Vastus leiad õppematerjalist: Taimkatte kaugseire

Taimkatte kaugseire (0)

1 Hindamata

Esitatud küsimused

Palju peegeldus ja laseb läbi?
Kuidas tegutseksite?
Kuidas seda seletada?
Millised meetodid on selleks kasutatavad?
Mis on lehepinnaindeks ja kuidas seda mõõta?
Milline on Landsat TM ja SPOT piltide piksli suurus?
Millised ained taimelehes põhjustavad kiirguse neeldumist?
Mille poolest erinevad puistu võrastiku liitus ja taimestiku katvus?
Millised neli komponenti on aluseks Li-Strahleri metsa heleduse mudeli tuletamisel?
Miks taimelehed teatud suunast vaadates läigivad?
Miks on lennukilt vaadates päikesepaistelise ilmaga lennuki varju ümber maapinnal hele oreool?
Millises Landsat TM spektraalkanalis on rohelise taimkatte heleduse maksimum kesksuvel?
Millised TM spektraalkanalid on seotud vee neeldumisribadega?
Mis on maastikumuster ja kuidas ta on seotud taimkatte kaugseirega?

Taimkatte kaugseire
Eksamiküsimused

Kaugseire füüsikalised alused. (Kiirguse spekter , heledus, heleduskordaja, kiirgustemperatuur, polarisatsioon ).
Kaugseire baseerub elektromagnetkiirguse ja aine vastastikuse mõju füüsikalistel seaduspärasustel.
Kiirguse spekter: gammakiirgus, röntgenkiirgus 0.03 – 3 nm, ultraviolettkiirgus 3 – 400 nm, nähtav kiirgus 400 – 700 nm, lähisinfrapunane kiirgus 700 – 1500 nm, keskmine infrapunane kiirgus 1500 – 6000 nm (6 µm), infrapunane ( soojuskiirgus ) 6 – 300 mikromeetrit, mikrolained ( raadiolained ) suurem kui 300 mikromeetrit ehk 0.3 mm.
Nende kasutamine kaugseires sõltub Maa atmosfääri läbipaistvusest vastavas spektripiirkonnas.
Atmosfääri läbipaistvuse nn akendest – nähtav, lähisinfrapunane, keskmine (3-5 µm) ja kaugem infrapunane (8-14 µm – mõõdetakse peamiselt objekti enese poolt kiiratavat energiat, mitte enam seda, mida objekt peegeldab või hajutab)! Need piirkonnad, millistes puuduvad atmosfääri koostisosades olulised neeldumispiirkonnad.
Lisaks kiirguse neeldumisele mõjutab atmosfääri läbipaistvust ka kiirguse hajumine ( Rayleigh hajumine – hajumine õhu molekulidel – tekib taeva sinine värvus; Mie hajumine – hajumine valguse lainepikkusega võrreldava suurusega osakestel, nagu aerosool ). Kaugseire seisukohalt on kiirguse hajumine ja neeldumine segavad nähtused.
Mikrolainete piirkonnas, sh ka raadiolainete omas mõõdetakse kas looduslikku raadiokiirgust, mida maapind ise kiirgab või kunstlike raadioallikate poolt väljasaadetud kiirguse tagasipeegeldumist.
Plancki must keha: konstandid, pinna absoluutne temp ja kiirguse lainepikkus ; musta keha kiirgusvõime e = 1, tegelikel looduslikel pindadel on see väärtus 1 väiksem, tavaliste maapinnal esinevate temperatuuride juures asetseb kiirgusenergia maksimum u 10 µm juures.
HELEDUS, heleduskoefitsent – objekti heledus on sellelt objektilt ajaühikus pinnaühiku kohta ruuminurgaühikus (sterdiaan) lähtuva energia hulk (w m-² sr -1). Sõltub seega nii obj langevast kiirgusest kui obj peegeldumisomadustest. Heleduskordaja on suhtarv , mis näitab uuritava objekti heleduse suhet samades valgustustingimustes oleva ideaalse hajutaja heledusse. Võrreldakse ideaalse hajutajaga, mis peegeldab talle langenud kogu kiirguse tagasi difuuselt (kõigis suundades), Lamberti seaduse järgi.
Heleduskoefitsendi neli juhtu: 1) kahesuunaline heleduskoefitsent 2) poolsfääriline, suunatud 3) suunatud-poolsfääriline 4) kahe-poolsfääriline – langev kiirgus saabub poolsfäärist ja ka peegeldunud kiirgus mõõdetakse poolsfääris – nt pilves ilmaga albeedo mõõtmine.
Kiirgustemperatuur – pikalainelise kiirguse piirkonnas püütakse tavaliselt mõõdetavaid heledusi taandada uuritava objekti temperatuuri hinnangutele nn kiirgustemperatuurile. Stefan -Boltzmani seadus – musta keha poolt kiiratav kogu kiirgusenergia on võrdeline selle keha absoluutse temperatuuri neljanda asmtega. Wieni nihkeseadus annab ags lainepikkuse, mille juures on kiiratava energia maksimum. Päikeseenergia max on rohelises piirkonnas ja maapinna tavaline on 3-15 µm. keha kiiratav energia oleneb lisaks temperatuurile veel ka keha kiirgusvõimest (enamuse looduslike obj oma on vahemikus 0.9-0.98).
Polarisatsioon - Stokesi 4 parameetrit.
Peamised neeldumist põhjustavad ained: vesi, co2, CO, hapnik, osoon, metaan , dilämmastikoksiid.
2. Kaugseiretehnika. (Radiomeeter, paljukanaliline skanner , videospektromeetrid, aktiivsed süsteemid, infrapunased radiomeetrid, mikrolaineradiomeetrid ja radarid ).
(kaugseire peamiseks infoallikaks on obj lähtunud elektromagnetkiirgus). Infot annavad: kiirguse spekter või heleduse keskväärtus eri spektrip-k, heleduse varieeruvus ja korrelatsiooni uuritava obj piirides (nn tekstuur ), lisainformatsioon muudest allikatest (geoinfosüsteemid), heleduse ajaline muutumine ja ajaline korrelatsioon, heleduse olenevus vaatesuunast ja valguse langemise suunast , obj lähtunud kiirguse polarisatsioon, fluorestsejtskiirguse olemasolu, heledus ja ajaline kestvus)
pasiivsed skannersüsteemid: paljukanalilised mitmesuguse lahutusvõimega, soojukiirguse e infrapunased, mikrolaine, kujutise spektromeetrid..
aktiivsed süsteemid: lidar , radar .
Pildid DN ühikutes. Informatiivsemad on heleduskordaja ühikud (suhe samades valgustingimusts oleva ideaalse difuusse peegeldaja heledusse).
MODIS olulisemad produktid (ajaline lahutus 1-2 päeva): ookean temp, klorofülli konts, veest lahkuv kiirgus; maapind. Temp, taimestiku katvus , seisukord , LAI, fAPAR – neeldunud fotosünteetiline aktiivne kiirgus (suhtarv langevast kiirgusest); integraalne albeedo (kui palju päikesekiirgust peegeldab objekt tagasi); info põlengute kohta); atmosfäär ja pilved
Radiomeeter – MISR – mõõdab 9 eri nurga all. Mitmesugused efektid paistavad paremini välja kaldu vaatesuunas (suits).
MERIS – euroopa modis. 400-900 nm, spektraalp-k sobivad just veekogude uurimiseks.
ASAR – radar – muutuva polarisatsiooniga. H-horisontaalne, V-vertikaalne samaaegsed pildid. Maapinna klassifitseerimine – taimkatteks, mullaks , merejää eristamine, okeanograafia
Kõrglahutusega skannerid – QB, WV, IKONOS, 0,5-5 m.
3. Taimelehtede optilised omadused.
Taimkatte heledus oleneb: taimkatte struktuurist, taimelehtede jt taime organite optilistest omadustest, mulla optilistest omadustest, taimkattele langevast kiirgusest.
Rohelise taimelehe optilised omadused:
Kaugseire seisukohalt on oluline:

Lehe peegeldumiskoefitsent
Lehe läbilaskekoefitsent
Lehe neeldumiskoefitsent
Hajunud kiirguse suundolenevus --- need suurused olenevad lehes sisalduvate ainete neeldumisspektritest ja taimelehe struktuurist. Olulisemad neeldumist põhjustavad ained vesi ja pigmendid (klorofüll, karotinoidid), aga ka hulgaliselt orgaanilisi aineid.

Vahakihilt peegeldumine – Fresneli peegeldumisseaduse alusel. Läikiv leht ei ole roheline, sest vahakihis pole klorofülli. Difuusne peegeldumine lehelt ja läbilase toimuvad peamiselt lehe sisemusega interakteerunud kiirguse tõttu.
Rohelise taimelehe spektrid – 400-700 nm suur läbilase ja väike peegeldumine;
700- 1400 nm suht ühe palju peegeldus ja laseb läbi?
Taimelhetede koostisosade neeldumisspekter – 1500 nm juures suurem neeldumine veel, niisamuti 2000 nm; ja 2500 nm. klorofüllil 500-700 nm, suurim seega sinises ja punases piirkonnas. Orgaanilised ained neelduvad suurematel lainepikkustel.
Landsat TM kanalites taimelehe peegeldumine: mida suurem vee sisaldus, seda enam ühtlustub tagaspeegeldunud kiirguse väärtus. Suur erinevus esimese kolme ja neljanda kanali vahel, kus peegeldumine kasvab järsult. Aknad – 1,5 ja 2 nm , kus peegeldumine korraks langeb.
Väga hea kontrast mulla ja taimelehe vahel on punases ja lähisinfrapunases piirkonnas.
Taimelehtede optilised mudelid: Prospect mudel – peegeldus- ja läbilaskekoefitsent sammuga kuni 1 nm. Sisendparameetrid – kuivaine hulk, klorofülli hulk leheüinna ühiku kohta, veekihi paksus, puunide pigmentide kontsentratsioon, rakukihtide efektiivne arv.
4. Muldade optilised omadused.
Taimkatte kaugseire baseerub oluliselt rohelise taimestiku ja mulla spektraalsetel erinevustel. Taimkatte uurimisel püütakse mulla mõjust peegeldunud signaalile tavaliselt lahti saada. Mullatüübi teadmine oluline lisainfo kaugseire andmete tõlgendamisel.
Erinevate mullatüüpide peegeldumisspektrid – palju orgaanikat ja peen struktuur, lõimis vms – väike peegeldumine eri lainepikkustel; suur rauaoksiidide sisaldus ja peen struktuur – veel madalam peegeldumine, kuid väikestel lainepikkustel suurem; a-st järgmine, heledam, on vähe orgaanikat ja vähe rauaoksiide, kõige heledamad on madal orgaanilise aiene sisaldus, kuid keskmine raua-oksiidide sisaldus.
Muldade peegeldumisomadused olenevad järgmistest teguritsest:

Keemiline koostis (raudoksiidi ja karbonaatide sisaldus eriti), lähtekivim
Orgaaniliste ainete sisaldus ( huumus )
Mulla niiskus ja poorsus
Mula osakeste suurusjaotus (tekstuur)
Mullapinna struktuur e karedus

Kuiva mulla heleduskordaja kasvab praktliselt kogu nähtava, lähedase ja keskmise infrapunase spektri piirkonna
Mulla niiskuse hindamine – keskmises infrapunases vee neeldumisribade piirkonnas (1.4, 1.9 ja 2.7 mikromeetit)
5. Taimkatte struktuuri kirjeldamine.
LAI ja katvus – olulised parameetrid .
Lehtede pindala ruumtihedus u(x, y, z) – m2/m3 – lehepindala kuupmeetri ruumi kohta – tülikas mõõta
Lehtede pindala vertikaalne jaotus – natuke rohkem andmeid. ( noorel puul kõrgemal rohkem okkaid ja lehepindala ruumitihedussuurem)
LAI – m2/m2 - – taimelehtede kogupindala jagatud maa-ala pindalaga, kus nad paiknevad. Dimensioonita suurus. Kõige paremini neelavad taimelehed sinises ja punases piirkonnas.
Lehtede kaldenurkade ja orientatsiooni jaotus – mis nurga all lehed paiknevad, nt okaspuul paiknevad nooremad okkad ladva pool. Lehe pinnanormaali kaldenurk ja lehe pinnanormaali asimuut.
G=0.5 sfääriline orientatsioon , G=cos0 – horisontaalsed lehed, G = 2/pii sin0 vertikaalsed lehed.
Katvus ja läbipaistvus - Läbipaistvus kõrgusel z ja suunas 0, ekponentsiaalne funktsioon, lehepinnaindeks, koosinus – kalde all teepikkus suureneb. Katteväärtus e katvus – kui suur osa maapinnast on taimedega kaetud KV = 1 – a(0,0) Metsas on analoogiline suurus LIITUS e võrade katvus. Võrade liitus ja võrastiku liitus – erinevus on kattuvate võrade arvestamise, võrastiku liituse arvutamisel arvestatakse vaid ühekordselt, võrade katvusel nii palju kordi kui on kattuvaid võrasid.
Nt LIDAR 3D puu struktuuri mõõtmiseks; Saab määrata puude kõrgust ja katvust.
Radari piltidelt püütakse saada biomassi ( tagavara ) hinnanguid. Raadiolainete tagasihajumise koefitsenti hinnatakse sellel puhul.
6. Kiirguslevi taimkattes ja selle mudelid.

Kiirguslevivõrrandil baseeruvad – taimkate kui sume keskkond.

Vajame: heledust mõjutavate faktorite selgitamiseks, numbrilised eksperimendid , mõõtmistulemuste interpreteerimiseks ja normaliseerimiseks. Heleduse muutuste ennustamiseks, taimkatte parameetrite hindamiseks, vahelüli sat piltide ja metsanduslike andmebaaside vahel…

I – intensiivsus, kirkus, koosinus langeminurgast (kiirgusvälja muutus vertikaalkoordinaadis vasakul pool)
Paremal: F(L,r) – kiirgusallikas, taimelehtede oma kiirgus; hajumisliige – kui palju kiirgust tuleb muudest suundadest ja peegeldatakse muudesse suundadesse, hajumine taimkatte sees. Kiirguse nõrgenemine (-G(L,r) I(L,r). lisaks sellele võrrandile peavad olema veel tingimused keskkonna piiril .
Hajumisindikatriss (gamma) isel hajumise seaduspärasust. Oleneb ühe taimelehe poolt peegeldunud / läbi lastud kiirguse suundolenevusest, aga ka lehenormaalide jaotusest kaldenurga ja asimuudi järgi.
Sisendparameetrid kiirguslevi võrrandisse- LAI, taimelehtede kaldenurkade jaotusseadus, taimelehe peegeldus- ja läbilaske koefitsient (hajumisindikatriss), kiirguse nõrgenemiskoefitsent (G-funktsioon).
Kui palju kiirgust lendab peale ja mulla peegeldumise omadused – keskkonna tingimused, parameetrid.

Kiirguslevivõrrandeid raske lahendada – üldjuhul vaid numbrilised jt ligikaudsed meetodid, kujutab integro-diferentsiaalvõrrandit (I järku hajunud kiirgusvälja leidmine ka analüütiliselt lahenduv – jäetakse ära integraalne liige, mis kirjeldab mitmekordset hajumist – tulemuseks kergesti lahenduv diferentsiaalvõrrand). Kaut mitmesuguseid ligikaudseid meetodeid .
Homogeense taimkatte heleduse mudelid: horistontaalsuunas (paljud põllukultuurid) heleduse mudelid (kiirguslevi võrrandi ligikaudne lahendamine); Andres Kuuse loodus MCRM2 (ühekordse hajumise ül lahendatakse täpselt, mitmekordse oma ligikaudselt, sama mudelit kasut metsa heleduse mudelis alustaimestiku peegeldumisomaduste kirjeldamisel; võimaldab arvutada heleduskordaja spektri ja heleduskordaja suundolenevuse).
Metsa heleduse mudelid: lehestiku koondumine võradesse ja olulised võradevahelised tühimikud (eripära võrreldes põllukultuuridega) – ebahomogeenne biomassi jaotumine .
Metsa heleduse komponendid: valgustatud võrad, varjus võrad, valgustatud alustaimestik, varjus alustaimestik. Metsa heledust saab arvutada nende komponentide heledus korda osakaalu summana.
Li-Strahleri metsa heleduse mudel – 4 komponenti, mille heledused määratakse igas spektraalkanalis eraldi, komponentide proportsioonid leitakse geomeetriliste arvutuste tulemusena. Kui komp heledused teada, sabab puistu keskmist heledust teades hinnata puude arvu.
Kuusk-Nilsoni mudel – suur hulk sisendparameetreid, nagu puuliik , võrapikkus, läbimüüt; liitus, LAI; klorofüll, vesi jms ( biokeemia ); alustaimestiku ja mulla parameetrid (LAI, lehe kaldenurk).. palju otstarbeid, nagu raiete modelleerimine , metsa heleduse seosed lehtede biokeemia, ökol parameetritega (LAI), metsa heleduse seosed takeertunnustega..
Puistu vanusest sültuvad näitajad: tihedus (40-60 kahaneb); liitus (suureneb kuni 30-40) – heledus kahaneb kiiresti, LAI (kuni 20 hüppeliselt suureneb).
Peamised faktorid , mis kujudavad metsa heleduse muutumist puistu vanusega:
Liituse muutus; LAI muutus; liigilise koosseisu muutused; lehtede ja skeleti osatähtsuse muutus, alustaimestiku (heleduse) muutused; raiete mõju (nt kui vähenevad liitus ja või LAI); whkki puude kõrgus, rinnasdiameeter, tagavara ja rinnaspind kasvavad, võivad heleduskoef. Jääda samale tasemele , kui ei toimu samaaegselt ouistu liituse, LAI ja liigilise koosseisu muutusi. Faktorite mõju eri spektrip-k on erinev.
LIITUS JA LAI – määravad otseselt heleduse, mitte tagavara või rinnaspindala . Empiirilised seosed näitavad enamasti, et mida suurem on tagavara (rinnaspindala, liitus), seda väiksem on puistu heledus. Mudelrehkendused seda ei kinnita.
Okkakao mõju kuusiku heleduskordajatele: paremini avastatav spektri nähtavas ja keskmises infrapunases. Sobivad ka muutuste avastamiseks enne ja pärast kahjustust piltide võrdlemine

Geomeetrilisel optikal baseeruvad – taimi kujut kui teatud geom kujundeid
Statistilise modelleerimise e Monte- Carlo mudelid – valguskvandi kulgemist modelleeritakse arvutis, fikseerida iga taimelehe asend ruumis. Arvutis lastakse peale valguskvandid, modelleeritakse kiire kohanemine valguslehel. Leitakse tõenäosus, kas valguskvant neelatakse või pegeldatakse. MC – meetod protsesside virtuaalsete mudelite konstrueerimiseks, et hinnata teatud statistilisi suurusi: keskmine, dispersioon, kovariants (valguskvandi juhusliku tee kirjeldamine, suur mudelite perekond, kõiksugused taimkatted võimalikud, nõuab kiiret arvutit, täpne, kui katsetuste arv piisavalt suur).
Nn radiosity meetod – (tuletatakse geomeetrilised vaatefaktorid, kui palju ühest punktist on naaberalasid näha – kui palju kiirgust neist naabritest tuleb, saadakse lineaarne võrrandisüsteem iga punkti kohta taimkatte sees kirjutatakse üles kiirgustasakaalu tingimus, mis arvestab antud punktist kõigi „nähtavate“ naaberelementide heledust. Vaja teada nn vaate faktoreid – view factor , mis isel kui suure ruuminurga alt naaberelemendid antud punktist vaadates paistavad.
Taimkate kui teatud pind. Kirchoffi lähendus. Fresneli seadus. Lamberti pind. Minnaerti valem. Nt pinna keskmine kõrgus ja hälbed sellest – peegeldused sellelt pinnalt.

7. Põllukultuuride kaugseire. Heleduskordajate sesoonne muutumine seoses taimkatte arenguga.
Heleduste suhe 800/670 nm on hästi seotud taimestiku katvuse ja tihedusega: punases spektripiirkonnas väheneb heledus katvuse suurenedes ja lähisinfrapunases suureneb heledus koos katvuse suurenemisega.
Lämmastikväetiste mõju heleduskordajate sesoonsele käigule: kesksuvel suurem odra katvus ja st suurem heleduskordaja lähisinfrapunases alas . Punases p-k on heledus kesksuvel suhteliselt vähe tundlik vilja LAI ja lämmastikväetise doosi suhtes, ainult 0-doos on teistest eristatav – neeldumine klorofüllil on küllastunud, tuleks mõõta nt klorofülli neeldumisriba servas.
Põllukultuuride spektraalse heleduse sesoonse käigu seaduspärasused: spektri nähtavas ja lähisinfrapunases osas on sesoonsed käigud vastupidised.
Peamised tegurid, mis mõjutavad heleduse sesoonset käiku: katvus, LAI, lehtede klorofüllisisaldus, hõreda taimestiku puhul mullapinna niiskus.

Monokultuuridel on mõnede fenofaaside saabumine sesoonsete muutuste kõveratel avastatav.

Lähisinfrapunases spektri osas heleduse max isel vilja tihedust (LAI) ja seostub võimaliku saagiga sellelt põllult.

Temperatuuri ja NDVI seos veedefitsiidi avastamiseks: suur temperatuur ja väike NDVI.
Taimestiku füsioloogilise seisundi ja stresside olemasolu hindamine: taimelehtede klorofüllisisalduse hindamine (red edge juures) ja ksantofülli tsükli pigmentide hindamine fotokeemilise peegeldumisindeksi abil (531 ja 570 nm); taimelehtede veesisalduse hindamine: spektraalsete mõõtmiste abil vee neeldumisribade juures, ka kiirgustemp annab infot veedefitsiidi kohta; taimelehtede füsioloogilise seisundi hindamine fluoresentsmeetodil(stresside olemasolu)
Kuivaine sisaldus terades – isel teravilja valmimisega seotud fenofaase: piimküpsus, vahaküpsus, täisküpsus; selle seos NDVI-ga (väheneb täisküpsuse suunas).
8. Multispektraalsed indeksid, nende olemus ja kasutamine.
Multispektraalsed indeksid – kui meid huvitab taimkate mulla foonil , siis on eesmärgiks indeksil vähendada mulla mõju signaalis. Mõne maakatteüksuse, nt mulla mõju vähendada, et taimkate paremini välja tuleks.
Lineaarsed indeksid – kasutavad korraga ära kõikide kanalite näitusid, kusjuures kordajad valitakse nii, et vastav indeks omaks teatud füüsikalis-bioloogilist tähendust (integraalne heledus – kõik kordajad positiivsed, rohelisus – positivsed ainult TM4 ja TM5, märgus – TM2, TM3, TM4 positiivsed) faktorid on omavahel ortogonaalsed.
Mõned indeksid püüavad vähendada signaalis atmosfääri mõju.
Lineaarne indeks nt wetness, greeness ja brightness – arvutatakse kõigi TM kanalite kaudu, mida rohkem nt rohelust, seda suurem greeness peab tulema .
Wetness – mida märjem on pind, seda suurem on neeldumine ja st on TM5 ja TM7 negatiivsed.
Kui liidame 1 kanalite korrutised ja teiste kanalite korrutised, siis saame 0-i. Kui korrutises, siis saame 1-e. St on need ortogonaalsed.
Lineaarsed multispektraalsed indeksid – iga paari kohta peaks olema teada sirge tõus.
NDVI – mida suurem on väärtus NIR kanalis ja mida väiksem punases kanalis, seda suurem on rohelisus. Küllastub suurte tiheduste juures, nagu on enamus Eesti taimestikke. Stabiilne mõõtnusvigade suhtes. Oluline on teada, millised on punase ja lähisinfrapunase kanali lainepikkused.
CI – klorofülliindeks – töötab klorofülli määramiseks paremini kui NDVI, sest lainepikkus 705 asub klasirifülli neeldumisriba servas. 705 ei ole siiski veel cl neeldumispõhi (nm), see on midagi 670 nm. See on hea väga suurte klorofüllisisalduse puhul. Punane cl neeldumisriba serv nihkub ja suureneb mõõtmisala.
WI – vee sisalduse indeks. Esimene R(860nm) on vee neeldumisribast väljas, teine R(1240nm) on sees.
LAI ja NDVI suhe: Üldine seaduspärasus on see, et mida suurem LAI, seda suurem NDVI. Eesti tingimustes on üsna tavaline, et LAI on suurem kui 3 ja st kaotab NDVI tundlikkuse LAI suhtes, toimub indeksi küllastumine.
Fotokeemiline indeks – PRI – saab kasutada nt taimkatte stressi mõõtmiseks.
PRI = (R531 – R570)/(R531+ R570)– fotokeemiline indeks – nn ksantofülli tsükli pigmentide hulga määramiseks taimelehes, mis seotud üleliigsest energiast vabanemisega, nt stressi tingimustes, kus toimub nn roheline nihe . Väidetakse, et selle indeksi kaudu saaks kaugseire abil hinnata PAR kasutamise efektiivsust epsilon e, sest ta näitab stresside olemasolu ja selle kaudu produktiivsuse (NPP) vähenemist stressi tõttu. Aastane NPP=ePAR - Aastane NPP on võrdeline PAR-ga. Senised hinnangud on näidanud, et PRI töötab hästi ühe taimelehe tasemel.
MERISE maapinna klorofülli indeks MTCI – MTCI=(R853.75-R708.75)/(R708.75-R681.25)
MERIS oli põhiliselt suunatud veepinna kaugseireks, kuigi on head võimalused ka maapinna kaugseireiks. 1. R on väljas, teine tõusu peal e punasel serval ja R[681] on põhjas. Selle indeksi kaudu saab klorofülli määrata.
Lihtsa suhte indeksid – SRI = NIR/RED
positiivne see, et nad on vähem tuimad /tundlikumad tiheda taimkattega alade puhul nagu Eesti. Samas võivad olla ebastabiilsed.
MODISel on EVI – tuletatud , et optimiseerida taimsete obj signaali tundlikkust, eriti suurte biomasside juures, vähendada mulla ja atmosfääri mõju.
kasut 3 spektrikanali väärtusi (NIR; RED, BLUE ), R-d üleval on atmosfäärivälised. L – väidetakse, et selle juurde liitmisel mulla mõju väheneb, aga see on empiiriline . C1 ja C2 vähendavad atmosfääri mõju vastavalt punases ja sinises spektrip-k.
RSR – metsade kaugseires – lisaks punasele ja NIR ka keskmise infrapun kanal SWIR.
See indeks erineb suhte indeksist RNIR / Rred selle poolest, et ta on läbi korrutatud keskmise infrapunase piirkonna heledust arvestatava teguriga . Väidetakse, et selline indeks on vähe tundlik alustaimestiku mõju suhtes ja sobib lehepinnaindeksi hindamiseks satelliidipiltidelt
Indeksite head ja vead: lihtne kasutada, kiire hinnangumeetod, vähendab andmehulka, arvutuslikult lihtne.
Miinused - Oleneb mitmetest faktoritst (tehnika, bioom, koht, atmosfäär jne); aluspinna topograafia (nt metsad , mis on kaldu eri ekspositsiooniga mägedel), aluspinna segupikslite keerukus .
Lineaarne spektrisegu lahutamine
Hüperspektraalse kaugseire puhul üks rakendamise võimalusi. Peamiseks meetodiks on LINEAARNE spektrisegu lahutamine: iga piksli heledus või heleduskordaja antud spektraalkanalis esitatakse lineaarse kombinatsioonina e kaalutud summana eelnevalt leitud nn algliikmete heleduste (heleduskordajate) väärtusest. Rij – heleduskordaja I-ndas kanalis * Fj – j-nda algliikme kaal ( fraktsioon ) + E – teatud vealiige.
Algliikmed – endmember – nt ühes piksliks on kaks algliiget – tihe taimkate ja muld , eeldame, et algliikmete spekter on teada. Eesmärk on leida F[j] ehk kordajad ehk fraktsioonid, osakaalaud n-ö. Kui Rij on teada, saab F (osakaalu) ja E arvut lineaarsest võrrandisüsteemist. Reeglina peab kasutada olevate kanalite arv olema suurem kui algliikmete arv.
Algliikmete kaalude summa on 1.
Soovitatavalt tuleb piltidel teha atmosfääri korrektsioon , st taandada nad heleduskordaja ühikutesse.. kui algliikmed leitakse pildilt eneselt, pole see vajalik. Tavaliselt on algliikmed mingid kindlad obj või ained, materjalid, mille spektrid on tead nt laborimõõtmistest, välimõõtmistest vmt
Sageli kasut algliikmete valikuks alustuseks peakomp teisendust
On katsetatud ka mittelineaarset spektrisegu lahutamist, tegelikult ongi seosed üldiselt mittelineaarsed – eriti kui piksli sees toimub kiirguse mitmekordne hajumine eri algliikmete vahel.
Tüüpilised rakendused: geoloogias mineraalide tundmine , taimkatte analüüs, veekogude eriti rannikumere uurimisel, kärdi
9. Taimkatte heleduse olenevus lehepinnaindeksist ja katvusest.
10. Looduslike taimkatete kaugseire.
Eestis märgalad, pärandkooslused, kaitsealad jm keskpunktis .
Raiesmike koosluste seire:
Taimestiku rollist süsiniku bilansis: Monteith’i seadus: NPP (esmase produktsiooni e seotud süsiniku hulga aastasumma =epsilon*APAR – neeldunud fotosünteetiliselt aktiivse kiirguse aastasumma, epsilon – kiirguse kasutamise efektiivsus. APAR= a NDVI + b, kus ndvi hinnan saadakse satpildilt.
11. Metsade kaugseire.
12. Heleduskordajate suundolenevus. Hot spot .
Heleduskordaja oleneb pealelangeva kiirguse (päikese) seniitnurgast, vaatesuuna nadiirnurgast ja mõlema suuna asimuutide vahest. Heleduskordaja suundolenevust kirjeldatakse tavaliselt nn kahesuunalise heleduskordaja (BRF – bidirectional reflectance factor) abil.
Kahesuunalist heleduskordajat võime ette kujutada, kui heleduskordajat juhul kui ainsaks valgusallikaks on punktallikas (ligikaudu Päike) ja mõõdetakse kitsa avanurgaga vastuvõtjaga mingist suunast, kuid taevast tulev difuusne kiirgus puudub. Tüüpiline mõõtesituatsioon kaugseires on siiski selline, kus peale langev kiirgus tuleb poolsfäärist, kuid mõõdetakse kitsa avanurgaga
Vastuvõtjaga.
Taimkatte heledus oleneb vaatesuunast: eri suundades muutub valgustatud ja varjus olevate lehtede jm taimeelementide vahekord . Kaldu vaadates domineerivad ülemised taimkatte kihid , mis reeglina rohkem valgustatud; kiiresti muutub valguse ja varju vahekord päikesekiirguse otse tagasihajumise suuna ümbruses (hot spot). Kaldu vaadates on näha vähem mulda või alumist taimkatte kihti, mille spektraalsed peegeldumisomadused erinevad. Lehtedelt peegeldumine ei ole igas suunas samasugune (lehed ei vasta nn Lamberti pinnale), selgelt eristub lehepinnalt vahakihilt peegeldunud komponent , ka on reeglina taimelehe peegeldumine suurem kui läbipaistvus (eriti spektri nähtavas osas).
Kaks peamist aspekti taimkatte kaugseires seoses heleduskordaja suundolenevusega:
- Kuna paljud kosmilised skannersüsteemid mõõdavad eri vaatenurkade all, siis tuleb tulemuste võrreldavaks tegemisel arvestada vaatenurkade erinevusi – suundolenevus kui segav faktor, mida peab arvestama või püüdma selle mõju välja taandada
- Suundolenevus annab uuritava taimkatte kohta lisainformatsiooni, mida saab ära kasutada
polariseeritud heleduse suundolenevus:
BPDF kuju on enam-vähem samasugune erinevate maismaa objektidele: fikseeritud Päikese asendi korral suureneb polariseeritus tagasihajumise suunast eemaldudes ette hajumise suunda. Põhjuseks
asjaolu, et polarisatsioon on peamiselt põhjustatud peeglilise (specular) peegeldumise poolt kas taimelehtedelt või mullalt. Reeglina on paljalt mullalt peegeldunud kiirgus enam polariseeritud kui samades tingimustes taimkattel. Polariseeritud kiirguse suundolenevuse kujunemisel taimkattes on oluline lehtede orientatsioon ja läikiva vahakihi olemasolu lehtede pinnal. Horisontaalsed lehed annavad Päikese suhtes peegelsuunas tugeva peeglilise komponendi, samal ajal vertikaalsete lehtede korral peegelkomponent on suunatud alla ja ei sattu seega otse kaugseire riistadevaatevälja. Siledalt veepinnalt peegelsuunas peegeldunud valgus on tugevasti polariseeritud.
HDS – ideks – (Rhotspot-Rdarkspot)/Rdarkspot; NHDH – normaliseeritud vahe
On selgunud, et NIR piirkonnas arvutatud NDHDon lineaarselt seotud nn grupeerimisindeksiga, mis isel lehtede grupeerumist võradesse jne ja on oluline päikesevalguse poolt valgustatud LAI arvutamisel.
Metsade kaugseire oluline idee: kasutada erinevaid vaatesuundi eristamaks puurinde ja alustaimestiku osa peegeldunud signaalis. Nadiirsuunas on alustaimestiku mõju maksimaalne – püütud kasutada alustaimestiku tüübi kindlaks tegemisel.
13. Taimkattelt peegeldunud kiirguse polarisatsioon.
14. Taimkatte termiline sondeerimine. - soojuspiirkond
Hinnangut maapinna ja ka taimkatte temperatuuri kohta saadakse tavaliselt infrapunase piirkonna kiirguse, eriti 8-13 μm piirkonna, mõnikord ka 3-5 μm või mikrolainepiirkonna (passiivse meetodi) abil.reeglina väiksem lahutusvõime.
kaasajal kasutusel mitmesugused infrapunakaamerad e termoviisorid, mis võimaldavad saada objekti kujutist soojuskiirguse piirkonnas.
Olulised on nii kiirgusbilanss kui ka üldine soojusbilanss, e. taimkattele saabuva ja taimkattelt lahkuva energia vahe.
Maapinna kiirgusbilansi B võib avaldada seosega
B = Q(1- A(k)) + E(a) – E(b)
kus Q on maapinnale langev summaarne (otsene päikesekiirgus + taeva hajuskiirgus ) integraalne (üle kogu lühilainelise spektri, st ca 0.4 μm kuni 3 μm) kiirgus, Ak aluspinna integraalne albeedo, Ea ja Eb vastavalt atmosfääri ja aluspinna soojuskiirgus. Valemi esimene liige kirjeldab lühilainelist kiirgusbilanssi ja teised kaks liiget annavad soojuskiirguse bilansi. Taimkatte kiirgusvõime on reeglina veidi suurem kui ühe taimelehe kiirgusvõime. Viimase kohta on antud hinnangud 0.93-0.98. Taimkatte kiirgusvõime oleneb lehepinnaindeksist, taimeliigist, fenofaasist jms.
Reeglina ei erine taimelehtede temperatuur väga palju ümbritseva õhu temperatuurist. Et
tõlgendada infrapunase piirkonna radiomeetria tulemusi, on kasulik teada, millised faktorid
kujundavad taimkatte ja aluspinna temperatuuri ja mõista maalähedases õhukihis toimuvaid
küllaltki keerukaid (bio)füüsikalisi protsesse
taimelehe energiabilansi võrrand.
Ka taimkatte termilise sondeerimise seisukohalt on õhulõhede takistusel tähtis osa. Kui õhulõhed on avatud, siis on transpiratsiooni intensiivsus suur ja taimelehtede temperatuur reeglina veidi madalam kui õhu temperatuur. Kui aga õhulõhed on suletud, siis taimelehtede temperatuur võib tunduvalt ületada õhu temperatuuri.
Ei ole motet võrrelda samast taimkattest erineval ajamomendil tehtud termilisi ülesvõtteid kui ei ole infot meteoroloogiliste tingimuste eriti õhutemperatuuri kohta.
Mida rohelisem ja märjem object, seda jahedam. Aurumisest tingituna . Veedefitsiidi tingimustes hakkavad enam ilmnema ka teiste soojusbilansiga seotud faktorite, nagu albeedo ja tuul mõju
kiirgustemperatuurile.
TVDI – temperature vegetation dryness indeks, mida on kasut taimkatte veedefitsiidi iseloomustamiseks. Erinevate piltide võrreldavus TVDI alusel kindlasti paraneb , kui vaadelda temperatuuri asemel kiirgustemperatuuri erinevusi õhutemperatuurist.
Üldselt – mida suurem NDVI, seda väiksem kiirgustemperatuur.
SOOJUSE FÜÜSIKA – soojuskiirgus – iga keha, mille temp on üle absoluutse nulli, kiirgab soojust. Soojuskiirgus ei vaja edasikandumiseks meediumit.
15. Taimkatte kaugseire mikrolainepiirkonnas.
Peamiselt kasutusel aktiivsed meetodid - radar, kuigi ka looduslik maapinna radiokiirgus on küllaltki informatiivne. Mikrolained, eriti üle 10 mm on võimelised läbima ka pilvi. Vesi peegeldab hästi mikrolaineid, kuid kiirgab vähe (suur dielektriline konstant). St mulla kiirgusvõime kahaneb veesisalduse kasvades. Mulla kiirgusvõime suureneb aga mullapinna kareduse suurenemisega. Saab hinnata LAI-d, kuna korrelatsiooni veega, samuti tamkatte sesoonset muutumist.
Praegused radarid lainepikkustega mõnest mm kuni meeter laineteni. Viimaste esindajateks on VHF radarid. Lühem lainepikkusega radari kiirgus suudab tungida vaid puuvõrade ülemistesse osadesse. Ei sobi nt puist tagavara hindamiseks, väärtused küllastuvad kiiresti.
Tundlik maapinna kalde suhtes.
16. Kõrglahutusega spektraalanalüüsi kasutamine taimkatte kaugseires. (Klorofüllisisalduse määramine, lehtede veesisalduse määramine, ksantofülli tsükli kaugseire).
17. Fluorestsents. (Fluorimeetrid, taimede fluorestsentsi kasutamisest kaugseires).
Võimaldab diagnoosida taimede füsioloogilist seisundit .
Fluoromeeter kasutab lühikesi moduleeritud valgusimpulsse taimelehe fotosünteesi mõõtmiseks. Lehes neeldunud valgusenergia kasutatakse fotosünteesiks, muutub soojuseks või kiiratakse välja fluorestsentskiirgusena. Viimased kaks on olulised siis, kui kiirgus on liiga intensiivne või stressi olemasolu korral. KASUT STRESSI AVASTAMISEKS VÕI SELLE TUGEVUSE HINDAMISEKS.
PAM fluorimeetria: Fv/Fm suhe on enamlevinud fluoresentsi uurimistes kasutatav parameeter . Tegeliku ja maksimaalse fluor suhe! Pöördvõrdeline stressi tugevusega .
Kui flor rase on madal (Fo) – pimedas, kui valgustatakse tugeva vilkuva energiaga (Fm), siis kõrge, kuna ei suuda kasut kogu neeldunud energiat.
Fv=Fm-Fo; normaaltingimustes on Fv/Fm 0,832 +/- 0,004
Taimede füsioloogilise seisundi kohta annavad infot veel sellised kaugseire meetodid:
Taimelehtede ja taimkatte temperatuur – stressis taimed sulgevad õhulõhed, transpiratsioon kahaneb ja lehtede temp kasvab; normaalse veevarustuse korral on lehtede temp madalm veidi õhutemp. Ksantofülli tsükkel – üleliigse soojuse kõrvaldamiseks stressi korral. Ksantofülli tsükli pigmendid neelavad kiirgust sinises ja sini-rohelises spektri osas. Kui stressi korral suureneb ksantofülli tsükli pigmenteide konts. Siis peegeldusmisspektris toimb nn roheline nihe, mõõdetakse kas detailse spektri või nn fotokeemilise indeksi PRI abil (ei ole tundlik ainult pigmentde muutuste suhtes, vaid ka nt roheliste lehtede katvuse suhtes).
18. Pöördülesannete lahendamine.
Teadaoleva kiirgusvälja karakteristikute alusel püütakse leida keskkonda iseloomustavaid suurusi. Taimkatte parameetrite leidmiseks. Meil peab olema uuritava obj heleduskordaja teoreetiline mudel ja mingi hulk mõõdetud heleduskordaja väärtusi sama obj kohta. Leiame obj seisundit isel parameetrite väärtused nii, et mõõdetud heleduskordajad ja mudeli abil arvutatud erineksid omavahel võimalikult vähe. Ülesande saab taandada nn sihtfunktsiooni miinimumi leidmisele – isel mõõdetud ja mudeli abil arvutatud heleduskordajate erinevust ning temale on võimalik anda mitmesuguseid kujusid .
Tänapäeval lisaks LOOKUP ja NÄRVIVÕRGUD.
Matem saab pöördülesande defineerida kui mõõdetud vektori alusel mudeli sisendparameetrite vektori leidmise. Vähimruutude meetod.
Kasut ühe või teise taimkatte muutuja hindamiseks, kui on kasutada mõõdetud taimkatte peegeldumisspektrid, heleduskordaja suundolenevus vms.. mõõdetud heleduskordajajaid võrreldaks arvutatud omadega. Jagada äbi dispersiooni, standardhälbe ruuduga .
Def nn sihtfunktsioon, mille miinimumi otsitakse (otsitakse taimkatte muutujate väärtusi, mille korral mõõdetud heleduskordajate ja mudeli abil arvutatud heleduskordajate erinevused oleksid minimaalsed). Minimeerimise protseduuri saab juhtida – valides kitsamad või laiemad lubatud määramatuse piirid otsitavatele parameetritele.
19. Paljukanalilise skanneri pilditöötlus. Kujutise klassifitseerimise meetodid.
Klassifitseerimismeetodid:
Iga piksel on tõlgendatav kui punkt (vekto) heleduskordajate n-dimensionaalses ruumis, kus n on kasutatav spektraalkanalite arv.
Klassifitseerimisülesanne seisneb teatud klasside väljaaeraldamises punktiparves. Klasteranalüüs – rühmitamine, spektraalsete tunnuste poolest lähedased.
Spektraalsed klassid ja informatsioonilised klassid (metsanduslik tunnus, maaktte tüüp jne alusel eristamine). Leida sellised spektraalsed klassid, mis oleksid tõlgendatavd meid huvitavate informatsiooniliste klassidena.
Üldjuhul pikselhaaval, aga eriti kui eesmärgiks on muutuste uurimine , siis otstarbekas on vaadata terveid põldusid või eraldisi ( vektorkaart ), valdav enamus klassifitseerimislgoritme töötab siiski pikslitega.
Klassifitseerimine õpetava valimiga: valitakse informatsioonilised klassid, leitakse igale klassile tugi- või õpetuspiirkonnad (digitize). Õpetuspiirkonda kuuluvate pikslite koguarv peaks reeglina olema suurem kui kümnekordne kasutatavate spektraalkanalite arv.
Klassifitseerimise aluseks on tavaliselt kauguse mõiste vastavas spektraaltunnuste ruumis.
Eukleidiline kaugus, normeeritud eukleidiline kaugus, vektorite vaheline nurk e spektraalne nurk (koosinus), Jeffreys-Matsusita kaugus.. klassifitseerimise meetodid, idrisis – MINDIST – lähima keskväärtuse meetod, PIPED – risttahuka meetod; MAXLIKE ..
Ilma õpetava valimita – cluster , isoclust
Õpetava valimiga Maxlike, neural net
Pehme e ähmane – fuzzy
Idrisi paketi klassifitseerimisalgoritmid – cluster, isodata, isoclust, kmeans (õpetava valimita)
Maxlike – õpetava valimiga.
Lisainfo kasutamine klassifitseerimisel – metsanduslikud andmebaasid, DEM, digitaalne mullakaart, muld määrab kasvukohatüübi. Lisaks spektraalsele infole saab kasutada ka tekstuuri infot.
Kui kasutame õpetavat valimit, ei tohiks veahinnangutel kasut samu p-k, mis õpetamisel.
Kappa iseloomustab kõikidest obj õigesti klassifitseeritud objektide suhtarvu.
20. Muutuste avastamine. Ökoloogilise seisundi muutumise hindamine suurtel aladel.

Piltide lahutamine eelneva heledusskaala ühtlustamisega. Võrreldavate piltide heledused peavad olema samades ühikutes. Kas taandada mõlemad pildid heleduskordaja ühikutesse või sobitame heleduste skaalad nt regressioonimeetodil või heleduse histogrammide sobitamise meetodil.
PCA- muutunud alad tavaliselt suurema numbriga peakomponentides – reeglina domineerivad piltidel püsivad alad.

Ökoloogilise seisundi muutused – suktsessiooniline rida – lageraie , noorendik, lehtmets , segamets, okasmets .
Lageraiete avastamiseks sobiv kanal on keskmine infrapunane.
Ruumilise muutlikkuse iseloomustamine – heleduse autokorrelatsioon ja semivariogramm:
Semivariogramm iseloomustab uuritava suuruse autokorrelatsiooni, - kui tahame teada, kuidas on seotud pikslite väärtused, mis on teineteisest ühe kaugusel. H – tähistab kaugust, x punkti asukohta , N on punktipaaride arv, mille kaugus on h.
Kriging e interpolatsioon
Cokriging – kasut interpolatsiooniks mingit uuritava suurusega korreleeruvat satelliidipildi kanalit või kanalite kombinatsioone.
Lisaküsimused

Ülesandeks on hinnata Eesti metsade kogupindala kosmilise kaugseire abil. Kuidas tegutseksite?
Talvised selge taeva pildid, Landsat, Spot nt mõnikümmend m piksel.

Teile antakse ülesandeks teha kosmilise kaugseire abil kindlaks, kas Eestimaa taimkattes on toimunud olulisi muutusi viimase 10 a. jooksul. Kuidas tegutseksite?
Taimkatte kaart praegu ja 10 a tagasi nt.
3. Paljukanalilise skanneri pilditöötlusel on tüüpiline ülesanne, kus heledused on antud piksel-haaval, s. o. rasterkujul, meid huvitavate piirkondade rajajooned aga vektorkujul. Kui on vaja tuletada algoritm ebakorrapärase piirkonna keskmise heleduse leidmiseks, mida hakata peale nn. rajapikslitega, kui – pooleldi sees ja pooleldi väljas; 1) vaatame naaberpiksleid; arvutame mitu % üks piskel ühte või teist maakatet esineb; 2) visata segupikslid välja.
1) eesmärgiks on saada võimalikult täpset hinnangut selle piirkonna keskmisele heledusele;
2) uuritavat piirkonda kasutatakse spektraalse tunnusvektori (signatuuri) moodustamiseks?
4. Millised multispektraalsed indeksid on sobivad kirjeldama sügisel klorofülli lagunemisest tingitud taimkatte kolletumist? Kas needsamad indeksid kõlbavad ka saastekahjustustest tingitud puulehtede värvimuutuste kindakstegemiseks?
NDVI – klorofülli lagunemine mõjutab punast piirkonda. Üks kanal pean indeksil olla klorofülli neeldumise ribas. Üldjuhul peaks saastekahjustuste kindlaks tegemiseks ka.
5. Meil on Landsat TM ülesvõte tundmatust territooriumist. Mida ja kuidas võiksime saada teada taimestiku kohta sellel territooriumil vaid selle ülesvõtte alusel?
6. Mõõdame mingi konkreetse puistu või põllu heledusi pikselhaaaval Landsat TM ja SPOT ülesvõtetelt. Kumma paljukanalilise skanneri abil mõõdetud heledused varieeruvad pikslilt pikslile rohkem ja miks?
Mida väiksem on piksel, seda suurem on varieeruvus, kuid küsimus on ka vastava kanali tundmisest.
7. Kui võrrelda HISTO abil heleduse jaotuse histogramme (näiteks Järvselja kaadrile) TM1 ja TM4 kanalis, siis kanalis TM1 on jaotuse minimaalväärtus 65 DN juures, kanalis TM4 aga 13 DN. Põhjendage, millest on selline erinevus tingitud.
Atmosfäär mõjutab – sinises kanalis on signaal olemas, lähisinfras on läbipaistev ja võimalik saada väiksemaid DN väärtusi.
8. Tüüpilise rohelise taimelehe peegeldumisspekter on praktiliselt konstantne lainepikkuste vahemikus 0.8-1.1 mm. Kui aga mõõta hõreda taimestiku heleduskordaja spektrit nadiiri suunas, siis see on monotoonselt kasvav samas spektri vahemikus. Kuidas seda seletada?
Paistab läbi palju mulda, mulla peegeldumisspekter on kasvav esimeses pooles.
9. Uurime korrelatsiooni Thematic Mapper'i kanalite TM3 ja TM4 heleduste vahel põllumajandus-maastikul. Milline on eeldatavalt korrelatsioonikoefitsient (suur positiivne, suur negatiivne või väike), kui on tegemist järgmiste situatsioonidega:
1) domineerivad küntud mullad ilma taimkatteta;
2) enam-vähem võrdsetes osades küntud maad ja taliviljaorased (kevadel);
3) segu eri arengustaadiumis taimkatetest?
Mullal korreleervuvad pigem
Taimkattel on negatiivne, nt eri tihedusega taimkatted.
2) suht nullilähedane või väike
3) negatiivne
10. Õitsvad rapsipõllud paistavad väga kollased , kui nad on lennukist vaadates kas kaugel ees, külje peal või taga. Kui samad põllud on praktiliselt lennuki all, polegi nad enam nii kollased. Põhjendage, miks on see nii?
Otse alla vaadates võime õite vahel ka lehti näha, saab kasutada heleduskordajate suundolenevust
11. Landsat TM ülesvõtete puhul indeksid SRI ja NDVI defineeritakse kanalite TM3 ja TM4 näitude abil. Kumb on nende indeksite praktilise kasutamise seisukohalt õigem, kas enne indeksite arvutamist püüda atmosfääri mõju välja elimineerida või mitte ja miks?
Üldjuhul on ikka kasulik välja elimineerida, sest indeksid on tundlikumad.
12. Tahame saada teada kaugseire vahendite abil, kas viljad mingil põllul kannatavad põua all. Millised meetodid on selleks kasutatavad?
13. NOAA AHVRR andmetest arvutatakse globaalseid NDVI kaarte. Mingi konkreetse koha ja konkreetse aastaaja (kuu) kohta esitatakse tavaliselt vaid selle perioodi NDVI maksimaalväärtused. Püüdke põhjendada, miks?
14. Meil on kaks metsa, mille keskmised takseertunnused (puu kõrgus, võra pikkus ja läbimõõt, puude arv/ha), on samad. Ühes metsas on kõik puud ühesuurused, teises on aga keskmisest nii suuremaid kui ka väiksemaid puid. Kumb mets on satelliidipildil heledam ja miks?
Varje on rohkem erineva suurusega puudega metsas.
15. Milliseid eeliseid võiks olla metsanduslikes ja põllumajanduslikes rakendustes lennukiskanneri mõõtmistulemustel võrreldes samasuguse kosmilise skanneri ja traditsioonilise aerofotomeetodi ees?
Atmosfääri kihi paksuse vahe, lahutusvõime, pildistamise nurk on lennuskanneri piltidel äärtes moonutatud – suunderinevus mängib rolli.
16. Kas heleduse varieeruvus pikslilt pikslile ühe puistu või põllu piirides annab mingit metsandusliku või põllumajandusliku rakenduse seisukohalt olulist infot (näiteks Landsat TM või SPOT korral)?
17. Millised järgmistest metsa takseertunnustest on eeldatavasti kõige tihedamini põhjuslikult seotud puistu heledusega:
keskmine puu kõrgus
keskmine võra raadius
rinnaspind (rinnakõrgusel tüve läbilõikepindalade summa/ha)
tagavara (tüvede kogumaht /ha)
ükski neist ei ole põhjuslikult seotud, kuid enim ehk rinnaspindala (korreleerub liitusega), tagavara ehk ka.
18. Oletame, et tehti Landsat TM suvine ülesvõte mingist piirkonnast Eestis. Ühel heinamaal on pool hein just värskelt maha niidetud, teine pool veel kasvamas . Kas need kaks heinamaa poolt erinevad teineteisest ülesvõttel? Püüdke põhjendada.
Mahaniidetud võiks olla heledam – vähem varjusid – hein jääb maha.
19. Kumb raie võiks olla paremini avastatav kosmoseülesvõttel, kas raie alameetodil (raiutakse väiksemaid puid) või ülameetodil (raiutakse suuremaid puid), kui
1) väljaraiutud puude arv on sama;
2) raiuti välja sama suur osa puidu tagavarast?
1) suurte puude mõju on suurem
2) asi on segasem, ei tea
20. Metsatulekahju saab kaugseire vahenditega ilmselt väga hästi kindlaks teha soojuskiirguse piir- konnas (TM6). Kui aga tuli on kustunud, järel vaid söestunud puud ja põlenud alusmets, kas põlenud mets on kahjustamata metsast erineva heledusega spektri nähtavas (TM1, TM2, TM3), lähedases infrapunases (TM4), keskmises infrapunases (TM5 ja TM7) ja ka TM6 piirkonnas (kiirgustemperatuur)? Miks?
Nähtavas – eristub, on must
TM4 – peaks seal ka väiksem signaal tulema, eristub
Keskmises – vesi –
Miks – transpiratsiooni ei ole, mis jahutab.
Kordamisküsimusi:

Millistes spektri piirkondades (nähtav, lähisinfrapunane, keskmine infrapunane ja soojuskiirgus) paiknevad Landsat TM spektraalkanalid?

Mis on lehepinnaindeks ja kuidas seda mõõta?

Milline on Landsat TM ja SPOT piltide piksli suurus?

Nimetage IDRISI paketi olulisemad ilma õpetava valimita klassifitseerimise meetodid.

Millised ained taimelehes põhjustavad kiirguse neeldumist?

Kas suure huumusesisaldusega mullad on heledamad või tumedamad kui väikese huumusesisaldusega mullad?

Mille poolest erinevad puistu (võrastiku) liitus ja taimestiku katvus?
Tõenäosus, et vaatame risti taimkatte peale, näeme mingit taime elementi. Võrastiku liitus –tõenäosus, et näeme võra.

Nimetage mõned multispektraalsed indeksid.

Millised neli komponenti on aluseks Li-Strahleri metsa heleduse mudeli tuletamisel?
Valgustatud võrad, varjus võrad, varjus maapind..

Miks taimelehed teatud suunast vaadates läigivad?
Sama, miks vesi läigib, peegliline peegeldus lehepinnalt, fernelli valemid

Miks on lennukilt vaadates päikesepaistelise ilmaga lennuki varju ümber maapinnal hele oreool?
Hotspot efekt – me ei näe varjusid selles suunas.

Kas suurema tagavaraga puistud on heledamad või tumedamad kui väikese tagavaraga puistud?
Tumedamad

Millises Landsat TM spektraalkanalis on rohelise taimkatte heleduse maksimum kesksuvel?
NIR, SPOT 3. Kanal.

Millised TM spektraalkanalid on seotud vee neeldumisribadega?

Millisel teoreetilisel tõenäosustihedusel baseerub suurima tõepära meetodil õpetava valimiga klassifitseerimine?
Normaaljaotus – mitmemõõteline.

Millist kolme Landsat TM spektraalkanalit kasutatakse enamasti kolme-värvi komposiitpiltide tegemiseks metsanduslikes ja põllumajanduslikes rakendustes?

Kas tuulemurd (tormikahjustus) põhjustab punases spektri piirkonnas (TM3) metsa heleduse kasvu või kahanemist?
Natuke nagu heinamaa on maha niidetud, vb on varjusid vähem ja läheb heledamaks, kasvab rohkem alustaimestikku sealt välja.. kindlasti suureneb hajuvus e signaali dispersioon.

Mille poolest erineb heleduskordajate sesoonne käik tüüpilisel põllukultuuril ja looduslikul rohukooslusel?
Sõltub põllukuluutist, vegetatsiooniperioodi pikkus, väetised – vastav taimkate on palju tihedam.. varakevadel taimkate heleda, sügisel kollane-pruun.

Mis on maastikumuster ja kuidas ta on seotud taimkatte kaugseirega?

Millistes Landsat TM spektraalkanalites on metsa (taimkatte) heledus otseselt mõjustatud klorofülli olemasolust ja hulgast?
Punane, sinises, ja tegelikult ka rohelises; ei mõju lähedases ja keskmises infrapunases.
Landsati 4,5 kanalid – komposiitpildid.

.DOC Laadi alla originaalfail 15 lk · .doc · 3 allalaadimist

50 punkti Autor soovib selle materjali allalaadimise eest saada 50 punkti.

~ 15 lehte Lehekülgede arv dokumendis

2016-04-28 Kuupäev, millal dokument üles laeti

3 laadimist Kokku alla laetud

0 arvamust Teiste kasutajate poolt lisatud kommentaarid

nerd888 Õppematerjali autor

Tartu Ülikooli aine taimkatte kaugseire eksamiküsimused koos vastustega

Taimkatte kaugseire kaugseire eksamiküsimused Taimkatte kaugseire Taimkate Plancki must keha Wieni nihkeseadus Kiirgustemperatuur . Stefan-Boltzmani seadus

Sarnased õppematerjalid

doc

LOODUSE KAUGSEIRE

mitukümmend või isegi sada kanalit. II blokk: 1. Nearest neighbor K lähima naabri meetod- klassifitseerimis metoodika. Eesmärgiks on sateliitpildi abil laiendada detailsete mõõtmiste andmeid. Eeldab, et analüüsitavate tunnuste ning heleduste vahel valitseb statiliselt oluline korrelatsioon. Tekkival pildil omistatakse piksli väärtuseks k talle spektraalselt lähima proovitüki andmete kaalutud keskmine. 2. Kaugseire kasutamine, muutuste leidmine 3. Kirjelda vilja põllu heledust kevadest kuni võrsumiseni 4. 8 bittis palju nivoosid- 256 5. Kas nähtav valgus on pikim lainepikkus kaugseires? Ei, raadio lained on 6. Mis teeb stressis vetikas lähisinfrapunases? 7. Päikesefotomeeter- aeronett 8. PCA, histo, overlay , assign-idrisi käsklused Pca, overly üleval pool, assign omistab rasterikihile uuest kohast uued väärtused.

Looduse kaugseire

odt

KAUGSEIRE RAKENDUSED OOKEANIDE JA MEREDE UURINGUTES

TALLINNA TEHNIKAÜLIKOOL Matemaatika-loodusteaduskond Meresüsteemide Instituut Erik Illaste YAEB-12 KAUGSEIRE RAKENDUSED OOKEANIDE JA MEREDE UURINGUTES Referaat Õppeaine: Üldine okeanograafia ja limnoloogia Õppejõud: Prof. Urmas Lips Tallinn 2015 SISUKORD Sissejuhatus.........................................................................................................................2 1. Kaugseire mõiste............................................................................................................2

Geograafia

pdf

Taimede ökofüsioloogia eksam

Taimede ökofüsioloogia eksami ja järeleksami küsimusi. 1. Nimetage pigmente, mis taimelehtedes neelavad valguskvante a) sinises, b) kollases, ja c) punases spektriosas. Mis spektriosas (neist kolmest) on neeldunud kvandi energia kõige väiksem? Kloroplastide klorofüll neelab valgust kõige tugevamini elektromagnetilise spektri sinises (430 nm) ja punases (680 nm) piirkonnas. Kollases on kõige väiksem. 2. Mis on lehepinnaindeks ja mis on lehe eripind? LAI e lehepinnaindeks on mingil pinnatükil asetsevate taimede lehtede kogupindala jagatud selle pinnatüki pindalaga. Kui kõik lehed taimedelt maha laotada, siis LAI on keskmine maapinna katte kordsus. LAI (L) – suhtarv, mis näitab kui palju on maapinna ühiku kohal lehepinda. Lehe eripind on lehepind jagatud lehe biomassiga. Lehe pind lehe massiühiku kohta ehk SLA. 3. Kuidas muutuvad taimede fotosünteesi intensiivsus, kasvukiirus, õhulõhede avatus ja transpiratsioon koos CO2 kontsen

Bioloogia

pdf

Üldmetsakasvatus I osa mõisted

Tegeletakse probleemidega, mis on seotud uue metsapõlvkonna rajamisega, olemasolevate metsade hooldamise ning kaitsmisega. 2) Metsakorraldus esindab ökonoomilist suunda metsanduses. Selle valdkonna tegevussuundadeks on metsade inventeerimine ja mõõtmine, metsaressursi arvestamine, metsanduslike tegevuste planeerimine, metsadele majanduskavade koostamine jne. Siia valdkonda kuuluvad sellise õppeained nagu metsatakseerimine, metsakorraldus, kaugseire, geoinfosüsteemid, puidukaubandus, metsamajanduse ökonoomika jne. 3) Metsatööstus esindab tehnilist ja tehnoloogilist suunda metsanduses. Tegeletakse küsimustega, mis on seotud puidu varumise ja töötlemisega. Uuritakse, milliste tehnoloogiate ja meetoditega on kõige keskkonnasäästlikum ja ökonoomsem teostada raieid ja töödelda saadud puitu. Peamisteks uurimisobjektideks on mitmesugused metsamasinad ja tehnoloogiad. Siia

Üldmetsakasvatus

docx

Üldmetsakasvatuse I kontrolltöö konspekt

(dendroloogia, metsataimekasvatus, hooldusraied, metsakultiveerimine, metsakaitse, metsaselektsioon, puhkemajandus jne). Tegeleb probleemidega, mis on seotud uue metsapõlvkonna rajamisega, olemasolevate metsade hooldamise ning kaitsmisega. 2. Metsakorraldus – ökonoomiline suund metsanduses, mille tegevussuund on metsade inventeerimine ja mõõtmine, metsaressursi arvestamine, metsanduslike tegevuste planeerimine, metsadele majanduskavade koostamine jne. (metsatakseerimine, metsakorraldus, kaugseire, geoinfosüsteemid, puidukaubandus, metsamajanduse ökonoomika jne) 3.Metsatööstus – tehniline ja tehnoloogiline suund, mis tegeleb puidu varumise ja töötlemisega. Uurib milliste tehnoloogiate ja meetoditega on kõige keskkonnasäästlikum ja ökonoomsem teostada raieid ja töödelda saadud puitu. Uurimisobjekt: metsamasinad, -tehnoloogiad. (metsamasinad, metsakeemia, metsasaaduste tootmine ja töötlemine).

Metsakasvatus

pdf

Metsaökoloogia ja majandamine 1. KT

metsapõlvkonna rajamisega, olemasolevate metsade hooldamise ning kaitsmisega. Metsakorraldus – esindab ökonoomilist suunda metsanduses. Selle valdkonna tegevussuundadeks on metsade inventeerimine ja mõõtmine, metsaressursi arvestamine, metsanduslike tegevuste planeerimine, metsadele majanduskavade koostamine jne. Siia valdkonda kuuluvad sellise õppeained nagu metsatakseerimine, metsakorraldus, kaugseire, geoinfosüsteemid, puidukaubandus, metsamajanduse ökonoomika jne. Metsatööstus – esindab tehnilist ja tehnoloogilist suunda metsanduses. Tegeletakse küsimustega, mis on seotud puidu varumise ja töötlemisega. Uuritakse, milliste tehnoloogiate ja meetoditega on kõige keskkonnasäästlikum ja ökonoomsem teostada raieid ja töödelda saadud puitu

Eesti metsad

doc

Materjalid metsanduseks

1. Eesti metsad ja metsandus 2. Maailma ja Euroopa metsaressurss Metsa väiksemaks looduslikuks klassifitseerimise Metsandus on väga lai mõiste, mis koosneb: Maailma metsad võtavad FAO järgi enda alla ühikuks on puistu. 1. majandusharudest, mis tegelevad kõigi metsa 3,869 miljardit hektarit e. ligi ¼ Puistuks nim. ühesuguse kasvukohaga piirnevat kasutusviisidega (olulisel kohal on maismaa pindalast (Eesti mets 2004). metsaosa, mis on kogu ulatuses ühtlase puidu varumine ja töötlemine), kuid ka metsa Kultuurpuistud moodustavad neist ca 5%, seega struktuuriga ning erineb naabermetsaosadest. uuendamise, kasvatamise ja kaitsega. enamik, maailma metsadest (95%) on loodusliku Puistute eraldamisel lähtutakse bioloogilistest, Metsanduse võib tinglikult jagada kolmeks päritoluga. Ligi 55% maa

Eesti metsad

doc

Loengukonspekt metsanduse üldkursuse õppeaines

Tegeleb selliste ainetega nagu dendroloogia, metsataimekasvatus, hooldusraied, metsakultiveerimine, metsakaitse, puhkemetsandus jne. st. peamiselt probleemidega mis on seotud uue metsapõlvkonna rajamise ja olemasolevate metsade hooldamise ning kaitsmisega. Metsakorraldus esindab ökonoomilist suunda. Tegeleb metsade arvestamise, inventeerimise ja mõõtmisega ning metsadele majanduskavade koostamisega. Siia valdkonda kuuluvad sellised ained nagu metsatakseerimine, kaugseire, geoinfosüsteemid, puidukaubandus, metsamajanduse ökonoomika jne. Metsatööstus esindab tehnilist ja tehnoloogilist suunda. Tegeleb puidu varumise ja töötlemise probleemidega. Uuritakse, milliste tehnoloogiate ja meetoditega on kõige keskkonnasäästlikum ja ökonoomsem teostada raieid ja saadud puitu töödelda. Peamisteks uurimisobjektideks on mitmesugused metsamasinad ja tehnoloogiad. Siia kuuluvad sellised distsipliinid nagu raietöödetehnoloogia, metsakeemia, metsa

Eesti metsad

Rohkem sarnaseid