GEOLOGIJA 41, 411-434 (1998), Ljubljana 1999
Uporaba daljinskega zaznavanja - satelitskih posnetkov
v inženirski geologiji (območje Črnega Kala)
The application of remote sensing - satellite imagery in
engineering geology (study area of Črni Kal, Slovenia)
Marko Котас
Geološki zavod Slovenije,
Dimičeva 14, SI-1000 Ljubljana, Slovenija,
E-mail:mkomac@geo-zs.si
Mihael Ribičič
Gradbeni inštitut ZRMK,
Dimičeva 12, SI-1000 Ljubljana, Slovenija,
E-mail: mribicic@gi-zrmk.si
Ključne besede: daljinsko zaznavanje, satelitski posnetki, Landsat 5 TM, klasifi-
kacija
Key words: remote sensing, satellite imagery, Landsat 5 TM, classification
Povzetek
Cilj prispevka je odgovoriti na vprašanje uporabnosti satelitskih posnetkov pri
geološkem kartiranju večjih meril (1:10.000 in več). Poskušali smo ugotoviti primer-
nost daljinskega zaznavanja pri ugotavljanju litologije in prisotnosti prelomov. Ta
dva faktorja sta le del celote, ki določa stabilnost površine in posredno vpliva na
gradnjo linearnih objektov kot so ceste, železnice, razni vodi, itd. Kot osnovni po-
datki za nadaljno digitalno obdelavo podatkov so bili vzeti satelitski posnetki
območja Črnega Kala, posneti s satelitom Landsat 5 TM. Osnovnim posnetkom je
bilo povečano (raztegnjeno) območje kontrasta z namenom, da se povečajo razlike
med elementi na njih. Obdelava z Laplaceovim in 2dfdxdy filtroma je dala kot re-
zultat posnetke s poudarjenimi elementi in njihovimi robovi. Med možnimi barvni-
mi zloženkami so bile za nadaljnjo obdelavo izbrane najprimernejše. Za klasificira-
nje barvnih zloženk smo uporabili dve metodi. Za barvno zloženko iz osnovnih po-
snetkov 1, 2 in 7 smo uporabili nenadzorovano klasifikacijo in za barvno zloženko iz
osnovnih posnetkov 2, 4 in 6 nadzorovano klasifikacijo. S primerjavo z geološko
karto smo dobili rezultate natančnosti klasifikacije. Natančnost nenadzirane klasi-
fikacije je dosegla 56,5%, natančnost nadzirane klasifikacije pa 65,2%.
Abstract
Main purpose of this paper is to provide an answer to the question of usefulness
of satellite images in engineering geological mapping on larger scales (1:10.000 or
larger). We tried to determine if the remote sensing (RS) is suitable for locating fac-
412 Marko Komac & Mihael Ribičič
tors such as lithology and presence of faults. These factors, among others, define
stability of the surface and indirectly affect on construction of linear infrastructure
objects e.g. roads, railroads, various pipelines etc. On Landsat TM images of Črni
Kal area, a digital image processing was conducted. Stretching of contrast was per-
formed on basic TM bands images for purpose to enhance and separate image featu-
res. Filtering with Laplace and 2dfdxdy filters produced images that emphasise ed-
ges and entities. Before classification of images was performed, most suitable colour
composites were selected. Two different classification methods were used, an unsu-
pervised classification for colour composite of bands 1, 2 and 7, and supervised
classification for colour composite of bands 2, 4 and 6. After the classification, the
accuracy for both classification methods were calculated - accuracy of geology fea-
tures for unsupervised classification reached a 56,5%, and for supervised classifica-
tion it reached a 65,2%.
Uvod
V geologiji je vse bolj čutiti potrebo po sodelovanju z drugimi področji znanosti.
Dandanes je uporaba računalniških sistemov praktično neizogibna, saj je z njimi ob-
delava številnih podatkov veliko enostavnejša, učinkovitejša in nepristranska. Vse
vede, ki se ukvarjajo s prostorsko problematiko, se srečujejo z ogromnim številom po-
datkov. Geografski informacijski sistem, krajše GIS, je računalniško podprt sistem, s
katerim je mogoča obdelava prostorskih informacij. Največja prednost tega sistema
je v možnosti upoštevanja in prepletanja podatkov različnih strok, saj vemo, da pro-
storski faktorji niso vezani le sami nase, temveč so vedno v soodvisnosti z drugimi
faktorji (npr - plazenje brežin je med drugim odvisno tudi od poraščenosti terena, ki
je odvisna od prsti, ta pa je odvisna med drugim od klime, itd.).
Eden izmed pomembnih virov pridobivanja prostorskih podatkov je daljinsko za-
znavanje. Daljinsko zaznavanje omogoča splošen pregled nad obravnavanim obmo-
čjem, kljub potencialni težki dostopnosti. Obenem omogoča prihranek časa in najra-
zličnejše aplikacije. Nasproti prednostim stojijo omejitve daljinskega zaznavanja, od
katerih je najpomembnejša natančnost podatkov.
Daljinsko zaznavanje
Daljinsko zaznavanje je pridobivanje podatkov o objektu s pomočjo elektromagne-
tnega valovanja s pomočjo senzorjev na zračnih ali vesoljskih platformah in interpre-
tacija le-teh podatkov.
Prednosti in omejitve daljinskega zaznavanja
Glavne prednosti daljinskega zaznavanja glede na talne raziskave so:
• splošen pregled - daljinsko zaznavanje omogoča študijo različnih prostorskih
oblik in njihovih odnosov
• možnost opazovanja težko dostopnih/nedostopnih območij
• prihranek časa - hitrejša pridobitev informacij o večjih ozemljih
• multidisciplanarne aplikacije - podatki se lahko uporabljajo na različnih podro-
čjih,
• zmanjšanje stroškov
• razvoj omogoča vedno večjo natančnost dobljenih podatkov
Uporaba daljinskega zaznavanja__413
Omejitve daljinskega zaznavanja so:
•    zahteve uporabnikov podatkov vedno korak pred tehniko daljinskega zaznavanja
- ločljivost in količina podatkov sta vedno nezadostna.
m
Misiji Landsat-4 in -5
Kot posledica uspešnih poskusov fotografiranja zemeljskega površja s človeško
vodenimi misijami Mercury, Gemini in Apollo, je NASA razvila projekt za orbitalno
opazovanje zemeljskih pojavov in zalog brez človeške posadke. Kot že omenjeno, se je
projekt prvotno imenoval ERTS, kasneje pa je bil preimenovan v Landsat. S tem pro-
jektom je bil postavljen temelj projektom daljinskega zaznavanja in razvoja njegove
tehnologije. Glavni razlogi za razvoj tega projekta so bili:
• pridobivanje podatkov z vsega sveta,
• neomejen dostop do podatkov, brez političnih omejitev,
• dostopnost podatkov brez potreb po posebej planiranih misijah,
• precej dobra geometrijska natančnost,
• digitalni podatki so primerni za nadaljno digitalno obdelavo in
• nizka cena.
SI. 1. Orbita satelita Landsat-4 (Lillesand & Kieffer, 1994)
414_Marko Komac & Mihael Ribičič
SI. 2. Satelit Landsat-4 in njegova oprema (Lillesand & Kieffer, 1994)
Inklinacija orbite satelitov Landsat-4 in -5 glede na ekvator je 98,2° (si. 1). V enem
dnevu preleti satelit dobrih 14,5 orbit, kar pomeni, da za eno orbito porabi okoli 99
minut. Zaradi zemeljske rotacije je razdalja med posameznimi preleti na tleh na
ekvatorju 2752 km. Snemanje posameznega pasu se ponovi v 16 dneh. Časovna razli-
ka med satelitoma Landsat-4 in -5 je 8 dni, torej so novi podatki o določenem ozem-
lju dostopni vsakih 8 dni. Satelit obkroži Zemljo pri obravnavanih misijah 233 krat v
šestnajstih dneh. Preleti so oštevilčenih od 001 do 233, od vzhoda proti zahodu, za-
čenjši s pasom 001 na 64°36' zahodne geografske dolžine in na ekvatorju.
Vse podatke, razen podatkov dobljenih z multispektralnem skenerjem (MSS), ki so
tudi zabeleženi na magnetnih trakovih, odda satelit senzorskim postajam na Zemlji.
Te so razporejene po vsem svetu, tako da pokrivajo čim večje možno območje. Seveda
ostajajo deli, ki jih senzorske postaje ne zajemajo. To so predvsem območja oceanov
in nenaseljena območja.
Orbita
Satelita Landsat-4 in -5 sta bila izstreljena v periodično, cirkularno. Soncu sin-
hrono, bližnjo polarno orbito. Za razliko od prejšnjih misij je bila orbita spuščena z
900 na 705 km. Vzrok znižanja orbite je bila večja ločljivost dobljenih podatkov in
možnost vračanja satelitov na Zemljo z vesoljskim plovilom (Columbia).
Uporaba daljinskega zaznavanja_415
Oprema satelitov Landsat-4 in -5 •  '
Satelita sta opremljena z multispektralnim skenerjem in s tematskim kartografom
(TM). Njuna teža je približno 2000 kg, poleg senzorjev pa nosita še štiri 1,5*2,3 m
plošče sončnih celic za napajanje, anteno velikega dosega za prenašanje podatkov
med sateliti (TDRSS - Tracking and Data Relay Satellite System) in dve anteni (X-
pas in S- pas) za oddajanje prejetih podatkov na Zemljo (si. 2).
Multispektralni skener (MSS) uporablja nihajoče zrcalo za opazovanje (skenira-
nje) tal pravokotno na smer leta, ki niha okoli osi vzporedni s smerjo leta satelita. Ši-
rina pasu, skeniranega pravokotno na smer leta je 185 km (osnovna MSS scena ima
velikost 185*185 km), ločljivost posnetka pa znaša 82 m (osnovna celica ima velikost
82*82 m). Zaradi velike hitrosti satelita (6,47 km/s) in nihanja zrcala s frekvenco 13,6
Hz, ima MSS šest vzporednih detektorjev. MSS zajema podatke s štirimi spektralnimi
kanali (območja valovnih dolžin od 0,5 [im do 1,1 |im). To so: zelen (kanal 1), rdeč (ka-
nal 2) in dva bližnja - IR kanala (kanala 3 in 4), prvi trije uprabljajo za ojačanje po-
datkov fotopomnoževalke, četrti pa uporablja silikonske fotodiode. Količina podat-
kov, ki jih lahko odda MSS senzor s pomočjo anten X- pasu in S- pasu na Zemljo je
15 Mb/s.
Kanala 1 (zelen) in 2 (rdeč) se uporabljata za opazovanje urbanih območij, kjer lo-
čljivost izboljšamo s kanalom 2 zaradi njegovega boljšega prodora skozi atmosfero. S
kanalom 1 je moč opazovati vodne objekte, saj je njegova penetracija v vodo zelo do-
bra. Kanala 3 in 4 se uporabljata za razmejevanje vodnih objektov. Voda ima v obmo-
čju bližnjega - IR spektra temne tone, prav tako stoječa voda, močvirja, slabo zara-
ščene vlažne organske zemljine in asfaltne površine. Kanala 2 in 4 igrata pomembno
vlogo pri geoloških študijah, 2. kanal zaradi močnejših kontrastov med podatki in 4.
kanal (bližnji - IR del spektra) zaradi zaznavanja prisotnosti ali odsotnosti vode v ka-
mninah.
Tematski kartograf (TM) je predelan multispektralni skener, skener druge genera-
cije. Deluje v sedmih območjih EM spektra, med 0,45 |im in 12,5 |im. Prav tako kot
MSS, tudi TM uporablja nihajoče zrcalo za opazovanje tal v pasovih, pravokotnih na
smer letenja. Glavne razlike med TM in MSS so:
• TM senzor zajema podatke s sedmimi spektralnimi kanali v vidnem (dodan je ka-
nal za modro barvo), bližnjem, srednjem in termalnem- IR območju,
• izboljšana je spektralna ločljivost glavnih zemeljskih površinskih elementov,
• TM senzor lahko skenira določeno območje v obeh smereh nihanja zrcala (si. 3b),
medtem, ko MSS skenira le v eni smeri (si. 3a),
• TM ima po 16 vzporednih senzorjev za vse kanale, razen za 6. kanal, ki jih ima
le 4,
• TM ima večjo prostorsko, spektralno in radiometrično ločljivost. To mu omogoča
8- bitna (256 nivojev) številčna stopnja,
• vsi kanali imajo ločljivost 30 m (osnovna celica je velika 30*30 m), razen 6. kana-
la, ki ima ločljivost 120 m,
• možnost prenosa podatkov je pri TM 85 Mb/s.
416 Marko Komac & Mihael Ribičič
SI. 3. Smeri skeniranja za MSS (a) in TM (b) (Gupta, 1991)
Kanali 1, 2, 3, 4, 5 in 7 so med drugim namenjeni boljšemu ločevanju lastnosti ve-
getacije. Kanal 1 se uporablja pri določanju morske globine, kanala 5 in 7 sta idealna
za ločevanje kamninskih tipov, kanal 5 se uporablja za ločevanje med oblaki in sne-
gom, kanal 6 pa se uporablja za vrsto aplikacij termalnega kartiranja. Natančnejši
podatki so opisani v tabeli 1. Za kanale 1-4, ki se nahajajo na primarni fokusni rav-
nini, se uporabljajo silikonska tipala, kanali 5-7 pa se nahajajo na sekundarni, ohla-
jeni fokusni ravnini zaradi povečanja radiometrične občutljivosti. Za kanala 5 in 7 se
uporablja indijevo-antimonitovo (InSb) tipalo, za 6. kanal pa se uporablja živo sre-
brovo-kadmijevo-telurijevo (HgCdTe) tipalo.
Interpretacija podatkov
Z obdelavo posnetkov in fotografij dobimo skupine rezultatov za nadaljno inter-
pretacijo in aplikacije. Dobljene rezultate se pošlje skozi postopek določitve geote-
hničnih elementov, kot so oblikovanost pokrajin, vodnih mrež, zemljin, vegetacije in
njihovih razpoznavnih znakov, ki so barvni toni, tekstura, oblika, velikost, sence,
vzorci in sorodstvene povezave. Način pojavljanja objekta na sliki je odvisen od
območja zaznavanja senzorja, v tem primeru senzorjev MSS in TM. Vsi štirje kanali
multispektralnega skenerja spadajo v skupino, ki zaznava valovne dolžine območja
sončevega odboja, pri tematskem kartografu pa sodi v to skupino šest kanalov (mo-
dri, zeleni, rdeči, bližnji - IR in dva kanala za srednji - IR del spektra). Sedmi spada v
termalno - IR območje. Različni objekti imajo različne razpoznavne lastnosti. Te so
za posamezne objekte podane v tabeli 2.
Uporaba daljinskega zaznavanja_417
Tabela 1. Območja delovanja TM senzorjev misij Landsat-4 in -5
(Lillesand & Kiefer, 1994)
Interpretacija podatkov, posnetih v termalnem - IR območju
EM valovanje v območju od 3 џт do 35 |im imenujemo termalno - IR valovanje.
Tako se imenuje zato, ker zajema zemeljsko sevanje, kot posledico njene lastne toplo-
te, močnejše od energij odboja sončevega sevanja. Uporabne dele območja od 3 |im do
35 |Lim omejujejo pojavljanja atmosferskih oken (Gupta, 1991). Pri normalnih zemelj-
skih temperaturah ima sevanje črnega telesa vrh med 9 |im in 10 |j.m, atmosferska
okna pa ležijo med 3 цт in 5 цт, med 8 f^m in 14 |im in med 17 џт in 25 |im. Interpre-
tacija podatkov v območju med 3 in 5 цт je zapletena zaradi prekrivanja z območjem
sončevega odboja, območje med 17 in 25 (im pa še ni dovolj raziskano. Območje zaje-
ma podatkov je najprimernejše med 8 in 14 џт, za satelitsko opazovanje pa je obmo-
čje opazovanja zaradi ozonske absorbcije pri 9,6 |im skrčeno na del spektra med 10,4
in 12,6 fim. Količina zemljine sevane energije je odvisna od dveh faktorjev, površinske
temperature in stopnje izžarevanja.
Površinska temperatura, imenujemo jo tudi kinetična temperatura, je odvisna od
dveh skupin faktorjev, toplotnih energijskih virov in termodinamičnih lastnosti mate-
rialov (tabela 3).
418 Marko Komac & Mihael Ribičič
Tabela 2. Razpoznavne lastnosti objektov (Gupta, 1991)
Aplikacije širokopasovnega daljinskega zaznavanja v geologiji
Geomorfologija
Geomorfološke značilnosti terena je najlažje opazovati na nočnih posnetkih zaradi
razlik v temperaturah, ki so posledica nadmorske višine, vlage v tleh in vegetacije.
Nasprotno temu pa dajo dnevni posnetki več podatkov o reliefu.
Uporaba daljinskega zaznavanja____419
Tabela 3. Fizikalni faktorji vpliva na stopnjo izžarevanja in kinetično temperaturo materialov
(Ellyett in Pratt, 1975)
Strukturno kartiranje
Termalno- IR posnetki so nadvse uporabni pri strukturnem kartiranju. Strukturne
oblike kot so prelomi, narivi ipd. so opazne zaradi termalnih lastnosti kamnin. Pla-
stovitost in foliacija tvorita na posnetkih subparalelne linije zaradi razlik v kontra-
stu tvornih plasti. Prelomi in lineamenti so lahko povezani z izviri ali z gibanjem vo-
de proti površini. Ti pojavi povzročajo evaporacijsko ohlajanje vzdolž prelomov.
420_Marko Komac & Mihael Ribičič
Aplikacije v inženirski geologiji
Podatki, dobljeni pri daljinskem zaznavanju, se v vedno večji meri uporabljajo tu-
di v inženirski geologiji. To omogoča predvsem splošen pregled, ki ga učinkovito upo-
rabljamo pri napovedovanju geoloških tveganj in podajanju možnih alternativ in re-
šitev. Pridobivanje podatkov skozi neko časovno obdobje omogoča spremljanje spre-
memb skozi čas in možnost analiz vrste „KAJ PA ČE?".
Inženirsko geološki problem določa stopnjo obravnavanja posameznih geoloških
oblik in faktorjev. Podatki, ki jih običajno iščemo na satelitskih posnetkih so oblike
reiefa, topografija, vodne mreže, litoligija, strukture, orientacija, tipi zemljin, pri-
sotnost površinske vlage in lastnosti preperevanja, uporabljajo pa se za:
• določanje obstoječih in napovedi možnih območij plazenj
• določanje najprimernejših tras linijskih objektov
• ocenjevanje ogroženosti zaradi potresov na podlagi neotektonike.
SI. 4. Položaj obravnavanega območja
Fig. 4. Location of studied area and its surroundings
Litološko kartiranje ил; < , . sì-^^ìjì
Pri litološkem kartiranju je tako kot pri strukturnem glavni faktor omejitve ločlji-
vost posnetkov, ki znaša za 6. kanal LANDAST-ovih posnetkov 120 m. Zaradi tega se
podatki, dobljeni s satelitskim daljinskim zaznavanjem v termalno - IR območju, le
redko uporabljajo za taka kartiranja. Ker na termalne posnetke močno vpliva vlaga
na površini, jih uporabljajo tudi za hidrogeološke raziskave talne vlage, plitvih vodo-
nosnikov, jezer in izlivov sladke vode v morje.
Uporaba daljinskega zaznavanja___421
SI. 5. Karta stanja na površini
Fig. 5. Real ground data
Obravnavano območje
Vir posnetkov, uporabljenih v tem prispevku so satelitski posnetki iz leta 1993, na-
rejeni s tematskim kartografom (TM) satelita Landsat 5. Obravnavano območje Črne-
ga Kala (si. 4) je bilo izbrano zaradi svoje pestre geologije, saj sestoji iz karbonatnih
kamnin kredne starosti (apnenci in dolomiti; vzhodni del območja), paleocenskih
apnencev (osrednji del območja) in klastitov (osrednji severni in jugozahodni del
območja). Posamezne kamnine so bile združene glede na njihove litološke značilnosti.
Gozd predstavlja pomembno oviro pri daljinskem zaznavanju, zato smo ga vključili v
karto stanja na površini (si. 5).
Geologija obravnavanega območja
Kamnine, ki sestavljajo obravnavano območje so kredne, paleocenske, eocenske in
kvartarne starosti. Vir podatkov o geologiji je OGK SFRJ Trst (M = 1:100.000)
(P 1 e n i č a r et al. 1965) in Tolmač lista OGK SFRJ Trst (P 1 e n i č a r et al. 1965).
422 Marko Komac & Mihael Ribičič
Kreda
Kredne plasti zastopajo karbonatne kamnine, od katerih so najstarejše albijsko-
cenomanijski (Ki J dolomiti, breča in apnenec. Nad temi leže plasti cenomanijsko-tu-
ronijskega (Ki -) rudistnega apnenca z vložki dolomita. Sledijo plasti turonijsko-se-
nonijskega (Ш^) sivega in temno sivega apnenca, tem pa plasti temno sivega apnenca
z giropleurami, danijske starosti (Kj).
Paleocen, eocen
Sem spadajo spodnjepaleocenski (s-Pcj) kozinski apnenec s haracejami, zgornjepa-
leocenski (Pcj) miliolidni apnenec, spodnjeeocenski in srednje-eocenski (E^) alveolin-
ski apnenec, numulitni apnenec (Pc, E) in foraminiferni apnenec spodnjeeocenske
(£Ji) in srednjeeocenske (£2) starosti. Foraminiferni apnenci so debeloplastnati in sive
barve. Splošni vpad plasti prevladuje proti severovzhodu v naklonih od 20° do 40°.
Narinjeni so v smeri proti jugozahodu na srednjeeocenski fliš, tako da je izoblikova-
na luskasta zgradba. Luske ter osi sinklinal in antiklinal se vlečejo v smeri SZ-JV.
Apnenci so zelo zakraseli, na površini se pojavljajo škraplje in vrtače, pod površino
pa kraške jame. Na dnu vrtač je apnenec prekrit s kraško ilovico. Nad slednjimi ležijo
plasti laporja z globigerinami srednjeeocenske (spodnje lutecijske) {^E^} starosti, nad
temi pa plasti menjavanja peščenjaka in laporja srednje serije eocenskih klastičnih
kamnin (fliš). Fliš srednjeeocenske starosti je tanko ali debelo plastnat, ponekod
prevladujejo plasti laporja, drugod peščenjaka ali apnenca. Generalni vpad flišnih
plasti je proti severovzhodu pod nagibom od 20° do 30°.
Kvartar
Flišna pobočja so ponekod prekrita z glinasto-gruščnatimi nanosi s pobočij (Q2)
debeline od enega do več metrov. Grušč je ponekod sprijet v pobočno brečo.
Digitalna obdelava rastrskih posnetkov obravnavanega območja
SI. 6 prikazuje izdelavo karte daljinskega zaznavanja za območje Črnega Kala in
primerjavo rezultatov tega postopka z rezultati klasičnega geološkega kartiranja.
Senčena polja ozančujejo izvedene korake na obravnavanem območju.
Raztegovanje kontrasta
Pri tej metodi se posnetkom umetno razširi številčni interval vrednosti celic. Za po-
snetke območja Črnega Kala smo uporabili metodo histogramskega raztega, pri kateri
se natančneje razdeli vrednosti, ki se večkrat pojavljajo na posnetku (območja večje
koncentracije celic). Posledica tega postopka so večje razlike in poudarek kontrasta
med celicami na posnetku. Metoda je zelo uporabna za določevanje in izločevanje obla-
kov, ki predstavljajo oviro (s 1. kanalom), njihovih senc (s 4. in 5. kanalom) in za določi-
tev gozdne površine (s 6. in 7. kanalom), služi pa le kot pomoč pri nadaljni obdelavi.
Uporaba daljinskega zaznavanja__423
SI. 6. Postopek izdelave karte daljinskega zaznavanja
424 Marko Komac & Mihael Ribičič
Filtriranje
Filtriranje je matematična operacija pri kateri pripišemo celici novo vrednost gle-
de na vrednost sosednjih celic. Matriko, ki določa operacijo filtriranja premikamo
preko posnetka, pri čemer vsakokrat posebej izračunamo novo vrednosti celici, ki se
nahaja v središču matrike.
Za dano območje smo izvedli postopek filtriranja v dveh korakih. S filtrom izbolj-
šanja robov elementov, ki poudari linijske elemente in spremembe (meje) med objekti
je bilo moč določiti ceste in železnico. Prelomi in prelomne cone so najbolje vidni na
posnetku, ki je rezultat filtriranja osnovnega posnetka 2. kanala s filtrom d2fdxdy.
Rezultati so prikazani na si. 7.
SI. 7. Posnetek 2. kanala, filtriran s filtrom d2fdxdy, prekrit s prelomi (temnejše linije)
Fig. 7. Image of band 2, filtered with d2fdxdy filter, and overlaid with faults (darker lines)
Na posnetku je najjasneje vidna linearna infrastruktura. Območja oblakov in
območja izven Slovenije so povsem brez struktur zaradi enotnih vrednosti celic, nji-
hove meje pa so jasno določene. V JZ delu posnetka je moč opaziti večjo koncentraci-
jo linij v dinarski smeri (SZ-JV). To območje sestavljajo večinoma klastične kamnine.
Zelo opazen je prelom med klastiti in karbonati v osrednjem vrhnjem delu posnetka.
Tu se poraja vprašanje, ali je ta linearna struktura posledica preloma ali pa je posle-
Uporaba daljinskega zaznavanja___425
dica železnice, ki poteka skozi ta del območja. Širše gledano se na posnetku pojavlja-
ta dve glavni smeri linearnih struktur, od SZ proti JV in NV proti JZ, kar se ujema z
znanimi podatki o smereh pritiskov na obravnavanem območju.
Drugi korak, kjer smo uporabili operacijo filtriranja po klasifikaciji, bomo obrav-
navali v nadaljevanju prispevka.
Barvne zloženke
S kombiniranjem različnih osnovnih kanalov in primerjavo z vektoriziranimi po-
datki stanja na tleh, smo ugotovili, da so najuporabnejše zloženke, ki jiji med drugimi
sestavlja osnovni posnetek 6. kanala, saj le-ta nosi največ uporabnih podatkov o in-
frastrukturi, vegetaciji in geoloških podatkih. Med vsemi barvnimi zloženkami smo
za zloženko iz posnetkov kanalov 2, 4 in 6 izbrali nadzirano klasifikacijo, za zloženko
iz posnetkov kanalov 1, 2 in 7 pa nenadzirano klasifikacijo.
Kostwinder (1995) ne uporablja posnetka 6. kanala pri sestavljanju barvnih
zloženk, po drugi strani pa daje prednost vizualni selekciji barvnih zloženk pred sta-
tistično selekcijo. Posnetek 6. kanala smo uporabili, ker smo dali večji pomen vizu-
alni interpretaciji.
Klasifikacija posnetkov
Pri tem postopku digitalne obdelave podatkov smo izvedli oba načina klasifikaci-
je, da bi določili ustreznejšega.
Nenadzirana klasifikacija
Nenadzirana klasifikacija je metoda pri kateri računalnik sam porazdeli celice s
posnetka v razrede glede na njihove vrednosti. Namen prispevka je bil razlikovati
med seboj karbonate, Mastite in gozd, zato smo se odločili za nenadzirano klasifika-
cijo s 25 razredi. Kot že omenjeno, smo nenadzirano klasifikacijo izbrali za barvno
zloženko posnetkov 1, 2 in 7. Po končani klasifikaciji smo 25 razredov združili v 8 ra-
zredov; karbonate, klastite, gozd 1, gozd 2, travnik, oblaki, sence/gozd 2 in neznano
(si. 8).
Porazdelitev razreda imenovanega „karbonati" se dobro ujema z litološko enoto
foraminifernega apnenca. V SV delu posnetka je opazen kontakt med dolomitom in
apnencem, kar pa je lahko tudi posledica gozdne meje. „Klastiti" se ponekod dobro
ujemajo s talnimi podatki, drugod pa se sploh ne ujemajo. Bolj kot po barvi so klasti-
ti opazni po razpršenem vzorcu, predvsem v JZ delu območja. Vegetacija je razdelje-
na na štiri razrede, „gozd 1" prevladuje, „gozd 2" se pojavlja le ponekod in se večino-
ma zdužuje s sencami v razred „sence/gozd 2" in travnik. Oblaki in meglice so zdru-
ženi v razred „oblaki".
426 Marko Komac & Mihael Ribičič
SI. 8. Nenadzorovano klasificirana barvna zloženka osnovnih posnetkov kanalov 1, 2 in 7,
filtrirana z večinskim filtrom
Fig. 8. Color composite of bands 1, 2 and 7, clssified with unsuprevised classification,
filtered with the majority filter
Nadzirana klasifikacija
Pri nadzirani klasifikaciji uporabnik določi učne celice, ki predstavljajo reprezen-
tativne vrednosti za posamezne razrede. Na podlagi teh nato računalnik razdeli osta-
le celice v razrede, katerim so celice najboj podobne. Celice, ki niso podobne nobene-
mu razredu so definirane kot neznane. Metodo nadzirane klasifikacijo smo izbrali za
barvno zloženko osnovnih posnetkov kanalov 2, 4 in 6. Za vsak razred je bilo izbrano
zadostno število učnih celic (minimalno lOn, kjer je n število osnovnih posnetkov v
zloženki) (tabela 4).
Tabela 4. Število učnih celic za posamezi razred
Uporaba daljinskega zaznavanja___427
SI. 9. Nadzorovano klasificirana barvna zloženka osnovnih posnetkov 2, 4 in 6
kanala, filtrirana z večinskim filtrom
Fig. 9. Color composite of bands 2, 4 and 6, clssified vi^ith supervised classification,
filtered with majority filter
Rezultati nadzirane klasifikacije so prikazani na sliki 9. V SZ delu območja se ra-
zred „karbonati" zelo dobro ujema podatki stanja na površini (si. 5). Območje „kla-
stitov", ki v osrednjem severnem delu območja ločuje karbonate, se prav tako dobro
ujema z dejanskim stanjem na tleh, na drugih delih posnetka pa o ujemanju ne more-
mo govoriti, ker je ta slaba ali pa je ni. Vegetacija se pri nadzirani klasifikaciji pojav-
lja nekoliko drugače kot pri nenadzirani. Tu zasedata večje območje razreda „trav-
nik" in „gozd 2", celic razreda „gozd 1" pa je manj. Oblaki in sence so locirani na
istih mestih, kot pri nenadzirani klasifikaciji. Zanimivo je, da prav nobena celica ni
bila klasificirana v razred „neznano".
Postklasifikacijska poprava posnetkov
Po izvedeni klasifikaciji celic na posnetku, smo dobljene posnetke (podobe) filtri-
rali še z večinskim filtrom, ki ima velikost matrike 3x3 polja. Ta pripiše obravnavani
(sredinski) celici večinsko vrednost (vrednost, ki se največkrat pojavlja) glede na vse
celice v matriki. S to metodo se znebimo razpršenosti podatkov. Rezultata sta prika-
zana na si. 8 in 9.
428_Marko Komac & Mihael Ribičič
Natančnost klasifikacij
Da bi določili natančnost nadzirane in nenadzirane klasifikacije, smo prekrili do-
bljene posnetke (podobe) s podatki dejanskega stanja na tleh. Natančnost nenadzira-
ne klasifikacije po filtriranju z večinskim filtrom je bila za tri glavne razrede (karbo-
nati, klastiti in gozd):
NATnenadz - 56,5 %,
natančnost podobe, dobljene z nadzirano klasifikacijo in filtrirane z večinskim fil-
trom pa je bila:
NATnadz - 65,2 %.
Tu je potrebno poudariti, da je dejanska natančnost (natančnost za vse razrede)
manjša.
Zaključki
Rezultati digitalne obdelave danega območja so pokazali:
• da sta naj uporabne j ši barvni zloženki osnovnih posnetkov 1, 2 in 7 za nenedzira-
no klsifikacijo in 2, 4 in 6 za nadzirano klasifikacijo,
• da je uporaba posnetka kanala 6 dala nepričakovano dobre rezultate,
• veliko uporabnost linearnih in večinskih filtrov.
Kljub uporabi Landsat TM satelitskih posnetkov, ki imajo slabšo ločljivost (30 m),
je naloga pokazala njihovo koristnost in uporabnost, ki lahko služi geologu pri njego-
vem terenskem delu in sintezi prostorskih podatkov.
Daljinsko zaznavanje je uporabno:
• pri določanju lokacij izdankov in erozijskih con, kar je lahko v veliko pomoč geo-
logu pri načrtovanju terenskega dela (gostota kartiranja ali vzorčevanja glede na
zapletenost geologije),
• pri določanju območij poraslih z vegetacijo, kjer je potrebno detajlnejše kartira-
nje,
• pri določanju glavnih tektonskih elementov (prelomov in narivov) z linijskimi fil-
tri,
• pri določanju možnih kontaktov med različnimi litološkimi členi, ki se razlikuje-
jo v barvi, trdnosti in tipu vegetacijskega pokrova,
• kot pomoč pri ugotavljanju dejanskih geoloških mej (redkeje).______
V prihodnosti, ko bodo imeli posnetki s satelitov večjo ločljivost (1x1 m ali manj)
in bodo metode digitalnih obdelav teh posnetkov ob uporabi nevronskih mrež in dru-
gih analitičnih orodij natančnješe, bo uporabnost daljinskega zaznavanja še večja kot
je danes.
Uporaba daljinskega zaznavanja____429
The application of remote sensing - satellite imagery in engineering geology
(study area of Črni Kal, Slovenia)
Preface
After some attempts v^ere made several years ago, the majority of the Slovenian
geologists came to the conclusion that our territory is geologically complex and over-
grown with forest to the level that the use of remote sensing can not be useful. This
belief almost stopped the progress in field of remote sensing (RS). Nowadays, it is ti-
me to ruin this purposeless conviction. The improvement of modern photographic te-
chniques, computer processing, GIS, AI, etc. gives us now new, very strong tools, that
prove great applicability of remote sensing. The aim of this paper is therefore to do
first step in this direction, and to show on practical case the usefulness of modern
methods. For this intention we chose an area of Črni Kal in the Primorska Region,
Slovenia.
Remote sensing
Main advantages of RS:
• synoptic view of studied area - possibility to study different spatial features and
their relationships
• possibility to observe inaccessible areas
• time savings
• multidisciplinary applications
• cost savings
• development of remote sensing technologies enables improvements in accuracy
Disadvantages of RS:
• demands of users/customers are always one step ahead of RS technology - resolu-
tion and wideness of provided data are always insufficient
Study area
Satellite images used in this paper were taken from platform Landsat 5 with the
thermal mapper (TM). From the georeferenced mosaic of TM images of Slovenia, ta-
ken in summer 1993, the study area of Črni Kal (fig. 4) was selected due to its relative
rich geologic structure. Area consists of cretaceous carbonates (limestone and dolo-
mite; right part of the image), paleocene limestones (centre of the image), and of cla-
stites (lower left corner of the image). Since forest cover is an important obstacle in
RS, it was included in the ground data image as well (fig. 5).
Digital processing of raster images of the study area
In the flowchart below (fig. 10) a process of producing and evaluating a map of Čr-
ni Kal area is presented. Shaded fields represent steps that were made on the images
of study area.
430 Marko Komac & Mihael Ribičič
Fig. 10. Process of producing and evaluating a RS map of studied area
Uporaba daljinskega zaznavanja_^_431
Stretching of contrast
For the stretching process of the study area a method of histogram equalisation
stretching was used, since it stretches the values depending on value concentration in
primary image thus emphasising contrasts and differences in image. This was useful
in the separation of clouds that represent obstacles (with band 1), with stretched
bands 4 and 5 shadows from the clouds were defined, and with bands 6 and 7 forest
cover was determined. This method was used solely as help for further image proces-
sing.
Filtering
Filtering in two steps was performed. First filter functions to determine linear
structures in the studied area were used. With filter edge enhancement (original minus
Laplace -3x3 matrix) emphasising the entity edges, very good results in locating roads
and railway were achieved. Faults and fault zones were better seen on image filtered
with d2fdxdy filter (5x5 matrix - d^2 ... / dx dy). The results are shown in fig. 7.
Linear infrastructure is clearly defined (most obvious linear entities). Areas of clo-
uds and those outside of Slovenia are completely without structures because of the
unique value of cells, but their margins are well defined. In the lower left corner of
the image, a higher concentration of lines can be seen, that stretch in the Dinaridic
direction (NW-SE). This area consists mainly of clastic rocks. In the middle upper
part of the image, a fault on the contact of clastites and carbonates can be seen. Here,
a question arises, whether this linear structure is a result of a railway that lies there,
or it shows fault structure. Interpretation could also be that linear infrastructure ele-
ments often run along fault zones. Wider approach shows that two main directions of
linear structures are present in the image, NW-SE and NE-SW. This information co-
incides with directions of major pressures in the studied region.
Second step, which will be dealt with later in this paper, was using filtering after
the classification.
, Colour composite
With combining different bands and overlaying them with vectorized ground data
it was established that colour composites that consist of band 6 carry most useful da-
ta because they more clearly present infrastructure, vegetation and geological data,
and hence they would be most suitable for further processing. Colour composites of
bands 2, 4 and 6 for supervised, and colour composite of bands 1, 2 and 7 for unsu-
pervised classification were chosen.
Kostwinder (1995) does not use band 6 for colour composites, but on the
other hand he thinks that the visual selection of colour composites is more important
than the statistical selection. We used band 6 because we gave privilege to visual in-
vterpre-tation.
Major defectiveness of program package that we used was possibility of combining
only three raster images or bands.
432_Marko Komac & Mihael Ribičič
Table 5. Number of learning cells for each class
Result of supervised classification is shown in fig. 9. In the upper left quarter of
the image, „carbonates" match with real ground data. Area of „clastites" that divide
carbonates in the middle upper part of the image match almost perfectly with the
Classification of images
In this step of digital image processing both methods of classification were perfor-
med to define most appropriate procedure.
Unsupervised classification
Since main purpose of this paper was to differentiate carbonates, clastites and fo-
rest, it was decided that 25 classes would be sufficient for successful classification.
The colour composite used for unsupervised classification was made of histogram
stretched bands 1, 2 and 7. After classification, 25 primary classes were joined into 8
classes; Carbonates (red), Clastites (cyan), Forest 1 (light green), Forest 2 (dark gre-
en), Meadow (meadow green). Clouds (yellow). Shadows / Forest 2 (black) and unde-
fined (white) (Fig. 8).
Distribution of class that was named „Carbonates" matches very well with litho-
logical unit of foraminiferous limestone. In the upper right corner the contact of li-
mestone and dolomite is visible though is possible that this difference derives from a
forest boundary. „Clastites" match in some places with ground data, whilst in other
parts of image they do not match at all. More than by their colour, the clastites can be
detected by scattered pattern, which is seen in the lower left corner of the image.
Vegetation is divided into four classes, „Forest 1" that prevails, „Forest 2" that is lo-
cated only in some parts, and is often combined with shadows from the clouds, and
„Meadow". Clouds and fogs are combined in class „Clouds".
Supervised classification
With supervised classification, user defines learning cells, which are then repre-
sentative samples (numerical descriptions) for different classes. Computer than clas-
sifies each cell into class that the cell is most similar to. Cells that do not match with
any of the classes are valued as unidentified cells. For this type of classification the
colour composite of bands 2, 4 and 6 was chosen. For each class a sufficient number
(minimum lOn, where n is number of bands) of learning cells were selected (table 5).
Uporaba daljinskega zaznavanja_433
ground data. In the other locations, „clastites" match poorly with ground data, if at
all. Vegetation is arranged differently than with unsupervised classification. Here
more „meadow" and „forest 2" is present, on account of „forest 1". Shadows and clo-
uds are located on same spots, like with unsupervised classification. It is interesting,
that not one cell was classified as undefined.
Postclassification correction of data
After classification was done, filtering with the majority filter was applied onto
classified images. The majority filter (3x3 matrix) selects the predominant (most fre-
quently occurring) value or class for each cell from the surrounding cells and assigns
that cell into the predominant class. The results are fig. 4 and 5.
Accuracy of classification
To get accuracy of unsupervised and supervised classifications, the resulted images
had to be overlaid with real ground data. Accuracy of unsupervised classification for
three major classes after filtering with the majority filter was:
АСС^„,цр = 56,5%,
Accuracy for the image produced with supervised classification after filtering with
the majority filter was:
АССзир-65,2%.
It has to be stressed out at this point, that the actual accuracy (for aU classes) is lower
Conclusions
Results of digital image processing of the study area have shown that:
• the most appropriate colour composite for supervised classification was that of
2"^ 4* and б"' band, and for unsupervised classification that of I'", 2"'' and
band,
• band 6 showed unpredictably good results,
• great usefulness of linear and majority filters.
Tests of applicability of RS on area of Črni Kal, despite the use of TM images that
can provide us with only coarse data, have shown some results, which are useful for
geologist in his filed work and for synthesis of spatial information.
RS is useful for:
• determination of bare rock sites and erosion zones, which enables better plan-
ning of field work (density of mapping due to complexity of geology),
• determination of areas covered with vegetation, where more detailed mapping in
necessary,
• defining general tectonic elements (faults and thrusts) with linear filter,
434_Marko Komac & Mihael Ribičič
• determination of probable contacts between different lithological types that dif-
fer in colour, solidness and types of vegetation cover
• assistance at establishing actual geologic boundaries (seldom mapping).
In the future, when satellites with accuracy of 1x1 m will be launched, and with use
of better digital image processing software and other analytical tools as neural net-
works, etc., the applicability of RS will surely be improved.
If we compare results with classification with seven bands (Hafner&Komac,
1998), the conclusion is that higher number of used bands and application of neural
network technology give better results, even if only for few percents. It is not neces-
sary to emphasise how important each percent is when dealing with accuracy.
Literatura/References
Christensen, ER., K i e f e r, H. H., C h a s e, S. C. & L a p o r t e, D. D. 1986: A thermal
emission spectrometer for identification of surface composition from earth orbit. Commercial
applications and scientific research requirements for thermal infrared observations of terrestri-
al surfaces. - NASA-EOSAT Joint Report, 119-132, Washington.
Gonzales, R.C. & Woods, R.E. 1993: Digital image processing. - Addison- Weslwyg
Publishing Company, 716 p., Detroit.
Gupta, R.P. 1991: Remote sensing geology. - Springer Verlag, 356 p., Berlin.
Kostwinder, H. 1995: Introduction to image enhancement. - International Institute for
Aerospace Survey and Earth Sciences, 4/1 - 4/13, Enschede.
L i 11 e s a n d, T.M. & Kiefer, R.W. 1994: Remote sensing and image interpretation. - John
Wiley & Sons, 750 p.. New York.
P 1 e n i č a r, M., P o 1 Š a k, A. & Š i k i č, D. 1965: Osnovna geološka karta SFRJ Trst
100.000 (Geological map of SFRJ Trieste 1:100.000). - Zvezni geološki zavod, Beograd.
P 1 e n i č a r, M., P o 1 š a k, A. & Š i k i č, D. 1965: Tolmač lista Trst. Osnovna geološka kar-
ta SFRJ 1:100.000 (Explanatory text for sheet Trieste. Geological map of SFRJ 1:100.000). -
Zvezni geološki zavod, 68 p., Beograd.
Reeves, R.G. 1968: Introduction to electromagnetic remote sensing with emphasis on ap-
plications to geology and hydrology. - Am. Geol. Inst., Washington.
S a b i n s, F.F. JR. 1987: Remote sensing principles and interpretation, 2nd ed. - Freeman and
Company, New York, 449 p., New York.
V i c k e r s, R.S. & Lyon, R.J.P. 1967: Infrared sensing from spacecraft - a geological inter-
pretation. - Proc. Thermophysics Spec. Conf., Am. Inst. Aeronautics Astronautics, 67-284, Wa-
shington.
Zavod republike Slovenije za statistiko 1993: Georeferencirani mozaik
Slovenije izdelan iz podatkov satelita Landsat - TM (Georeferenced mosaic of Slovenia produ-
ced from LANDSAT-TM data). - 314,4 MB, Ljubljana.