Prado, E.; De Miguel, E.; Fernández-Renau, A.; Chuvieco, E.; Palacios-Orueta, A.; González-Alonso, A. (2008): Evalua-ción y corrección de errores de corregistro en imágenes hiperespectrales AHS en estudios multitemporales. En: Hernández, L. y Parreño, J. M. (Eds.), Tecnologías de la Información Geográfica para el Desarrollo Territorial. Servicio de Publica-ciones y Difusión Científica de la ULPGC. Las Palmas de Gran Canaria. Pp. 135-146. ISBN: 978-84-96971-53-0.

EVALUACIÓN Y CORRECCIÓN DE ERRORES DE CORREGISTRO EN IMÁGENES HIPERESPECTRALES AHS EN ESTUDIOS MULTITEMPORA-

LES

Prado, E.1, 2; De Miguel, E.1; Fernández-Renau, A.1; Chuvieco, E.2; Palacios-Orueta, A.3; González-Alonso, A. 4

(1) Área de Teledetección, Instituto Nacional de Técnica Aeroespacial (INTA), Crta. de Ajalvir, km. 4. 28850 Torrejón de Ardoz. pradooe@inta.es

(2) Dpto. de Geografía, Universidad de Alcalá (UAH), C/ Colegios, 2. 28801 Alcalá de Henares

(3) Dpto. Silvopascicultura U.D. Edafología, ETSI Montes, Universidad Politécnica de Madrid, Ciudad Universitaria s/n. 28040 Madrid.

(4) Centro de Investigación Forestal (CIFOR), Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA), Crta. de la Coruña, km. 7,5. 28040 Madrid

RESUMEN Se presenta una metodología para la evaluación y eventual corrección del error en posición de imágenes georreferen-

ciadas hiperespectrales AHS del Área de Teledetección del Instituto Nacional de Técnica Aeroespacial (INTA) en estudios multitemporales. El conocimiento del error geométrico asociado a una imagen georreferenciada es un factor fundamental, especialmente crítico en estudios multitemporales. Se ha utilizado un método de correlación con ventanas móviles para la evaluación del corregistro entre imágenes. Los mapas de desajuste generados permiten evaluar la precisión, informar al usuario y si es necesario corregir errores, traduciendo los desplazamientos detectados a modificaciones en los parámetros de entrada del método de georreferenciación directa aplicado a las imágenes. La metodología se ha aplicado a imágenes AHS adquiridas en 2 años consecutivos sobre el área afectada en 2005 por un incendio forestal en la provincia de Guada-lajara. Las campañas de imágenes AHS fueron encargadas por el Laboratorio de Teledetección del CIFOR-INIA para un estudio de la regeneración de la vegetación en la zona afectada por el incendio. Se ha conseguido reducir significativa-mente el error de corregistro en las imágenes. La cuantificación del error posicional de la imagen es además un aspecto imprescindible si quiere cumplirse con las normas ISO aplicables a los metadatos de las imágenes de teledetección.

Palabras Clave: AHS, hiperespectral, georreferenciación directa, evaluación error

ABSTRACT A methodology for evaluation and eventual correction of the positional error in georeferenced hyperspectral AHS im-

ages on multi-temporal studies is presented. The knowledge of the geometric error into a georeferenced image is a basic issue, especially in multi-temporal studies. A correlation method with moving window has been used to assess the spatial matching between images. The mismatch maps created allow us to evaluate the accuracy, report the user and if needed correct the errors, converting the detected displacements into changes in the Exterior Orientation parameters applied on the direct georeferencing process. The methodology has been applied to the AHS images acquired during two successive years over the area affected by a forest fire in 2005 in Guadalajara (Spain). The AHS campaigns have been entrusted by the Remote Sensing Laboratory of CIFOR-INIA for a vegetation regeneration research in this area. The registration error in the images has been significantly reduced. The assessment of positional error in the image is a critical aspect when following ISO standards on remote sensing image metadata.

Key Words: AHS, hyperspectral, direct georeferencing, error assessment

INTRODUCCIÓN

La espectroscopia de imágenes mediante la utilización de escáneres hiperespectrales aeroportados es una de las técnicas que está experimentando un mayor desarrollo y despertando un interés creciente en la comunidad científica dada las posibilidades que la hiperespectralidad puede aportar a diversos estudios ambientales. Entre ellos, una de las aplicaciones más usuales de la teledetección es el análisis de cambios en estudios multitempora-les llevados a cabo a partir de imágenes tomadas desde sensores remotos en dos instantes de tiempo diferentes. Para abordar el análisis de cambios es imprescindible realizar una serie de correcciones tanto geométricas como radiométricas de cara a poder garantizar la obtención de unos buenos resultados. La falta de corregistro entre imágenes puede introducir importantes errores en los resultados del análisis de cambios (Dai y Khorram, 1998; Roy, 2000; Verbyla y Boles, 2000).

Las plataformas aéreas de teledetección están sometidas a cambios de alta frecuencia en su orientación y altura con respecto al terreno a lo largo del intervalo de tiempo que tardan en adquirir una imagen. El tipo de tecnología utilizada para la adquisición de la imagen es crucial a la hora de poder llevar a cabo su correcta geo-rreferenciación. En los escáneres lineales la geometría de adquisición hace que a un mismo rango angular de escaneo le corresponda una distancia diferente en el terreno en función de la distancia al nadir. Por tanto, existi-rá una singularidad de cada píxel, este efecto puede ser muy apreciable para sensores con gran FOV (Field of View). Por todo ello es muy complicado garantizar la repetitividad exacta en la toma de las imágenes entre fe-chas diferentes.

Los métodos de georreferenciación paramétricos (Boardman, 1999; Clark et al., 1998; Meyer, 1994; Schläpfer et al., 1998), permiten aplicar lo que se conoce con el término de georreferenciación directa, en la que la información de puntos de control en el terreno deja de ser necesaria. La georreferenciación directa se ha desarrollado en paralelo al progreso de dos tecnologías; el posicionamiento preciso a partir de datos de satélite mediante el uso de equipos GPS (Global Position System) y la medida de los ángulos de orientación mediante unidades de medida inercial, IMU (Inertial Measurement Unit). Con una adecuada combinación e integración con el sensor, estas tecnologías permiten conseguir una determinación precisa de la orientación y posición del sensor en cada instante de tiempo. Partiendo de estos datos los métodos paramétricos plantean ecuaciones que resuelven independientemente la posición de cada píxel y la proyectan sobre el terreno con el apoyo imprescin-dible de un modelo digital de elevaciones. Los resultados son mucho más exactos que los obtenidos por los mé-todos no paramétricos. Los métodos paramétricos son los utilizados de forma general por las instituciones que proporcionan datos de sensores aeroportados actualmente operativos como AHS (Fernández-Renau et al., 2005), AISA (Bärs et al., 1999), CASI (Staenz et al., 1998; Wilson et al., 1997), AVIRIS (Boardman, 1999), HYMAP (Schläpfer y Richter, 2002), y es también el método propuesto para la georreferenciación de los sensores que en estos momentos se encuentran en fase de desarrollo como ARES (Mueller et al., 2004; Müller et al., 2005) y APEX (Biesemans et al., 2007).

Aunque el método de georreferenciación directa es un método de gran exactitud, es posible que se produz-can pequeñas anomalías o desajustes que hagan necesario un estudio detallado de las precisiones alcanzadas debido a las altas exigencias de los usuarios en los datos proporcionados por sistemas de teledetección aeropor-tada.

La evaluación de la calidad de la imagen, incluyendo en este término procesos tan críticos como la calibra-ción del sensor, georreferenciación, correcciones radiométricas e incluso las correcciones atmosféricas, es un aspecto de máximo interés para los usuarios de imágenes e imprescindible si quiere cumplirse con las recientes normas ISO aplicables a imágenes de teledetección (International Organization for Standardization, 2003). En la actualidad, la evaluación de la precisión geométrica de los productos generados sigue siendo una asignatura pendiente para las imágenes de sensores aeroportados. La única aproximación que puede encontrarse es el valor del error medio cuadrático (RMSE) estimado a partir de una serie de puntos de control localizados en el terreno (Guevara et al., 2004; Atkinson, 2001; Dyk, 2002). Este enfoque, válido en la mayoría de los casos en imágenes adquiridas desde el espacio, no resuelve el problema en el caso de imágenes de sensores aeroportados debido a que la geometría de la imagen bruta de un escáner lineal aeroportado y la imagen ya corregida es extremada-mente compleja. La relación entre ambas, calculada por un proceso de georreferenciación directa, viene dada por una relación punto a punto, sin aplicar un modelo analítico general para la totalidad de la imagen y un único valor para expresar este fenómeno parece en todo caso insuficiente (Gregory et al., 1999). A pesar de ello, los

136

puntos de control se han utilizado en numerosas ocasiones (Brunn et al., 2003; Mundt et al., 2005; Glenn et al., 2005) ante la dificultad de encontrar métodos alternativos.

Existen numerosos trabajos que intentan ayudar al control de la calidad del cálculo, centrados en la mejora de las condiciones de adquisición y planeamiento de la toma de datos, (Mostafa, 2002; Madani y Mostafa, 2001) y referentes a la calibración e integración de los diferentes componentes del sistema formado por sensor, GPS, IMU (Honkavaara, 2002; Jacobsen, 2002; Jacobsen y Wegmann, 2001; Mostafa y Mostafa, 2001; Nilsen, 2002; Skaloud y Schaer, 2003).

En la evaluación de la precisión geométrica de las imágenes AHS (Airborne Hyperspectral Scanner) entran en juego varios factores. Primero, la incertidumbre de los parámetros de Orientación Externa (OE), en la que intervienen las características técnicas del sistema GPS+IMU, configuración de la constelación de satélites GPS en el momento de la toma de los datos, la distancia a la que se encuentra la estación GPS de referencia en el terreno con la cual se consiguen correcciones diferenciales, etc. Segundo, el error asociado al cálculo de la orientación relativa entre IMU y sensor (ángulos de boresight). Tercero los posibles errores residuales en el cálculo de la transformación de Datum (de WGS84 al sistema requerido por el usuario), de la convergencia de la cuadricula (en caso de usar la proyección UTM) y de la ondulación del geoide según el modelo global EGM96 (http://cddis.gsfc.nasa.gov/926/egm96/). Por último la mayor fuente de error proviene de la resolución y preci-sión del Modelo Digital del Terreno (MDT) que se aplica (Schläpfer et al., 2000; Schläpfer y Richter, 2002). Sin embargo la influencia en la precisión del MDT se elimina cuando se trata de estudios multitemporales en los que para ambas fechas se ha utilizado el mismo MDT. Además de todos estos factores existe la posibilidad de que se produzcan fallos en alguno de los componentes del sistema que pueden dificultar en gran medida el proceso de georreferenciación, así como deteriorar la calidad de los resultados obtenidos. En estos casos, es importante contar con metodologías que permitan detectar y subsanar dichos errores.

El corregistro de imágenes es el proceso de superponer dos o más imágenes de la misma zona tomadas en diferentes instantes de tiempo, desde diferentes puntos de vista y/o a partir de diferentes sensores. En Brown, 1992 y Zitová y Flusser, 2003 se puede encontrar una revisión exhaustiva de las diferentes estrategias utilizadas a lo largo del tiempo en el corregistro de imágenes. Los métodos de corregistro automático de imágenes son capaces de detectar o extraer rasgos característicos en las dos imágenes sobre las que se pretende evaluar la pre-cisión relativa y obtener la relación existente entre ellos, de esta forma se puede utilizar esta medida de similitud como evaluación del proceso de georreferenciación.

En este trabajo se define una metodología para la evaluación y corrección del error en posición cometido en la georreferenciación de imágenes hiperespectrales AHS en estudios multitemporales.

MATERIALES

Se han utilizado imágenes del sensor AHS (Airborne Hyperspectral Scanner). Las campañas de imágenes AHS fueron encargadas por el Laboratorio de Teledetección del Departamento de Protección Forestal del CI-FOR-INIA al Área de Teledetección del Instituto Nacional de Técnica Aeroespacial (INTA) para el estudio de la regeneración de la vegetación en un área afectada por un incendio forestal. El área de estudio es la zona afec-tada por el incendio forestal que se produjo en el entorno del Parque Natural del Alto Tajo, en la provincia de Guadalajara en el verano de 2005, y que arrasó una superficie de aproximadamente 12.000 hectáreas de bosque de pinos resineros, sabinas centenarias y robledales de un gran valor ecológico, además de cereal y pasto.

Sensor AHS

El sensor AHS es un sensor hiperespectral aeroportado de barrido mecánico (whiskbroom scanner). El AHS se opera desde la aeronave CASA C-212 del INTA, equipada para realizar campañas de teledetección. El sensor adquiere la imagen mediante el barrido de un espejo giratorio, con óptica primaria reflectiva, con IFOV (Instantaneous Field of View) único y común para todas las bandas. El AHS posee 80 bandas, un FOV de 90º y un IFOV de 2.5 mrad. La velocidad de barrido del espejo se ajusta a diferentes valores en función de la altura de vuelo obteniéndose tamaños de píxel que varían entre 2 y 7 metros según la configuración utilizada.

137

Una vez captada la energía procedente del terreno, el sensor divide dicha energía en cinco puertos ópticos que cubren las regiones espectrales VIS/NIR, SWIR, MIR y TIR y cuyos anchos de banda varían según la re-gión espectral (tabla 1). El sensor digitaliza la información en 12 bits y cada línea de imagen AHS está com-puesta por 750 píxeles. Posee dos fuentes de referencia internas, dos cuerpos negros cuyas temperaturas son seleccionables. Estos cuerpos negros son observados y registrados en cada línea imagen, proporcionando un valor de radiancia cero en los canales reflectivos (PT1, PT2 y PT2A) y niveles de referencia para la calibración de los canales emisivos (PT3 y PT4).

Tabla 1. Características espectrales del sensor AHS

PUERTO 1VIS/NIR

PUERTO 2A

PUERTO 2SWIR

PUERTO 3 MIR

PUERTO 4TIR

Rango (micrometros) 0.43 -> 1.03 1.55 -> 1.75 2.0 -> 2.54 3.3 -> 5.4 8.2->12.7 ancho (FWHM) 28 nm 150 nm 13 nm 300 nm 400-500 nm Nº de bandas 20 1 42 7 10

Campañas de adquisición de datos

Hasta la fecha se han realizado 3 campañas de adquisición de datos sobre la zona, llevadas a cabo con una diferencia temporal entre campañas sucesivas de aproximadamente un año. El primer vuelo se llevó a cabo el 6 de octubre de 2005. Para la planificación de la campaña se utilizó un perímetro de la superficie afectada por el incendio proporcionado por el INIA y con apoyo de cartografía se diseñó una campaña compuesta por 7 pasadas paralelas, con rumbos que coinciden con el plano solar de forma que se eviten o en todo caso minimicen posi-bles problemas de iluminación diferencial. Los ejes de vuelo de las pasadas se trazan de forma que las imágenes posean cierto solape que permitirá componer a posteriori un mosaico de imágenes (fig.1). La altura de vuelo y las revoluciones de giro del espejo se configuraron para que la resolución espacial teórica de las imágenes AHS fuera de 3.5 metros en el nadir. La segunda y tercera campaña de adquisición de datos tuvieron lugar el 6 de octubre de 2006 y el 28 de septiembre de 2007 respectivamente, respetando la configuración inicial para conse-guir la mayor repetitividad de los datos.

Figura 1. (a) Esquema de las líneas de vuelo de la campaña de adquisición de datos. En amarillo el perímetro del área quemada, en rojo la trayectoria de vuelo y en azul las imágenes adquiridas por el sensor AHS (b) Mo-

saico imágenes AHS – año 2005

Productos imagen AHS

Para el diseño de la metodología presentada se han utilizado las imágenes AHS nivel L1c de los años 2005 y 2006. Los productos L1c del sensor AHS son imágenes con valores de radiancia en el sensor georreferencia-das. Este producto imagen se obtiene según el proceso de datos nominal del AHS desarrollado en el Área de Teledetección del INTA (Fernández-Renau et al., 2005) aplicando un proceso de georreferenciación directa.

138

Mediante la georreferenciación directa se consigue la ortorrectificación de la imagen y la geolocalización de sus píxeles en un sistema geodésico de referencia sin la necesidad de puntos de control en el terreno. La apli-cación de este método hace indispensable contar con datos de la posición y orientación del sensor en el momen-to de adquisición de la imagen. El sensor AHS se opera integrado un sistema POS/AV-410 de Applanix (www.applanix.com), compuesto por una antena y receptor GPS y una Unidad de Medida Inercial (IMU) insta-lada en la cabeza del sensor (tabla 2).

Tabla 2. Especificaciones de la precisión absoluta del Sistema POS/AV-410 de Applanix

C/A GPS Post-proceso Posición (m) 4.0-6.0 0.05-0.30 Roll & Pitch (º) 0.015 0.008 Heading (º) 0.080 0.015

La integración entre el sensor AHS y el Sistema POS/AV-410 se realiza mediante la medición precisa de la posición de cada uno de sus componentes respecto al sistema de referencia imagen (vectores lever arms), la realización periódica de vuelos de calibración geométrica para obtener la orientación de los ejes de la IMU con respecto al sistema imagen (ángulos de boresight) y la sincronización en el tiempo de las medidas realizadas por el sensor (líneas imagen) y el sistema inercial (datos GPS y ángulos de orientación). Una vez obtenidos los pa-rámetros de posición y orientación, el siguiente paso es aplicarlos a las imágenes AHS adquiridas. Para ello se utiliza el software PARGE (PARametric GEocoding), software de georreferenciación paramétrico orientado para su aplicación específica a la espectroscopia de imágenes (Meyer, 1994; Schläpfer et al., 1998).

En la campaña de adquisición de imágenes AHS llevada a cabo en octubre de 2006, se produjo un compor-tamiento anómalo en el sistema de generación de eventos del sensor AHS. Esto provocó que los pulsos electró-nicos que el sensor genera en cada rotación del espejo a su paso por el nadir no coincidieran con ese instante de tiempo lo que dificultaba en gran medida la sincronización entre los datos del sistema inercial y los datos ima-gen AHS. Por este motivo, el proceso de georreferenciación aplicado a las imágenes de este año no coincide exactamente con el proceso nominal.

METODOLOGÍA

Para definir la metodología de evaluación del error en posición de imágenes hiperespectrales AHS en estu-dios multitemporales y abordar la corrección del error detectado, se han seguido los siguientes pasos (i) elección del método de evaluación del corregistro entre imágenes, (ii) configuración de los parámetros del método adap-tados al sensor AHS (iii) validación de la capacidad del método en la detección de patrones de error (iv) aplica-ción de la metodología diseñada a un caso real de estudio multitemporal AHS y (v) corrección de los errores detectados en las imágenes AHS.

Elección del método de evaluación del corregistro entre imágenes

Para resolver el problema de la evaluación del error geométrico se utiliza el cálculo de la correlación entre ventanas móviles en las imágenes. Esta técnica se ha empleado habitualmente en sistemas de corregistro auto-mático de imágenes. Para implementar la evaluación de errores se utiliza el lenguaje de programación IDL.

Los parámetros de entrada son las dos imágenes AHS nivel L1c, sobre las que se desea evaluar los posibles desajustes, el tamaño de la ventana móvil, el rango de desplazamientos que se desea evaluar y la banda o com-binación de bandas sobre las que se desea realizar el cálculo de la correlación. La herramienta considera una de las imágenes como imagen de referencia, que permanece fija en el espacio y la otra imagen como imagen a eva-luar que es la que se desplaza en el proceso de cálculo. El cálculo de la correlación se realiza sobre los valores que posean los píxeles. Se calcula el coeficiente de correlación de dos matrices de m x n elementos.

139

El resultado es una imagen con tres bandas en formato ENVI. La banda 1 contiene el máximo valor de co-rrelación encontrado en cada una de las ventanas de imagen, la banda 2, contiene el valor del desplazamiento en el eje XUTM en píxeles, que se asocia a la máxima correlación y la banda 3 los desplazamientos en el eje YUTM donde se ha encontrado la máxima correlación entre ventanas. Se consigue de esta forma un mapa de desplaza-mientos existentes entre las dos imágenes evaluadas y en el que se puede observar como se distribuyen los erro-res en la imagen.

Generación de imágenes de validación

Para la validación de la capacidad de detección de patrones de error, se han utilizado imágenes AHS modi-ficadas, en las que se ha introducido un valor de desajuste en cada uno de los parámetros de orientación externa utilizados en su georreferenciación. Se introduce un cambio angular en el fichero que contiene los parámetros de orientación de 0.25º en roll, pitch y heading y tres desplazamientos en las coordenadas del sensor en el momen-to de adquisición de los datos, en XUTM y en YUTM de 6 metros y un incremento en la altura ortométrica (Ho) de 50 metros. Con estos parámetros se vuelve a generar el producto L1c por el método explicado anteriormente, de forma que se obtienen 6 imágenes AHS desplazadas.

Validación de la detección de patrones de error

Se realizan los cálculos y análisis de los valores de correlación con cada una de las parejas de imágenes generadas en la fase anterior. Como imagen de referencia la imagen correcta, sometida al proceso de georrefe-renciación directa nominal y como imagen a evaluar aquellas generadas de la misma forma pero con sus pará-metros de orientación externa modificados. Una vez obtenidos los resultados se debe verificar que los patrones de error existente en la imagen de desplazamientos corresponden al efecto que produciría el valor erróneo de cada uno de los parámetros de entrada al modelo.

Selección de la información de entrada para el cálculo de la correlación

El valor de correlación que se obtiene está directamente relacionado con la similitud entre las ventanas de imagen que se evalúan. Las zonas sometidas a estudios de análisis de cambios tienen la peculiaridad de haber sufrido algún tipo de modificación en su cubierta y los valores de radiancia recogidos por el sensor en las imá-genes de una y otra fecha pueden tener valores significativamente diferentes. Sin embargo, es precisamente, en este tipo de estudios, donde se hace crítico garantizar un óptimo corregistro entre imágenes.

Para poder decidir sobre qué información se van a realizar los cálculos de correlación, se estudian los valo-res de correlación medios que se obtienen entre las imágenes de los años 2005 y 2006 para diferentes bandas AHS, situadas en distintas regiones del espectro electromagnético. Se han seleccionado las siguientes bandas: B01 (0.4557 µm), B04 (0.5402 µm), B10 (0.7148 µm), B15 (0.8607 µm), B21 (1.5532 µm), B30 (2.1313 µm) y B45 (2.3085 µm).

Además se ha estudiado el valor de correlación medio obtenido para un cociente de bandas AHS (B15/B08). La ventaja de la utilización de cocientes es la reducción del efecto que pueden producir las diferen-cias absolutas de los valores de radiancia de las diferentes fechas.

Por último se han calculado los Factores de Correlación Canónicos (FCC) para cada pareja de imágenes, año 2005-2006. Los FCC son las combinaciones lineales óptimas para obtener la información de máxima simili-tud entre imágenes de dos fechas diferentes (Nielsen et al., 1998). Aplicando los coeficientes resultantes del análisis de correlación a cada una de las bandas AHS que han entrado en el análisis de correlación canónico se genera una nueva imagen que retiene la información común existente en ambas fechas.

Evaluación y corrección de las imágenes AHS - campaña Guadalajara

Como último paso se evalúa el nivel de corregistro alcanzado en el proyecto AHS que se está llevando a cabo sobre el área afectada por un incendio forestal en el entorno del Parque Natural del Alto Tajo. Se conside-

140

ran como imágenes de referencia las que corresponden al año 2005, y como imágenes a evaluar las correspon-dientes al año 2006, sobre las que se desea conocer el grado de desajuste geométrico.

Una vez obtenidos los mapas de desplazamientos, se deben traducir los desplazamientos en XUTM, YUTM a valores aplicables a los parámetros de entrada del método de georreferenciación de las imágenes. Se generan nuevos parámetros de orientación externa que servirán para repetir el proceso de georreferenciación y mejorar de esta forma el ajuste geométrico entre imágenes.

RESULTADOS

Validación de la detección de patrones de error

Obtenidas las imágenes de desplazamiento entre las imágenes originales y las imágenes generadas a partir de datos de posición y orientación modificados se observa como un desplazamiento de 6 metros aplicado a las coordenadas UTM que marcan la posición del sensor en el momento de adquisición de las líneas de datos AHS se traduce en las imágenes de corregistro como desplazamientos en XUTM, YUTM de 2 píxeles constantes en toda la imagen.

El cambio de 50 metros en la altura del sensor, equivale a un cambio de escala en la imagen. Al disminuir la altura del avión, el terreno abarcado por el FOV del AHS disminuye. Las imágenes de desplazamientos mues-tran valores de desplazamiento negativos en XUTM e YUTM para los píxeles situados al este del nadir y valores positivos en XUTM e YUTM para los píxeles situados al oeste del nadir, así como un valor de desplazamiento 0 en la línea que corresponde con la posición del nadir en la imagen.

Se analizan las imágenes de desplazamientos obtenidas a partir del análisis de correlación entre las imáge-nes originales y las imágenes generadas a partir de ficheros en los que se ha introducido un cambio de 0.25º en los ángulos de orientación roll, pitch y heading. En ellas se observa como este desajuste angular se proyecta sobre las coordenadas cartográficas UTM. La cantidad de desajuste en cada uno de los ejes cartográficos depen-de principalmente del error angular introducido y del rumbo con el que haya adquirido la imagen (fig. 2).

a b

DESPLAZAMIENTO (PÍXELES)

XUTM YUTM XUTM YUTM-3 -2 -1 0 1 2 3

Figura 2. Patrones de desplazamientos en XUTM , YUTM resultados del análisis de corregistro de las imágenes AHS contra imágenes AHS con parámetros de orientación modificados. (a) roll +0.25º (b) heading +0.25º

Selección de la información de entrada para el cálculo de la correlación

Para minimizar el efecto que introduce en el cálculo de la correlación el cambio que la cubierta ha sufrido entre las 2 fechas de adquisición de las imágenes, se estudia cuales son los valores de radiancia en el sensor óptimos para realizar el cálculo de la correlación entre ventanas, los que manifiesten menos el cambio de la cubierta. Se debe tener en cuenta que el cálculo del corregistro será tanto más robusto cuando existan caracterís-ticas en la cubierta que hagan que los valores de correlación sean significativamente diferentes para los diferen-tes desplazamientos de la ventana de imagen, es decir, que exista un máximo relativo claro dentro de los valores de correlación calculados (fig. 3).

141

Fig

dualpara

Figu

res mzan ala bael cael 65(en 2

lacióda p

siadocióndel azar l

Eva

permlas i

a

ura 3. (a) y (b) Gráficasde correlación p

Se han calculado los vaes del AHS que se encue el cociente de bandas, B

ra 4. Valores medios de

Se puede observar comoedios de correlación ma longitudes de onda maynda 15. Esta banda situambio de cubierta entre f%. Se obtienen también.13 µm y 2.30 µm respe

Para las imágenes calcun muy bajos, aunque unor el incendio ocupa en l

Respecto a los factores ruidoso mientras el seg

los encontramos en la banálisis de correlación caa banda 21 como dato de

luación y corrección de

Un análisis de las imágite deducir que el patrón

mágenes, a excepción de

b

de correlación para ventanara ventanas con rasgos ca

lores medios de las imágenntran en distintos rangos d15/B08 y para el 2º Factor

Valores medios de la

50.0

55.0

60.0

65.0

70.0

75.0

B01

B04

B10

B15

B21

R2

(x10

0

la imagen de máxima corindividuales, cocien

para la banda 1, situada eyores al 60% para todas laores la correlación descienda en el infrarrojo cercanoechas y de ahí sus valores valores bajos de correlacióctivamente).

ladas a partir del cociente poco más variables entre ias imágenes.

canónicos obtenidos y traundo factor se considera anda 21 (1.55 µm) y en las

nónico, FCC2. Dado que e entrada para el análisis de

las imágenes AHS - camp

enes de desplazamientos g de error se corresponde a las pasadas P01 y P06, p

1

c

as en áreas homogéneasracterísticos, en este caso

es de máxima correlacióel espectro. Además se

de Correlación Canónica

imagen de correlacion

B30

B45

B15/B

08

FCC-2

P0P0P0P0P0P0P0

relación (2005-2006) en te B15/B08 y FCC-2

n 0.455 µm, se obtienens pasadas. A partir de aqde llegando al mínimo d

(0.86 µm) es una de las bajos de correlación qun para las bandas 30 y 4

banda 15 / banda 8 (NIRmágenes en función de l

s una inspección visual, decuado para el análisis. imágenes formadas a pantre ellos no existen difel corregistro por su simp

aña Guadalajara

eneradas correspondien una frecuencia incorrecresentan una zona en la

42

d

de la imagen (c) y (d) Gráficas caminos forestales

n para diferentes bandas indivi-ha realizado este mismo cálculo – FCC2 (fig. 4).

1MD2MD3MD4MD5MD6MD7MD

las 7 pasadas AHS, para bandas

valores altos, presentando valo-uí y según las bandas se despla-e correlación entre imágenes en

bandas en las que más se refleja e no superan en ninguna imagen 5 situadas en el rango del SWIR

/R) se obtienen valores de corre-a proporción que la zona afecta-

el primer y factor resulta dema- La valores más altos de correla-rtir de los coeficientes obtenidos rencias notables, se decide utili-licidad de cálculo.

tes a la comparación 2005-2006 ta de los datos GPS/IMU. Todas que no se encuentran desplaza-

mientos entre las imágenes y después a cada uno de los lados de esta zona estable, los desplazamientos en coor-denadas aumentan siempre siguiendo la dirección de vuelo. En la pasada P01 y P06 se puede observar que no existe esa zona sin desplazamientos, lo que implica que además de un desajuste en la frecuencia de los datos, existe un error en el tiempo inicial elegido para los datos GPS/IMU en esas dos imágenes (fig. 5).

A partir de esta información se pueden calcular de nuevo los ficheros de parámetros de orientación externa de las imágenes traduciendo el desplazamiento en XUTM, YUTM en tiempo de des-sincronización y seleccionando los datos con la frecuencia adecuada, se obtienen nuevas imágenes L1c. Para verificar que las nuevas imágenes corregidas geométricamente de la campaña del 2006 encajan sin desplazamientos con las imágenes del año 2005, se vuelve a realizar el cálculo de correlación por ventanas. Se observa como la corrección se consigue mejorar notablemente el corregistro entre imágenes (fig. 6). En las nuevas imágenes de desplazamientos no se observa ya la existencia de ningún patrón de error, aunque si se pueden ver algunos píxeles aislados en los que se detecta desplazamientos relativos entre imágenes.

ba

-3 -2 -1 0 1 2 3

DESPLAZAMIENTO (PÍXELES)

YUTMYUTM XUTMXUTM

Figura 5. Resultados del análisis de corregistro de las imágenes AHS - Guadalajara, años 2005 y 2006. (a) Ima-gen P05 (b) Imagen P06

-3 -2 -1 0 1 2 3

DESPLAZAMIENTO (PÍXELES)

ba

YUTMXUTMYUTMXUTM

Figura 6. Resultados del análisis de corregistro de las imágenes AHS – Guadalajara, años 2005-2006 corregido el error de sincronización. (a) Imagen P05 (b) Imagen P06

CONCLUSIONES

La metodología propuesta mejora la estimación de errores en la geolocalización de los píxeles en imágenes AHS adquiridas en el marco de estudios multitemporales, permitiendo la identificación de patrones de despla-zamiento entre imágenes. Estos patrones pueden ser traducidos en desajustes en los parámetros de entrada al proceso de georreferenciación directa, pudiendo identificar qué parámetro introduce el error, así como cuantifi-car la magnitud de dicho error.

143

La correlación de ventanas de entre 75 y 100 píxeles es suficientemente sensible para detectar patrones de error. Ocasionalmente el resultado de la correlación puede ser incorrecto, pero eso solo ocurre en un número pequeño de ventanas en cada imagen que no impiden la interpretación global de los resultados. Los valores de correlación anómalos son en algunos casos debidos a la limitación del método en sí, aunque en ciertas ventanas pueden deberse probablemente a cambios significativos en la superficie observada, ya que la utilización del mismo modelo digital del terreno y la metodología de georreferenciación directa utilizada, hacen poco probables la aparición de errores locales.

Es importante destacar que aunque los valores medios de las imágenes de correlación varían en función de los datos de entrada seleccionados para el análisis del corregistro, cualquiera de los casos evaluados es capaz de identificar el patrón de error existente. Los Factores de Correlación Canónicos resultan ser de gran interés, pero no producen una mejora sustancial en la evaluación de las imágenes descartándose por ello su uso frente a la utilización de bandas individuales AHS.

Las imágenes obtenidas tras la corrección basada en los datos de correlación son ahora adecuadas para es-tudios temáticos posteriores. Sin embargo persisten algunos problemas geométricos que no han podido ser eli-minados y que dificultan el análisis píxel a píxel de los datos. Entre las causas de la falta de corrección de estos errores residuales se pueden mencionar, la falta de resolución sub-píxel del método empleado, el remuestreo de las imágenes sobre una malla fija para los dos años, que implica necesariamente un error (Tan et al., 2006) y el uso de un sensor de gran FOV en una zona de gran relieve forestal, que implica la observación de objetos con gran altura.

Es posible explorar la posibilidad de que la herramienta pueda utilizarse también como un estimador de los ángulos de calibración de boresight, simplificando los trabajos de campo y permitiendo un seguimiento de di-chos ángulos a lo largo de la temporada de campañas, aunque para esta aplicación sería imprescindible contar con la resolución sub-píxel.

La metodología de evaluación presentada se utilizará en el proceso de las campañas AHS multitemporales y los resultados obtenidos servirán para informar al usuario sobre la bondad del ajuste geométrico entre imáge-nes AHS.

REFERENCIAS BIBLIOGRÁFICAS

Atkinson S. (2001): Satellite imagery rectification, GIM International, Vol.15, Nº 11: 72-75. Bärs R., Watson L. y Weatherbee O. (1999): AISA as a tool for timely commercial remote sensing, 4th Interna-

tional Airborne Remote Sensing Conference and Exhibition, Vol.1: 239-246. Biesemans J., Sterckx S., Knaeps E., Vreys K., Adriaensen S., Hooyberghs J., Meuleman K., Kempeneers P.,

Deronde B., Everaerts J., Schläpfer D. y Nieke J. (2007): Image processing workflows for airborne remote sensing, Proceedings 5th EARSeL Workshop on Imaging Spectroscopy.

Boardman J. (1999): Precision geocoding of low altitude AVIRIS data: Lessons learned in 1998, 8th Annual JPL

Airborne Earth Science Workshop, JPL Publication 99-17: 63-68. Brown L. G. (1992): A survey of image registration techniques, ACM Computing Surveys, 24: 326-376. Brunn A., Dittmann C., Fischer C., Richter R. (2003): Quality assessment, atmospheric and geometric correc-

tion of airborne hyperspectral HyMap data, Proceedings 3rd EARSeL Workshop on Imaging Spectroscopy. Clark R.N., Livo E. y Kokaly R.F. (1998): Geometric correction of AVIRIS imagery using on-board Navigation

and Engineering data, 7th Annual JPL Airborne Earth Science Workshop, JPL Publication 99-21: 57-65.

144

Dai X., Khorram S. (1998): The effects of image misregistration on the accuracy of remotely sensed change

detection, IEEE Transactions on Geoscience and Remote Sensing, 36 (5): 1566-1577. Dyk A., Goodenough D.G., Bhogal A.S., Pearlman J. y Love J. (2002): Geometric correction and validation of

Hyperion and ALI data for EVEOSD, Geoscience and Remote Sensing Symposium, IGARSS’02, IEEE In-ternational, Vol.1: 579-583.

Fernández-Renau A., Gómez J.A. y De Miguel E. (2005): The INTA AHS system, Sensors, Systems, and Next-

Generation Satellites IX, Proceedings of the SPIE, Vol. 5978: 471-478. Glenn N.F., Mundt J.T., Weber K.T., Prather T.S., Lass L.W. y Pettingill J. (2005): Hyperspectral data process-

ing for repeat detection of small infestations of leafy spurge, Remote Sensing of Environment, 95: 399-412. Gregory S., Hedges P. y Elgy J. (1999): The geometric correction of airborne line-scanner imagery, Fourth In-

ternational Airborne Remote Sensing Conference and Exhibition. Guevara V., Reyes A., Salcedo R., Ruiz A. y Torres W. (2004): Evaluación de la precisión en la ortorectifica-

ción de imágenes del satélite IKONOS en el área urbana de Caracas, Revista SELPER, Vol. 20, Nº 1. Honkavaara E., Ahokas E., Jaakkola J., Hyyppä J., Ilves R. y Vilhomaa J., (2002): Investigations on system

calibration of GPS/IMU and camera for Direct Georeferencing, Proceedings of ISPRS Commission III sym-posium, Photogrammetric Computer Vision, Vol. 34, Parte 3B: 1682-1750.

International Organization for Standardization, (2003): International Standard: Geographic information – Meta-

data, ISO 19115:2003, Technical Committee 211. Jacobsen K. (2002): Calibration aspects in Direct Georeferencing of frame imagery, IAPRS, Vol. 34, Parte 1:

82-89. Jacobsen K. y Wegmann H. (2001): Dependencies and problems of Direct Sensor Orientation, OEEPE Work-

shop Integrated Sensor Orientation. Madani M. y Mostafa M. (2001): ISAT Direct Exterior Orientation QA/QC Strategy Using POS Data, Proceed-

ings of OEEPE Workshop: Integrated Sensor Orientation. Meyer P. (1994): A Parametric Approach for the Geocoding of Airborne Visible/Infrared Spectrometer

(AVIRIS) Data in Rugged Terrain, Remote Sensing of Environment, 49(2): 118-130. Mostafa M. (2002): Quality control of direct georeferencing data, Proceedings of Integrated Remote Sensing at

the Global, Regional and Local Scale, IAPRS, Vol. 34, Parte 1. Mostafa M. y Mostafa R. (2001): Digital multi-sensor systems – calibration and performance Analysis, Pro-

ceedings of the OEEPE Workshop Integrated Sensor Orientation. Mueller A., Richter R., Habermeyer M., Mehl H., Dech S., Kaufman H., Segl K., Strobl P., Haschberger P. y

Bamler R. (2004): ARES – A new reflective / emissive imaging spectrometer for Terrestrial Applications, Proceedings of SPIE, Vol. 5574: 120-127

145

Müller R., Holzwarth S., Habermeyer M. y Müller A. (2005): Ortho Image Production within an Automatic Processing Chain for hyperspectral Airborne Scanner ARES, EARSeL Workshop 3D-Remote Sensing.

Mundt J., Glenn N., Weber K., Prather T., Lass L. y Pettingill J. (2005): Discrimination of hoary cress and de-

termination of its detection limits via hyperspectral image processing and accuracy assessment techniques, Remote Sensing of Environment, 96: 509-517.

Nielsen A., Conradsen K. y Simpson J. (1998): Multivariate Alteration Detection (MAD) and MAF postproc-

essing in mutispectral, bitemporal image data: New approaches to change detection studies, Remote Sensing of Environment, 64: 1-19.

Nilsen, B. (2002): Test field Fredrikstad and data acquisition for the OEEPE Test "Integrated Sensor Orienta-

tion", Integrated Sensor Orientation, OEEPE Official Publication No. 43: 19-30. Roy D. (2000): The impact of misregistration upon composited wide field of view satellite data and implications

for change detection, IEEE Transactions on Geoscience and Remote Sensing, 38 (4): 2017-2032. Schläpfer D., Schaepman M. y Itten K.I. (1998): PARGE: Parametric Geocoding Based on GCP-Calibrated

Auxiliary Data, Imaging Spectrometry IV, SPIE Vol. 3438: 334-344. Schläpfer D., Bojinski S., Schaepman M. y Richter R. (2000): Combination of geometric and atmospheric cor-

rection for AVIRIS data in rugged terrain, Jet Propulsion Laboratory, 429-436. Schläpfer D., y Richter R. (2002): Geo-atmospheric processing of airborne imaging spectrometry data. Part 1:

Parametric Ortho-Rectification Process, International Journal of Remote Sensing, 23(13): 2609-2630. Skaloud J. y Schaer P. (2003): Towards A More Rigorous Boresight Calibration, ISPRS International Workshop

on Theory, Technology and Realities of Inertial / GPS Sensor Orientation, Commission 1, WG I/5. Staenz K., Szeredi T. y Schwarz J. (1998): ISDAS - A system for processing/analyzing hyperspectral data, Ca-

nadian Journal of Remote Sensing, 24 (2): 99-113. Tan B., Woodcock C.E., Hu J., Zhang P., Ozdogan M., Huang D., Yang W., Knyazikhin Y. y Myneni R.B.

(2006): The impact of gridding artifacts on the local spatial properties of MODIS data: Implications for vali-dation, compositing, and band-to-band registration across resolutions, Remote Sensing of Environment, 105: 98-114.

Verbyla D. y Boles S. (2000): Bias in land cover change estimates due to misregistration, International Journal

of Remote Sensing, 21 (18): 3553-3560. Wilson A., Mockridge W. y Robinson M. (1997): Post-processing to achieve radiometric and geometric correc-

tion of ATM and CASI data, 3rd International Airborne Remote Sensing Conference and Exhibition, Vol.1: 447-454.

Zitova B. y Flusser J. (2003): Image registration Methods: A Survey, Image and Vision Computing, Vol.21:

977-1000.

146