VIŠESENZORSKO POVEZIVANJE PODATAKA DALJINSKIH … GLASNIK/GEODETSKI_GLASNIK_50... · 2019. 12. 31. · Geodetski glasnik, 50, 71-94. 1 UVOD „Slika vrijedi hiljadu riječi.“ Svako

Kulo, N. (2019). Višesenzorsko povezivanje podataka daljinskih istraživanja. Geodetski glasnik, 50, 71-94.

71

Primljeno / Recived: 15.10.2019. UDK 528.85 Prihvaćeno / Accepted: 29.11.2019. Pregledni naučni rad / Review article

VIŠESENZORSKO POVEZIVANJE PODATAKA DALJINSKIH ISTRAŽIVANJA

MULTISENSOR REMOTE SENSING DATA INTEGRATION

Nedim Kulo

SAŽETAK

Povezivanje, odnosno integracija, podataka daljinskih istraživanja uključuje kombinovanje podataka kako bi se dobile bolje informacije, ili više informacija o području ili fenomenu od interesa. Kada se pominje kombinovanje, odnosno povezivanje, obično se to odnosi na povezivanje višečasovnih, višerezolucijskih i višesenzorskih podataka. Predmet višesenzorske integracije je udruživanje podataka prikupljenih različitim senzorima. Čest primjer ove vrste integracije jeste udruživanje višespektralnih (odnosno multispektralnih) optičkih podataka sa radarskim snimcima. Oba spektralno različita načina predstavljanja se međusobno nadopunjuju: optički podaci zaduženi su za detaljne spektralne informacije (koje se koriste za razlikovanje tipova tla) dok radarski snimci označavaju strukturne detalje na površini.

Ključne riječi: Daljinska istraživanja, integracija, višesenzorsko povezivanje podataka, optički podaci, radarski podaci

ABSTRACT

The integration of remote sensing data involves combining various data to get better information, or more information about an area or phenomenon of interest. When it comes to combining data, it usually refers to multi-hour, multi-resolution or multi-sensor data linking. The subject of multi-sensor data integration is the combining of data collected by different sensors. A common example of this type of integration is the integration of multispectral optical data with radar imagery. Both spectrally different modes of representation complement each other: optical data is ''in charge'' of detailed spectral information (used to differentiate soil types) while radar data show structural details on the surface.

Keywords: Remote sensing, data integration, multisensory data integration, optical data, radar data

72 Kulo, N. (2019). Višesenzorsko povezivanje podataka daljinskih istraživanja. Geodetski glasnik, 50, 71-94.

1 UVOD

„Slika vrijedi hiljadu riječi.“ Svako se, vrlo vjerovatno, barem jedanput susreo sa ovom rečenicom. Budući da su ljudi vizuelna bića, stvari se mnogo lakše analiziraju ukoliko se vide, nego kada se o njima sluša ili čita. Gore navedena tvrdnja nalazi uporište u činjenici da i najjednostavnija slika bolje opisuje određenu pojavu nego li da se na neki drugi način dobivaju informacije o istoj. Prilikom tumačenja slika, odnosno snimaka, ljudi su veoma uspješni jer se time bave svo vrijeme, čak i ukoliko se radi o vizuelno veoma kompleksnim scenama. Dakle, u stanju su vidjeti (primjetiti) određene uzorke na slikama (snimcima) a ne samo izolovane tačke i odnose između njih, a same slike (snimci) pružaju prostorne ''dimenzije'' predmeta – informacije o njihovom položaju, veličini i međusobnim odnosima (Oštir i Mulahusić, 2014; Campbell i Wynne, 2011).

Daljinsko istraživanje je nauka o dobivanju informacija o površini Zemlje, a da se s njom ne dođe u neposredni dodir (kontakt). Pri tome se opažaju i zapisuju odbijeni ili zračeni elektromagnetni talasi, koji se obrađuju, analiziraju i koriste u različitim aplikacijama. Daljinska istraživanja se najčešće, ali ne i uvijek, bave posmatranjem Zemlje. Naravno, mogu se baviti i posmatranjem Mjeseca, te drugih planeta. Samo daljinsko istraživanje je postupak koji se temelji na interakciji upadnih elektromanetnih zračenja sa opažanim predmetima (Oštir i Mulahusić, 2014).

Područja primjene podataka daljinskih istraživanja su raznovrsna. Protežu se od naučnih oblasti koje bave izučavanjem biljaka, kao što su npr. šumarstvo ili agronomija, preko oblasti koje su fokusirane na Zemlju i prirodne pojave na njoj, npr. geologija i hidrologija, pa sve do oblasti čije interesovanje je pokrovnost i način iskorištavanja Zemljine površine (eng. Land Use and LandCover) (Campbell i Wynne, 2011).

Daljinska istraživanja su izvor velikog broja različitih podataka o planeti Zemlji, tačnije o njenoj površini i objektima koji se nalaze na istoj. Svi ovi podaci igraju veoma bitnu ulogu u procesu analiza koje se provode kako bi se došlo do željenih saznanja o određenom području. Same mogućnosti, govoreći o načinu korištenja daljinskih istraživanja, su izuzetno velike. Ako se doda i integracija (povezivanje) podataka daljinskih istraživanja, mogućnosti primjene postaju još šire. Integracija podataka uključuje kombinovanje podataka kako bi se dobile bolje informacije, ili više informacija o području ili fenomenu od interesa. Kada se pominje kombinovanje, odnosno povezivanje, obično se to odnosi na povezivanje višečasovnih, višerezolucijskih i višesenzorskih podataka. Predmet višesenzorske integracije je udruživanje podataka prikupljenih različitim senzorima. Čest primjer ove vrste integracije jeste udruživanje višespektralnih (odnosno multispektralnih) optičkih podataka sa radarskim snimcima. Oba spektralno različita načina predstavljanja se međusobno nadopunjuju: optički podaci zaduženi su za detaljne spektralne informacije (koje se koriste za razlikovanje tipova tla) dok radarski snimci označavaju strukturne detalje na površini. Treba pomenuti da je osnovni uslov za višesenzorsku integraciju prethodna geometrijska registracija podataka (jednih u odnosu na druge ili u odnosu na odabrani koordinatni sistem) (Oštir i Mulahusić, 2014; Ustuner i Sanli, 2017).


73

2 SISTEMI DALJINSKIH ISTRAŽIVANJA

Proces daljinskih istraživanja se zasniva na otkrivanju i snimanju odbijene ili zračene elektromagnetne energije (talasa). Senzori, kojima se ovo postiže, moraju biti postavljeni na stabilne platforme, odnosno nosioce, te moraju biti odmaknuti od objekta ili površine koja se posmatra. Obično, platforme koje se koriste su (Oštir i Mulahusić, 2014):

- Na tlu – senzori na ovakvim platformama obično se koriste za prikupljanje podataka koji se upoređuju sa podacima o površini koji se dobiju sa satelita ili aviona.

- U zraku – senzori se montiraju na avione, balone ili helikoptere koji su posebno pripremljeni za te svrhe. Iz aviona se mogu dobiti veoma precizni podaci o površini Zemlje.

- U svemiru – senzori u ovom slučaju su montirani na svemirske letjelice, ili češće na satelite1.

Razloga za odabir platforme je više, a najvažniji su željena rezolucija, pokrivenost površine te cijena sistema. Iako postoji više platformi sa kojih se može obavljati prikupljanje podataka za daljinska istraživanja, danas većinu snimaka dobivamo satelitima. Ovo je slučaj iz razloga što satelitske platforme imaju nekoliko bitnih karakteristika koje se sa drugim sistemima ne mogu dostići, a to su: pokrivenost velikih površina (ili kraće samo pokrivenost), dobro poznata geometrija (putanja) te sistematski dugoročna snimanja (velika arhiva).

2.1 Senzori

Senzori koji se koriste u daljinskim istraživanjima mogu se razvrstati u dvije osnovne kategorije: aktivne i pasivne senzore (Slika 1). Aktivni senzori koriste vlastiti izvor elektromagnetnog zračenja (energije) za samo snimanje. Ovakvi senzori emituju zračenje u pravcu predmeta interesovanja, a zatim detektuju i mjere intenzitet reflektovanog, odnosno odbijenog zračenja. Velika većina aktivnih senzora djeluje u mikrotalasnom dijelu elektromagnetnog spektra, što istima omogućava da gotovo nesmetano prodiru kroz atmosferu u skoro svim vremenskim uslovima. Sa druge strane, pasivni senzori detektuju već postojeću, prirodnu energiju koju emituju ili odbijaju objekti na površini, ili sama površina Zemlje. Najčešće se u ovakvim slučajevima radi o sunčevoj energiji, koja se ili reflektuje ili je zrače predmeti (površina) u vidu termičke energije. U pasivne senzore ubrajaju se i različiti tipovi radiometara i spektrometara, a velika većina pasivnih senzora

1Satelit je tijelo koje orbitira oko drugog tijela. Termin satelit se često koristi kada se govori o vještačkom satelitu, za razliku od prirodnih satelita ili Mjeseca (Wikipedia, 2019).


djeluje u vidljivom, infracrvenom, termičkom dijelu infracrvenog te mikrotalasnom dijelu elektromagnetnog spektra (NASA, 2019).

Slika 1. Pasivni (a) i aktivni (b) senzori daljinskih istraživanja (Oštir i Mulahusić, 2014)

2.1.1 Optički senzori

Sistemi za snimanje sa optičkim senzorima predstavljaju najraširenije te najstarije sisteme daljinskih istraživanja površine Zemlje. Među ove sisteme ubrajaju se oni sa optičko-mehaničkim instrumentima (odnosno sa fotografskim kamerama), te u novije vrijeme sistemi sa optičko-elektronskim instrumentima. Fotografske kamere su pasivni optički snimački sistemi koji korištenjem leća (sistema leća) kreiraju snimak u žarišnoj ravni (ravnini u kojoj je slika oštra). Fotografske kamere koriste fotografske filmove koji su osjetljivi na svjetlost talasnih dužina između 300 i 900 nm, što odgovara ultraljubičastoj, vidljivoj i bliskoj infracrvenoj svjetlosti. Razlikuju se crno-bijele ili panhromatske fotografije, te kolor i lažne kolor fotografije koje koriste filmove sa tri sloja, od kojih je svaki osjetljiv na drugo područje talasnih dužina. U novije vrijeme sve više su prisutne digitalne kamere koje energiju elektromagnetnog zračenja zapisuju elektronskim putem. Ovakvi sistemi, umjesto filma, koriste mreže senzora CCD (eng. Charge-Coupled Devices) koji detektuju elektromagnetne talase. Energija koja dospijeva do površine CCD-a stvara električni naboj proporcionalan ''svjetlosti'' posmatrane površine, te na osnovu naboja piksela u svakom spektralnom kanalu dodijeljuju se numeričke vrijednosti. Digitalne kamere karakteriše veća spektralna rezolucija u odnosu na klasične fotografske kamere (Oštir i Mulahusić, 2014).

Danas najčešće korišteni snimački sistemi su oni koji na sebi nose detektore svjetlosti sa uskim vidnim poljem, koji su u stanju prikupljati podatke u širokom rasponu različitih talasnih dužina. Sistem koji posjeduje takve senzore, poznate i kao skeneri (eng. scanner), zove se multispektralni sistem ili multispektralni skener. U daljinskim istraživanjima postoje dva glavna načina skeniranja (Slika 2) (Oštir i Mulahusić, 2014):

- Poprečno skeniranje. Poprečni skeneri Zemlju snimaju u linijama koje su ortogonalne na smjer kretanja platforme. Svaki red bilježi se pomicanjem senzora


75

sa jedne strane na drugu, koristeći pri tome oscilirajuće ili rotirajuće ogledalo. Budući da se platforma kreće ka naprijed, kontinuiranim linijama se kreira dvodimenzionalna slika površine Zemlje. Elektromagnetno zračenje, koje dolazi do senzora, podijeljeno je na pojedinačne dijelove koji se detektuju zasebno. Unutrašnji detektori, od kojih je svaki osjetljiv na određene talasne dužine, otkrivaju i mjere energetski pojas talasnih dužina (kanala), prvo ih pretvarajući u električne signale, a zatim i u digitalni format. Isti se dalje obrađuje te bilježi u obliku rasterske mreže piksela, što su snimci. Prostorna rezolucija ovakvih skenera određuje vidno polje i visinu platforme, što zajedno određuje rezoluciju ćelije. Ugao rotacije ogledala definiše pojas snimanja, tj. dužinu jednog reda snimanja (na satelitskim sistemima ugao rotacije je između 10° i 20°). Ovakve skenere koriste mnogi sistemi za posmatranje Zemlje, među kojima su npr. Landsat, QuickBird i sl.

- Uzdužno skeniranje. Uzdužni skeneri pokrivaju cijelu liniju snimanja na Zemlji odjednom i iskorištavanjem kretanja sistema za snimanje kreiraju sliku u smjeru kretanja. Senzori ovog tipa nemaju rotirajuće ogledalo, već niz detektora koji se nalaze u žarišnoj daljini sistema leća. Svaki pojedinačni senzor otkriva energiju tačno određene rezolucijske ćelije, pa stoga veličina detektora preko njihovog polja određuje prostornu rezoluciju. Ovakvi sistemi zahtijevaju za svaki kanal poseban sistem detektora, a energiju otkrivaju red po red, te je pretvaraju u električne impulse i digitalni oblik. U odnosu na poprečne skenere, uzdužni imaju nekoliko važnih prednosti: otkrivaju više energije što znači bolju radiometrijsku rezoluciju; imaju manje vidno polje i uže spektralne kanale što znači bolju prostornu i spektralnu rezoluciju. Govoreći o detektorima, treba reći da su to, obično, jednostavni elektronski uređaji malih dimenzija i male težine, koji zahtijevaju malo energije za rad. Budući da nemaju pokretnih dijelova, što implicira da su poprečni skeneri pouzdaniji, manje su osjetljivi na mehaničke kvarove i imaju duži vijek trajanja.

Slika 2. Poprečni (a) i uzdužni (b) skener (Oštir i Mulahusić, 2014)


2.1.2 Radar

Sve važniji izvor informacija o okolišu postaju senzori koji rade u mikrotalasnom dijelu elektromagnetnog spektra. Glavni razlog za ovo jesu njihove dobre osobine, kao što su neosjetljivost na vremenske uslove, odnosno mogućnost prodiranja kroz oblake, maglu, prašinu i kišu, te mogućnost snimanja noću, što je doprinijelo povećanju broja operativnih satelitskih radarskih sistema. Dakle, radarom se može posmatrati neovisno o vremenskim i drugim uslovima. Snimanje radarom se može usporediti sa fotografisanjem pomoću bljeskalice, jer sa mikrotalasnim elektromagnetnim zračenjem ''osvjetljuje'' se područje na površini Zemlje i tako se dobije njegova ''slika''. Radarski sistemi koriste se radarskim antenama i računarskim medijima koji otkrivaju i registruju snimke, a na samim snimcima vidi se samo elektromagnetno zračenje koje se odbilo natrag u smjeru antene. Radar (eng. Radio Detection And Ranging) mjeri intenzitet mikrotalasnog signala, koji emituje antena i reflektuje udaljena površina i objekti na njoj. Radarska antena u određenim vremenskim razmacima šalje i prima impulse, koji imaju određenu talasnu dužinu (obično u rasponu od 1 cm do 1 m) i polarizaciju (talasi su polarizovani u vertikalnoj ili horizontalnoj ravnini). Tipični radar šalje prema području koje snima približno hiljadu visoko energetskih impulsa od nekoliko desetaka mikrosekundi (do 50 μs) svake sekunde. Svaki od ovih impulsa obuhvata uski raspon frekvencija oko centralne frekvencije radara (centralne frekvencije se kreću u rasponu od 300 MHz i 30 GHz). Na površini Zemlje energija odaslanog mikrotalasa se rasprši u svim smjerovima, pa i natrag ka anteni. Ovo tzv. raspršivanje unatrag se u vidu slabog signala vraća natrag ka prijemnoj anteni, koja ima značajnu polarizaciju (horizontalnu ili vertikalnu), ali ne nužno istu kao i antena koja emituje signal. Otkriveni signali se pretvaraju u digitalni oblik i snimaju na odgovarajući mediji za pohranu. Radarski sistem određuje položaj posmatrane površine na temelju vremena putovanja mikrotalasa do Zemlje i natrag (odnosno kose linije) i vremena prijema signala. Projekcija prvog na referentnu plohu određuje koordinatu okomito na smjer kretanja (tj. udaljenost), a drugo određuje, uzimajući u obzir brzinu kretanja sistema, koordinatu u smjeru leta (azimut). Prostorna rezolucija radarskog sistema ovisi o smjeru posmatranja, te općenito ne odgovara smjeru leta (azimut) i smjeru radarskog zraka (udaljenost). Frekventna ''širina'' mikrotalasnog impulsa određuje rezoluciju odstojanja, što je rezolucija u poprečnom smjeru (okomito na smjer leta). Što je manja širina impulsa (kraći impuls) bolja je rezolucija udaljenosti. Dužina antene utiče na azimutalnu rezoluciju (u smjeru leta), što je duža antena to je bolja rezolucija u tom smjeru (Oštir i Mulahusić, 2014; Čotar, Oštir i Kokalj, 2016).

Ono što još treba naglasiti jeste da se način interakcije mikrotalasa sa površinom Zemlje razlikuje od načina interakcije elektromagnetnog zračenja sa površinom. Intenzitet reflektovanih radarskih talasa određuje nekoliko faktora, među kojima su najvažniji (Oštir i Mulahusić, 2014):

- lokalni upadni ugao, - raznolikost terena i - provodljivost i dielektričnost površine Zemlje.


77

Lokalni upadni ugao je ugao pod kojim zračenje pada na površinu Zemlje i presudno utiče na intenzitet refleksije. Upadni ugao određuje nagib terena u smjeru radara i ugao gledanja radarskog sistema. Ako radarsko zračenje pada na ogledalne površine gotovo pod pravim uglom mnogo se snažnije odbija nego li kada pada pod veoma malim uglom. U posljednjem slučaju veći dio energije radarskog zračenja odbija se u stranu od prijemnik. Lokalni upadni ugao je jedan od najvažnijih faktora koji određuju intenzitet reflektovanog zračenja.

Uticaj raznolikosti terena se ogleda u načinu refleksije samog zračenja od površine na koju pada. Ukoliko se cjelokupno radarsko zračenje odbija u smjeru daleko od detektora radi se o ogledalnoj refleksiji. Ukoliko se na površini nalaze objekti čije su dimenzije usporedive sa talasnom dužinom radarskog zračenja (približno 1 dm), refleksija koju isti prave naziva se difuzna (raspršena) refleksija. Jačina odbijenog zračenja najjača je pri pravouglom odbojniku, koji dobivamo presijecanjem tri međusobno okomite ravnine. Geometrijom takvog odbijanja svaka se zraka odbija upravo u smjeru upada, bez obzira na smjer odbojnika. Svi pomenuti tipovi refleksije prikazani su na Slici 3.

Slika 3. Ogledalna (a), difuzna (b) i pravougla (c) refleksija radarskih talasa (Oštir i Mulahusić, 2014)

Kada je riječ o provodljivosti i dielektričnosti Zemljine površine, poznato je da metalni predmeti imaju veliku električnu provodljivost, i zbog toga snažno reflektuju radarske talase. Kada se radi o djelimično provodljivim materijalima (npr. mokro tlo ili zelena vegetacija), najjače odbijanje pruža kompleksna dielektrična konstanta, koja pak ovisi od ''čiste'' dielektrične konstante2 i od provodljivosti. Kako voda ima jednu od najvećih vrijednosti ove konstante, refleksija tla i biljaka u velikoj mjeri ovisi o sadržaju vode, a sam intenzitet refleksije ovisi od oblika površine.

2 Dielektrična konstanta je konstanta materijala koja pokazuje kako se materijal (dielektrik) ponaša u vanjskom električnom polju. Definisana je kao omjer gustoće električnog polja u materiji i gustoćom tog polja u praznom prostoru. Dielektrik je materija u kojoj postoji statičko električno polje, bez pokretanja električnog toka. Dielektrik djelimično propušta i djelimično zadržava elektromagnetno zračenje (Oštir i Mulahusić, 2014).


2.2 Višesenzorsko povezivanje podataka daljinskih istraživanja

Postojanje velikog broja različitih senzora koji su danas operativni, te senzori koji će biti dostupni u ne tako dalekoj budućnosti, doveli su do toga da se danas raspolaže sa velikim brojem mogućnosti kada je u pitanju integracija podataka koje isti pružaju (prikupljaju), u cilju boljeg razumijevanja onoga što se dešava na površini Zemlje. Upravo ovo je ono što se naziva konceptom višestrukosti podataka, ili u engleskom govornom području 'multi' konceptom daljinskih istraživanja. Pod ovim konceptom se podrazumjevaju analize višečasovnih (multitemporalnih), višespektralnih i višefrekvencijskih, višepolarizirajućih, višerezolucijskih, te višesenzorskih snimaka. Uz nabrojano, koriste se i analize snimaka koje su načinjene iz različitih pripadajućih uglova, kako bi se došlo do više informacija o prostoru koji se posmatra. Aspekt koji se odnosi na višesenzorske podatke daljinskih istraživanja, baziran na sve većem broju satelita u orbiti sa različitim senzorima, omogućava da se podaci o određenom prostoru, objektu ili fenomenu prikupljaju na više načina. Integracija ovako prikupljenih podataka zahtjeva dodatnu predobradu, i često uzrokuje određene poteškoće koje se ne mogu odstraniti klasičnim načinom obrade podataka (snimaka). Svaki senzor ima svoje karakteristike, te stoga snimke koje nastaju kao rezultat djelovanja istog obično sadrže pojedine nepravilnosti koje se trebaju ispraviti ili ukloniti. Uz to, snimci se moraju geometrijski ispraviti i registrirati, a kako se radi o snimcima različitih senzora isti obično nisu napravljeni u istom vremenskom periodu, te stoga u obzir se mora uzeti i vremenski faktor. Uz sve navedeno, kao izvor podataka za integraciju mogu poslužiti i već postojeći podaci, kao što su npr. topografske karte, digitalni modeli visina i sl. Ove vrste podataka mogu biti veoma bitan izvor informacija koji dopunjuje same snimke nastale senzorima daljinskih istraživanja. Integracija posljednjeg sa snimkama se obično obavlja u GIS sistemima, što znači da dodatni podaci (karte, modeli visina) moraju biti dostupni u digitalnom obliku (Anne H. S., 2006; Kulo, 2018).

2.2.1 Mogućnosti primjene višesenzorski integrisanih podataka daljinski istraživanja

Kako je cilj integracije različitih podataka dobivanje boljih i tačnijih informacija o području, objektu ili fenomenu od interesa, nego li je to slučaj na osnovu podataka samo jednog sistema daljinskih istraživanja, ne čudi da popularnost integracije eksponencionalno raste posljednih godina. Ovisno o potrebama, integracija različitih podataka daljinskih istraživanja svoju primjenu je našla u različitim oblastima (Slika 4), kao što su npr. kartiranje vrsta pokrova i načina korištenja zemljišta, praćenje i klasifikacija urbanih ili poljoprivrednih područja, monitoring klizišta i sl.

Neke od mogućnosti primjene višesenzorski integrisanih podataka daljinskih istraživanja su:


79

- Korištenje integrisanih podataka daljinskih istraživanja za topografsko kartiranje i ažuriranje postojećih karata. Integracija podataka daljinskih istraživanja u svrhe izrade topografskih karata i ažuriranje postojećih karata, pokazala se kao veoma uspješna tehnika kojom se podaci mogu kontinuirano ažurirati i držati u skladu s realnim stanjem na terenu. Područja koja ne pokrivaju senzori pojedinih sistema daljinskih istraživanja često su pokrivena od strane senzora drugih sistema, te se integracija nameće kao logičan izbor za kreiranje potrebnih informacija. U polju topografskog kartiranja i ažuriranja karata često se koristi kombinacija senzorâ osjetljivih u području vidljivog i infracrvenog svjetla sa podacima radara sa sintetičkim antenama. Optički podaci se koriste kao referentno stanje dok radarski podaci, koji mogu biti prikupljeni u bilo koje doba dana, pružaju uvid u trenutno stanje. Podaci pomenuta dva sistema daljinskih istraživanja su komplementarni jedni u odnosu na druge, te stoga pružaju odličan osnov za integraciju u cilju izvlačenja tačnijih i preciznijih informacija o području od interesa (Pohl i van Genderen, 1998).

- Korištenje integrisanih podataka daljinskih istraživanja u svrhe otkrivanja načina iskorištavanja zemljišta (klasifikacije), poljoprivrede i šumarstva. Kada je riječ o klasifikaciji zemljišta, kombinacija optičkih podataka sa radarskim je omogućila raspoznavanje većeg broja različitih načina iskorištavanja zemljišta, što nije moguće samo na osnovu optičkih podatka. Također, slična je situacija i kada je riječ o poljoprivredi, odnosno o raspoznavanju i praćenju različitih poljoprivrednih kultura, tj. usjeva. Ovdje integracija optičkih podataka sa radarskim pospješuje rezultate klasificiranja kultura. Radarski podaci su veoma bitni za zemlje koje imaju dosta čestu naoblaku, te se isti uspješno integrišu sa optičkim, kako bi se moglo pratiti stanje na usjevima, relativno jeftino i veoma učinkovito. Za područja pod šumama, integracija podataka prikupljenih optičkim i radarskim senzorima omogućava dosta precizniju identifikaciju vrsta šume, te stoga ne čudi da se danas sve češće upotrebljava u velikom broju zemalja u svrhe praćenja i upravljanja šumskim zemljištem (Pohl i van Genderen, 1998).

- Korištenje integrisanih podataka daljinskih istraživanja u hidrologiji. Prvo što se ističe u ovoj oblasti jeste upravljanje prirodnim katastrofama koje su rezultat djelovanja vode, tačnije praćenje poplava koje, nažalost, sve češće imaju katastrofalne posljedice. Integracija optičkih i radarskih podataka u ovoj oblasti ima veoma zapaženu ulogu. Općenito govoreći, integracija optičkih sa radarskim podacima u ove svrhe ima dvije velike prednosti, a to su: (I) radarski sistemi su osjetljivi na dielektričnu konstantu, koja je indikator vlažnosti tla, te pomažu pri razdvajanju vodenih masa od kopna; (II) radarski podaci su dostupni u bilo koje doba dana tokom cijele godine, bez obzira na vremenske i atmosferske prilike, što znači da su veoma bitni kada je riječ o redovitim, vremenski baziranim serijama podataka. Za prikazivanje stanja prije poplave koriste se optički podaci, dok se radarski podaci koriste za prikaz načina korištenja zemljišta i položaja vodenih masa. Kada se desi poplava, radarski podaci koriste se za prikazivanje obima poplave i nastalih šteta.


Također, mogu se koristiti podaci iz različitih vremenskih perioda za opsežnije analize, te se mogu kombinovati i topografski podaci za kreiranje animacija ili procjena zona rizika (Pohl i van Genderen, 1998; Mulahusić i Tuno, 2011).

- Korištenje integrisanih podataka daljinskih istraživanja u geologiji. Višesenzorska integracija je veoma dobro implementirana u polje geologije i često se koristi u svrhe geološkog kartiranja. Kako je to već dobro poznato, korištenje višesenzorskih podataka pospješuje interpretacijske mogućnosti snimka. Određene geološke karakteristike koje nisu vidljive na snimcima koji nastaju kao rezultat djelovanja samo jednog senzora, mogu biti otkrivene na osnovu integrisanih snimaka. U većini slučajeva, radi se o kombinovanju podataka optičkih senzora sa podacima radara sa sintetičkom antenom, budući da su pomenuti snimci komplementarni. Integrisani snimci pružaju uvid u geohemiju tla, vegetaciju i način iskorištavanja tla, ali i u vlažnost, topografiju i grubost površine (Pohl i van Genderen, 1998).

Slika 4. Integrisana snimka područja od interesa s ciljem otkrivanja rudarskih operacija, Gunung Pani (Sunuprapto, Danoedoro, i Ritohardoyo, 2016)


81

3 OBRADA PODATAKA

Prvi korak bio je odabir testnog područja i preuzimanje satelitskih snimaka koji se odnose na pomenuto testno područje. Kao testno područje odabrano je šire područje grada Sarajeva, tačnije područje koje politički pripada teritoriji Kantona Sarajevo. Nakon definisanog testnog područja preuzeti su i satelitski snimci sa dva on-line servisa, EarthExplorer i Vertex. Preuzet je jedan Landsat 8 snimak sa servisa EarthExplorer i jedan snimak radara sa sintetičkom antenom sistema Sentinel-1A sa servisa Vertex.

3.1 Opis testnog područja

Kanton Sarajevo (Slika 5) je smješten u planinskom masivu Dinarida, na kontaktu dviju velikih prirodno-geografskih cjelina: Podunavlja i Jadranskog mora. Zauzima površinu od 1.268,5 km2 što čini 2,5% teritorije BiH. U saobraćajno-geografskom smislu ovakav položaj ima poseban značaj, presijecaju ga vitalne komunikacijske veze, prije svih pravac sjever-jug. Tim pravcem, koji ide dolinama rijeka Bosne i Neretve, Kanton je povezan sa srednjeevropskom i mediteranskom makroregijom. Kanton Sarajevo se nalazi između 43° 35' i 44° 07' sjeverne geografske širine, te između 18° 00' i 18° 38' istočne geografske dužine sa centrom Kantona (u blizini aerodroma) čije su tačne geografske koordinate 43° 49' 55'' sjeverne geografske širine i 18° 20' 04'' istočne geografske dužine. Rastojanje između najsjevernije tačke Kantona i najjužnije iznosi 62 km, a između zapadne i istočne tačke dužina je 52,5 km. Ukupna dužina granice Kantona Sarajevo je 303,5 km (Vlada Kantona Sarajevo, 2006).

Slika 5. Položaj Kantona Sarajevo u okviru Bosne i Hercegovine (Wikipedia, 2019)


Kanton Sarajevo se sastoji od devet općina, i to: Centar, Novi Grad, Stari Grad, Novo Sarajevo, Ilidža, Trnovo, Ilijaš, Vogošća i Hadžići. Prema popisu stanovništva iz 2013. god. u Kantonu Sarajevo živi 438 443 stanovnika (Wikipedia, 2019).

Sa geomorfološkog aspekta Kanton Sarajevo predstavlja izrazitu planinsku oblast gdje se 78% prostora nalazi u rejonu iznad 700 metara nadmorske visine, brdskom rejonu od 550 do 700 m pripada 13%, dok nizijskom rejonu pripada svega 9% teritorije. Sa klimatskog aspekta prostor Kantona Sarajevo karakterišu dva klimatska tipa, i to: do 600 m nadmorske visine zastupljena je kontinentalna klima, dok se iznad te visine izdvaja kontinentalno-planinski tip i alpski tip klime (Vlada Kantona Sarajevo, 2006).

3.2 Obrada snimaka

Da bi se postigli što bolji rezultati, podaci daljinskih istraživanja treba da se pravilno pripreme za obradu. Budući da je riječ o postupcima integracije podataka nastalih djelovanjem različitih satelitskih sistema, veoma je bitno snimke dovesti u isti koordinatni prostor, odnosno bitno je da se informacije koje nose sa sobom odnose na isto područje. Također, ukoliko je to potrebno, treba preduzeti korake koji se odnose na geometrijske i radiometrijske popravke (naročito kada se radi o radarskim satelitskim podacima). Jednom kada su podaci dovedeni u zajednički koordinatni prostor (koregistrovani jedan u odnosu na drugog ili dovedeni u isti koordinatni sistem, odnosno projekciju), može se nastaviti sa daljom obradom s ciljem dobivanja traženih informacija.

Kako se oba preuzeta satelitska snimka odnose na područje koje je daleko veće od granica Kantona Sarajevo, odnosno šireg područja grada Sarajeva, isti su tretirani tako da su sa originalnih snimaka isječena područja koja se odnose na testno područje. Koristeći se softverom ERDAS IMAGINE, kreirano je tzv. područje od interesa (eng. Area of Interest – AOI), koje je korišteno za dalje postupanje sa originalnim snimcima. Kreirani *.aoi fajl iskorišten je u postupku isjecanja originalnih snimaka, a sama operacija isjecanja se izvodi korištenjem predefinisanog alata Subset&Chip, koji se nalazi na traci alata softvera ERDAS IMAGINE.

Kako su u ovom radu korišteni snimci daljinskih istraživanja koji su nastali kao rezultat djelovanja optičkih i radarskih satelitskih sistema, dalji koraci predobrade i pripreme snimaka za obradu i analizu su se razlikovali za jedan i drugi sistem prikupljanja podataka. Stoga, u nastavku će biti detaljnije opisani koraci preuzeti u pripremi radarskih podataka, dok se podaci sa sistema Landsat (Slika 6) već u prijemnoj stanici koriguju u geometrijskom i radiometrijskom smislu. Uvidom u metapodatke snimaka sistema Landsat dolazi se do informacije da je isti u UTM projekciji (zona 34), i to u odnosu na WGS84 elipsoid (datum). Orijentisan je ka sjeveru, te ima ukupnu ocjenu kvalitete 9.


83

Slika 6. Landsat 8 snimak iz 2017. god, kanali 4, 3 i 1

3.2.1 Predobrada radarskog snimka

Podaci preuzeti sa satelitskog sistema Sentinel-1A zahtijevaju određenu predobradu. Preuzete snimke sa ovog servisa treba prije daljnje upotrebe radiometrijski i geometrijski ispraviti. Stoga, koristeći se softverskim rješenjem SNAP, preuzeti Sentinel-1A snimak najprije je radiometrijski ispravljen, a zatim su napravljene i geometrijske korekcije kako bi se snimak doveo u WGS84 koordinatni prostor.

Najprije je napravljena tzv. radiometrijska korekcija čiji je cilj stvaranje snimka u kome vrijednosti svakog piksela mogu biti direktno povezane sa odbojem radarskog zračenja od površine područja od interesa. Za konverziju digitalnih vrijednosti piksela snimka u vrijednosti radiometrijski ispravljenog odboja koriste se podaci koji dolaze sa samim snimkom. Vektor kalibracije je uključen u proizvod koji je preuzet sa servisa Vertex, i omogućava da softver napravi konverziju vrijednosti piksela u sigma ili gama nulte (eng. nought) vrijednosti. Radiometrijska korekcija se obavlja po slijedećoj formuli.

𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑖|𝐷𝑁 |

𝐴 (1)

gdje su, ovisno o dostupnim preglednim tabelama: vrijednost(i) jedna od β°i, σ°i ili γ°i vrijednosti originalne digitalne vrijednosti piksela DNi, a Ai jedna od betaNought (i),sigmaNought (i),gammaNought (i) ili dn(i) vrijednosti (SNAP, 2016).

Naredni korak u pripremi Sentinel-1 snimaka je geometrijska korekcija preuzetog snimka. Ovo je neophodno jer se zbog varijacija u reljefu posmatranog područja, te nagiba senzora


na satelitu, udaljenosti između senzora i površine Zemlje ne slažu sa istinskim vrijednostima. Snimci koji nisu prikupljeni senzorom koji je u položaju nadira, mogu sadržavati ovakve nedostatke. Popravke zbog uticaja reljefa su neophodne kako bi se kompenzovale ove greške, te kako bi se prikupljeni podaci, u geometrijskom smislu, odnosili što je to bolje moguće na stvarno stanje terena. Za izvođenje ove popravke, u softveru SNAP, korišten je tzv. Range Doppler Terrain Correction Operator, koji implementira Range Dopler ortorektifikacijsku metodu za geokodiranje radarskih satelitskih snimaka na osnovu geometrije dvodimenzionalnih snimaka. Koristi se dostupnim vektorom informacija o orbiti satelita, koji je sadržan u metapodacima preuzetog snimka, zatim vremenskim intervalima rada senzora, te referentnim DEM modelom kako bi izračunao najbolju moguću korekciju za snimak od interesa. DEM modeli, koje SNAP automatski preuzima sa interneta, odnose se na elipsoid WGS84, sa visinama izraženim u metrima. Također, u ovom koraku, uz korekciju za uticaj terena, napravljena je i reprojekcija snimka u UTM projekciju, zona 34 (što softver automatski prepoznaje), kako bi isti bio u istoj projekciji kao i ranije preuzeti Landsat satelitski snimak (SNAP, 2016).

Slika 7. Geometrijska korekcija snimki nastalih sistemom Sentinel-1 (SNAP, 2016)

Na Slici 7 je prikazan uticaj terena na radarske snimke, gdje se primjećuje da se tačka B sa visinom h iznad elipsoida pojavljuje kao tačka B' na radarskom snimku, iako je njena stvarna pozicija B''. Rastojanje Δr između tačaka B' i B'' predstavlja uticaj terena na položaj tačke B na radarskom satelitskom snimku (SNAP, 2016).


85

Slika 8. ''Sirovi'' snimak satelita Sentinel-1A područja Sarajeva

Nakon urađenih radiometrijskih i geometrijskih popravaka, radarski snimak sistema Sentinel-1A (Slika 8) je eksportovan u GeoTIFF format kako bi isti bio čitljiv softverskom rješenju ERDAS IMAGINE. Prvo što se primjećuje na geometrijski ispravljenom snimku jeste da više nije inverzan poput slike u ogledalu, već se pojavljuje orijentisan ka sjeveru, te u projekciji koja odgovara onoj u kojoj se nalazi Landsat snimak, što u prevodi znači da je ispunjen uslov za integraciju snimaka pomenutih satelitskih sistema.

3.3 Povezivanje višesenzorskih podataka daljinskih istraživanja

Različiti senzori prikupljaju podatke o površini Zemlje na sebi svojstven način. Svaki od njih ima svoje prednosti i mane, a kombinovanjem pojedinih snimaka različitih senzora pokušavaju se umanjiti negativne strane istih, te naglasiti određene osobine koje bi inače, korištenjem podataka sa samo jednog sistema, ostale neprimjećene. Za višesenzorsko povezivanje podataka korišteni su radarski podaci sistema Sentinel-1A, koji su prošli predobradu i georeferenciranje na način kako je to opisano u prethodnom podpoglavlju, i multispektralni podaci sa sistema Landsat 8 iz 2017. god.

Softversko rješenje korišteno za višesenzorsko povezivanje podataka daljinskih istraživanja bio je ERDAS IMAGINE, budući da nudi opcije povezivanja radarskih podataka (odnosno podataka radara sa sintetičkom antenom) s podacima prikupljenim optičkim sistemom za snimanje. Specijalizirani alati iz skupine Radar Toolbox omogućavaju različite manipulacije, popravke i analize radarskih podataka. Za samo


povezivanje korištena je opcija Sensor Merge, koja korisnicima daje mogućnost integracije radarskih snimaka sa multispektralnim snimcima optičkih sistema.

Sama integracija se obavlja na ne tako kompleksan način. Kroz grafičko sučelje korisnik učitava panhromatski radarski snimak i odabire koji kanal istog ulazi u proces integracije. Nakon toga učitava se i multispektralni snimak, te se odabire mjesto na hard disku gdje će integrisani snimak biti spremljen. Na kraju korisnik odabire koju od ponuđenih tehnika će softver iskoristiti za integraciju podataka. Dostupne su tri tehnike integracije, i to (ERDAS, 2014):

- Multiplicative, koja se zasniva na jednostavnoj aritmetičkoj integraciji dva satelitska snimka. Ova tehnika na ulazne snimke primjenjuje jednostavan algoritam za množenje koji integriše pomenute ulazne snimke.

- HSI merge, tehnika integracije koja transformiše snimke iz RGB kolor prostora u HSI kolor prostor, mijenja intenzitet ili zasićenost multispektralnog snimka sa panhromatskim radarskim snimkom, te zatim rezultirajući snimak ponovno transformiše u RGB kolor prostor. Ukoliko se korisnik odluči za ovu tehniku integracije mora definisati da li želi da se zamjena obavlja sa intenzitetom ili zasićenjem, te mora odabrati koji kanali ulaznog multispektralnog snimka će biti dodijeljeni R, G i B kanalima rezultirajućeg integrisanog snimka.

- Principal Components, koja računa osnovne komponente multispektralnog

snimka, a zatim iste mijenja sa panhromatskih radarskim snimkom. Prije toga, radarski podaci se preuzorkuju tako da odgovaraju rezoluciji multispektralnih podataka. Nakon uspješno obavljene zamjene obavlja se još jedno računanje osnovnih komponenti, ali ovaj put inverzno. Ako se korisnik odluči za ovu tehniku integracije, potrebno je da odabere način na koji će se radarski snimak preuzorkovati prije spajanja sa osnovnim komponentama multispektralnog snimka. Za to postoje četiri moguće opcije, i to:

(1) Remap, opcija kojom se vrijednosti sa radarskog snimka preuzorkuju u

domenu vrijednosti sračunatih osnovnih komponenti. Ista pomaže pri smanjenju distorzije prilikom ponovnog računanja osnovnih komponenti.

(2) Histogram Match, opcija kojom se podudaraju histogram radarskog snimka i histogram osnovnih komponenti.

(3) Multiply, opcija koja vrijednosti na radarskom snimku množi s vrijednostima

na snimku osnovnih komponenti. Prije množenja domena vrijednosti radarskog snimka se preuzorkuje na vrijednosti između 0 i 1.


87

(4) None, opcija koja dozvoljava korištenje radarskog snimka bez ikakvih korekcija vrijednosti.

Nakon odabira tehnike integracije podataka bira se koji kanali ulaznog multispektralnog snimka ulaze u proces integracije, način preuzorkovanja rezultirajućeg snimka te domena izlaznih podataka. Ovim korisnik završava svoj dio angažmana, a softver dalje računa sve potrebne parametre kako bi obavio integraciju podataka.

U ovome radu korištena je Principal Components tehnika integracija različitih podataka, sa sve četiri dostupne opcije preuzorkovanja radarskog snimka, te bilinerna interpolacija kao opcija za preuzorkovanje integrisanog snimka (Slika 9).

Slika 9. Postavke za proces integracije radarskih i optičkih podataka u softverskom rješenju ERDAS IMAGINE

3.4 Rezultati povezivanja višesenzorskih podataka

Na Slikama 10, 11, 12 i 13 su prikazani rezultati višesenzorskog povezivanja podataka daljinskih istraživanja, tačnije snimci nastali procesom integracije radarskih i optičkih podataka.


Slika 10. Rezultat višesenzorskog povezivanja radarskih i optičkih podataka preuzorkovan Remap metodom, prikazan kanalima 6, 5 i 4

Slika 11. Rezultat višesenzorskog povezivanja radarskih i optičkih podataka preuzorkovan HistogramMatch metodom, prikazan kanalima 7, 5 i 3


89

Slika 12. Rezultat višesenzorskog povezivanja radarskih i optičkih podataka preuzorkovan Multipy metodom, prikazan kanalima 7, 5 i 3

Slika 13. Rezultat višesenzorskog povezivanja radarskih i optičkih podataka preuzorkovan None metodom, prikazan kanalima 4, 3 i 2

Integracija višesenzorskih podataka rezultirala je snimcima koji dozvoljavaju dosta dobru vizuelnu interpretaciju. Ono što karakteriše sve integrisane snimke jeste mogućnost jasnog raspoznavanja reljefa testnog područja. Jasno su izražene padine te interpretator, odnosno


korisnik, veoma jednostavno može zaključiti kako izgleda reljef područja od interesa. Nadalje, na svim integrisanim snimcima jasno se može raspoznati urbano, odnosno izgrađeno područje od ostalih neizgrađenih površina. Zahvaljujući provougloj refleksiji radarskih talasa, a koja je rezultat odbijanja talasa od izgrađenih objekata, urbana, tj. izgrađena područja su svijetla na svim snimcima, odnosno u zavisnosti od kanala korištenih za prikaz snimka jasno se razlikuju od okoline. Također, svi integrisani snimci omogućavaju raspoznavanje vodenih tokova i postojećih saobraćajnica, te područja pod gustom (crnogoričnom) šumom.

Najbolji snimak za prikaz plastičnosti reljefa je onaj nastao HistogramMatch metodom preuzorkovanja, a na Slici 14 je isti prikazan u kombinaciji kanala 7, 5 i 3. Ova kombinacija kanala, osim što dosta dobro prikazuje oblik reljefa, omogućava i raspoznavanje izgrađenog (urbanog) područja, koje je na snimku prikazano svijetlim tonovima.

Slika 14. Plastičnost reljefa područja Sarajeva prikazana integrisanom snimkom preuzorkovanom HistogramMatch metodom, kanali 7, 5 i 3

Snimci preuzorkovani metodama Remap (kombinacija kanala 7, 5, 3) i Multiply (kombinacija kanala 7, 5, 3) su slični. Na oba snimka izgrađena (urbana) područja su prikazana svijetlijim tonovima koji se približavaju rozoj boji, dok su vodene površine prikazane plavom bojom. Saobraćajnice, kao što je autocesta A1, prikazane su tamnim tonovima, a isti je slučaj i sa pistom aerodroma Sarajevo. Poljoprivredne površine su prikazane tamnijom nijansom zelene boje i dosta dobro se mogu razlikovati od ostalih načina iskorištavanjazemljišta. Također, na oba snimka se dosta dobro može prepoznati oblik reljefa te područja pod gustom šumom. Interesantno je to da se na snimku


91

preuzorkovanom Remap metodom jasno mogu uočiti i gradska groblja Bare i Vlakovo (Slika 15).

Slika 15. Uočena poljoprivredna zemljišta (žuti krugovi) i područja koja se koriste kao gradska groblja (crveni krugovi) na integrisanom snimku preuzorkovanom Remap metodom, kanali 7, 5 i 3

Najinteresantniji snimak je onaj preuzorkovan None opcijom preuzorkovanja (Slika 16). U kombinaciji kanala 4, 3 i 2 na istom se veoma dobro mogu uočiti površine na kojima se izvode određeni građevinski radovi koji uključuju iskopavanja. Tako se na snimku jasno može uočiti područje na kome se gradi kompleks Poljine Hills te Pearl Park Resort Elijah. Navedena područja su prikazana žutim tonovima na integrisanom snimku. Također širom snimka mogu se primjetiti i područja gdje se izvode građevinski radovi na izgradnji većih objekata, a uključuju aktivnosti iskopa zemljanih masa. Interesantno je da se mogu jasno raspoznati i područja na kojima su aktivni kamenolomi. Tako se na snimku, prikazano tamnijim i svijetlijim žutim tonovima, mogu uočiti kamenolomi Lapišnica, Zujevina (Dupovci) i Krupac, te kamenolom Baumit u selu Rudnik, općina Ilidža. Daljom interpretacijom korisnik može raspoznati poljoprivredne površine, oblik reljefa i područja koja pokriva gusta šuma. Urbana područja su prikazana svijetlim tonovima, kao i vodene površine, što može izazvati određenu dozu neodređenosti.


Slika 16. Uočena područja na kojima se izvode građevinski radovi (crveni krugovi) te područja na kojima su aktivni kamenolomi (narandžasti krugovi) na višesenzorskom integrisanom snimku, preuzorkovanom opcijom None, prikazan kanalima 4, 3 i 2

4 ZAKLJUČAK

Povezivanje podataka različitih tipova i izvora predstavlja vrhunac postupka analize i interpretacije snimaka. Podaci iz različitih izvora, kao što su to radarski i optički podaci, su komplementarni jedni u odnosu na druge, te kombinacija pomenutih omogućava minimiziranje nedostataka jednih i drugih. Problem učestale pokrivenosti oblacima, česte kiše ili izmaglice korisnici mogu zaobići integracijom podataka radarskih sistema sa podacima optičkih sistema. U proces integracije optički sistemi unose svoje spektralne osobine, dok radarski podaci sa sobom nose informacije o odzivu tla. Kako je to i prikazano iznad, povezivanje ove dvije vrste podataka rezultuje snimkom na kojem se može jasno vidjeti konfiguracija terena, odnosno reljef područja od interesa. Također, različitom kombinacijom kanala za prikaz crvenog, zelenog i plavog kanala na snimcima se mogu prepoznati različite pojave i objekti. Prikazano je da se lako mogu uočiti kamenolomi, područja na kome se izvode intenzivni građevinski radovi, razlikuju se izgrađena područja, poljoprivredne i šumske površine, kao i vodene površine. Odabirom različitih kanala za prikaz snimka korisnik je u stanju raspoznavati različite objekte ili pojave, sve ovisno o krajnjem cilju korištenja podataka. Ono što se nameće kao logičan zaključak jeste da snimak nastao povezivanjem različitih podataka daljinskih istraživanja uistinu omogućava prikupljanje novih informacija, koje bi ostale ''skrivene'' ukoliko bi se gledao snimak samo jednog izvora. Prikupljeni podaci se dalje mogu koristi u različite svrhe, za ažuriranje karata, praćenje prirodnih i drugih nesreća, praćenje površinskih


93

kopova, praćenje izgradnje, otkrivanje područja na kome se obavljaju određene građevinske ili druge operacije i sl. Općenito govoreći, integrisani snimci korisnicima nude više mogućnosti nego li je to slučaj sa samo radarskim ili sa samo optičkim snimcima.

LITERATURA

Anne H. S., S. (2006). Data fudion for remote sensing applications. Oslo: Department of Informatics, University of Oslo.

Campbell, J. B., i Wynne, R. H. (2011). Introduction to Remote Sensing (Fifth Edition ed.). London: The Guilford Press.

Čotar, K., Oštir, K., i Kokalj, Ž. (2016). Radar Satellite Imagery and Automatic Detection of Water Bodies. Geodetski glasnik, 47, 5-15.

ERDAS. (2014). ERDAS IMAGINE Software Documentation. Intergraph.

Kulo, N. (2018). Različiti načini integracije podataka daljinskih istraživanja. Geodetski glasnik 49, 55-76.

Mulahusić, A., Tuno, N. (2011). Metode za otkrivanje promjena kod daljinskih istraživanja. Geodetski glasnik, 40, 3-13.

NASA. (2019, July 20). Remote Sensors. Dostupno na: https://earthdata.nasa.gov/learn/remote-sensors

Oštir, K., i Mulahusić, A. (2014). Daljinska istraživanja. Ljubljana i Sarajevo: Građevinski fakultet, Univerzitet u Sarajevu.

Pohl, C., i van Genderen, J. L. (1998). Multisensor image fusion in remote sensing: Concepts, methods and applications. International Journal of Remote Sensing, 823-854.

SNAP. (2016). SNAP Softwere Documentation. ESA.

Sunuprapto, H., Danoedoro, P., Ritohardoyo, S. (2016). Evaluation of pan-sharpening method: applied to artisanal gold. Procedia Environmental Sciences(33).

Ustuner, M., Sanli, F. B. (2017). Evaluating training data for crop type classifıcation using support vector. Geodetski glasnik, 48, 125-133.

Vlada Kantona Sarajevo. (2006). Prostorni plan Kantona Sarajevo. Sarajevo: Zavod za planiranje razvoja Kantona Sarajevo.

Wikipedia. (2019, July 25). Kanton Sarajevo. Dostupno na: https://bs.wikipedia.org/wiki/Kanton_Sarajevo


Wikipedia. (2019, July 25). Sarajevo in Federation of Bosnia and Herzegovina. Dostupno na: https://en.wikipedia.org/wiki/File:Sarajevo_in_Federation_of_Bosnia_and_Herzegovina.svg

Wikipedia. (2019, July 20). Sateliti. Dostupno na: https://bs.wikipedia.org/wiki/Sateliti

Autor:

Nedim Kulo, Mr. dipl. ing. geod. Građevinski fakultet, Univerzitet u Sarajevu Patriotske lige 30, 71000 Sarajevo Bosna i Hercegovina E-mail: [email protected]

Documents

VIŠESENZORSKO POVEZIVANJE PODATAKA DALJINSKIH … GLASNIK/GEODETSKI_GLASNIK_50... · 2019. 12. 31. · Geodetski glasnik, 50, 71-94. 1 UVOD „Slika vrijedi hiljadu riječi.“ Svako