Dati Sentinel per la mappatura geologica: un test in ERDAS IMAGINE 2018

Aggiornare una carta geologica è sicuramente un'impresa costosa e dispendiosa in termini di tempo e risorse. Le immagini satellitari non possono, di certo, sostituire il  ruolo prezioso dei geologi e l'importanza delle indagini in campo ma possono rappresentare un importante dato di supporto, come dimostra questo recente progetto supportato dall'ESA in Africa. 

Seguendo l'approccio metodologico di una autorevole pubblicazione scientifica, abbiamo creato in ERDAS IMAGINE due algoritmi automatici, per  dati Sentinel-2, che permettono di ricavare con facilità una mappa utile alla fotointerpretazione in ambito geologico. Potrete liberamente scaricare gli algoritmi che abbiamo sviluppato e testarli sui vostri pc.

Esempio di Carta Geologica creata con dati Sentinel- ESA

Molto importante, nell'ambito della mappatura geologica, è il ruolo delle bande dell'infrarosso ad onde corte (SWIR) che permettono di distinguere con facilità la risposta di materiali differenti. Il satellite del programma Copernicus, Sentinel-2, i cui dati sono liberamente utilizzabili e scaricabili tramite questo portale, è dotato di ben tre bande nello SWIR (bande 10, 11 e 12). Negli ultimi anni sono state pubblicate numerose pubblicazioni scientifiche volte a sperimentare e a verificare l'utilizzo dei dati Sentinel-2 per la mappatura geologica. Molto interessante, ad esempio, questa ricerca di Al-Nahmi Et al. in cui sono stati utilizzati dei dati Sentinel-2 per la mappatura geologica di una regione dello Yemen.  

Optimum Index Factor e Independent Component Analysis 

Volendo raccontare in modo semplice l'approccio della ricerca di Al-Nahmi Et al, gli step eseguiti sono principalmente due:

• Calcolo dell'indice Optimum Index Factor (OIF) per diverse combinazioni di bande e selezione della combinazione migliore per la mappatura geologica. L'OIF è un valore statistico che si basa sulla varianza totale all'interno delle bande e sul coefficiente di correlazione tra le bande.
• Utilizzo del metodo Independent Component Analysis (ICA) per estrarre le mappe geologiche strutturali. L'ICA è è un metodo di elaborazione computazionale che serve per separare un segnale multivariante nelle sue sotto-componenti additive, ed'è un buon metodo pratico per l'estrazione di mappe geologiche.

Test effettuato su un'area della Sardegna con ERDAS IMAGINE 2018

Immagine Sentinel-2 sulla Sardegna

Dopo aver scaricato, tramilte il Sentinel Hub, il dato acquisito dal satellite Sentinel 2B il 12 Agosto 2018 sul sud della Sardegna (ovviamente per i vostri test potete usare qualsiasi dato Sentinel 2) abbiamo costruito nello Spatial Modeler un modello per il calcolo dell' Optimum Index Factor, modello che potete scaricare qui. L'utilizzo di questo modello è molto semplice, basta selezionare la combinazione di bande da utilizzare - tramite i tre operatori band selection posti all'inizio del modello - e poi eseguire il modello per ottenere in output il valore calcolato. Abbiamo utilizzato diverse combinazioni di bande (le stesse utilizzate nel paper di Al-Nahmi Et al., già citato) fino a ricavare la combinazione con il valore più alto di OIF che è risultata essere la seguente: bande 12, 11, 8a (due SWIR + RedEdge).

Spatial Modeler 

Dopo aver individuato la combinazione di bande da utilizzare abbiamo realizzato il modello per l'algoritmo Independent Component Analysis che vedete  nell'immagine a sinistra e che potete scaricare da qui. Il modello prende in input dati Sentinel 2 a 13 bande e permette di lavorare sull'intera scena o su una determinata area di interesse (Bounding Box). L'utilizzo del  modello è mostrato nel seguente video.

Tutorial:

Considerazione Finali

Con questo semplice esempio abbiamo voluto dimostrare le potenzialità e la ricchezza di informazioni delle tredici bande del Sentinel-2 e la comodità e  rapidità di utilizzo dello Spatial Modeler di ERDAS IMAGINE. Come potete constatare, il risultato ottenuto può essere utile come layer di supporto di un lavoro di fotointerpretazione. E' importante sottolineare comunque che, in questo tipo di applicazioni, svolge un ruolo importante (in negativo) la vegetazione che coprendo il substrato sottostante ne altera la risposta spettrale. Miglioramenti potrebbero essere raggiunti mascherando le aree totalmente vegetate e le aree urbane (strade, edifici, ecc.).
Volendo poi proseguire il processo, al fine di ottenere una carta tematica tramite classificazione automatica o semiautomatica, può essere sicuramente utile in funzione della scala dei prodotti da restituire, utilizzare dati a maggiore risoluzione sia geometrica che spettrale.
Il sensore WorldView-3 ad, esempio, potendo disporre di ben otto bande della fascia dello SWIR, può risultare davvero utile per questo tipo di applicazioni. Un approccio potenzialmente utilizzabile per automatizzare il processo, con i dati sia Sentinel-2 che Worldview-3, prevede l'utilizzo degli algoritmi di Machine Learning (ad esempio Random Forest, Support Vector Machines e altri) che sono disponibili in ERDAS 2018 e che utilizzeremo in un prossimo esempio.
Scaricate i modelli e testateli sui vostri pc :-)
Per qualsiasi tipo di approfondimento contatatteci a questo indirizzo e-mail: sales@planetek.it