så lättanvänd att den med minsta möjliga krav på operatören ska kunna vara ett kraftfullt hjälpmedel vid arbetet med att ajourhålla kommunens baskarta.

1.5 Lösningsmetoder

Som en inledning på arbetet testades bentliga programvaror för att se hur analysen fungerar i dessa. Programvarorna var Geomatica, Idrisi och SOCET SET. Efter denna inledande utvärdering inriktades arbetet på utvecklingen av en metod för förändrings-analys, anpassad efter Stadsbyggnadskontorets behov och ekonomiska förutsättningar. Vid utvecklingen av metoden nyttjades lärdomarna från genomgången av de kommersiel-la programvarorna, och som avslutning på arbetet jämfördes den presenterade lösningen med dessa program.

2 Teori

Tidigare forskning ([3], [4], [5], [6], [7], [8], [9], [10], [11], [12]) visar att förändringsanalys i fjärranalysdata från satellitsystem och ygande plattformar kan användas inom olika områden, t.ex. miljö och stadsplanering, för att ge information om skedda förändringar på jordytan till följd av både naturlig och mänsklig påverkan. Med hjälp av fjärranalys kan nämligen statiska och dynamiska förekomster på jordens yta studeras. Med statiska förekomster menas sådant som inte förändras nämnvärt med tiden, utan som i stort sett alltid har samma egenskaper. Dynamiska förekomster däremot, förändras över tid och visar olika egenskaper beroende av tid. Där människan inverkar på miljön förekommer mycket dynamiska inslag på jordytan, medan sådant som förändras i människans frånvaro för det mesta är en följd av naturens egen påverkan. Vid förändringsanalys (eng. change detection) används fjärranalysdata för att utvinna information om förändringar på jor-dytan. Genom att jämföra data från olika tidpunkter över ett valt område kan skillnader upptäckas och studeras närmare. Det är viktigt att förändringar på jordytan undersöks så att fysiska och mänskliga processer kan förstås bättre [2]. Förändringar i markanvänd-ning och marktäcken anses t.o.m. vara en mer betydande faktor vid globala förändringar än vad klimatförändringar är ([3], [4]), och det bedrivs således mycket forskning inom teknikområdet för att utveckla metoder för förändringsanalys.

På Walpole Island i södra Kanada har man med hjälp av olika satellitsystem, däribland Landsat TM (eng. Thematic Mapper), SPOT (fr. Satellite pour l'Observation de la Terre och IRS (eng. Indian Remote Sensing Satellite), undersökt utbredningen av ett slags vass som under senare år hämmat tillväxten av växten cattail (eng.). För studien användes förändringsanalys genom jämförelse efter klassicering (eng. post-classication compari-son change detection, se kap. 2.2.2). För att förbättra förändringsanalysens resultat, som är mycket beroende av klassiceringens noggrannhet, genomfördes klassicering av en kombination av spektrala band och särskilda mönster. De resulterande förändringskar-torna visade vilka områden som var mest utsatta för störst förändring, och studien visar således att fjärranalys kan tillhandahålla viktig information om förändringar i våtmar-ker [5]. I undersökningen har man alltså beaktat att fjärr- och förändringsanalys står i nära relation till extraktion av särskilda förekomster i bilder. Detta diskuteras även i [6], där man med hjälp av fjärranalysdata från IKONOS ämnar upptäcka förändring-ar i byggnadsbeståndet genom att utföra förändringsanalys efter identiering av objekt med linjära egenskaper som är typiska för hus.

Förändringsanalys i just bebyggda områden kan vara en väg till stora tidsbesparingar, ef-tersom det i nästan alla delar av samhället idag nns en ökad efterfrågan på uppdaterade och väl underhållna kartdatabaser [7]. I [7] fokuserar man på att genomföra förändrings-analys för att på automatiserad väg kunna upptäcka förändringar i byggnadsbeståndet, med målet att utveckla eektiva metoder för förändringsanalys i en produktionsmiljö. I studien använde man sig av byggnadsdata från databaser med geograskt lägesbundna data och ygbilder av danska förortsområden, såväl i de synliga som osynliga (infraröda) delarna av det elektromagnetiska spektrumet. För att få information om förändringar i dessa data använde man sig av förändringsanalys genom jämförelse efter klassicering. Också i [8] använder man sig av förändringsanalys efter klassicering i ygbilder för att upptäcka förändringar i inociella bosättningar i Kenya, där tekniken kan underlätta strategisk stadsplanering och snabbt ge stadsplanerare en uppfattning om bostadsområ-denas spridning.

Förändringsanalys genom jämförelse efter klassicering är en av de vanligaste metoderna när det gäller fjärranalys från satellit och ygande plattformar. Vid en jämförelsestu-die med fem andra metoder för förändringsanalys gav denna metod det mest korrekta resultatet [9]. De övriga metoderna var bildalgebraisk förändringsanalys, bildalgebra-isk förändringsanalys med vegetationsindex, SPCA (eng. selective principal components analysis), multi-datum oövervakad klassicering och en kombination av bildförbättring och förändringsanalys efter klassicering. Vid jämförelsen användes fjärranalysdata från Landsat MSS (eng. MultiSpectral Scanner) för att genomföra förändringsanalys i ett kustområde i östra Mexico. Förändringsanalys genom jämförelse efter klassicering visa-de sig också ha andra förvisa-delar mot visa-de andra metovisa-derna, eftersom visa-denna gav information om förändringens natur och var mindre känslig för spektrala variationer p.g.a. markfuk-tighet och att data ibland inhämtats vid olika tid på året (se stycke 2.1.6 om temporal upplösning). Metoden används även i [10], där man med hjälp av ygbilder från låg höjd studerar förändringar i ett mindre odområde.

I [11] jämförs olika metoder för förändringsanalys i data som däremot inte klassiceras före analys. Område för studien var en del av Salt Lake Valley i USA, över vilket bil-der från Landsat TM från två datum användes som data. De fyra jämförda metobil-derna, varav en var bildalgebraisk dierensberäkning (se kap. 2.2.1), applicerades på dessa data för att få information om förändringar i markanvändning och marktäcken mellan de två datumen. Resultatet verierades genom användning av information om s.k. ground truth och varierade beroende på i vilket band förändringsanalysen genomfördes, och var ofta av god kvalitet särskilt vad gäller detektering av byggarbetsplatser och bondgårdar. Ytter-ligare en tillämpning av en metod för förändringsanalys som inte föregås av klassicering visas i [12], där man ämnar uppdatera en baskarta som upprättats utifrån ortofoton från 1995 med ortofoton från 1997. För att åstadkomma detta fokuserade man sig på att ut-veckla en metod för att på automatiserad väg särskilja förändringar i markfuktighet och fenologiska vegetationsvariationer från förändringar orsakade av mänskliga aktiviteter, t.ex. väg- och husbyggande. Detta gör man med gott resultat genom att utföra bildal-gebraisk förändringsanalys genom att undersöka förhållandet mellan ortofotona från de två datumen.

De elektromagnetiska signalerna som fjärranalyssystemen tar emot är påverkade av sprid-ning och absorption p.g.a. atmosfärens sammansättsprid-ning av gaser och aerosoler, och när och hur fjärranalysdata ska korrigeras för atmosfärens påverkan beror på vilka fjärrana-lysdata och atmosfärsdata som nns tillgängliga, vilken information som eftersöks, samt vilken analytisk metod som används för att få ut informationen [13]. I [13] användes sju bilder från Landsat 5 TM över ett visst oddelta i Kina, inhämtade under åren 19881996, för att jämföra olika metoder för atmosfärskorrektion av fjärranalysdata. Studien visade att samtliga metoder förbättrade den efterföljande klassiceringen och förändringsana-lysen. Kapitel 2.3 beskriver närmare omständigheterna kring atmosfärskorrektion vid förändringsanalys.

Nedan beskrivs teorin bakom förändringsanalys i fjärranalysdata, allmänna riktlinjer och begrepp inom teknikområdet tas upp, samt ett antal ofta förekommande metoder för förändringsanalys.

2.1 Steg vid förändringsanalys

Förändringsanalys genomförs i era olika steg. En möjlig arbetsgång är som följer nedan. De ingående stegen beskrivs närmare i stycke 2.1.12.1.7.

1. Specicering av problem

• Specicera område för analysen • Specicera tidsperiod för analysen • Deniera intressanta klasser för analysen • Välj analysmetod; hård eller fuzzy

• Välj analysmetod; per-pixel eller objektorienterad 2. Övervägande av inverkande faktorer

• Systemrelaterade faktorer: Upplösning (rumslig, temporal, spektral och radiometrisk)

• Miljövariabler: Atmosfäriska förhållanden, markfuktighet, fenologiska cykler, tidvatteneekter

3. Bearbetning av data för att se förändringar

• Inhämta lämpliga fjärranalysdata från basdatum (tid n) och föregående eller efterföljande datum (tid n − 1, n − 2 eller n + 1, n + 2 o.s.v.)

• Förbehandla fjärranalysdata: Geometrisk korrektion, radiometrisk korrektion eller normalisering

• Välj metod för förändringsanalys

• Genomför klassicering om nödvändigt: Övervakad, oövervakad, hybrid • Genomför förändringsanalys med vald metod: Peka ut valda klasser med

hjälp av förändringsmatris, generera förändringskartor, beräkna förändrings-statistik

4. Analys av noggrannhet

• Skapa och analysera felmatris (eng. change detection matrix) 5. Slutlig resultatbedömning

• Bedöm resultat och noggrannhet, acceptera och distribuera om godtagbart

2.1.1 Område

Om data över det område som studeras skiljer sig åt mellan de olika datumen vad gäller fullständighet kan detta innebära problem vid beräkning av förändringsstatistik. Därför är det viktigt att man noga denierar det område som ska ingå i studien och sedan håller detta område konstant genom hela analysen. Om n bilder ska ingå i förändringsanalysen så måste samtliga n bilder täcka ett och samma område, varken mer eller mindre.

2.1.2 Tidsperiod

För att få ut så mycket som möjligt av en förändringsanalys, utan att vara överdrivet ambitiös och därmed kanske slösa med resurser, är det nödvändigt att man väljer en tidsperiod för analysen som stämmer väl överens med det man vill studera. Det kan exempelvis vid analys av traköden räcka med ett tidsspann på bara några sekun-der, medan det vid studier av en grödas växtlighetscykel är lämpligt att inhämta data månads- eller säsongsvis.

2.1.3 Klassicering

Det nns ett antal olika standardiserade klassiceringssystem som kan användas vid produktion av marktäckekartor. Fördelen med att använda ett sådant system är t.ex. att resultatet kan jämföras med andra studier som genomförts med samma system. En nackdel kan vara att ett standardiserat klassiceringssystem inte är anpassat för de marktäckeområden som är aktuella i den analys som ska genomföras. Exempel på olika klassicieringssystem är:

• CORINE Land Cover  Svenska CORINE Land Cover (SCLC)

• International Geosphere-Biosphere Program  Land Cover Classication System • American Planning Association  Land-Based Classication Standard (LBCS) • U.S. Geological Survey  Land Use/Land Cover Classication System for Use with

Remote Sensor Data

• U.S.  National Vegetation Classication System (NVCS)

2.1.4 Typ av förändringsanalys  hård eller fuzzy

Det är vanligast att förändringsanalys baseras på kartor som klassicerats genom s.k. hård klassicering. Detta betyder att förändringsanalysens resultat visar förändringsin-formation i diskreta kategorier, t.ex. förändring i skog eller bebyggelse. Men det nns också möjlighet att basera förändringsanalys på kartor som klassicerats genom s.k. fuzzy classication. Ett resultat efter sådan förändringsanalys ger förändringsinforma-tion i blandade kategorier, t.ex. förändring i skog uppblandat med bebyggelse.

2.1.5 Per-pixel eller objektorienterad förändringsanalys

Vanligast är att förändringsanalys genomförs genom jämförelse pixel per pixel, men det nns också möjlighet att genomföra objektorienterad förändringsanalys. Då jämförs två relativt homogena områden från olika datum med varandra. Dessa homogena områden eller objekt/segment ska på förhand vara identierade genom klassicering enligt lämplig standard.

2.1.6 Fjärranalyssystem

Vid förändringsanalys bör man sträva efter att använda data med konstanta värden på temporal, rumslig (eng. spatial), spektral och radiometrisk upplösning.

Temporal upplösning

Det nns två sorters temporal upplösning som bör vara konstanta; tid på dagen samt dag på året. Genom att använda data som inhämtats vid samma tid på dagen reduceras eekter som p.g.a. solens vinkel i förhållande till jorden kan orsaka skillnader i skuggor och oregelbundenheter i föremåls reektansegenskaper. Samma eekter kan reduceras om data inhämtas vid samma årstid, eller optimalt på exakt samma dag på året. Detta minskar också negativa eekter som kan orsakas av skillnader i växtlighet (se stycke om fenologiska cykler på s. 9).

Rumslig upplösning och snedbilder

Det är nödvändigt att de bilder som används som underlag vid förändringsanalys har samma pixelstorlek, alltså rumslig upplösning (eng. spatial resolution). Det är idealt om data är registrerade med samma upplösning (IFOV, Instantaneous Field Of View), men om så inte är fallet måste data omsamplas till samma storlek. Om data från två olika datum har de ursprungliga pixelstorlekarna 20 × 20 m samt 30 × 30 m, så måste man bestämma en ny minsta måttenhet, t.ex. 30 × 30 m, och sedan sampla om den först-nämnda bilden till denna storlek. Det går också att sampla om den senare bilden till 20 × 20 m, bara man kommer ihåg att man inte kan räkna med att kunna identiera detaljer som är mindre än denna bilds ursprungliga pixelstorlek, som ju är gränssättande. Om bilderna är omsamplade till en särskild kartprojektion, så måste denna vara samma för båda bilderna. Omsamplingen bör ge bilderna ett medelfel som är mindre än 0.5 pixlar. Annars nns det risk för många felaktiga indikationer på förändring.

Olika fjärranalysdata är ofta registrerade med olika fotograferingsvinklar, vilket har som konsekvens att en del föremål på jordytan registreras rakt uppifrån, andra till stor del från sidan. Att jämföra bilder med olika fotograferingsvinkel kan leda till stora felaktig-heter i resultatet och det är därför viktigt att man försöker undvika detta.

Spektral upplösning

Vid förändringsanalys utgår man ifrån att det nns en skillnad i en pixels reektansvärde om området som täcks av pixeln har förändrats mellan två datum. Därför kan det upp-stå problem om man använder data som registrerats med olika sensorer. Olika sensorer verkar nämligen ofta inom olika band i det elektromagnetiska spektrumet, t.ex. Landsat MSS som verkar inom fyra multispektrala band och Landsat ETM+ _{som registrerar i}

åtta band (tre synliga, tre IR, ett TIR och ett pankromatiskt band). Det är idealt att använda sig av data från samma sensor, men har man inte möjlighet att göra det ska man försöka välja band som stämmer så väl som möjligt överens med varandra.

Radiometrisk upplösning

Det är vanligast att analoga data konverteras till digitalt format i 8-bitar, vilket be-tyder att varje pixel har ett värde i intervallet 0255. Det förekommer dock digitala data med andra radiometriska upplösningar, t.ex. från Landsat MSS 1 som ger bilder i 6-bitarsformat. Det är idealt att vid förändringsanalys jämföra bilder med samma ra-diometriska upplösning, men behöver man använda sig av olika upplösningar bör man komprimera eller dekomprimera bilderna så att de får samma upplösning. Liksom vid den rumsliga upplösningen som diskuteras ovan, är det viktigt att komma ihåg att pre-cisionen i gråvärden inte kan bli bättre än originalet.

2.1.7 Miljövariabler

För att få ett bra resultat vid förändringsanalys bör man hålla miljövariabler så konstan-ta som möjligt. Med miljövariabler menas här atmosfäriska förhållanden, markfuktighet, fenologiska cykler samt tidvatteneekter.

Atmosfäriska förhållanden

Förändringsanalys kan vara mycket känslig för skillnader i atmosfäriska förhållanden vid de olika datumen. Föremåls spektrala egenskaper kan påverkas väsentligt bara vid lite disigt väder, och man bör således sträva efter så lite molnighet och luftfuktighet som möjligt vid dataregistrering. Molnigheten bör inte överstiga 20 % och luftfuktigheten bör inte ligga på extrema nivåer. Moln kan vara extra besvärliga, eftersom de kan skymma terräng och orsaka problem vid klassicering.

Genom att hålla sig till samma dag på året kan allmänna årstidsrelaterade atmosfäriska skillnader minimeras, men vädret en särskild dag kan naturligtvis avvika från genom-snittet. Om det förekommer stora atmosfäriska skillnader mellan datumen, så kan dessa reduceras genom eliminering av den s.k. atmosfäriska försvagningen i bilddata. Detta kan gå att göra radiometriskt, men om så inte är fallet kan man istället normalisera bilderna. Markfuktighet

Liksom för atmosfäriska förhållanden bör fuktighet i mark vara densamma vid de olika datumen. Stora skillnader i markfuktighet kan nämligen orsaka betydande felaktigheter vid förändringsanalys. Förutom att försöka hålla sig till samma dag på året är det vid val av data också lämpligt att man tar hänsyn till förd nederbördsdata för de aktuel-la datumen. Här är det viktigt att man får information om hur mycket regn eller snö som kommit under de närmast föregående dagarna eller veckorna, vilket har ett direkt samband med markfuktigheten i det aktuella området.

Fenologiska cykler

Med fenologiska cykler menas återkommande, förutsägbara utvecklingscykler, t.ex. växt-lighet som beror av årstid. Genom att ta hänsyn till sådana cykler kan tidpunkten för inhämtning av fjärranalysdata optimeras. Därför är det nödvändigt att den som utför förändringsanalys är bekant med de biofysiska egenskaperna och fenologiska cyklerna hos de olika beståndsdelarna i ekosystemet, t.ex. växter, jordarter och vatten.

Vegetation har ett tydligt samband med årstid och visar ett förutsägbart, upprepande mönster varje år, och genom att använda sig av data från samma tid på året kan antalet oönskade förändringar i växtlighet minimeras. Ett exempel som visar vikten av analy-tikerns kunskap om fenologiska cykler och hur de undersökta objekten bestämmer den optimala tidpunkten för inhämtning av data, är växterna näckros och cattail (eng.) som nns i sjöar i de sydöstra delarna av USA. Cattails består året runt och förekommer vanligtvis i grunt vatten nära land. De börjar grönska i april, når fullt lövverk i maj och tappar löven igen vid månadsskiftet septemberoktober. Näckrosorna börjar blom-ma i blom-maj, är fullt utblomblom-made ungefär 68 veckor senare och försvinner igen någon gång i november. Alltså är utbredningen av cattails bäst undersökt med hjälp av data från april till tidiga maj, då näckrosorna ännu inte börjat visa sig. Utbredningen av näckrosor studeras lämpligast under sensommar fram till tidig höst.

Urban utveckling visar också upp förutsägbara mönster, dock ej cykliskt eller med an-knytning till årstid, som t.ex. växtlighet gör. Stadsutbredning går igenom ett ertal steg, i vilka utbyggnadsprocessen nått olika skeden, t.ex. röjd mark, asfalterade och oasfalte-rade vägar, nybyggnation och kombinationer av dessa. Det är alltså viktigt att man inte utgår ifrån att utbredning av urbana områden bara visar upp två extremfall; obebyggd mark och fullt utvecklad bebyggd mark, för då kan mycket viktig information om en stads fysiska utveckling gå förlorad.

Tidvattnets eekter

När man ska utföra förändringsanalys i kustområden är det nödvändigt att ta hänsyn till tidvatten, eftersom skillnader i vattennivå kan ge upphov till felaktigheter i analys-resultatet. Bilder att föredra är de som inhämtats vid s.k. mean low tide, alltså vattnets medelnivå vid ebb, och en avvikelse från denna nivå kan vanligtvis accepteras om den inte överstiger 1 m, men denna sira är beroende av problemets natur.

Vid användning av satellitdata kan kravet på tidvatten innebära stora begränsningar, eftersom satelliter som inte kan fotografera snedbilder för att tillgodose detta krav med stor sannolikhet inte lämpar sig som datakälla. Satellitsystem som inte har den här funktionen kan dock vara tillräckliga om de har möjlighet att anvisas till en viss plats vid en viss tid för att på så vis koordinera tidpunkterna för de olika datumen.

2.2 Algoritmer 2.2.1 Bildalgebra

Exempelvis genom att subtrahera eller dividera bilder från olika datum med varandra är det möjligt att identiera förändringar mellan dessa. Om bilderna är atmosfärskorri-gerade eller normaliserade och har likartade radiometriska egenskaper, så kommer den resulterande bilden efter subtraktion att ha positiva eller negativa pixelvärden i föränd-rade områden, samt nollvärden i oförändföränd-rade områden. Resultatet kommer sannolikt att vara nära normalfördelat (se gur 3), och om man använder sig av data i 8-bitarsformat innebär detta att pixlarna kommer att ha möjliga värden från −255 till 255. Förfarandet visas schematiskt i gur 1 och kan uttryckas som:

∆P Vijk = P Vijk(2) − P Vijk(1) + c (1)

där:

∆P Vijk=förändring i pixelvärde

P Vijk(1) =pixelvärde för datum 1

P Vijk(2) =pixelvärde för datum 2

c = konstant i =radindex j =kolumnindex

k = bandindex

Konstanten c adderas till dierensen för att pixelvärdena ska bli positiva, men om detta inte är ett krav kan c utelämnas.

Bilderna kan som sagt också divideras med varandra för att man ska kunna upptäcka förändringar. Om 8-bitarsdata används och gråvärden lika med 0 ersätts med annat gråvärde (lämpligen 1) för att undvika division med 0, så kommer de resulterande värdena efter division att kunna variera från 1

255 till 255, där värdet 1 indikerar område utan

förändring.

Efter det att bilderna subtraherats eller dividerats väljs ett tröskelvärde, över vilket pixelvärden måste benna sig om de ska anses vara tillräckligt stora förändringar för att tas med i det slutgiltiga resultatet. Det slutgiltiga resultatet är en binär karta som visar var förändringar har skett och inte. Tröskelvärdet är inte känt på förhand, utan måste väljas empiriskt. Ofta väljs standardavvikelsen som tröskelvärde, åtminstone som första värde för testning. Det tröskelvärde som kommer att användas i slutändan väljs vanligtvis efter era tester.

Figur 2 visar ett exempel på förändringsanalys genom bildalgebra. Resultatet visar dif-ferensen i rött bildplan utan användning av tröskelvärde för visning av förändringar och icke-förändringar. I resultatet är istället allt som inte är svart förändringar. Figur 3 visar histogrammet för förändringsbildens röda band.

Figur 1:Principen för förändringsanalys genom bildalgebra [1].

Fördelar:

+Kräver vanligtvis inte någon atmosfärskorrektion av bilderna +Eektivt sätt att upptäcka förändringar mellan olika datum Nackdelar:

 Ger inte någon information om från och till vilka klasser förändringarna skett  Känslig för fel vid val av tröskelvärde

Figur 2: Förändringsanalys genom bildalgebra. Bilden till vänster och bilden i mitten visar en del av Aralsjön år 1973 resp. 1987. Höger bild är dierensen mellan de här bildernas respektive röda band och visar förändringar med grå färg. Analysen genomfördes i Adobe Photoshop CS2.

Figur 3: Histogram för förändringsbildens (se gur 2) röda band. Histogrammet är nära nor-malfördelat kring gråvärdet 0 och har en topp vid en förändring i gråvärde på ca 150. Det är denna topp som Aralsjöns torrlagda stränder givit upphov till.

2.2.2 Förändringsanalys genom jämförelse efter klassicering

Denna metod innebär att bilderna först klassiceras och därefter jämförs pixel för pixel med hjälp av en s.k. förändringsmatris (eng. change detection matrix). Figur 4 illustrerar metodens princip. Det är viktigt att klassiceringen blir så bra som möjligt, eftersom en felaktig sådan innebär att fel kommer att nnas även i det slutgiltiga resultatet av förändringsanalysen. Figur 5 visar hur en förändringsmatris kan se ut om man genomför klassicering med sju klasser. Den resulterande förändringskartan kommer i det här fallet att innehålla gråvärden från 1 till 49. Det är möjligt att välja ut specika förändringar för visning i det slutgiltiga resultatet, och i gur 5 har man valt att visa förändringar till låg- och högexploaterad mark i grönt resp. gult, samt förändringar från gräs- och skogsmark till vägar i rött.

Figur 5:Exempel på förändringsmatris.

Fördelar:

+Kräver inte någon atmosfärskorrektion av bilderna

+Ger information om från och till vilka klasser förändringarna skett Nackdelar:

 Beroende av noggrannhet vid klassicering  Kräver klassicering av två bilder

2.2.3 Förändringsanalys med binär mask på datum 2

Denna metod liknar vanlig förändringsanalys efter klassicering (se ovan), men med skillnaden att denna använder sig av en s.k. binär förändringsmask som ltrerar bort pixlar som inte genomgått någon förändring. Datum 1 klassiceras som vanligt, medan datum 2 klassiceras endast i de områden som är förändrade. Information om vilka dessa områden är erhålls med hjälp av bildalgebra (se s. 10).

Fördelar:

+Kan reducera fel i förändringsanalysen (eng. omission, comission) +Ger information om från och till vilka klasser förändringarna skett Nackdelar:

 Beroende av noggrannhet vid klassicering och framtagning av mask  Komplex, kräver ett ertal steg

2.2.4 Förändringsanalys med utomstående data

Vid tillfällen då det redan nns marktäckedata som täcker det område som ska studeras kan det vara lämpligt att använda sig av dessa data istället för råa fjärranalysdata. Ersättande data kodas då om till projektets klassiceringsstandard, och om dessa data används för datum 1, så klassiceras datum 2 som vanligt och jämförs med datum 1 på så sätt som beskrevs i stycke 2.2.2.

Fördelar:

+Kan använda sig av en pålitlig datakälla

+Kan reducera fel i förändringsanalysen (eng. omission, comission) +Ger information om från och till vilka klasser förändringarna skett +Kräver endast en fullständig klassicering

Nackdelar:

 Beroende av en pålitlig utomstående datakälla

 Ersättande data måste vara digitaliserat och kompatibelt med projektets standard 2.2.5 Spektral förändringsvektoranalys

Till skillnad från förändringsanalys genom bildalgebra tar s.k. spektral förändringsvek-toranalys (eng. spectral change vector analysis) även hänsyn till i vilken riktning en förändring skett. En vektor som beskriver en förändrings riktning och magnitud kal-las för spektral förändringsvektor. Förändringens magnitud (F Mij) representeras av det

sammanlagda Euklidiska avståndet mellan en pixels olika bands gråvärden vid olika da-tum [1]: F Mij = n X k=1 [P Vijk(2) − P Vijk(1)]2 (2) där: F Mij =förändringens magnitud

P Vijk(1) =pixelvärde för datum 1

P Vijk(2) =pixelvärde för datum 2

i =radindex j =kolumnindex

k = bandindex n = antal band

Förändringsvektorns riktning denieras av huruvida förändringen är positiv eller negativ i de olika banden. Det nns alltså 2n _{möjliga riktningar för varje pixel, t.ex. 2}3 _{= 8}

stycken om man använder sig av tre band. En pixel med positiv förändring i band 1 och 2, samt negativ förändring i band 3; P Vij1(2) − P Vij1(1) = 3; P Vij2(2) − P Vij2(1) = 9;

P Vij3(2)−P Vij3(1) = −7, skulle få en förändringsmagnitud på F Mij = 32+92+72 = 139,

Analysen resulterar i två lager; ett som innehåller sektorkoderna och ett som innehål-ler vektorernas magnituder. Förändringsinformationen kan överlagras på en bild av det aktuella området och på så vis kan förändrade pixlar färgläggas med hänsyn till sina sektorkoder. Om en förändring har skett eller inte, bestäms genom att man anger ett tröskelvärde. Förändringens riktning talar om vad för slags förändring som ägt rum, t.ex. avverkning av skog eller tillväxt av skog, som skiljer sig åt vad gäller förändringarnas riktning.

Sektorkod Band 1 Band 2 Band 3

1 − − − 2 − − + 3 − + − 4 − + + 5 + − − 6 + − + 7 + + − 8 + + +

Tabell 1: Sektorkoder för vektoranalys med tre band. + indikerar positiv förändring från datum 1 till datum 2, medan − indikerar negativ förändring under samma period.

Figur 6:Förändringsriktningar med sektorkoder vid förändringsvektoranalys [1].

2.2.6 Korskorrelation

Förändringsanalys genom s.k. korskorrelation använder sig av en digital marktäckekarta för datum 1 och en oklassicerad bild av samma område för datum 2. Medelvärde och standardavvikelse för varje bands pixelvärde i bilden från datum 2 beräknas för varje klass i kartan från datum 1. Alltså beräknas medelvärde och standardavvikelse för den multispektrala bildens pixlar som motsvaras av en särskild klass i marktäckekartan. Dessa pixlar subtraheras sedan med medelvärdet för aktuell klass och band, varvid resulteran-de dierens kan diviresulteran-deras med motsvaranresulteran-de standardavvikelse. Resultatet summeras och kvadreras därefter för samtliga band. Det slutliga värdet kallas för Z-poäng, och beräk-nas för alla klasser. Z-poängen talar om hur nära ett pixelvärde är det förväntade värdet för den motsvarande klassen i marktäckekartan. Ju högre Z-poäng, desto större är san-nolikheten att en förändring har skett i det område som täcks av pixeln. Ett tröskelvärde kan anges för att se vilka väsentliga förändringar som ägt rum.

Zijc= n X k=1 _{P V} ijk− µck σck 2 (3)

Zijc= Z-poäng för en pixel som motsvaras av klass c i kartan från datum 1

P Vijk=pixelvärde för datum 2 (i, j, k, n denieras som tidigare)

µck =medelvärde av band k:s pixlar som motsvaras av klass c från datum 1

σck= standardavvikelse för band k:s pixlar som motsvaras av klass c från datum 1

c = marktäckeklass i kartan från datum 1

Fördelar:

+Ingen atmosfärskorrektion behöver göras +Kräver endast en klassicering

+Reducerar problem som kan uppstå p.g.a. fenologiska faktorer Nackdelar:

 Mycket beroende av noggrannheten i den klassicerade bilden från datum 1  Ger ingen information om från och till vilka klasser förändringarna skett 2.2.7 Visuell förändringsanalys

Ibland fungerar inte ovannämnda metoder för förändringsanalys tillräckligt bra, vilket ger utrymme för visuell analys av fjärranalysdata. Genom att placera två bilder från olika datum bredvid varandra kan dessa jämföras visuellt enligt traditionella bildtolk-ningsprinciper såsom storlek, form, skugga, textur o.s.v. Förutom möjligheten att placera bilderna bredvid varandra är det också en fördel om bilderna är orienterade i förhållande till varandra på så vis att en operation på en viss plats i en av bilderna automatiskt kan utföras på samma plats även i den andra bilden. Så om exempelvis en polygon ritas runt en möjlig förändring i den ena bilden är det möjligt att se vad polygonen omger också i det andra bilden.

2.2.8 Write Function Memory Insertion

Visuell förändringsanalys kan genomföras med hjälp av s.k. write function memory inser-tion (här kallat WFMI). Denna metod använder sig av grakkortets tre WFM-enheter som har uppgiften att visa de olika banden som en bild består av (t.ex. R, G och B). Genom att tilldela dessa enheter varsitt band från olika datum kan skillnader framhävas (se gur 7).

Figur 8 visar en tillämpning av förändringsanalys genom WFMI. Exemplet visar hur vattennivån i en del av Aralsjön i Uzbekistan och Kazakstan förändrats från maj 1973 till augusti 1987. För att åstadkomma detta placerades band 1 från 1987 års bild i rött bildplan och band 2 och 3 från 1973 års bild i grönt och blått bildplan. Aralsjön var fram till 1960 världens till ytan största sjö, men har nu krympt till mindre än hälften av sin ursprungliga storlek [15]. Förändringsanalys med satellitdata kan hjälpa till att ge en bättre uppfattning om sådana förändringar.

Fördelar:

+Möjliggör undersökning av skillnader mellan två och t.o.m. tre bilder samtidigt +Kräver vanligtvis inte någon atmosfärskorrektion av bilderna

+Lämpligt hjälpmedel vid beslut om ytterligare förändringsanalys Nackdelar:

 Ger inte någon information om hur stor yta som genomgått förändring  Ger inte någon information om från och till vilka klasser förändringarna skett

Figur 8: Förändringsanalys genom WFMI. Bilden till vänster och bilden i mitten visar en del av Aralsjön år 1973 resp. 1987. Höger bild visar förändringar huvudsakligen i röd/rosa färg. Analysen genomfördes i Geomatica FreeView v9.1.

2.3 Atmosfärskorrektion

Som nämnts ovan är det inte alltid nödvändigt att genomföra atmosfärskorrektion av data som ska ingå i en förändringsanalys. Atmosfärskorrektion krävs när de individuella bilderna i förändringsanalysen är baserade på linjär transformation, t.ex. om en NDVI-bild (normalized dierence vegetation index) skapas för datum 1 och 2. Atmosfärens eekter manipulerar NDVI-värdena och därför blir transformationen inte linjär. Atmo-sfärskorrektion bör också genomföras när förändringsanalys ska göras genom division av olika bilders band.

Resultatet av förändringsanalys genom subtraktion av fjärranalysdata ser olika ut om man använder sig av atmosfärskorrigerade data jämfört med om man använder okorri-gerade data, med reservationen att tröskelvärdena är desamma i båda fallen. Men om man väljer lämpliga tröskelvärden, så spelar det egentligen ingen roll om data för ana-lysen korrigerats eller inte. Det krävs dock, naturligtvis, att data korrigeras om alla oförändrade pixlar ska ha värdet 0 i den resulterade kartan (gäller vid bildalgebraisk förändringsanalys genom subtraktion utan adderad konstant).

Det är inte nödvändigt att genomföra atmosfärskorrektion före klassicering om de spektrala signaturerna som denierar klasserna hämtas från den bild som ska klassi-ceras. Atmosfärskorrektion innebär nämligen ofta att en konstant subtraheras från alla pixelvärden i ett särskilt band, så även om medelvärdena för klasserna förändras så förblir varians-kovariansmatrisen densamma.

Atmosfärskorrektion är inte heller nödvändig när bilder från olika datum placeras i ett och samma dataset för att sedan klassiceras som om de vore endast en bild. Vid klassicering krävs atmosfärskorrektion endast när spektral information som ska deniera en klass hämtas från en annan bild än den som ska klassiceras.

3 Data

3.1 Ortofoto

Ett ortofoto består av era enskilda bilder. Dessa bilder har ortogonalrektierats så att perspektiv- och måttfel har justerats. De skalriktiga bilderna har sedan sammanfogats till en bildmosaik, där skarvarna mellan bilderna har placerats längs t.ex. trottoarkanter så att de inte skall synas i den resulterande bildmosaiken. En sådan bildmosaik kallas för ortofoto.

I detta examensarbete användes ortofoton från år 2002 och 2005 (se bilaga C), och då främst de bilder som motsvarar kartblad 103 i Stockholms stads kartbladsindelning. Varje bild täcker ett område om 1600 × 1000 m och till varje bild nns en s.k. styrl som anger koordinaterna för den övre vänstra pixelns mittpunkt. Koordinaterna anges i koordinatsystemet ST74. Bilderna från 2002 är registrerade med storleken 10000 × 6250 pixlar, vilket innebär en pixelstorlek på 16 × 16 cm, medan 2005 års bilder har en pixelstorlek på 20 × 20 cm, vilket motsvarar en bildstorlek på 8000 × 5000 pixlar. Bilderna är lagrade i okomprimerat TIFF-format, 8 bitar (alltså gråvärden från 0255) i varje band; rött, grönt och blått. Filstorleken för en bild från år 2002 är ca 183 MB, medan en bild från 2005 ligger på ca 117 MB.

Eftersom bilderna från år 2002 och 2005 har olika pixelstorlek var det nödvändigt att sampla om dessa till en och samma upplösning. Det minst tidskrävande för själva om-samplingsproceduren skulle vara att skala om 2002 års bilder till storleken för dem från 2005 (från 10000 × 6250 pixlar till 8000 × 5000 pixlar), men eftersom en pixelstorlek på 20 × 20 cm ställer mycket höga krav på datorkapacitet vid förändringsanalys, så beslöts att en pixelstorlek på 1 × 1 m var lämpligare, alltså en bildstorlek på 1600 × 1000 pixlar. Omsamplingen innebar att lstorleken för bilderna minskades till ca 5 MB.

3.2 Flygfotografering och ortogonalrektiering

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 ortogonalrektierade med avseende på markytan, och ortofotona är således inte s.k. sanna ortofoton. Man har alltså inte rektierat hus vid or-togonalrektieringen 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 identieringen 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 identieringen av en del viktiga förändringar, men många viktiga förändringar var ändå lätta att missa.

4.1.5 GCD och CHDET efter klassicering

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 klassiceras 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. Klassiceringen gjordes med

Figur 11:Förändringsanalys genom metoderna GCD och CHDET efter klassicering 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).

4.2 Idrisi

Idrisi är ett GIS- och bildbehandlingsprogram som används mycket i utbildningssyfte. Programvaran är utvecklad vid Clark Labs, som är knutet till Clark University i Mas-sachusetts, USA, och är förutom Geomatica FreeView den billigaste programvaran i den här genomgången. Den utgåva av Idrisi som användes i denna studie (Idrisi32) innehåller era bildalgebraiska funktioner för förändringsanalys; däribland dierens, division och spektral förändringsvektoranalys. Liksom i fallet med förändringsanalys i Geomatica ge-nererar metoderna i Idrisi mycket brus p.g.a. förändringar i växtlighet och skuggor, vilket även i Idrisi till viss del går att komma runt genom att klassicera bort dessa områden. Detta görs dock inte i den här undersökningen.

4.2.1 Visuell förändringsanalys

Som i alla bildbehandlingsprogram är det även i Idrisi möjligt att utföra visuell föränd-ringsanalys. Varje bild öppnas i varsitt fönster och kan därför placeras bredvid varandra, vilket är en fördel när de ska jämföras med varandra. De separata fönstren är dock inte synkroniserade med varandra vad gäller panorering och zoom, och det kan därför vara tidskrävande att stega igenom två bilder för att jämföra ett mindre delområde åt gången. 4.2.2 Write Function Memory Insertion

Liksom i Geomatica nns det möjlighet att utföra förändringsanalys genom WFMI även i Idrisi. Ett krav är att banden som ska användas är separerade från varandra på för-hand och placerade i varsin l. Förändringsanalysen testades här på samma sätt som i Geomatica, alltså genom att band 1 från 2002 års bild i rött bildplan och band 2 och 3

från 2005 års bild i grönt och blått bildplan. Förändringarna, som går att se som ljusa röda och blåa genomskinliga nyanser i resultatbilden, är dock också nu mycket svaga och svåra att se. Idrisi har en funktion för att välja vilket pixelvärdesintervall som ska visas i en viss bild, vilket kan användas för att framhäva en del av resultatbildens pixlar med ljusröd och blå nyans, men arbetet med detta är tidskrävande och svårt.

4.2.3 IMAGEDIFF

Metoden IMAGEDIFF beräknar dierensen mellan två bilder på fyra olika sätt. Ope-rationerna genomförs i ett band i taget. Resultatbildens färger denieras av en förvald färgpalett.

Dierence image

Denna operation beräknar dierensen mellan två bilder genom att subtrahera den se-nare bilden med den tidigare. Ett resultat efter förändringsanalys med metoden kan ses i gur 12. I det här fallet har inställningen för vilket gråvärdesintervall som ska visas ställts in så att förändringar i takbeläggning framhävs (se gur).

Figur 12: Bilden till vänster och bilden i mitten visar ett område i 2002 och 2005 års bilder. Bilden till höger visar ett resultat efter förändringsanalys i detta område med metoden Dierence image i Idrisi32.

Percentage change

Denna metod genererar en mycket mörk bild, i vilken det är svårt att urskilja olika förändringar. Beräkningen genomförs enligt:

P Cijk=

P Vijk(2) − P Vijk(1)

P Vijk(1)

· 100 (4)

där P Cijkär den beräknade förändringen i antal procent och där de övriga parametrarna

denieras som i formel (1) på s. 10.

Anledningen till att resultatet blir så mörkt är sannolikt att man i resultatet endast kan se de allra största förändringarna. En förändring från gråvärde 1 till 255 är inte otänkbar

och innebär en ökning med 25400 %, medan en förändring från gråvärde 40 till 160, vilket är möjligt vid förändring från skugga till byggnad, innebär en ökning med en-dast 3 %. I en förändringsbild med linjär skala (med gråvärden 0255) innebär detta att de största förändringarna på 25400 % får ett gråvärde på 255, medan en förändring på 3 % får ett gråvärde på bara 0.03, vilket motsvaras av svart färg i den resulterande bilden. Standardized dierence image

Denna metod ger samma resultat som Dierence image ovan, förutom att de olika för-ändringsvärdena här klassiceras enligt en fördenierad standard.

Standardized class image

Denna metod klassicerar resultatet efter dierensberäkning i sex klasser, baserat på förändringsbildens standardavvikelse (se tabell 2). Figur 13 visar ett möjligt resultat.

Nytt värde Gammalt värde (GV )

1 GV ≤ −2σ 2 −2σ ≤ GV ≤ −1σ 3 −1σ ≤ GV ≤ GV 4 GV ≤ GV ≤ 1σ 5 1σ ≤ GV ≤ 2σ 6 2σ ≤ GV

Tabell 2: Klassiceringsschema för metoden Standardized class image i Idrisi. GV och GV representerar gråvärdet för en viss pixel resp. medelvärdet för alla pixlar i den oklassicerade förändringsbilden.

Figur 13:Bilden till vänster och bilden i mitten visar ett område i 2002 och 2005 års bilder. Bil-den till höger visar ett resultat efter förändringsanalys i detta område med metoBil-den Standardized class image i Idrisi32 (svart färg indikerar GV ≤ −2σ eller GV ≥ 2σ).

4.2.4 IMAGERATIO

Funktionen IMAGERATIO beräknar förhållandet mellan två bilder på två sätt. Opera-tionerna genomförs i ett band i taget.

Ratio image

Denna metod har stora likheter med Percentage change ovan. Metoden genomför föränd-ringsanalys genom att dividera den senare bilden med den tidigare. Av samma anledning som vid Percentage change blir resultatet också här mycket mörkt, vilket gör det svårt att urskilja olika förändringar.

Log ratio image

Denna metod beräknar den naturliga logaritmen av förhållandet mellan senare och tidi-gare bild. Resultatet är av okänd anledning i stort sett enfärgat, och metoden är därför inte lämplig att använda med aktuella data.

4.2.5 CVA

Metoden CVA (Change Vector analysis) genomför förändringsanalys likt som beskrevs i stycke 2.2.5 (se s. 14). Metoden genomförs med två band från resp. bild som indata och resulterar i två bilder; en magnitudbild och en riktningsbild. Magnitudbilden visar förändringarnas storlek, medan riktningsbilden visar förändringarnas riktning (positiv eller negativ). Riktningsbilden innehåller få klasser och ger därför alltför knapphändig information om den agerar ensam. Här fungerar riktningsbilden därför bäst som ett stöd till magnitudbilden.

4.3 SOCET SET

SOCET SET är en avancerad programvara med funktioner inom områdena fotogramme-tri och fjärranalys. I denna undersökning användes SOCET SET 5.2.0.

4.3.1 Visuell förändringsanalys

SOCET SET används främst för fotogrammetriska tillämpningar, och det är därför na-turligt att två bilder här kan placeras bredvid varandra. Bilderna är också synkroniserade i förhållande till varandra och det går alltså att genomföra visuell förändringsanalys på ett förhållandevis eektivt sätt med den här programvaran.

4.3.2 Change Detection

Liksom i Geomatica och Idrisi görs bildalgebraisk förändringsanalys i SOCET SET ge-nom beräkning av dierensen mellan två bilders spektrala band. Resultatet är en gråska-lig bild med mellangrå färg (gråvärde 128) i områden utan förändring, mörkare färg i områden där den tidigare bilden är mörkare än den senare, och ljusare i motsatt fall. Metoden för förändringsanalysen i SOCET SET, Change Detection, testades med rött band från 2002 och 2005 års bilder som indata, men trots hänsynstagande till det fak-tum att programmet endast tar emot ett band på 8 bitar i taget, så kunde inte ett korrekt resultat erhållas. Den resulterande bilden var antingen helt svart eller grå och vid exekvering gav SOCET SET information om att ett möjligt fel var just antalet band som användes som indata vid förändringsanalysen. Lösningen på problemet nns antag-ligen bland de olika parametrar som speciceras före det att analysen startas, men detta undersöks inte närmare i den här studien.

4.4 Slutsatser och diskussion 4.4.1 Geomatica

Geomatica FreeView 9 och Geomatica 10 kan som visats användas för att genomföra förändringsanalys i ortofoton, men med vissa begränsningar. Geomatica FreeView kan bara användas för förändringsanalys med metoderna WFMI och visuell jämförelse av ortofoton, där den senare är i det närmaste oanvändbar i fallet med en fullständig för-ändringsanalys i något bildpar, eftersom de esta bildparen innehåller ett för stort antal möjliga förändringar för att operatören ska ha möjlighet att undersöka dem alla. Pro-grammet lämpar sig bättre om förändringsanalys endast ska utföras i mindre områden, t.ex. i områden där det nns bygglov.

Geomatica 10 har förutom funktionerna i Geomatica FreeView 9 också möjlighet att utfö-ra bildalgebutfö-raisk förändringsanalys med metoderna GCD och CHDET. På grund av stoutfö-ra skillnader mellan bilderna vad gäller skuggor och växtlighet var dock resultatet svårt att överskåda. För att få ett mer lättolkat resultat är det möjligt att låta förändringsanalysen föregås av klassicering av bilderna med några efterföljande kartalgebraiska operationer för att reducera bildernas innehåll med avseende på källor till ointressanta förändringar. En nackdel med detta förfarande är att viktiga förändringar kan gås om miste, eftersom det räcker att det brus som ska raderas endast förekommer i en av bilderna för att dessa pixlar ska ltreras bort. Så om t.ex. skugga klassas som brus och en ny byggnad uppförs i ett område som är skuggat i en av bilderna, så kommer denna förändring inte att synas i resultatet. Klassiceringsprocessen är också mycket tidskrävande, vilket gör lösningen mindre tänkbar i Stockholms stads fall.

Förändringsanalys med GCD och CHDET kan endast genomföras i ett band i taget, men om en färgkomposit av förändringsbilden önskas kan en sådan skapas genom att först genomföra förändringsanalys i alla band och sedan sätta ihop de tre resultaten till en ny färgbild. På så vis kan det bli lättare att identiera olika sorters förändringar (med olika färger).

4.4.2 Idrisi

Idrisi innehåller som visats ett ertal funktioner för förändringsanalys. Några av dem är mer lämpliga, andra mindre, och en del fungerar inte alls med de data som används i den här undersökningen.

Liksom i fallet med Geomatica är det möjligt att genomföra visuell förändringsanalys med WFMI i Idrisi. Programmets funktion för att visa endast ett särskilt intervall på gråvärdeskalan är ett bra hjälpmedel, och jämfört med Geomatica gör detta Idrisi till det bättre verktyget vid den här sortens förändringsanalys.

Av de olika bildalgebraiska metoderna för förändringsanalys lämpar sig Dierence image bäst, d.v.s. förändringsanalys genom enkel dierensberäkning. De metoder som beräknar förhållande mellan bilder genom division genererar mycket mörka förändringsbilder, vil-ket här inte är tillräckligt för att intressanta förändringar ska kunna upptäckas. Spektral förändringsvektoranalys med metoden CVA ger liksom Dierence image ett gott resultat, men den senare är enklare att använda och rekommenderas därför framför CVA. Liksom i Geomatica kan förändringsanalys med de bildalgebraiska metoderna i Idrisi endast genomföras i ett band i taget, men det nns också här möjlighet att skapa en färgkomposit efter förändringsanalys i samtliga band.

Idrisi har en ytterligare metod för förändringsanalys; CROSSTAB, men denna fungerade inte med aktuella data, sannolikt p.g.a. att bilderna är registrerade i 8-bitarsformat och metoden inte kan behandla bilder med er än 128 grånivåer.

4.4.3 SOCET SET

Som visats tillhandahåller även SOCET SET möjligheter att genomföra förändringsana-lys i ortofoton, antingen på visuell eller bildalgebraisk väg.

Visuell förändringsanalys i SOCET SET lämpar sig förhållandevis väl, tack vare att de två bilderna som jämförs är synkroniserade med varandra och att det därför är lätt att hitta samma område i båda bilderna. Det ska dock återigen påpekas att metoden liksom i Geomatica och Idrisi är mycket tidskrävande och det är inte rekommenderat att genomföra visuell förändringsanalys i ett stort område som skiljer sig mycket åt mellan datum 1 och 2.

Den bildalgebraiska metoden Change detection i SOCET SET fungerar på likartat vis som i Geomatica och Idrisi. Metoden beräknar dierensen mellan två bilder och visar resultatet i en ny bild. Change detection fungerade dock inte vid testet i den här undersök-ningen, utan genererade endast en enfärgad dierensbild utan någon läsbar information om förändring.

Även om metoden Change detection hade gett ett tillfredsställande resultat, så anses inte SOCET SET vara lämpligt för att genomföra förändringsanalys, eftersom programvaran har ett betydligt högre pris än exempelvis Geomatica och Idrisi, samt för att det främst är avsett för fotogrammetriska operationer, inte förändringsanalytiska.

5 Applikationsutveckling

För att Stockholms stadsbyggnadskontor ska kunna använda digital förändringsanalys för att ajourhålla sina kartor på ett smidigt och eektivt sätt behövs alltså ett verktyg som är anpassat efter verksamhetens behov och förutsättningar. Bentliga programvaror anses som sagt inte vara tillräckliga för att uppfylla dessa krav, och uppgiften blir därför att utveckla en ny applikation för förändringsanalys. Uppgiften togs an i programspråket Java, där paketet Java Advanced Imaging (JAI) kan användas för att utföra avancerade bildoperationer i olika format. En användarhandledning för det utvecklade programmet (CDetector) nns att tillgå i bilaga A.

5.1 Programmets metod

Programutvecklingen startade experimentellt, med målet att skapa ett användbart verk-tyg för förändringsanalys. Under utvecklingens inledande fas blev det allt tydligare att detta också skulle vara möjligt, och en rekommenderad arbetsgång för Stockholms stads-byggnadskontor blev mallen för programmets form:

1. Val av bildpar

2. Kalibrering av bildpar 3. Förändringsberäkning 4. Brusreducering

5. Visuell identiering av förändringar 6. Automatisk identiering av förändringar

7. Manuell kontroll av identierade förändringar i steg 6 5.1.1 Val av bildpar

Som en naturlig inledning på förändringsanalysen laddas de två bilderna som ska ana-lyseras in i datorns minne och visas i varsitt fönster, varvid de också synkroniseras med varandra på så vis att varje koordinat i den ena bilden kan referera till sin motsvarighet i den andra bilden. Synkroniseringen gäller också för rullningslisterna i varje bilds fönster, d.v.s. en panorering i den ena bilden innebär samma föryttning i den andra bilden. Detta hjälper operatören att orientera sig i bilderna.

5.1.2 Kalibrering

För att minska mängden brus i den kommande förändringsberäkningen kan bilderna kalibreras med varandra. Denna kalibrering kan ses som ett slags atmosfärskorrektion och innebär att områden i de två bilderna som sammanfaller lägesmässigt, och som man