ESTRAZIONE DI FIRME SPETTRALI DI COPERTURE NUVOLOSE DA IMMAGINI SATELLITARI

1. ESTRAZIONE DI FIRME SPETTRALIDI COPERTURE NUVOLOSEDA IMMAGINI SATELLITARI Laureando: Gennaro Cappelluti Relatori: Prof. F. Posa Dott.ssa C. Notarnicola Controrelatore: Prof. V. Berardi

2. L’obiettivo del lavoro di tesi matrici di copertura nuvolosa automazione LAPS MSG MODIS previsioni meteorologiche < 18 ore Progetto Nowcasting RAMS CIRP regione Puglia

3. Le previsioni meteorologiche WMO (World Meteorological Organization) coordina su scala planetaria il rilevamento e l’elaborazione dei dati meteorologici Ginevra per l'Europa: Reading (Londra) centri di calcolo modelli numerici previsioni meteorologiche nowcasting < 18 ore

4. Il Progetto Nowcasting • elevata rapidità richiesta alla diffusione dei dati • notevole estensione del territorio considerato matrici di copertura nuvolosa WMO maglia geografica piuttosto larga, alla quale sfuggono i caratteri climatici locali • Local Analysis and Prediction System (LAPS) • modello numerico che gestisce gli input del modello RAMS modelli numerici Progetto Nowcasting • Regional Atmospheric Modelling System (RAMS) • modello numerico in grado di produrre previsioni meteo entro le 18 ore area corrispondente alla regione Puglia

5. Il lavoro svolto MODIS Terra GSFC (Goddard Space Flight Center) • all'interno dello stesso file, in "Scientific Data Set" (SDS) differenti, sono sistemati matrici tridimensionali, immagini, tabelle, descrizioni e commenti • i dati sono registrati sotto forma di "Scaled Integer" (SI), numeri adimensionali compresi tra 0 e 32767 (16 bit) HDF MOD02QKM, MOD02HKM e MOD021KM programma in IDL riflettanze temperature di brillanza algoritmo MCMA matrici di copertura nuvolosa

6. I dati MSG e MODIS elevata frequenza temporale con cui i dati devono essere forniti elevato numero di bande • la procedura è stata sviluppata partendo da immagini MODIS, cercando di utilizzare le bande in comune con MSG • successivamente l'analisi verrà applicata alle immagini MSG 0.75 μm 3.750 μm 3.959 μm 3.964 μm 4.050 μm 4.4655 μm 4.5155 μm 6.715 μm 7.325 μm 8.550 μm 9.730 μm 11.030 μm 12.020 μm 13.335 μm 13.635 μm 13.935 μm 14.235 μm 15 minuti 1 km 12 bande 0.635 μm 0.81 μm 1.64 μm 3.92 μm 6.25 μm 7.35 μm 8.70 μm 9.66 μm 10.80 μm 12.00 μm 13.40 μm MSG MODIS 24 ore 250 m 36 bande 0.635 μm 0.8585 μm 0.4125 μm 0.443 μm 0.488 μm 0.531 μm 0.551 μm 0.667 μm 0.678 μm 0.748 μm 0.8695 μm 0.905 μm 0.936 μm 0.940 μm 1.375 μm 0.469 μm 0.555 μm 1.240 μm 1.640 μm 2.130 μm

7. L’algoritmo standard:il MODIS Cloud Mask Algorithm (MCMA) nuvole • valori di riflettanza elevati e valori di temperatura bassi rispetto a quelli della sottostante superficie terrestre • i valori di riflettanza, nello spettro solare, e di temperatura, nella finestra infrarossa, degli oggetti nuvolosi tendono ad addensarsi intorno a valori tipici confronto con opportuni valori di soglia delle riflettanze e delle temperature che si hanno in una scena osservata discriminazione dei corpi nuvolosi dalle restanti parti della scena determina se un dato pixel è nuvoloso o meno, combinando i risultati di vari test spettrali che utilizzano valori di soglia MCMA

8. I test • l'MCMA utilizza un approccio fondato su livelli di confidenza: ogni test assegna un valore compreso tra 0 e 1, dove lo 0 indica che il pixel è nuvoloso e l'1 che esso non lo è • in funzione del tipo di nuvola analizzata vengono considerati 5 gruppi di test spettrali • i gruppi non sono indipendenti, ovvero, un test che appartiene ad un particolare gruppo può rivelare anche nubi analizzate da altri gruppi • CC - confident cloudy • PC - probably cloudy • PNC - probably not cloudy • CNC - confident not cloudy

9. I test

10. Il problema delle soglie le soglie utilizzate nell'MCMA dipendono da vari parametri, di cui i principali sono: • ora della giornata presa in considerazione • mese dell'anno • latitudine • ecosistema della zona • superficie sottostante • condizioni atmosferiche • composizione dell'atmosfera • contenuto d'aerosol le soglie adoperate nell'MCMA si riferiscono all'oceano aperto oppure a zone desertiche o ancora ad aree in pieno continente, zone dotate di condizioni stabili e quindi facilmente caratterizzabili poichè l'obiettivo è quello di produrre previsioni meteo riguardanti l'area del bacino del Mediterraneo corrispondente alla regione Puglia e poichè tale zona non ha le caratteristiche delle aree menzionate, non è possibile applicare alle immagini di tale area le stesse soglie e quindi non è possibile applicare con rigore l'MCMA

11. La classificazione insieme di famiglie di pixel con caratteristiche spettrali affini • i dati multispettrali vengono rappresentati in uno spazio a n dimensioni (n è il numero delle bande spettrali prese in considerazione), detto spazio delle caratteristiche spettrali • le etichette dei pixel di un'immagine sono il risultato del confronto delle caratteristiche spettrali dei vari pixel dell'immagine con caratteristiche spettrali di riferimento, estratte eventualmente anche da altre immagini k means minimum distance parallelepiped maximum likelihood vettori tipici delle classi endmembers spectral angle mapper

12. La procedura immagine multispettrale fase di training Gli endmember EC, ENCL ed ENCS sono le medie dei vettori MC, MNCL ed MNCS relativi alle 10 immagini di training. matrice L endmembers contiene le 9 grandezze testate dall’MCMA matrice L mappe tematiche medie dei valori di riflettanza e temperatura dei pixel appartenenti alle varie classi soglie Fi Gi Q R nuvole test i-esimo nuvole gruppo i-esimo tutti i tipi di nuvola tutti / livelli discreti CLNC matrici F, G, Q, R

13. Le regioni d’interesse 10.10 - 06.08.2002 • le caratteristiche delle formazioni nuvolose dipendono fortemente dalla zona in cui esse si trovano • l'uso di campioni prelevati da altre zone avrebbe generato errori significativi in fase di classificazione • i risultati che si ottengono sono ottimizzati per la Puglia L1 L3 L9

14. Il cloud mask immagine geocodificata F9 - cirri F1 - nuvole alte e spesse G2 - nuvole sottili immagini di Q ed R RGB invertito dei livelli G4, G1 e G2

15. Gli endmember RISULTATI E CONCLUSIONI Valori espressi in gradi degli angoli compresi tra il vettore EC e il vettore ENCL, tra il vettore EC e il vettore ENCS e tra il vettore ENCL e il vettore ENCS. Gli angoli δ definiscono i coni di variabilità delle medie intorno agli endmember e le distanze angolari tra gli endmember sono sempre maggiori della somma delle aperture angolari dei coni di variabilità degli endmember considerati. Con livello di confidenza del 99% la popolazione dei vettori MNCL è differente dalla popolazione dei vettori MNCS e quindi gli endmember ENCL e ENCS possono essere considerati rappresentativi di due categorie differenti. Valori espressi in gradi degli angoli compresi tra il vettore EC e i 10 vettori MC, tra il vettore ENCL e i 10 vettori MNCL e tra il vettore ENCS e i 10 vettori MNCS.

16. Cloud maskgiorno 22.08.2002 ore 10.10 RISULTATI E CONCLUSIONI

17. I vari tipi di nuvola RISULTATI E CONCLUSIONI Per quanto riguarda l'area del Mar Tirreno, si osserva che, nonostante nel visibile non si noti la presenza di nuvole, la maggior parte dei pixel sono etichettati come “probabilmente nuvolosi”. Questo risultato deriva dal fatto che la maschera della copertura nuvolosa esprime la presenza di nubi prescindendo dal tipo di nuvola. In corrispondenza dell'area considerata, nei livelli L2, L3 ed L4 sono presenti valori di radianza abbastanza distanti da quelli caratteristici del cielo non nuvoloso e questo significa che l'area in esame potrebbe essere interessata da nuvole sottili. L4 G2 Nei pressi dell'Africa si osserva una eccessiva presenza di pixel classificati come “confident cloudy” rispetto a quanto mostrato dall'immagine RGB. La ragione di questo è la notevole differenza tra gli endmember utilizzati e le caratteristiche spettrali dei pixel vicini all'Africa.

18. Cloud maskgiorno 29.08.2002 ore 10.15 RISULTATI E CONCLUSIONI