A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése

A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése

Hargitai Henrik

2006

1

A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése Hargitai Henrik Doktori (PhD) értekezés Eötvös Loránd Tudományegyetem Természettudományi Kar Földtudományi Doktori Iskola A Doktori Iskola vezetője: Dr. Márton Péter egyetemi tanár

Földrajzi Doktori Program A Doktori Program vezetője: Dr. Gábris Gyula tanszékvezető egyetemi tanár

Témavezetők: Dr. Kardeván Péter, PhD. (a Debreceni Egyetem tiszteletbeli docense, a Magyar Állami Földtani Intézet Környezetföldtani Főosztály nyug. főmunkatársa) Dr. Mari László (ELTE TTK Természetföldrajzi Tanszék, egyetemi docens)

A dolgozat az ELTE TTK Természetföldrajzi Tanszékén és a MÁFI-ban készült.

Budapest, 2006

2

A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése A DOKTORI ÉRTEKEZÉS TÉZISEI Hargitai Henrik

Témavezetők: Kardeván Péter, Mari László ELTE TTK Földtudományi Doktori Iskola Földrajzi program 2006

3

1. Bevezetés – a munka célkitűzései A dolgozat a távérzékelés legújabb alkalmazási területeivel, ezen belül a hiperspektrális képalkotással foglalkozik: az első magyar képalkotó spektrométeres repülés megvalósítását mutatja be és eredményeit elemzi három terület példáján. A képalkotó spektrometria – más néven hiperspektrális távérzékelés – során egy területet képpontokra bontunk és minden képpontról felveszünk egy spektrumot, mely folyamatos görbeként jelenik meg. A hiperspektrális képek általában több tízes nagyságrendű sávból állnak, ellentétben a multispektrális képek 5-10-es nagyságrendű sávjaial (a labormérések és terepi – nem képalkotó – spektroradiométerek több százas nagyságrendű sávra bontják kb. ugyanezt a tartományt). Így a részletgazdag spektrális felbontás miatt a spektrum olyan részei is érzékelhetővé válnak, melyek korábban nem: ezek (pl. elnyelési sávok pontos kijelölése) meghatározásával olyan felszínborítástípusok is elkülöníthetők, melyek a „durvább” multispektrálissal nem (1-2. ábra).

1.

ábra A terepi spektroradiométer 646 sávja (B) és a LANDSAT 7 sávja (A) által szolgáltatott spektrumgörbék összehasonítása egészséges zöld növényzet esetén.

2. ábra Jellemző spektrumok a 2002-es spektroradiométeres mérésekből

4

A munka alapkutatásának célja egy különféle vegetációtípusokat (fajokat és elegyeket) tartalmazó spektrumkönyvtár (célspektrumok és végállású spektrumok – endmemberek listájának) létrehozása, és ezzel a recski és gyöngyösoroszi területen lombhullatő erdőtípusok elkülönítése volt, amely multispektrális képpel nem megoldható. A növények biokémiai összetétele ugyanis nagyjából megegyezik, bármilyen fajról is legyen szó. A leveleken történő fényvisszaverés és szóródás további gondot jelent. Ami mégis elkülöníthetővé teheti őket, az a pigmentkoncentráció, biokémiai jellemzők, levél jellemzők, lombkorona szerkezet, így ezeknek köszönhetően az abszorpció és reflektancia is különbözik. A multispektrális képekkel az erdőtípusok (lombhullató/tűlevelű) elkülönítése jól megoldott (különösen, ha a felvétel akkor készül, amikor a lombhullatókon már nincs lomb). A nagyobb növényzeti egységek, mint erdő, rét, cserjés elkülönítése is nagy biztonsággal megoldott, de más esetekben, különösen az említett egységeken belül a mélyebb elkülönítés nem automatizálható biztonsággal. A lombhullató erdőknél probléma az erdőterület heterogenitása pixel szinten (fafajra és a „belátszó” cserje- és gyepszintre nézve); így nehéz homogén tanítópontokat kijelölni. Egy magyarországi fajokat tartalmazó vegetációs spektrumkönyvtár minden további hasonló munka alapjaként szolgálhatna. Mivel ez az első ilyen összefoglaló jellegű részletes publikáció, célja az is, hogy a későbbi – jelen pillanatban már (még csak) körvonalazódó hazai kereskedelmi jellegű repülések eredményeit használó – magyar felhasználók számára egyfajta kalauzként segítséget nyújtson a hiperspektrális repülések előkészítésében, lebonyolításában és elemzésében. A munka részletesen ismerteti a képek elkészítésének és feldolgozásának részletes menetét (az ENVI szoftveren) önálló kutatási területem példáján és az feldolgozás lépéseinek különféle lehetséges variációit, külön felhívva a figyelmet a hibalehetőségekre, hogy a későbbi felhasználók elkerülhessék azokat. A dolgozat bemutatja a felvett spektrumgörbéket és külön listában közli a hiperspektrális távérzékelés szakszavainak magyar irodalomban felmerült fordításait és fordítás-változatait, segítve a magyar nyelvű korábbi publikációk jobb érthetőségét és a későbbiek elkészítését. A terepbejárás és adatbázisok segítségével elkészített mintapontok segítségével a gyöngyösoroszi, recski és tedeji területen készült felvételeket elemzi: célom a területen található vegetációtípusok, ezen belül a lombhullató erdőtípusok elkülönítése volt. A munka további, nem kevésbé fontos célja az említett repülés előkészítésének és elvégzésének részletes leírása, dokumentálása, a hiperspektrális repülés ötletének első hazai megfogalmazásától nyomon követve annak történetét a megvalósításig majd az első elemzések megjelenéséig. Megjegyzendő, hogy a Magyarországon még iparszerűen nem alkalmazott hiperspektrális technológia külföldön már jelentős múlttal rendelkezik, így a hazai alkalmazás első eredményei csak hazai közönségnek jelentenek releváns újdonságot. 2. Alkalmazott módszerek 5

2002. augusztus 17–18-án került sor a Hysens 2002 projekt keretében arra a hiperspektrális repülésre (Kardeván et al. 2003, 2003b, Hargitai et al 2004, 2006), melynek eredményeképp elkészültek a jelen dolgozatban használt felvételek, a DAIS műszer 79 sávot tartalmazó, 6 méter/képpont térbeli felbontású hiperspektrális adatkockái. A németországi DLR-ben előfeldolgozott (atmoszférikus és geometriai korrekció) felvételeket az ENVI szoftverrel elemeztem. A topográfia hatásának kiegyenlítésekor az előfeldolgozás nem volt hibamentes, ezért a felvételek nem tekinthetők teljes értékűnek. Ennek ellenére sikerült eredményeket elérni a feldolgozás során a nyers képek és a félig előfeldolgozott (atmoszférikus és sík geometrikus korrekción átesett) képek segítségével. A hiperspektrális képek előkészítő és lebonyolító fázisában is aktívan részt vettem a MÁFI részéről; amíg lehetőségem volt, a GER3700 640 sávos terepi spektroradiométerrel saját méréseket is végeztem. A későbbi feldolgozásban önálló munkát a gyöngyösoroszi és recski (3. ábra) területen végeztem, ahol a terület növénytakarójának azonosítását tűztem ki célul. Ezen belül egyedül végzett munkát a recski területen folytattam, saját GPS műszer segítségével. Itt már nem állt rendelkezésemre spektroradiométer. A képfeldolgozás egyik legfontosabb fázisa a terepi ellenőrzés volt, mivel spektrumkönyvtár a hazai fajokról nem állt rendelkezésre. A terepi munkában (lényegében egy spektrumkönyvtár összeállításában) háromféle módszert alkalmaztam: 1. A képen homogén területek azonosítása: – az előzetesen feldolgozott képen látható, markánsan eltérő spektrumú, homogén területek felkeresése és a spektrumokhoz a terepi felszínborítás kategóriájának hozzárendelése. 2. A valóságban homogén területek azonosítása: – a terepen a vizsgált fafajok homogén borítású foltjainak megkeresése, majd ezek végállású tagokként, endmemberekként tanítómezőként való alkalmazása a teljes képre 3. A valóságban azonos elegyarányúként spektrálisan homogénnek tekinthető területek azonosítása – a terepen a vizsgált erdőtípusok elegyes, azaz kevert, de azonos elegyarányú foltjainak felkeresése és az egyes, különféle variációkban kevert formáinak célspektrumként tanítómezőként való alkalmazása a teljes képre 3. Eredmények (tézisek) és következtetések 3.1. (irodalmi kutatás eredményei) 1. Összefoglaltam az első magyar hiperspektrális repülés megszervezésének és lefolytatásának történetét 2. Összefoglaltam a hiperspektrális technológiával foglalkozó magyarországi és magyar vonatkozású kutatások eredményeit 3. Összeállítottam egy angol-magyar korrelációs terminológialistát 6

4. Összefoglaltam a hiperspektrális technológia működésének elveit (ez a kitétel a dolgozat írásának megkezdésekor még újdonságnak számított: mára, azaz 6 évvel később már sok pontjában bevetté vált módszereket ismertet) 3.2. (önálló terepi kutatás eredményei) 5. Különféle mezőgazdasági haszonnövények (Tedej területen), és más növényfajok (Gyöngyösoroszi, Recsk területeken) terepi és laborméréséből összeállítottam egy spektrumkönyvtárat. Ezek a spektrumok a dolgoztat elektronikus változatából (fő rész és függelék) számszerűen is kiolvashatóak. Az erdőtípusokra létrehozott spektrális kategóriák a multispektrális

képfeldolgozásban

is

szétválasztható

kategóriák

esetén

(pl.

feny-

ves/lombhullató/rét) nagy biztonsággal használhatók. A lombhullató erdőtípusoknál létrehozott spektrális kategóriák csak részben tükrözik az erdőtípusok faji összetételét: a terepi ellenőrzés során kiderült, hogy ezeket a spektrális kategóriákat („spektrumtájakat”) részben más tényezők is befolyásolják. Így az adott növényállomány kis területen jelentkező eltérései domborzati, lejtőkitettségi és mikroklimatikus hatások miatt, az erdő kora, a lombkoronaszint szerkezete, záródása és árnyékhatásai, a növényzet víztartalma, valamint további, ismeretlen tényezők, melyek egyes területeken erőteljesebben változtathatják meg a spektrumot, mint a faji bélyeg. A spektrumok fajon belüli szórása ill. abszolút értéke is lehet indikatív. 6. Megállapítottam, hogy az irodalmi (erdészeti adatbázisok) és a terepi adatok (más helyről vett tanítópontok) alapján végzett osztályba sorolás hasonló eredményt adott, tehát valós spektrális osztályokat („spektrumtájakat”) tükröz. Ám az eredmények csak további terepi ellenőrzéssel verifikálhatóak illetve ültethetők át faji vagy erdőtípus osztályokra (referenciaspektrumokká), azaz az ilyen jellegű úttörő kutatás kezdeti szakaszában utólagos terepi ellenőrzés(ek)re is szükség van; ahol az egyes eltérő spektrális megjelenésű, de azonos faji összetételű erdőtípusok azonosíthatók. 7. Megállapítottam, hogy vegetáció esetén a terepen ill. laborban felvett spektrum különbözik: a spektrumkönyvtárhoz mindenképp terepen (magasból) felvett spektrumra van szükség, mert a növényzet labormérésekkel más megjelenésű, mint terepen (azaz az egészséges levelek spektruma nem azonos a fa fölülről felvett spektrumával). Ehhez különleges felszerelésre (pl. daru) vagy a légifelvételekre van szükség. A terepen felvett spektrumokat is atmoszférikus korrekcióval kell ellátni a szórt fény kiszűrésére. Hogy a spektrumkönyvtár eltérő műszerekkel beszerzett adatokhoz is használható legyen, szerepeltetni kell, hogy a spektrum milyen térbeli felbontású képelemekről készült, és mik voltak a műszer optikai paraméterei. 8. Megállapítottam,

hogy

a

helyes

osztályba

soroláshoz

használható

referencia-

spektrumkönyvtárhoz célszerű egy teljes vegetációs perióduson át érdemes követni a célob7

jektumok spektrumának változását, ahogy azt a multispektrális mezőgazdasági elemzéseknél is teszik: erre az erdők esetén a mi régiónkban még nem kerülhetett sor a technológia új volta miatt. A célterület kiválasztása szempontjából a területen belül minél több eltérő, de önálló foltjában homogén felszínborítástípus jelenléte a legmegfelelőbb. A spektrumkönyvtárban a különféle spektrális megjelenésű, de azonos faji összetételű erdőtípusoknak is azonosíthatóknak kell lenniük. Ha sikerült kijelölni egy olyan időpontot, amikor a legnagyobb a spektrális különbség a célobjektumok között, ezt az időt célszerű a további felvételek elkészítésekor választani. 9. A tölgyes és bükkös területek alapján a hiperspektrális képen kijelölt „tölgy” és „bükk” (spektrális) kategóriák elkülönítésére azok elnyelési sávjai alapján a következő DAIS által használt

sávokat

találtam

alkalmasnak,

a

két

kategória

tanítómezőiből

nyert

átlagspektrumspektrumok alapján (4. ábra). A reflektancia abszolút értéke alapján egyértelműbb elkülönítés lehetséges: annak maximuma (1,035 mikrométeren) a tölgy esetén rendre 25-28, a bükk esetén 30-35% volt: e tekintetben a két kategória egyértelműen elkülöníthető volt (3-4. ábra, 1. táblázat). Elkülöníthető

növé-

Növényre jellemző, elkülönítéskor használható spektrális sávok (mikrométer)

nyek Fenyő-lombosfa Fiatalos-nem fiatalos Tölgy-bükk

0,869 0,832; 0,86-0,938; 0,623; 0,78,

0,851

1,66-1,72 1,727; 2,08; 2,115; 2,13; 2,145; 2,158; 2,23

1. táblázat: Növényre jellemző, elkülönítéskor használható spektrális sávok

3. ábra: a „tölgy” (sötét vonal) és „bükk” (világos vonal) kategóriák átlagolt spektrumgörbéi kontinuum-eltávolítás után megmutatják a két görbe elnyelési vonalaiban jelentkező – mint hasonló növényzet esetén várható, minimális – különbségeket (bekarikázva) X tengely: hullámhossz, mikrométer. A spektrumgörbék abszolút értékeinek eltérése ezen a görbén nem látható

8

A recski terület átlagolt célspektrumai erdészeti adatbázis (A) illetve terepi (B) adatok alapján homogén felszínborítású területeken kijelölt tanítómezőkre 400

Fiatalos bükk (B) Bükk (A)

350

Bükk (B)

Reflektancia (*10) [%]

300

Tölgy (B) Tölgy (A)

250

Fenyő (A) Fenyő (B)

200 150 víz elnyelés

100

0

Klorofill elnyelési tartomány

Levélszerkezet és összetétel jellemző elnyelési sávjai víz elnyelés

0,50 0,51 0,53 0,55 0,57 0,59 0,61 0,62 0,64 0,66 0,68 0,69 0,71 0,73 0,74 0,76 0,78 0,80 0,81 0,83 0,85 0,87 0,89 0,90 0,92 0,94 0,96 0,97 0,99 1,01 1,02 1,04 1,54 1,57 1,60 1,64 1,67 1,70 1,73 1,76 2,08 2,10 2,12 2,13 2,15 2,16 2,17 2,19 2,20 2,22 2,23 2,25

50

Hullámhossz (mikrométer)

4. ábra: a recski terület célspektrumai átlagai a kétféle tanítómezős meghatározás alapján.

10. Részleges spektrumszétkeveréssel megállapítottam az egyes területekre jellemző felszínborítást (5. ábra)

5. ábra: (balról jobbra): Mesterséges, Tölgy, Rét, Bükkös (fiatalos), Fenyves kategóriák spektrumszékeverés (Matched filtering) részképei (világos: nagy megegyezés a célspektrummal; sötét: kisebb azonosság a célspektrummal). A kép jobb középső részén lévő folt a recski kőbánya. Jobbra fent Recsk, balra fent Parádfürdő.

11. A terepen felvett hiperspektrális képek számos olyan sávot tartalmaznak, melyek túl zajosak ahhoz, hogy szűréssel használhatóvá tegyük őket. A DAIS műszer által felvett képekre elvégeztem ezen zajos sávok kiszűrésének feladatát, így az eredetileg 79 sávos adatkockából zajszűrés után is csak 52 sávot használtam. 12. Kidolgoztam egy többlépcsős, több lehetséges utas folyamatsort a hiperspektrális képek elemzésére, az ENVI program használatával (6. ábra).

9

6. ábra: A hiperspektrális képfeldolgozás néhány lehetséges útjának folyamatábrája (más utak is lehetségesek és nincs minden opció feltüntetve)

13. Összehasonlítottam a tedeji mezőgazdasági területre egy azonos térbeli felbontású LANDSAT-szimuláció és a hiperspektrális kép elemzésének eredményeit: ebből azt következtettem, hogy – legalábbis az általam használt elemző módszerekkel – a hiperspektrális kép nem adott kiemelkedően jobb eredményű osztályba sorolást.

10

14. Megállapítottam, hogy a hiperspektrális technológia abban az esetben használható gazdaságosan, ha

olyan felszínborítás-típusokat

kell

elkülöníteni,

melyek

a létező

multispektrális képeken nem szétválaszthatók. Egy ilyen munka rutinszerű alkalmazását a munka első fázisában alapkutatásnak, azaz a spektrumok terepi és labormeghatározásának kell megelőznie. Mivel a hiperspektrális kép rengeteg redundanciát tartalmaz, az adatdimenzionalitás csökkentésére lehet szükség. Ez történhet automatikusan (pl. PCA módszerrel) vagy célzottan. Utóbbi esetben a hiperspektrális képen a csak ilyen felbontásban megjelenő jelentős elnyelési sávok, vagy a vörös él adhat olyan sávokat, melynek kombinálásával a felszíni objektumok jobban szétválaszthatók. A spektrum általános lefutás és reflektanciájának abszolút értéke is hordoz információt: ezek más módszerekkel tanulmányozhatók. Spektrumszétkeveréssel egy képelemen belül a célkategóriák elegyarányát is meg lehet adni. A hiperspektrális képfeldolgozás során az egyes elnyelési sávok, a spektrum lefutása és abszolút értéke eltérő aspektusait tükrözhetik a felszínborításnak. A megfelelő pontosságú osztályozáshoz – a referenciaspektrumok meglétén túl – azt az eljárást kell használni, mely a célnak megfelelő aspektusát használja ki a spektrumgörbének. Ehhez azonban pl. egy adott fajú homogén erdőterület különféle, ismert változók szerint eltérő területeinek spektrumát kell vizsgálni. Jelen munkában a bükk és tölgy kategóriái csak azt tükrözik, hogy a Recs–Parád–Domoszlói kapu közötti terület homogén bükkösei és tölgyesei alapján kijelölt átlagspektrumok a 2002. augusztusi időszakban elkülönültek; az azonban még kérdés, hogy e két kategória spektruma pontosan mi alapján különül el egymástól és más erdőtípusoktól (pl. lombkoronaszint szerkezete, lokális vízháztartás, fenofázis stb.). 4. A tézisek alapjául szolgáló közlemények: HARGITAI H.-VEKERDY ZOLTÁN-ULANBEK TURDUKULOV-KARDEVÁN PÉTER: Képalkotó spektrométeres távérzékelési kísérlet Magyarországon. Térinformatika, 2004/6. pp1215 KARDEVÁN P.–VEKERDY Z.–RÓTH L.–SOMMER ST.–KEMPER TH.–JORDAN GY.–TAMÁS, J. PECHMANN I.–KOVÁCS E.–HARGITAI H.–LÁSZLÓ F. 2003: Outline of scientific aims and data processing status of the first Hungarian hyperspectral data acquisition flight campaign, 3rd EARSeL Workshop on Imaging Spectroscopy in Oberpfaffenhofen, 2003. május 13-16. KARDEVÁN P.–FÜGEDI U.–STEFAN S.–TAMÁS J.–GRUIZ K.–THOMAS K.–JORDÁN GY.–RÓTH L.– HARGITAI H.–ZELENKA T. 2003b: Légi hiperspektális távérzékelési módszerek alkalmazása korábbi bányászati tevékenységek környezeti felmérésében In: Proc.Lippay - Ormos - Vas Tudományos Ülés, Szent István Egyetem, Budapest, Budai Karok, November 6-7. 11

HARGITAI H.–KARDEVÁN P.–HORVÁTH F. 2006: Az első magyarországi képalkotó spektrométeres repülés eredményeinek összegzése. III. Magyar Földrajzi Konferencia, Budapest, 2006. szeptember 6-7. Magyar Tudományos Akadémia (poszterre elfogadva). HARGITAI H.–KARDEVÁN P.–HORVÁTH F.: Az első magyarországi képalkotó spektrométeres repülés és eredményeinek értékelése (Geodézia és Kartográfia, jelen kézirat elkészültekor bírálat alatt, revízió után) HARGITAI H: Képalkotó spektrometria: új technológia a hazai távérzékelésben (Földrajzi Közlemények, jelen kézirat elkészültekor bírálat alatt) HARGITAI H. 2007: Planetary Maps: Visualization and Nomenclature. Cartographica (közlésre elfogadva) 5. A dolgozat témájához kapcsolódó további publikációk HARGITAI H.–KERESZTURI Á– SIK A. (2005): A Mars hidrográfiája. Földrajzi Közlemények, közlésre elfogadva HARGITAI H. 2002: Hiperspektrális távérzékelés. In: Karátson D. (szerk.): Pannon enciklopédia. Magyarország földje, Kertek 2000, Budapest. 2. kiadás HARGITAI H. 2005: Távérzékelés. in: Hargitai H, Kereszturi Á, Lazányi J: Csillagászat. In: Nagy Világatlasz, 2. kiadás. TOPOGRÁF, Nyír-Karta. HARGITAI H. 2006: Szemek a bolygókutatásban – A szivárványon túl. Profiterol, szeptember. HARGITAI H. 2006: The Realization of ICA Commission Projects on Planetary Cartography. Cartographica 40/4 PAUL SCHENK, HENRIK HARGITAI, RONDA WILSON, ALFRED MCEWEN AND PETER THOMAS (2001): The Mountains of Io: Global and geological perspectives from Voyager and Galileo, Journ. Geophys. Res., Vol 106, E12, Pp 33201-33222 HARGITAI H.-KERESZTURI Á. 2002: Javaslat magyar bolygótudományi szaknyelvi norma létrehozására - Geodézia és Kartográfia LIV, 2002/9, pp. 26-32. HARGITAI H. 2004: Multilingual Planetary Maps for Non-professional Audience: Visualization and nomenclature. INTERCARTO-10, Vlagyivosztok HARGITAI H.–BÉRCZI SZ. 2004: Planetary Science Outreach: Old methods, new packaging. Education via DVD and Planetary Maps. International Astronautical Congress, Vancouver IAC-04-IAF-4.P4

A tézisek címoldalán a recski területről készült hiperspektrális adatkocka látható.

12

TARTALOM TARTALOM .................................................................................................................................................... 13 KÖSZÖNETNYILVÁNÍTÁS ........................................................................................................................... 14 MENTSÉG ........................................................................................................................................................ 14 TECHNIKAI MEGJEGYZÉS .......................................................................................................................... 16 BEVEZETÉS ........................................................................................................................................................ 16 A HIPERSPEKTRÁLIS TÁVÉRZÉKELÉS .................................................................................................................. 16 A multispektrális látás biológiai háttere ....................................................................................................... 17 A hiperspektrális távérzékelés történeti háttere: a színek „felfedezése”....................................................... 20 A hiperspektrális távérzékelés történeti háttere: analóg fényképezés ........................................................... 20 A hiperspektrális távérzékelés történeti háttere: digitális technológiák ....................................................... 22 A spektrometria alapjai ................................................................................................................................. 23 A felbontás kérdése ....................................................................................................................................... 28 A hiperspektrális technológia egyéb alkalmazási területei ........................................................................... 30 A MULTISPEKTRÁLIS TECHNOLÓGIA FELHASZNÁLÁSA .................................................................................... 32 Egyes sávok tulajdonságai és használata LANDSAT TM sávkiosztás példáján ............................................ 32 3,8-7,6 m:látható tartomány (VIS) .............................................................................................................. 33 0,4-0,45 m: ibolya –ninсs LANDSAT TM 4-5 érzékelő ............................................................................... 33 Landsat TM 1. sáv: kék (0,45-0,5 m) .......................................................................................................... 33 Landsat TM 2. sáv: zöld (0,5-0,6 m) ........................................................................................................... 34 Landsat TM 3. sáv: vörös (0,6-0,7 m) (0.59-0.61: narancs) ...................................................................... 34 A vörös él (red edge) (0,68-0,75 m) ............................................................................................................ 34 0,8-1,3 m:közeli infravörös tartomány (NIR) .............................................................................................. 35 Landsat TM 4. sáv: visszavert közeli infravörös (0,8-0,9 m) ...................................................................... 35 1,3-2,5 m:közepes infravörös tartomány (MIR) .......................................................................................... 36 Landsat TM 5. sáv: visszavert középső infravörös (1,5-1,7 m) ablak ......................................................... 37 Landsat TM 7. sáv: visszavert középső infravörös (2,1-2,3 m) ablak ....................................................... 37 2,5- m:termális infravörös tartomány (TIR) ............................................................................................... 37 Landsat TM 6. sáv: termális (kibocsátó, emissziós) (távoli) infravörös (10,4-12,5 m). ablak .................... 37 A csatornák bevett 3-sávos kombinációi a LandsatTM képek esetén ............................................................ 38 Multispektrális sávarányosított képek ........................................................................................................... 38 Színes kompozit arányképek .......................................................................................................................... 38 A HIPERSPEKTRÁLIS TECHNOLÓGIA FELHASZNÁLÁSA: NÖVÉNYZET VIZSGÁLATA.............................................. 39 A növényzet meghatározása .......................................................................................................................... 48 Spektrumkönyvtár.......................................................................................................................................... 49 Szikesek meghatározása ................................................................................................................................ 49 A repülés (kép felvétele) időpontjának kiválasztása ...................................................................................... 50 A HAZAI KÍSÉRLET ............................................................................................................................................. 50 A megvalósítás intézményi háttere ................................................................................................................ 50 A MEGVALÓSÍTÁS TECHNIKAI HÁTTERE ............................................................................................................. 55 A HYSENS 2002 MEGVALÓSÍTÁSÁNAK MUNKAFÁZISAI ................................................................................. 56 Előkészítés ..................................................................................................................................................... 56 Terepi munka ................................................................................................................................................ 56 A kiértékelés előkészítése .............................................................................................................................. 59 A képfeldolgozás fázisa ................................................................................................................................. 60 A képelemző módszerek összefoglalása ......................................................................................................... 70 A hazai kísérlet első tartalmi eredményei ..................................................................................................... 72 A TEREPI SPEKTRORADIOMÉTER ADATAINAK FELDOLGOZÁSA: TAPASZTALATOK .............................................. 78 A légkör által keltett „hibák” ........................................................................................................................ 81 Anyagspecifikus hibák ................................................................................................................................... 81 Fényforrások ................................................................................................................................................. 83 Fényforrás meghatározta hibák .................................................................................................................... 83 A hibák azonosítása – összefoglalás ............................................................................................................. 85 A DAIS LÉGIFELVÉTELEK ADATAINAK FELDOLGOZÁSA: TAPASZTALATOK ....................................................... 87 13

A légifelvételek kalibrációja .......................................................................................................................... 87 Az atmoszferikus kalibráció utáni jellemzők és hibák ................................................................................... 88 A DAIS és a GER műszerek összehasonlítása ............................................................................................... 89 A GER zajos vagy hibás részei által érintett sávok a DAIS szempontjából: ................................................. 90 A DAIS képek zajos sávjai ............................................................................................................................. 91 A kép zajosságának elemzése ........................................................................................................................ 91 KÍSÉRLET ERDŐTÍPUSOK MEGHATÁROZÁSÁRA ................................................................................................... 94 A kutatás célkitűzése ..................................................................................................................................... 95 A gyöngyösoroszi terület terepi bejárása és elemzésének eredményei .......................................................... 97 A recski terület ............................................................................................................................................ 117 Második terepi ellenőrzés ........................................................................................................................... 133 A recski és gyöngyösoroszi képek elemzésének összegzése .......................................................................... cxli TEDEJ: LANDSAT-SZIMULÁCIÓ ÉS HIPERSPEKTRÁLIS ÖSSZEHASONLÍTÁS ................................................. CXLIII ÖSSZEGZŐ MEGÁLLAPÍTÁSOK ............................................................................................................. CXLV A JÖVŐ LEHETŐSÉGEI......................................................................................................................................... CL IRODALOM (REFERENCIÁK) .............................................................................................................................. CLII

KÖSZÖNETNYILVÁNÍTÁS Köszönöm Kardeván Péternek, hogy témakereső zöldfülűként befogadott kutatócsoportjába és ellátott bőséges „tutorialokkal”, mind szóban, mind írásban; köszönöm Vekerdy Zoltánnak és diákjainak, hogy részt vehettem munkájukban, és segítőként csatlakozhattam a méréseikhez; köszönöm Horváth Ferencnek (MTA Ökológiai és Botanikai Kutatóintézete), hogy újabb témakeresőként adott témát és segített a terepmunkában és a terület fafajainak és növénytársulásainak meghatározásában és köszönöm Mari Lászlónak hogy elvállalta a témavezetést. Köszönöm Róth Lászlónak hogy segített a képfeldolgozás kezdeti lépéseinél. Köszönöm továbbá Hargitai Ritának, hogy segített a dolgozat erdőtípusokkal foglalkozó önálló kutatásának elindulásánál. Köszönöm kis és nagy Eszternek, valamint édesanyámnak hogy vigyáztak a babákra és játszottak velük helyettem is azok alatt a hosszú órák alatt, amíg a jelen dolgozatot a padlásszoba magányában írni tudtam.

MENTSÉG A jelen dolgozat története 6 évvel ezelőtt kezdődött, amikor a hiperspektrális technológia magyarországi megjelenéséről még a szakemberek is csak álmodhattak. A dolgozat eredeti témája egy, a MÁFI által kutatott terület spektrumszétkeveréses (unmixing), akkor még újdonságnak számító eljárással történő vizsgálata volt. Az „unmixing” azóta bevett eljárássá vált, a munkámban leírt módszerek pedig már bekerültek az egyetemi geográfus hallgatók tananyagába is (Mari 2006), sőt, a hiperspektrális távérzékelés már tantárgyként is megtalálható az egyetemi képzésben (Berke J.-Tamás J.-Kardeván P.: Hiperspektrális adatok feldolgozása és alkalmazása a gyakorlatban, Pannon Egyetem Georgikon Mezőgazdaságtudományi Kar Interdiszciplináris Tudományok Doktori Iskola, Keszthely; vagy Szandányi E.-Veres É.: Hiperspektrális távérzékelés. ELTE TTK Természetföldrajzi tanszék, speciálkollégium, 14

2003). A technológiáról magáról azonban igen kevés magyar nyelvű publikáció született. Ilyennek tekinthető pl. Czimber (2000) szakdolgozata vagy néhány szakmaibb vagy ismeretterjesztőbb jellegű írás (pl. Hargitai 2002, Hargitai et al. 2004, Hargitai 2005, Hargitai 2006). 2002. augusztus 17–18-án került sor az első magyarországi „hiperspektrális repülésre”, mely során a repülőgép fedélzetén képalkotó spektrométer hiperspektrális adatkockákat vett fel hazai területről. Ennek a repülésnek a szervezésében döntő részt vállalt a MÁFI azon kutatócsoportja, melynél a dolgozatot írni kezdtem. Jelen dolgozat szerzője aktívan részt vett a hiperspektrális repülés előkészítésének szoftveres-térképi munkáiban Kardeván Péterrel és Róth Lászlóval, a repülés időszakában a terepi munkában (elsősorban terepi referenciamérésekben) (több helyszínen) Vekerdy Zoltánnal, majd az adatok kiértékelésében Kardeván Péterrel és Róth Lászlóval; végül pedig a recski és gyöngyösoroszi képek felhasználásával önálló kutatási projekt megvalósításában Horváth Ferenccel közösen. Mivel országunkban rendkívül nehéz működő spektroradiométerhez hozzájutni, a repülés utáni ellenőrző terepi mérések, esetleg későbbi változás-detektálás gyakorlatilag lehetetlennek bizonyult, ami végül ahhoz vezet, hogy az első repülésből szerzett adatok az idő előrehaladtával már csak korlátozottan (lesznek) korrelálhatók felszíni mérésekkel. A dolgozat a ma még hazánkban mindig újdonságnak számító hiperspektrális technológiát és annak buktatóit ismerteti elsősorban a magyarországi mérések és feldolgozásuk alapján; bemutatja potenciális felhasználási lehetőségeit és egy, a szerző által lefolytatott, a hiperspektrális képek segítségével végzett terepi elemzést ismertet. A dolgozat további célja, hogy az első hazai hiperspektrális repülés teljes folyamatát minden aspektusából, összefoglaló jelleggel dokumentálja. Mindezeket abban a reményben, hogy ezen első légi adatgyűjtésnek folytatása is legyen Magyarországon, így a dolgozat segítheti azokat, akik a jövőben ezt a technológiát Magyarország területén is alkalmazni kívánják. Ezzel kapcsolatban a dolgozat megírásakor már körvonalazódik egy hazai hiperspektrális légi felvételezés szolgáltatás megindítása az AISA műszerrel, a Debreceni Egyetem és a Földművelésügyi és Vidékfejlesztési Minisztérium Gépkísérleti Üzem közös vállalkozásában. A dolgozat tehát azzal a gyakorlati céllal született, hogy a hiperspektrális technológia más magyarországi alkalmazóinak segédanyagként szolgáljon, útmutatóul a képfeldolgozás megkezdéséhez, segítségül a buktatók elkerüléséhez – ezért a feldolgozás egyes lépései részletesen, illusztrációval együtt szerepelnek. Megjegyzendő, hogy a feldolgozást az ENVI szoftverrel készítettem, de természetesen némi módosítással már szoftverekhez is alkalmazhatóak. Ebben a dolgozatban részletesebben a következő földrajzi területekkel foglalkozom: Tedej mezőgazdasági művelés alatti kísérleti telepével, ahol önálló mérések végzésére is volt lehe15

tőségem a repülés ideje alatt; valamint Recsk és Gyöngyösoroszi területével, ahol a hiperspektrális képek alapján új kutatási célt jelöltem ki, melynek terepi méréseit 2005-ben végeztem (Hargitai et al. 2006). Még megemlítendő, hogy a hiperspektrális adatkockák feldolgozása rendkívül számolás igényes folyamat. Egy-egy módszer alkalmazása egy képre kb. 30 percet – 1 órát vesz igénybe, ami alatt a számítógép teljes kapacitásával számol. Érdemes lehet tehát a kép egy kis területén dolgozni a módszerek próbája során.

TECHNIKAI MEGJEGYZÉS Jelen dolgozat elektronikus és nyomtatott formában is beadásra kerül. A nyomtatott változat fekete-fehér, s olyan interaktív elemeket is tartalmaz, melyekre itt csak utalás olvasható (elsősorban a részletes táblázatok, részletszámítások). Ezek a digitális változatban kattintásra bonthatóak ki. A nyomtatott verzióban kis méretben szereplő képek és ábrák a digitális változatban nagyító eszköz használatával teljes méretben (300 dpi) színesben láthatóak.

BEVEZETÉS Egy idehaza még nem alkalmazott új távérzékelési technológiával öt magyarországi területről készültek 2002 augusztusában képalkotó spektrométeres légifelvételek egy nemzetközi kooperáció keretében (Kardeván et al. 20031, Kardeván et al. 2003b, Hargitai et al. 2004, Jung et al. 2003). A repüléssel egyidejűleg a terepen spektrális mérésekre, talaj- és növényzet mintavételezésekre került sor. Az így gyűjtött adatokat az Európai Unió által támogatott projekt keretében bányászati és ipari szennyezések térképezésére valamint talaj szikesedéssel és mezőgazdasági termeléssel kapcsolatos kutatásokhoz dolgoztuk fel. Az adatkockák feldolgozása a későbbiekben új, független kutatási projektekben folytatódott, melyet ezen dolgozat ismertet.

A HIPERSPEKTRÁLIS TÁVÉRZÉKELÉS Minden anyag, így a föld felszín anyagai is anyagi minőségüktől és a fény hullámhosszától függően a beeső fény egy részét elnyelik, más részét továbbengedik, a maradékot pedig viszszaverik. Az optikai távérzékelésben ez utóbbit tudjuk képalkotásra felhasználni. A képalkotó spektrometriában (imaging spectroscopy, hyperspectral remote sensing) nem pontszerű mérést végzünk egy terület spektrumáról, hanem egy nagyobb területet képelemekre (pixel) bontva végezzük el (közel) egyidejűleg minden képelemre a teljes spektrális mérést, így egy

11

[email protected], [email protected], [email protected]

16

összefüggő területről kapunk teljes spektrális információt, miközben ily módon minden képelemről rendelkezésre áll egy csaknem folyamatos spektrumgörbe. Az egy területről felvett adatmennyiséget hiperspektrális adatkockának nevezzük. Lévén az adatkocka igen nagy mennyiségű információt tartalmaz, csak egy részét tudjuk az emberi szem számára felfoghatóan megjeleníteni. Az adatkocka tartalma közvetlenül 1-3 (szürkeárnyalatos vagy max. 3 tetszőleges színsávot a RGB-ként megjelenítő) sávos képként jeleníthető meg. Egy képelem információtartalma spektrumgörbeként jeleníthető meg. A spektrumgörbe vizsgálata új megközelítés a kőzeteket, növényzetet, talajt stb. külső geometriai megjelenési jegyei alapján történő meghatározása mellett, és ezt nagy területre kiterjeszthetjük a távérzékelési módszerrel. A színes fénykép az additív színrendszer három alapszínében felvett képet jelenti a hétköznapi gyakorlatban. A hamis színes képen a vörös helyett az infravörös szerepel. A feketefehér pánkromatikus kép a látható tartomány nagy részét magában foglalja, de csak egy csatornában. A fekete-fehér infravörös kép általában a közeli infravörösbe nyúló széles spektrumban felvett képet jelenti. A multispektrális képen a látható tartományban felvett általában legalább három, valamint az infravörösben is felvett képet értjük, így legalább négy színcsatornát. Hiperspektrális képen általában a teljes optikai sávban végzett felvételek értendők, ahol a csatornák száma nagy (több tíz), így az egyes csatornák hullámhossz szélessége kisebb (azaz spektrális felbontása jobb). Egy definíció szerint (EU 2004) a több mint húsz csatornával rendelkező szenzorok tekinthetők hiperspektrális képszenzornak. A spektrumgörbén a különféle hullámhosszakon mért reflektanciaértékeket tüntetjük föl. A spektrumot hagyományosan hullámhosszukkal tüntetjük föl, bár Antal et al. (2005) szerint ez csak a hagyomány tehetelenségi erejének következménye, mert a frekvencia lenne kívánatosabb, hiszen ez sokkal alapvetőbb jellemzője az elektromágneses hullámoknak, mint a hullámhossz: a frekvencia megmarad, a hullámhossz pedig a közegtől függően változik (mivel változik a sebessége) (1. ábra).

1. ábra A frekvencia és a hullámhossz skálája elektromágneses sugárzásnál vákuumban (Antal et al. 2005 alapján)

A multispektrális látás biológiai háttere A több színben történő látás azért érdekes, mert a hiperspektrális távérzékelésben használt megoldásoktól eltérő mechanizmussal történik az adatok feldolgozása és a spektrumok azono17

sítása. Ugyanakkor a szem evolúciója a távérzékelés fejlődéséhez hasonló utat járt be annyiban, hogy itt is a monokromatikus (fényképezésben fekete-fehér „pánkromatikus”) észlelés volt az első lépcsőfok (azaz a fényerősség érzékelése bizonyos hullámsávban), majd a dikromatikus és az ember esetében a trikromatikus (három színre érzékeny) látás következett. Az ember evolúciója során úgy tűnik, „nem volt szükség” ennél több sáv és szélesebb spektrum érzékelésére (egyes lepkék tették meg ezt a lépést), de, akárcsak más területeken, az ember a maga alkotta eszközökkel képes egyrészt a sokáig ismeretlen eredetű színeket objektíven mérni, másrészt a „színek” érzékelési tartományát az ember által nem látható spektrum területre is kiterjeszteni. Az állatok és köztük az ember is rendkívül nagyszámú, folyamatosan változó spektrális információt érzékel. Annak érdekében, hogy az agy megbirkózzon ezzel az információtömeggel, le kell egyszerűsítenie („tömörítenie” kell) a sokdimenziós adat halmazt, melyet a spektrum nyújt. Az egyszerűsítést úgy oldja meg, hogy a spektrumgörbe különféle lefutásait kis számú színként dekódolja. A színekkel a színingermetrika tudománya foglalkozik (Schanda et al. 2005). A színpercepcióban (szakszóval színészleletben) meghatározó, hogy mely hullámhosszakon a legerősebb a fényerősség. Mindazonáltal nincs olyan modell, mellyel egyértelműen leírható lenne, hogy adott lefutású spektrumot milyen színként dekódol az agy (Bouman 2006). Ezek elnevezése hasonló minden nyelvben (Berlin és Kay 1969) Mivel mi magunk is egy multispektrális rendszerrel látunk (2-3. ábra, 1. táblázat), alapvetően fontos ennek a rendszernek is az ismertetése. Az alábbiakban az emberi szemet mint multispektrális távérzékelő szenzort írom le, zárójelben megemlítve a megfelelő, távérzékelésben használt szakkifejezéseket.

2. ábra (balra): Az emberi szem érzékenysége különféle hullámhosszakon (pöttyözött fekete vonal: átlag) (a szerző ábrája) A távérzékelő szenzorok hullámhossz-érzékenysége hasonlóan átfedi egymást, de szabályos közönként. 3. ábra Jobbra: a seregély szemének és szenzorainak érzékenysége Fu et al. (2005) nyomán. Vajon milyen színekként dekódolja a négyféle szenzor adatait? Szín ibolya kék zöld sárga narancssárga

Hullámhossz 400nm 450nm 500nm 550nm 600nm

Nappal 0% 5% 35% 100% 60%

Éjszaka 1% 45% 100% 40% 14% 18

piros vörös

650nm 700nm

11% 2%

0% 0%

1. táblázat Az emberi szem érzékenysége a hullámhossz függvényében Mind az éjszakai látásért felelős pálcikák, mind pedig a nappali látást érzékelő csapok (szemünk detektorai) érzékenysége jelentősen függ a vizsgált fény hullámhosszától. Amennyiben a zöld illetve sárga színre való érzékenységet 100%-nak vesszük, az átlagos emberi szem érzékenysége többi színben a fenti táblázat szerint adható meg (DIN 5031 nemzetközi szabvány alapján, tavcso.com 2006)

Az emberi szemben (adatfelvevő rendszer) levő három különböző színre érzékeny (spektrális felbontású) csap típus (fotoreceptor, fotondetektor, szenzor) található a szem ideghártyájában (detektorok száma: összesen 6-7 millió db, azaz ennyi “képelemből” áll össze a fókuszált terület képe. Egy képernyő kb. 1/2 millió képelemből áll). A szürkületi (perem-, mozgás-, él-) látást segítő pálcikák (120 millió) más hullámhosszra érzékenyek (a kék felé: 510 nm), de ezt nem érzékeljük színként, csak szürkeárnyalatként, fényességként (monokróm, pánkromatikus). A csapok érzékenységi intervalluma a látható tartományt (távérzékelésben használt rövidítéssel: VIS, azaz visible) definiálja: ez a 380-780 nm (a CIE 1931 és MSZ 9620:1991 szerint), ami épp egy oktávnyi terjedelmű (a két végpont frekvenciájának aránya 2); Antal et al. (2005) szerint valószínűleg azért, mert ha egy oktávnál szélesebb tartományban is érzékeny lenne a szem, a receptorok felharmonikusait nem tudná megkülönböztetni: a receptorok ugyanis az adott érzékenységi frekvenciájuk kétszeresét is érzékelnék. Ezt alátámasztja az is, hogy a két szélső színt – az ibolyát és a pirost – hasonlóként dekódoljuk, azaz a színkör két vége „összeér” (körkörös percepció). A szem maximális érzékenysége 535 nm körül van, ami zöldessárga árnyalatnak felel meg. A három típusból különféleképp érzékeny és számuk sem egyenlő, mégis egyenlően veszik ki részüket a színlátásból. A legérzékenyebbek a legkisebb számban lévő, legnagyobb energiájú (ezért legkönynyebben detektálható), kék fotonokat érzékelő csapok. A csapok érzékenységi maximumai: hosszú hullámhosszú (sárgászöldben legérzékenyebb) csapok: 564 (-575), közepes hullámhosszú (kékeszöldben legérzékenyebb) csapok: 534 (-535), rövid hullámhosszú (kékben érzékeny) csapok: 420 (-445) nm. A színlátás evolúciójával és biológiai hátterével számos kutatás foglalkozik (pl. Caulfield 2003, Mozaik 2001, Molnár et al. 1997, Fu et al. 2005, Antal et al. 2005, Munsell 2005). A három alapszín a CIE (1931) szabvány alapján: piros: 700,0; zöld: 546,1; kék: 435,8 nm. (4-6. ábra)

19

4. ábra A látható tartomány színei; 5. ábra és 6. ábra (jobbra) A fény additív (balra) és a festék szubtraktív (jobbra) alapszínei

A hiperspektrális távérzékelés történeti háttere: a színek „felfedezése” Az ókori görögök szerint a szín a fény és a közeg kölcsönhatásából ered, azaz nem magának a fénynek a tulajdonsága (Zemplén 1999). Azt, hogy a mindaddig egyszerűnek tartott fehér fény összetett, különböző törésmutatójú sugarakból áll, melyek színe a törésmutatóval együtt változik, Isaac Newton 1672-ben bejelentett felfedezése. Rájött, hogy a prizmán áthaladó fényt nem a prizma színezi be, hanem az csak szétbontja a fényt. Két prizmás kísérletében először a fehér fényt bontotta fel, majd az egyik – zöld – fény útjába egy másik prizmát helyezett. A második prizma után is zöld maradt a fény, ez tehát egyrészt nem volt tovább bontható, másrészt bemutatta, hogy nem a prizma színezte meg a fényt. Magyarázata azonban még nem volt kielégítő: „a természetes testek azért színesek, mert eltérő módon és mértékben verik vissza az egyik fajta fényt mint a másikat. Ily módon bármely test bármilyen színűvé tehető. A testeknek ugyanis nincs saját színük, hanem mindig olyan színűnek látszanak, amilyen színű fénnyel megvilágítjuk őket” (Newton 1704:VR 24). A prizmával felbontott színek hőmérsékletét mérte meg egyszerű hőmérővel William Herschel, mikor 1800-ban felfedezte, hogy a látható tartományon túl is folytatódik a színek sora: a spektrum legmelegebb pontját a prizma felbontotta szivárvány látható tartományán kívül mérte. Ez a vörös színen túl volt, azaz az infravörös tartományban. (Rubin 2006) Egy évvel Herschel kísérlete után Johann Ritter a spektrum másik felén is megpróbált láthatatlan fényt kimutatni: ezüstkloridot használt, mely különösen a kék szín hatására besötétedett. Amikor prizmán áthaladó fényben a kék utáni láthatatlan tartományt irányította az ezüstkloridra, az minden korábbinál jobban besötétedett, jelezve a fény jelenlétét. A ma ultraibolyának nevezett fényt ő kémiai sugaraknak nevezte el. (Rubin 2006) A hiperspektrális távérzékelés történeti háttere: analóg fényk épezés Az első légi távérzékelési felvételek az 1840-es években, a fényképezés feltalálása után készültek léggömbökről és galambokra szerelt kamerákról. A légi fényképek az I., de különösen a II. világháborúban váltak fontos katonai eszközzé. Eleinte csak fekete-fehér felvételek készültek, azaz a látható fény teljes tartományát használták fel egy tónusos kép előállítására. 20

Fekete-fehér pánkromatikus film. Fényérzékenysége a 0,3 UV-től 0,7 m vörösig tart, az „extended red” típusú kevéssé érzékeny az ultraibolyára, és 0,75 μm-ig érzékeny. A légköri szórást (kék + UV színek szűrője) kiküszöbölik a sárga szűrővel felvett képek (különösen nagy magasságból felvett képeknél fontos). Ezek a képek a „mínusz-kék” fényképek. Az atmoszférikus köd hatását jobban kiszűri a vörös szűrő, mely a UV-n, a kéken túl a zöldet is szűri. A fekete-fehér infravörös filmeknél (érzékenysége a zöldben kisebb, és kiterjed 0,9 mig) látszólag átlátszatlan IR szűrő használható, ez csak az IR sugarakat engedi át; elnevezése valódi IR kép. Módosított IR fotónak nevezik a vörös és IR fényt felvevő képet (7. ábra) .

7. ábra fekete-fehér film szerkezete (RSCC 1998)

Színes képek. A színes fényképezés technikájának kifejlesztése a látható tartomány felbontását jelentette a három alapszín hullámhosszaira. Ez volt az első lépés a multispektrális, azaz több hullámhosszon alapuló képalkotás kifejlesztése felé. A hagyományos színes fényképezés után megjelentek az infravörös sávra is érzékeny filmek. Valós színű film: előnyük, hogy az emberi szem pár 100 szürkeárnyalatot, de több tízezer színárnyalatot képes megkülönböztetni. Típusaik: negatív és pozitív film. A fényképezésből színes negatív és dia néven ismertek (8. ábra).

8. ábra A negatív színes film szerkezete (RSCC 1998). Nincs feltüntetve a karcolásoktól védő zselatinréteg (legfölül) és a visszaverődést megakadályozó alsó réteg.

Színes infravörös negatív (CIR: color infrared film): a közeli, visszavert infravörös sugárzást képes felfogni (azaz nem termális infravörös). a Kodak dolgozta ki a II. világháborúban háborús célokra (a növényzet és az ál-növényzet (zöldre festett katonai objektumok) megkülönböztetésére: a zöld tank kék, a zöld növényzet piros volt). Érzékeny a zöld, és infravörös színekre, melyeket kék és piros színként jelenít meg. A filmek érzékenysége kb. max. 900 nm-ig tart. Felső rétege sárga szűrő, mely a kéket és UV-t eleve kiszűri (a színes filmben ez a réteg a kékérzékeny réteg alatt van). A végső színek hamisszínes felvételt adnak: A sima negatív filmez képest az azonos színt adó filmrétegek más spektrumintervallumra (színre) érzékenyek. (9. ábra) 21

9. ábra Egy hamis színes képet adó infravörös film egyes rétegeinek érzékenysége hullámhossz függvényében (Csornai és Dalia [1995] nyomán) A 0,5 μm-es hullámhossz alatti tartományt általában egy sárga színben visszaverő, kéket teljesen elnyelő szűrővel kimaszkolják (RSCC 1998).

A hiperspektrális távérzékelés történeti háttere: digitális tech nológiák A következő áttörést a digitális technika jelentette a hatvanas években, a repülőgépekre, majd a műholdakra szerelhető (1972: Landsat 1) képalkotó szkennerekkel. Ettől kezdve, az érzékelők fejlődésével az elkülöníthető hullámhosszok (csatornák) száma nőtt, és az egyes csatornák hullámsáv-szélessége csökkent: kialakult a multispektrális, majd a hiperspektrális távérzékelés (10-11. ábra). Az analóg légifényképezéstől terminológiában is elkülönítjük a digitális légi / műholdas adatgyűjtést vagy légi felvételezést.

10. ábra és 11. ábra Az egyes műszerek által érzékelt hullámsávok (fenn) és egy színes kompozit készítése (lenn). Alul bal oldali képen a növényzet jelenik meg világos színűként (infravörös, a képek kék színűként), a bal középsőn a kőzet és a talaj világos (a képen zöld), a jobb középsőn a hőt kibocsátó tereptárgyak a világosak (a képen pirosként). Az alsó sorban felhasznált hullámhosszak, balról jobbra: 920 nm, 2100 nm, 10300 nm. (A Sajóról készült hiperspektrális kép felhasználásával, a szerző ábrája) 22

Az eljárást eredetileg idegen égitestek felszínének geokémiai vizsgálatára dolgozták ki, hiszen csak a távérzékelés segítségével tudjuk a más bolygók felszínén található anyagokat meghatározni (a Földre hullt meteoritokon kívül) illetve azok felszíni alakzatait feltérképezni (pl. Schenk et al. 2001, Hargitai et al. 2005). A földi alkalmazásokban az 1980-as évektől elsősorban ásványtérképezési céllal használták a hiperspektrális technológiát (Goetz et al. 1985, Zheng et al. 2001). A Hold és a Mars felszínének ásvány- kőzettani jellemzőinek meghatározásában azonban még ma is új és próba alatti eljárásnak számít a hiperspektrális távérzékelés (Ládai 2005). A spektrometria alapjai Jelenleg négyféle módszerrel szerezhetők be digitális spektrális adatok a felszínről. Ezek térbeli és spektrális felbontása, illetve a spektrum tisztasága, zajossága igen változatos lehet, akár egy kategórián belül is: – laboratóriumban mért spektrum: előnye, hogy mentes zavaró hatásoktól, de nem tükrözi a valódi felszín változatosságát és sajátos fényviszonyait. Homogén endmemberek kijelölésére alkalmas. – helyszínen (in situ) fölvett spektrum. Spektroradiométeres méréssel készül. Fontos szempont, hogy a spektroradiométer látómezejébe mi kerül, így a helyszín és „látószög” kiválasztása alapvetően befolyásolja. A spektroradiométer látómezejét meghatározza, hogy milyen látószögű az adott érzékelő (általában többféle látószögű is rendelkezésre áll) illetve hogy milyen távolságból történik a spektrum felvétele (közelről vagy akár egy daru tetejéről). Természetes fényben vagy kis, felszíni terület vizsgálatakor lámpával is készülhet spektrum. – egyedi légifelvételes spektrum. Felbontása 1-3-20 méter körüli, nagyobb költsége miatt változás detektálásra, monitorozásra kevéssé használt. Általában kevesebb sávban figyel meg, mint a felszíni/labormérések, és a légkör zavaró hatása is befolyásolja. – műholdról fölvett spektrum. Monitorozásra is használható. Ez esetben a légkör befolyása jelentős, amit a későbbi laboratóriumi vagy in situ mérésekkel való összehasonlíthatóság végett ki kell szűrni (atmoszférikus korrekció) – modell alapján számított spektrum. Általában a felszín növényzetborítását modellezik. * A hiperspektrális képfeldolgozás menete a következő:

23

– a detektor rögzíti az adatokat az „adatkockába”, mely kalibrálandó nyers számértékeket tartalmaz. – a felszínen felvett fehér referenciák alapján és atmoszferikus és a domborzatnak a spektrumot (az eltérő napfény beesési szög miatti) módosító hatását kiszűrő korrekció után a nyers értékeket reflektancia (visszaverés) értékekké alakítjuk át, melyek figyelembe veszik a beeső aktuális napfény radianciáját. Az ilyen visszaverődési értékeket reflektancia faktoroknak nevezik, megkülönböztetésül a valódi reflektancia értékektől. Ez utóbbiakhoz a beeső fény radianciáját kellene folyamatosan mérni. Ez a technológia valósul meg a finn gyártású AISA (Spectral Imaging Ltd) hiperspektrális szenzor esetén (Kardeván 2006). Ezután a korrekció után alkalmas a felvételen rögzített spektrum más, pl. laborspektrumokkal való összehasonlításra. – geometrikus korrekciót végzünk és a képet georeferáljuk – további feldolgozással zajszűrést, a kép dimenzionalitásának csökkentését, célspektrumok kinyerését, osztályozást stb. végzünk, – és segítségükkel meghatározzuk a képen látható (cél)objektumokat. * Az amerikai Landsat TM felvételek - melyek hét, átlagosan egy-kétszáz nanométeres szélességű hullámsávban készülnek egy-egy területről - pl. mezőgazdasági termésbecslés során jól felhasználhatók, egyes növényfajták jól elkülöníthetők rajtuk (Csornai 1997). Miért nem elég ez a hét sáv, miért van szükség a hiperspektrális képek sokkal nagyobb számú sávjára? A hiperspektrális felvételek sávjai nemcsak számosabbak, de egyúttal jóval keskenyebbek is: szélességük csak néhány nanométer. Így azokat a részleteket is rögzíteni tudják, amelyeket a multispektrális képek – rosszabb spektrális felbontásuk miatt – nem mutathatnak ki. A hiperspektrális felvételek tehát nagy pontossággal rögzítik az egyes anyagok csak rájuk jellemző fényvisszaverési görbéjét (spektrumát). Ez lehetővé teszi az egyes felszíni anyagok (kőzetek, növényzet, vizek és szennyeződései (12-13. ábra)) azonosítását és térképezését.

24

12. ábra Jellemző spektrumok a 2002-es spektroradiométeres mérésekből (a szerző spektroradiométeres mérései)

13. ábra A napfény beeső sugárzása különböző viszonyok között; valamint a földfelszín jellemző anyagainak (zöld növényzet, talaj és víz) fényvisszaverő-képessége különféle hullámhosszakon. Hullámsáv: a látható és a közeli infravörös tartományokban (0,3 és 2,5 µm között). Jól láthatók a víz és néhány más molekula (nyíllal jelezve) elnyelési sávjai. (Az Alföldön végzett mérések alapján, 2002. 07.) A folytonos vonal egy 5800K hőmérsékletű feketetest-sugárzási spektruma, ami a napsugárzást közelíti. (a szerző ábrája)

Jól azonosítható spektrális „ujjlenyomata” van az egyes molekuláknak, ásványoknak vagy a növényfajoknak, a legtöbbször vizsgált 0,4-2,5 µm sávban (14. ábra). Ezekről laboratóriumban pontos mérések készültek, melyeket a kutatók különféle spektrum könyvtárakból lehívhatnak és összehasonlíthatnak saját méréseikkel.

25

A legegyszerűbb spektrométerek csak egy viszonylag kis felületről visszavert fényt mérik, azaz nem képalkotók (egy képhez több elkülönített képelem kell). A terepi vagy laboratóriumi spektrométerek lényegében úgy működnek, mint egy fénymérő, de egy széles hullámhossztartományon belül több tíz – több száz sávban adják meg a fényvisszaverés értékét. Ebből áll össze a spektrum görbéje. A képalkotó spektrométerek működését a 14. ábra szemlélteti.

14. ábra Képalkotó spektrométer működési vázlata Smith (2006) alapján

Minden sávban egy-egy, a vizsgált területet lefedő kép készül, amiken az azonos területet ábrázoló képelemek intenzitásértékeiből összeáll az adott terület felszíni anyagának spektruma. Ma már szinte a hiperspektrális képalkotó technológiák jelképévé vált az „adatkocka” (data cube), melyben a kockát a képzeletben egymásra helyezett a sok száz hullámsávhoz tartozó kép alkotja. Ebben az ugyanazon felületi elemhez tartozó képelemek egy függőleges mentén helyezkednek el, így a spektrumot ezen függőleges mentén kiolvasott intenzitás értékek adják. (15. ábra)

26

15. ábra Fenn: A hiperspektrális távérzékeléssel nyert adatok és feldolgozásuk a magyarországi mérések példáján (a szerző ábrája) Lenn: Ez a két ábra a hiperspektrális képek szerkezetét szemlélteti. Balra a recski kép egy (kb. valós színű) részlete, benne a két „vonalzó” a közvetlen mellettük levő sor ill. oszlop hiperspektrális kibontása 79 sávban. Jobbra ugyanez „szemléletesebben”: az adatkocka (a szerző ábrái)

A multi- és hiperspektrális képeket hamis színes képként lehet megjeleníteni, ahol a látható színeket használják fel a többnyire nem látható hullámhosszakon készített felvételek bemutatására. Egy minél több információt tartalmazó színes kompozit képhez fontos a megfelelő sávkombináció kiválasztása. A különböző célú kutatásokhoz más-más hullámhosszú és sávszélességű csatornák hordozhatnak értékes információt. Az adatok elemzéséhez azonban általában háromnál több sáv együttes használata is szükséges. A hiperspektrális képek feldolgozásánál azonban ez hatalmas (nem ritkán gigabájt nagyságrendű) adathalmaz kezelését igényli. Az eljárás optimalizálása érdekében gyakran alkalmaznak adattömörítést (pl. fő-komponens analízist), valamint a kevésbé fontos, vagy redundáns adatok elhagyását. A hiperspektrális kép végső elemzésekor tehát az adatkockának csak az elemzés szempontjából fontos sávjait használják. Általában egy-egy képelemen belül többféle anyag különböző arányban kevert spektrumát kapjuk (pl. többféle növényzet, talaj, mesterséges tárgyak, víz stb.). Ebből a lineáris spektrumszétkeverés (unmixing) eljárásával lehet a képelemen belüli (szubpixel) összetevőket, ill. azok arányát meghatározni. Ez esetben minden (homogén) képelemről külön-külön verődik vissza a fény. A nem-lináris modell esetén egy képelemet a felszín több részlete befolyásolja, mielőtt visszajut az érzékelőbe. A szubpixeles azonosításhoz azonban az egyes anyagok végállású spektrumára (endmember, más szóval (szélsőértékű) célspektrum [Czimber 2000] 27

vagy célkategória [Csornai és Dalia {1995}], végállású összetevő/tag/komponens [a kifejezést bevezette Tamás János (Kardeván 2006)], szélsőpont) van szükség (megj.: a számunkra fontos célspektrum nem feltétlen végállású!). A spektrálisan homogén tartalmúnak tekinthető képelemek mint endmemberek az n-dimenziós tulajdonság-térben végállású pontokként jelennek meg. Amennyiben ezek jól elkülöníthetően különböznek egymástól, akkor megállapítható, hogy milyen arányban szerepelnek ezek a vizsgált képelemben. (Az endmemberek a kép osztályozásakor is felhasználhatók, de nem feltétlen szükséges endmembert használni: „kevert” spektrum is lehet célspektrum). A hiperspektrális távérzékeléssel kapott adatok kiértékeléséhez – a céltól függően – különféle terepi kiegészítő- és referenciamérések is szükségesek (ground truth) (16. ábra): pontos helymeghatározás (GPS), a talaj ásványtani és kémiai analízise, terepi spektrális mérések (talaj, víz, növényzet), a vízminőségi jellemzők megállapítása (turbiditás, klorofill, lebegőanyag), növényzeti megfigyelések stb. Ezeken felül az elemzéshez kiegészítő geokémiai, geofizikai, növényzeti, hidrográfiai, meteorológiai adatok és idősorok is kellenek (16. ábra)

16. ábra Egy komplex hiperspektrális távérzékelési rendszer működés közben (a szerző fotómontázsa) 1: Nap (csak teljes napsütésben lehet mérni) 2: A DLR Dornier 228 repülőgépe, rajta a DAIS és ROSIS képalkotó spektrométerek 3. GER 3700 terepi spektroradiométer 4. Az adatok leolvasása 5. Jegyzőkönyv készítése a terepről 6. Hordozható számítógép az adatok rögzítéséhez 7. Fehér referencia tábla a beeső napsugárzás meghatározására 8. További műszerek, pl. GPS (kb. 10 m pontosságú helymeghatározásra) 9. Talaj (spektruma) 10. Növényzet (spektruma)

A felbontás kérdése A spektrális felbontás megadja, hogy az érzékelő milyen hullámhosszintervallumon belül érzékeli az elektromágneses hullámokat, pl. 0,45 és 0,52 m között. A hiperspektrális detektorok felbontása jobb (szűkebb sáv), a széles sávú pánkromatikusoké (egy sávos monokromatikusoké), rosszabb . Multispektrális képnek hívjuk az egy területről több spektrális sávban felvett képet; hiperspektrálisnak a több tucat, több száz sávban felvettet. 28

Térbeli felbontás: A legkisebb kivehető objektum, elvileg a képelem nagysága A digitalizálás törvénye szerint a Nyquist-intervallumra két mintavételi pontnak kell esnie egy képelem így két mintavételi pont közötti szakasz. Egy lineáris objektum szélessége azonban lehet egy képelemnél kisebb is. Ekkor frekvencialeplezés (aliasing) jelenség lép fel, azaz a lineáris alakzat közeli képelemek kevertek (feltéve, ha nem nearest neighbour módszerrel történik az újramintavételezés) vagy lépcsőzetesen tűnnek fel az eredeti pixelértéknek megfelelő spektrummal (nearest neighbour mintavételezéssel) (17. ábra).

17. ábra Lineáris alakzat képének újramintavételezése: balra: az alakzat épp 1 pixel átmérőjű. Középen 0,5 pixel átmérőjű alakzat képe bicubic módszerrel újramintavételezve, jobbra: 0,5 pixel átmérőjű alakzat képe nearest neighbour módszerrel újramintavételezve

Többszintű (multi-level) képnek hívjuk a több magasságból azonos területről felvett – ezzel „multi-scale”, többféle felbontású – képsort. Radiometrikus felbontás: minden sáv esetén a felvehető értékek száma. Pl. 8 bites felbontásnál egy pixel 256 értéket (szürkeárnyalatot) vehet fel. Időbeli (temporális) felbontás: megadja, hogy a szenzor milyen gyakran tudja lefényképezni ugyanazt a területet, azaz mikor ér ismét a terület fölé. (LANDSAT 4-7: 16 nap, SPOT: 26 nap, de a gyakorlatban a ferde tengelyű felvételkészítési lehetőségnek köszönhetően 3 (-4) nap, HYSENS 2002: egyszeri felmérés, két egymást követő napon). Segítségével „multitemporális” elemzés készíthető (különböző időpontban felvett képek összehasonlítása). Ez alapja a változásdetektálásnak (change detection) (évszakos stb.) ill. monitoringnak. Multitemporális képek lehetnek azonos helyi időben készültek, mely esetben a fényviszonyok hasonlók (felhőzettől és északtól függően) vagy különböző helyi idő szerint készültek, mely esetben a felszín domborzata (topográfia: hosszú árnyékok alaсsony napálláskor) vagy refektanciája (fényvisszaverő képessége): ninсs árnyék magas napálláskor – az anyagminőségre utal) a hangsúlyos információ. Alaсsony napállásnál az árnyékokból az egyes fák faja is meghatározható (sziluettből, inkább télen). Termális IR felvételeknél az éjszakai és nappali képek nagy különbségeket mutatnak. A HYSENS kampány egymást követő felvételein is látható változás, az akkor áradó Sajóról készült felvételen. Dataset Merging / Data Fusion Az elemzést megkönnyíti a többforrású képfeldolgozás (multi-source), ahol egyazon területről különböző típusú berendezéssel felvett képek állnak 29

rendelkezésre (légi, űr, felszíni térképezés, laboratóriumi anyagvizsgálat, radar (Chen et al. 2003) stb). Ezt a módszert a HYSENS kampánynál is alkalmaztuk, a hiperspektrális, hagyományos légifotók és Landsat képek összehasonlításakor. A hiperspektrális technológia egyéb alkalmazási t erületei A hiperspektrális technológiát a földtudományokon kívül számos más tudományterületen alkalmazzák. A hiperspektrális képalkotás a műholdas felvételektől a mikroszkopikus mérettartományok fényképezéséig terjed. Az alábbiakban csak véletlenszerűen emelem ki néhány alkalmazását a nagy spektrális felbontású, hiperspektrális spektroradiométeres és képalkotó távérzékeléses módszereknek. – A talaj felszínén érzékelhető kőolaj szennyezettség megállapítását hiperspektrális légi felvételezéssel tervezték megállapítani Algyő körzetében. Mucsi2 és munkatársai (2000) tanulmánya szerint a talaj kőolaj-szennyezettsége hiperspektrális mérésekkel megállapítható, jellegzetesen az 1700 nm hullámhossz közelében. A növényzettel fedett helyszíneken a növényzetet indikátorként használva, a fedetlen talajon a nehézfémek és a kőolaj közvetlenül is kimutatható (Mucsi et al. 2000). A kőolaj-szennyezettség kimutatása segítségével meghatározhatók a szivárgó olajvezetékek szivárgási pontjai is (Kőolaj és Földgáz, 2001). – Városi stressz alatt álló növényzet egészségi állapotának felmérése az NDVI vagy más indexek felhasználásával lehetséges, megfelelő felbontású kép, pl. hiperspektrális légifénykép esetén akár egyed szinten is. A városi növények hőmérsékletet hűtő hatása is érzékelhető a hiperspektrális képek termális csatornájában. Ezekre vonatkozóan a magyarországi HySens 2002 repülés adataiból is készült elemzés, hiszen a képek nagyvárosi területet (pl. Gyöngyös) is magukban foglaltak (Jung et al3. 2005). Ez volt az első alkalom, hogy hiperspektrális képeket alkalmazhattak magyarországi városi terület vizsgálatára. – A hiperspektrális technológia alkalmazható mindenféle festékkel és tintával kapcsolatos kutatáshoz. A mesterséges színezőanyagoknak esetenként a látható tartományon túl „eltűnhetnek”. A barna színű kakaós ízű keksz spektruma pl. csak a látható tartományban különbözik a vaníliás, barna színezőanyagot nem tartalmazóétól (saját megfigyelés). Egyes tinták 800, mások 1000 nm-es tartomány fölött válnak láthatatlanná (Scholten et al. 2004). A tinták egyéni spektrumával megállapítható lehet a tinták eredete, illetve egymásra írt vagy kivakart 2 3

[email protected] , [email protected]

[email protected], [email protected], [email protected]

30

szövegek (palimpszesztek) is olvashatók lehetnek. A kifakult szövegek újra olvashatóvá tételét a művészettörténettől az antik történelem és irodalom kutatásáig számos tudományterület használhatja. – A hiperspektrális képeket puszta esztétikai értékük miatt hamar felfedezték a képzőművészet számára is (O’Donnell 2002). – Az emberi látás kutatásában a hiperspektrális képek a részletes spektrum görbének köszönhetően hozhatnak új fejleményeket. Ezen kutatások során, akárcsak a földtudományi alkalmazásoknál, spektrum-könyvtár készül a legváltozatosabb tárgyakról, tájakról, különféle megvilágítottság mellett (Osorio 2005). – A hiperspektrális képalkotó szkennerek érzékelési tartománya a termális infravörösben lehetővé teszi közvetlen hőmérsékleti adatok kiolvasását. Ezzel erdőtüzek („high temperature event”) hőmérséklete is megállapítható. Az égő növényzet kibocsátási maximuma a 30005000 nm tartományba esik (Barducci et al. 2004), ahol azonban még némi reflektált energia is van az emittált mellett.. Hasonlóképp a termális sávban dolgozó műholdakról a vulkánkitörések láváinak hőmérséklete is meghatározható (Lombardo és Buongiorno 2006) – A talajok kémiai összetétele, szemcse összetétele, humusz tartalma, nedvesség tartalma, struktúrája és felülete érdessége is befolyásolja a talaj spektrumát (Zilinyi 1995). – Egy kurrens és hazánkban is kétségtelenül szükséges alkalmazás a gyomdetektálás területéről a parlagfű (Ambrosia artemisiifolia) gócok kimutatása távérzékeléses felvételekkel. A parlagfű a lakosság jelentős részénél – így pl. a szerzőnél – okoz allergiás panaszokat az augusztus-szeptemberi időszakban. A MÁFI-ban – a Nyugat-Magyarországi és a Debreceni Egyetemekkel közösen – is történtek vizsgálatok a parlagfű kimutatásával kapcsolatban, LANDSAT képek és in situ mérések segítségével, annak késői fenológiai fázisában, 2003-tól, Jánossomorján, Mosonszolnöknél, Pamhagennél (Tőzeggyármajornál) és Rábcakapiban (Kardeván et al. 2004c, 2005a, 2005b) A FÖMI Polleninformációs Rendszer Kialakítása témájú NKFP keretében támogatta ezeket a terepi spektrométeres méréseket (Kardeván et al. 2005b). Auda et al. (2002) az ASTER 1 B felvételein határozta meg sikerrel a terepi mérésekkel már előzetesen meghatározott területeken a parlagfűvel borított felszínt. Főleg a homogén „monokulturás”, sűrűn benőtt parlagfűmezőket tudták meghatározni.

31

A MULTISPEKTRÁLIS TECHNOLÓGIA FELHASZNÁLÁSA A pl. LANDSAT műholdakon használt multispektrális technológiára már kidolgozták azokat a módszereket, melyekkel kevés számú csatornával is pontos és sokféle információ nyerhető ki. Így például kidolgozták az egyes sávok optimális hullámhossztartományát és azok felhasználási módjait. Ez műholdtípusonként más és más: például a felszínt figyelő LANDSAT TM ill. a légkört figyelő METEOSAT műholdak sávkiosztása különböző. Utóbbi esetben a látható (0,4-1,1 m), infravörös (10,5-12,5 m) és vízgőz elnyelési sáv (5,7-7,1 m) hordozzák a legfontosabb információkat a felhőtípusok osztályozására (Diószeghy 2002) illetve a felszíni hó, felszínközei köd, víz és szárazföld elkülönítésére. Az alábbiakban a LANDSAT TM műszer sávkiosztása alapján mutatom be az egyes sávok jellemzőit és felhasználási területeit. Egyes sávok tulajdonságai és használata LANDSAT TM sávkiosztás péld áján Az egyes sávokat úgy határozták meg, hogy ne azokba a hullámhosszakra essenek, ahol a légköri gázok elnyelik a sugárzást, hanem a légköri „ablakokba” (18. ábra). Ilyenek találhatók pl. 0,2-0,3 m (O2, O3: ózonréteg); 1,3; 1,9; 2,8; 5-8 m (H2O vízgőz); 14-20 m (CO2), 910 m (O3) környékén, ahol a légkör „átlátszatlan”. Az ezeken az elnyelési sávokban elnyelt energia melegíti a légkört. A légkör ismét átlátszó a mikrohullámú (radar) sávban, 0,6 cm felett.

18. ábra Az elektromágneses spektrum különféle részeinek elnevezése Csornai és Dalia (1995) alapján

A felszínre jutó napsugárzás energiájának 43%-a a látható, 36%-a közeli infravörös (NIR) sávban érkezik. 80%-a 0,4 és 1,5 m közé esik, mely sávban a légkör elég átlátszó. A 6000 Kes napfelszín sugárzásának maximuma a 0,48 m-es hullámhosszon van (kékeszöld). A Föld 300 K-es felszínének a sugárzási maximuma 9,7 m-en van („hosszúhullámú sugárzás”).

32

19. ábra A vízgőz (balra), a szén-dioxid (jobbra) és más elemek abszorpciós sávjai (Mineo 1999 nyomán).

A légköri abszorpciós sávok (19. ábra) megnehezítik a felszínről e sávokban kép készítését, de használhatók a légkör állapotának (pl. vízgőztartam) megállapítására. 3,8-7,6  m:látható tartomány (VIS) 0,4-0,45 m: ibolya –ninсs LANDSAT TM 4 -5 érzékelő Ultraibolya fényben a téli fehér bundás felnőtt állatok sötétnek látszanak; az olajszennyeződés a vízen világos árnyalatúként jelenik meg.

Landsat TM 1. sáv: kék (0,45 -0,5 m) Kifejezetten a part menti meder aljzat térképezésre (vízen áthatol) vették fel a Landsat TM sávok közé. A talaj és növényzet megkülönböztetésére, fák fajtája megkülönböztetésére (erdőben) és mesterséges építmények megfigyelésére is alkalmas. A növényzet elnyelési csúcsa 450 nm-en. A legérzékenyebb a légkör szűrő hatására („ködös képek”). A kék sávban fellépő hatások: Rayleigh-szórás Itt a legerősebb a légkör kék színéért felelős fényszórásának (Rayleigh vagy molekuláris sugárzás) hatása a légköri fátyolosság 33

(atmospheric haze). Ezt a O2 és N2 molekulák okozzák, melyek nagysága a fény megfelelő hullámhosszának 10-edrésze. A Rayleigh-szórás erősen frekvenciafüggő, a frekvencia negyedik hatványával növekszik. A 16-szor erősebb 0,3 μm-en (UV), ill. 5-ször olyan erős 0,4 men (kék), mint 0,6-on (vörös). A hatása legerősebb a légkör 4,5 km feletti (tiszta) részén. A légkör fényszórása teszi lehetővé, hogy az árnyékos helyek se legyenek feketék, mint pl. a Holdon. Ez a szórás „skylight” néven ismert. és a kék fényben a legerősebb. Naplementekor a kék és a zöld is kiszóródik a napfényből, így marad a vörös. A kék skylight szórás miatt számunkra a távoli tárgyak kékes ködben tűnnek fel (távoli hegyek), az űrfelvételek kék sávja pedig ködös elmosódott lesz miatta. Ezt ki kell szűrni a képről. A Mie (nem-molekuláris, aeroszol-hatású) -szórás a hullámhossz 0,1-10-szerese méretű szilárd részecskéken jön létre (víz, só, por). Ezért hatása legerősebb a légkör alsó 4,5 km-es részén. Landsat TM 2. sáv: zöld (0,5-0,6 m) Az egészséges növényzet megfigyelésére. A zöldreflexió maximuma (540 nm), felhasználható a vegetáció növekedési és vitalitási indexének megállapításában. A vízben a hordalék és a víz szennyezés kimutatására alkalmas. Landsat TM 3. sáv: vörös (0,6 -0,7 m) (0.59-0.61: narancs) Növény fajták elkülönítésére, valamint eltérő talajú és alapkőzetű területek határának megfigyelésére alkalmas. Az egészséges növényzet is a legkisebb visszaverésű (zöldreflexió minimuma), a talajok többsége erős visszaverésű. Városi és vidéki területek elkülönítésére is alkalmas (háztetők?). Alkalmas gyümölcsösök osztályba sorolására. A talajban található vastartalom közvetlenül is meghatározható a 640 nm-es reflektanciából: R640=0,85-0,049·CFe A vörös él (red edge) (0,68 -0,75 m) Ebben a sávban nincs közvetlen LANDSAT érzékelő: itt található a növényzet spektrumában a legnagyobb változás, így – a spektrum egyéb részeiből a vörös él pozícióját meghatározva – ez használt leginkább a növényzet jellemzőnek vizsgálatában (Jung 2005).

34

0,8-1,3  m:közeli infravörös tartomány (NIR) Landsat TM 4. sáv: visszavert közeli infravörös (0,8-0,9 m) A jelenlevő biomassza mennyiségét jól jelzi. Itt található a klorofill reflexió maximuma (a klorofill zöld színe a szem számára elnyomja a többi pigmentet). A gabonafajták vagy erdőben az egyes fafajták meghatározására alkalmazható. Jól jelzi a talaj/gabona és szárazföld/víz határvonalakat. Légköri fátyolosságtól (Rayleigh-fényszórás) mentes zajmentes képet ad. A növényzet és a víz infravörös visszaverőképessége jelentősen különbözik a láthatóbelitől, míg pl. az aszfalt és a hó hasonló mindkettőben. A víz - különösen a tiszta víz - visszaverőképessége az infravörösben leсsökken (a tiszta víz 0,7 m alatt: 0% reflektancia). Alkalmas a talaj nedvességtartamának meghatározására: kimutatható a száraz és nedves talaj különbsége is: a pórusvízben gazdag talaj jobban elnyeli az IR sugárzást, mint a száraz talaj; így a nedves (vagy frissen szántott) talaj sötét lesz, a száraz pedig világos. A növényzet a közeli infravörösben veri legjobban vissza a fényt (zöldben: 20 % reflektancia, IR (0,7 m-től): 60%). A különféle növénytípusok is megkülönböztethetők – a hamisszínes felvételen a legvilágosabb vörös a lombhullató, a legsötétebb vörös a tűlevelű lesz (20. ábra) (köztes a fű).

20. ábra A lombhullató és tűlevelű erdő eltérő spektruma Lillesand (1994) ábráján

A növényzet levelében a klorofill termelő hosszúkás, a levél külsején levő sejtek elnyelik (használják) a kék és vörös színű fényt és visszaverik (nem kell neki) a zöldet. Innen a 1020% zöld reflektancia. Továbbengedik viszont az alatta levő szivaсsos (levegős) szerkezetű, kis sejtekből álló sejtek rétegébe, a szivacsos alapszövetbe a közeli infravörös sugárzást, ami 35

(a sejtek és a levegő határrétegén) viszont azt 30-70%-ban visszaveri – majdnem úgy „fénylenek” a levelek infravörösben, mint a friss hó. A különböző visszaverő tulajdonságok (4. táblázat) eredete a különböző fajok levelének különféle sejtszerkezetében keresendő. A porózusabb sejtszerkezetű leveleken több sejt/levegő határ van (pl. juhar), így azok több IR fényt vernek vissza. Felszínborítás

ZÖLD 0,55 20 18 10 12 5 20 20 10 10

VÖRÖS 0,65 3 5 7 6 2 15 10 30 20

IR 0,75-0,9 m 70 60 40 30 0 5 (0,8um-en) 70 40 40

Hamisszínes felvételen színe

Lombhullató Világospiros Fű Vízi Tűlevelű Barnásvörös Tiszta víz Fekete Hordalékos víz Egészséges levél Vörös Vörös beteg lev. Sárga/rózsaszín/bíbor Sárga (száraz) l. Fehér Levéltelen fa Kék 2. táblázat Néhány növénytípus és a víz reflektanciája (%, hozzávetőleges)

A levelek kora is megállapítható ebben a sávban: az idősebb levelek általában több levegő részeсskét tartalmaznak, így fényesebbek az IR sávban. Ha a növényt valamilyen környezeti stresszhatás éri (rovarfertőzés, betegség, fagy, só, légszennyezés, talajszennyezés, magas talajvíz stb.), spektruma megváltozik. Az egészséges levél veri vissza a legtöbb infravörös fényt (70%), a látható tartományban maximuma a zöldben van (20%). A kezdődő betegség csak az infravörösben látható: itt 50%-ra esik vissza az reflektancia, míg a láthatóban változatlan marad. (oka a légbuborékok összeomlása). A látható tartományban a betegség сsak napok/hetek múlva válik láthatóvá. A krónikus betegségben szenvedő növény levele a látható tartományban a zöldből sárgává változik (maximuma – és görbéje – eltolódik). A közeli infravörösben tovább csökken 45%-ra. A halott (elszáradt) levél színe vörösesbarna lesz. A légbuborékok megszűnnek. A zöld сsúcs megszűnik, helyette a sárgástól kezdődően lineárisan növekszik az reflektanciája az infravörös felé (0,7: 30%, 0,9: 50%) (korábban 0,7 m-en hirtelen ugrott meg és a teljes IR-ben (0,7-0,9 m) azonos szinten állt.) A hamis színes képen a beteg növény színe rózsaszín, sárga, bíbor, fehér stb. lehet, a növény fajtájától és a betegségtől függően. A hamis színes fénykép azonban nem alkalmas a rovarok miatt beteg tűlevelű fa kimutatására: az egészségesnek tűnik a hamis színes képen is. Alkalmas régészeti feltárások segítésére, eltemetett alakzatok kimutatására.

1,3-2,5  m:közepes infravörös tartomány (MIR)

36

Landsat TM 5. sáv: visszavert középső infravörös (1,5-1,7 m) ablak A növényzetben jelen levő víz mennyiségét jelzi, mely a szárazságok és növényzet egészségi állapota vizsgálatakor fontos. Ebben a sávban megkülönböztethető a felhő, a hó és a jég. A talajnedvességet is jelzi. Érzékeny a kőzetek vastartalmára (hematit) (világosabb, ha több van). Légköri ködtől (fényszórás) mentes tiszta képet ad.

Landsat TM 7. sáv: visszavert középső infravörös (2,1-2,3 m) ablak Kőzet- és talajtípusok megkülönböztetésére, a talaj és növényzet nedvességtartalmának meghatározására alkalmas. Alkalmas egyes növényi betegségek felismerésére. Fontos elnyelési sávja az agyagoknak, сsillámoknak, és egyes oxidoknak. Ezért a kőzetfajták meghatározására különösen fontos. Légköri ködtől (fényszórás) mentes tiszta képet ad. A füstöt nem jelzi, mert a füstrészeсskék kisebbek, mint ez a hullámhossz. Ugyanígy a vékonyabb felhők sem jelennek meg e sávban. A hó szinte egyáltalán nem veri vissza a fényt ebben a sávban, azaz „fekete”. 2,5-  m:termális infravörös tartomány (TIR) Landsat TM 6. sáv: termális (kibocsátó, emiss ziós) (távoli) infravörös (10,4-12,5 m). ablak A helyi hőkiboсsátást jelzi. Alkalmas a növényzet egészségi állapota (hőkiboсsátása, fertőzöttsége) megfigyelésére, helyi hőszennyezés megállapítására. A felhők sötét foltként tűnnek fel rajta. Éjszaka is használható, de általában a nappal felvett képekkel együtt fotóznak ebben a sávban. –100 és +150 C fok közt 0,6 °C pontossággal használható. Termális IR ablakok a 3-5 és 8-14 m sávban vannak. A kettő között a légkör átlátszatlan. A hőmérséklet alapján kőzetfajták is elkülöníthetők. Az éjszakai felvételeken nincsenek árnyékok, és több környezetéhez képest világos objektum sötét lesz és fordítva (hőmérsékleti inverzió). A víz – nagy fajhője (hőtároló képessége) miatt - 4-5 órás késéssel követi a légkör hőmérsékletének változását. Éjszaka környezeténél melegebb (kora hajnalban is világos, így ekkor jól megfigyelhető), nappal hűvösebb (sötét). Ez alapján a kép készítési időpontja is megbeсsülhető. Hasonlóan a növényzet sötét nappal (párologtatás miatt) és világos éjjel (a magas nedvesség miatt). A beton és aszfalt mind éjjel, mind nappal világos (meleg) színű. A fémek nagy visszaverésük miatt mindig sötétek. Eltemetett objektumok is láthatóak lehetnek, ha hővezetéssel a felszínre jut hőjük. „Szellemalakzatok” is feltűnhetnek: pl. egy korábban ott parkoló autó alatti hűvösebb aszfalt.

37

A hőképeken láthatók a felszíni szél jelei: a szeles területeken szélárnyékok, szélsávok láthatók (hűvösebb). Az eső egységes hőmérsékletűre hűti a tárgyakat. Köd és felhők sötétek és kitakarják a felszínt. A por és a füst azonban átengedi a hősugarakat. Nappal a hagyományos árnyékok a hősávban is megfigyelhetők (hőárnyékok), hisz itt a felszín hűvösebb. A nedves levegő a felszínt hűvösebbnek mutatja, mert elnyeli a sugarakat. A csatornák bevett 3 -sávos kombinációi a LandsatTM képek esetén RGB 3,2,1: Valós (természetes) színű - a LANDSAT MSS képeknél a kék sáv hiánya miatt сsak szimulált valószínű képeket lehetett készíteni. RGB 4,3,2: Hamisszínes – False Color (infravörös légifényképnek megfelelő színeket ad). A növényzet különféle vörös színű, a víz fekete lesz ebben a kombinációban. A légköri szórás kékként tűnik fel (a zöld színbeli szórás miatt) – részletesen lásd a közeli IR sáv leírásánál RGB 4,5,3: hamis színes RGB 5,4,2: álszínes – (Pseudo Color) Az utak vörösek, a víz sárga, a növényzet kék. Multispektrális sávarányosított képek Két sáv arányának kiszámításával és ábrázolásával a különböző spektrális jellemzőjű anyagok kiemelhetők. De másra is használható: pl. a különbözőképp megvilágított felületek azonos fényességűre hozhatók (a két sávban egyforma arányban változott a fényesség, így az arányból сsak a minőségi különbség derül ki). . 5/7. sáv: agyagásványok világosak, mert a 7-es sávban elnyelnek, az 5-ösben jó visszaverők. 5/4. sáv: vastartalmú ásványok. 3/1. sáv: vasoxid (világos) 4/3. sáv: “vegetációs index” (infravörös / vörös) (sok növény: világos) vagy 4-3 (!); 5/2 Különböző típusú növényzet 2/5: nedves és moсsaras területek 3/7: vízáramlás

Színes kompozit arányképek A különböző színes kompozitok rengeteg variációja lehetséges. Ezek közül lehet a célnak megfelelőt találni. R 5/7 G 5/4 B 3/1:kőzet-ásványtani összetétel meghatározásához. (mineral composit) R 6/7 G 3/1 B 4/3: hidrotermális kompozit kép 3/1 3/5 5/7: kőzettípusok elhatárolása NDVI: normalizált differencia vegetációs index: 4-3/4+3 (lásd részletesen ott)

Ezek a sávok természetesen сsak igen durván adják vissza a képződmény valódi, folyamatos görbéjét. A természeteshez közelebbi görbe visszaadásához és a pontos azonosításhoz hiperspektrális képek szükségesek. 38

A HIPERSPEKTRÁLIS TECHNOLÓGIA FELHASZNÁLÁSA: NÖVÉNYZET VIZSGÁLATA Mint a távérzékelési alkalmazásoknál általában, a növényzet vizsgálata a hiperspektrális rendszer esetében is a legfontosabb alkalmazási területek között van. A növényzet hiperspektrális vizsgálatában a mezőgazdasági terménynövényektől kezdve a trópusi liánokon (Castro-Esau et al. 2004) és tengerparti növényzeten át (Schmidt és Skidmore 2003) a szubarktikus zuzmókig (Rees et al. 2004) a legkülönbözőbb alkalmazási területeket találjuk. A növényzet spektrumgörbéjének lefutásában az elnyelési sávok különféle mechanizmusokra vezethetők vissza (21. ábra).

21. ábra A növényzet spektrális visszaverését meghatározó tényezők Csornai és Dalia (1995) alapján

Vegetációs indexek (VI) A vegetációs indexek a növénytakaró mennyiségi és minőségi jellemzőit képesek kinyerni közvetlenül a spektrumgörbékből, azaz a hiperspektrális adatkockából. A multi- és hiperspektrális alkalmazásokra szabott vegetációs indexek száma és kiszámítási módja a bőségesnél is bőségesebb. Néhányat részletezve lásd pl. Zilinyi (1995) munkájában. Red egde (vörös él, vörös csúcs. valamint vörös váll, vörös kút) A multispektrális alkalmazásokhoz már kidolgozták a növényzet vizsgálatának optimális módszereit. Mivel a növények az infravörös tartományban igen nagy reflektanciájúak, a növényzet vizsgálatának egyik legáltalánosabb spektrális tartománya a vörösből infravörösbe történő éles átmenet, a red egde vizsgálata. Ez más vegetációs indexektől eltérően viszonylag érzékelten a légköri hatásokra vagy a felszín levél- vagy lombkorona záródására, azaz a talaj spektrumának megjelenésére. 39

A spektrumgörbe vörös átmenetének inflexiós pontja képezi az egyik legjobb azonosítási pontot a spektrumgörbében, mely megmutatja az adott növényzet vitalitását avagy stresszét: a friss és egészséges növény jobban „virít” infravörösben és jobban nyel el vörösben, mint a beteg, melynek spektrumgörbéje kiegyenlítettebb. A jelenséget a klorofill vörös elnyelési sávja és a növénytakaró infravörös fényszórása okozza (Mutanga és Skidmore 2004). A klorofilltartalom növekedésével a nagyobb hullámhosszak irányába mozdul, csökkenésével (pl. betegség miatt) a kék irányban, ezért ennek a jelenségnek blue shift a neve. A száraz növényben már minimális az infravörös kiugrás, annak spektrumgörbéje egyenletesebb. A vörös csúcs maximumának meghatározása fontos eleme a termésbecslésnek, így pl. időben meghatározható a búza kalászolásának ideje. A látható vörös elnyelési sávból az infravörös maximumba való átmenettel kapcsolatban számos mutatót, indexet dolgoztak ki. A red edge (vörös él/csúcs) pozíció (REP) a növényzet reflexiós spektrumának legjobban lejtő tartománya a 680-750 nm között (pl. Pu et al. 2003). Definíció szerint a REP a vörös él inflexiós pontja (Pu et al. 2003). Az infravörös, erősen visszaverő területet a red edge shouldernek (vörös él válla) is nevezik. A red well (vörös kút) pozíció (RWP) a látható vörösben található minimumérték hullámhossza, azaz a maximális klorofill abszorpciós hullámhossz (Pu et al. 2003). A vörös csúcs a gyakorlatban a reflexiós értékek hullámhossz szerinti első deriváltja (Zilinyi 1995). Az egyik legáltalánosabban használt red edge arány a következő: Red egde = R750/R700 ahol R750: a reflektanica 750 nm-en %-ban, R700 ugyanez 700 nm-en. A red edge pozíció (REP) kiszámítása Mutanga és Skidmore (2004) szerint:  re = 695 + (742-695) [(Rre-R695)/(R742-R695)], ahol Rre = (R663+R788)/2 ugyanez Clevers et al (2002) szerint:  re = 700 + (740-700) [(Rre-R700)/(R740-R700)], ahol Rre = (R670+R780)/2 (Rre=inflexiós pont reflektanciája, R695 stb=reflektancia az adott hullámhosszon)

Időben változó jellemzők a spektrumban (növényzet fenológiai fázisai [fenofázisai] alapján): A külső jegyek változása a változásdetektálás során okozhat problémát, amikor 40

különféle időpontokban felvett képeken ugyanaz a faj más jellemzőket mutat (Dennison és Roberts 2003). A növényzet adott reflektanciája nem a naptári napokhoz kötődik, hanem a meteorológiai paraméterektől (hőmérséklet, csapadék, napsugárzás), éghajlattól, lejtőkitettségtől, talajtól stb. függően alakuló fenológiai fázisai határozzák meg. A fejlődési ciklus során lezajló élettani folyamatokat külsőleg is látható változások kísérik, ezek a fenológiai jelenségek. (KFDT 2006) A fenológiai fázisok szabályos rendben követik egymást és faj típusonként eltérőek. A teljes ciklus adja a vegetációs időszakot. Az egyes fajok spektrális tulajdonságai változásának egyik tulajdonsága, hogy egy-egy faj egymáshoz képest eltérő „sebességgel” (és mértékben) változtatja visszaverését, így kijelölhető egy olyan időpillanat a fajok fejlődésében, amikor azok spektrális tulajdonságai adott hullámhosszakon a legjobban eltérek egymástól, azaz elkülönítésük a legkönnyebb (22-23-24. ábra).

22. ábra A szójabab (sötét pont) és kukorica (üres karika) visszaverésének változása vetéstől a 140. napig, két hullámhosszon. Ez a két növény általában nehezen elkülöníthető: leginkább a vetéstől számított 30-75. napon tér el egymástól spektrumuk, elkülönítésük tehát egy ekkor készült képen a leghatékonyabb (Csornai és Dalia [1995] ábrája nyomán)

A spektrumgörbe változása több jelenségre vezethető vissza: – A téli talaj reflexiós görbéjét lassan átveszi a leveleket növesztő növényzet jellemző spektruma (elnyelés a vörösben, visszaverés a közeli infravörösben). – Ősszel (vagy a növény betegségekor) a klorofill lebomlik, így már nem nyeli el a fényt a kékben és vörösben. A levelek színe megváltozik, mert a többi pigment is láthatóvá válik. A levelek visszavert színei és a visszaverés forrásanyaga: klorofill: zöld, xantofill: sárga, karotin: narancssárga, antocián: kék. – A búza esetében a kalász megjelenésével viszont eltűnik a klorofill-abszorpciós sáv, azaz ismét csökken a közeli infravörös reflexiója (a növény sárgul és szárazodik). A kalászolás idején mérhető klorofill tartalomból már lehet következtetni a termés nagyságára. A növények

41

fejlődése során folyamatosan elmozdul a vörös csúcs hullámhossza is ennek függvényében. Ha a vörös csúcs nagyobb, a termés is nagyobb lesz (Zilinyi 1995). Egy őszi búza példáján (Zilinyi 1995, VE 1998) a következő fenológiai fázisok követik egymást fejlődése során:        

Fázis jellemző időszak spektrális jellemző, megjegyzés Vetés október közepe talaj (nincs infra csúcs és vörös elnyelés) (Csírázás) Kelés november-december eleje rügyhüvely a talaj fölé emelkedik (Bokrosodás) az oldalhajtások megjelenésétől Szárbaindulás (-szökés) április vége-május eleje növényzet (infra csúcs, vörös enyelés, zöld csúcs) Kalászolás (k.hányás) május közepe-június eleje ismét száraz jellemzők (infra csúcs csökken, vörös nő) Virágzás kalászolás után 4-5 nap  Tejes érés a termés még zöld  Viaszérés július eleje  Teljes érés július közepe  (betakarítás: a terepen látható fenológiai fázisok vége)  Holtérés a gabonát „lábon hagyva” következik csak be

A kukorica fenológiai fázisai:      

Vetés Kelés 5 leveles állapot címerhányás nővirágzás érés

23. ábra Őszi búza spektrális tulajdonságainak változása Zilinyi (1995) alapján

A fenológiai fázisok egy idealizált fa esetében (az egyes fázisok azonos időben vagy átfedve is bekövetkezhetnek):     

Téli (fiziológiai) mélynyugalom (+5 – +7°C alatti hőmérséklet) [okt-jan] Téli kényszernyugalom [feb-márc] KIHAJTÁS o Rügyfakadás (rügyduzzadás, gyapjas állapot, rügypattanás) [ápr] LEVÉLFEJLŐDÉS (levelek kiterülése) o Mayshoot (tűleveleknél) o St Jones Sprout (második hajtások) VIRÁGZAT MEGJELENÉSE o Virágrügyképződés (bimbózás, amíg nem érnek össze a bimbók) [márc.-jún] 42

  

VIRÁGZÁS [máj] GYÜLÖMCSFEJLŐDÉS és BOLYGÓÉRÉS [jún-szept] o Gyümölcsnövekedés / zsendülés / termésérés (színesedés, puhulás) / -hullás ÖREGEDÉS  Lomb (levél) -színeződés (több mint a levelek 50%-a) (nem összetévesztendő a levelek szárazság miatti, akár nyári barnulásával)  Lomb (levél) -hullás (több mint a levelek 50%-a)

Egy falevél változó reflektanciája Zöld falevél

70

60

Reflektancia, %

Sárguló falevél 50

Barna (száraz) falevél

40

30

20

10

0 300

500

700

900

1100

1300

1500

1700

1900

2100

2300

2500

Hullámhossz, nm

24. ábra Egy fa egyidejűleg begyűjtött, változó állapotú leveleinek reflektanciája. Ahogy a levél szárad, spektrumgörbéje kiegyenlítődik (az elnyelési sávok intenzitása csökken: a levél klorofill és víztartalma csökken). A levél „három állapota” kiválóan elkülöníthető, hiszen a három állapot reflektancia-sorrendje háromszor is megváltozik a spektrumgörbén.

A fenti falevelekre a red edge pozíció kiszámítása a GER3700 csatornái alapján:  re = 695 + (742-695) [(Rre-R695)/(R742-R695)], ahol Rre = (R663+R788)/2 Ennek alapján különféle levelek reflektancia-értékei a vörös él inflexiós pontja pozíciójának és értékének meghatározásához szükséges hullámhosszakon: nm Száraz Sárga Zöld

695.76

663.55

788.44

0,21494 0,43729

742.75 0,2647153 0,4762803

0,175821 0,403957

0,308413 0,498809

RE 0,242117 0,451383

REP 720,6616 711,9883

0,07417

0,5776934

0,050404

0,67989

0,365147

722,1604

Red egde = R750/R700; ennek alapján különféle levelek reflektancia-értékei a vörös él értékének meghatározásához szükséges hullámhosszakon:

száraz

sárga

zöld

700.16

0,21981

0,44423

0,09757

750.10 RE

0,2729 1,24152

0,4799 1,08029

0,62385 6,3941

43

A red edge illetve az inflexiós pont meghatározásakor alapvető szempont a minél finomabban kirajzolt spektrumgörbe. A hiperspektrális képeknél a DAIS 79 sávja, a GER 646 sávja illetve a multispektrális képek 4-7 sávja érzékelhető különbségeket ad az eredményben (25. ábra).

25. ábra A terepi spektroradiométer 646 sávja (B) és a LANDSAT 7 sávja (A) által szolgáltatott spektrum-görbék összehasonítása egészséges zöld növényzet esetén. Látható, hogy a red edge ugyan kivehető, de az inflexiós pont és a határpontok nehezen határozhatók meg a multispektrális kép esetében.

Ebből a szempontból alapvető kérdés, hogy a légi adatgyűjtésnél használt spektrométer a kritikus vörös él környékén milyen spektrális felbontással rendelkezik. Ha megvizsgáljuk a DAIS csatornakiosztását, a következőt találjuk (26-27. ábra): DAIS (fenn), GER (lenn) mérési tartománya, és zöld növényzet fényvisszaverése (zöld il. kékeszöld (USGS fű labormérés)

300

500

700

900

1100

1300

1500

1700

1900

2100

2300

2500

Hullámhossz

26. ábra A légi DAIS (fenti piros pontok) és a terepi spektroradiométer (alsó piros pontok) és egy zöld fű labor-spektruma (USGS spektrum könyvtárból), a teljes spektrumra.

44

DAIS (fenn), GER (lenn) mérési tartománya, és zöld növényzet fényvisszaverése (zöld il. kékeszöld (USGS fű labormérés)

500

700 Hullámhossz

27. ábra Kinagyítva a fenti ábrából a látható és közeli infravörös tartományok.

Az ábrán jól látható, hogy a kritikus szakaszon ugyanakkora a sávok közötti távolság, mint a többin: a red edge területére így a 79-ből mindössze 4-5 sáv esik. A vörös él meghatározása az inflexiós pont meghatározásán alapul, amelyet a digitális adatokból már több csatorna alapján lehet közelítéssel meghatározni (Jung 2005) A hiperspektrális kép azonban így is jóval finomabban rajzolja ki a spektrumot, mint a multispektrális, így akár a red edge alsó, felső és inflexiós pontjainak, akár az abszorpciós sávok finom lefutásának meghatározásában képes releváns és akár fajspecifikus adatokat nyújtani.

NDVI A biomassza megállapítására használt legáltalánosabb index az NDVI, azaz Normalizált Differencia Vegetációs Index (28. ábra). Ennek kiszámítása (Rouse, 1973) NDVI = (NIR – Vörös) / (NIR + Vörös) Ahol a NIR a közeli infravörös hullámhosszra, a Vörös a vörösbeli hullámhosszra adott reflektancia értéket jelenti (%). A Landsat TM képek kiértékelésének a gyakorlatában az index közvetlenül lefordítható a Landsat TM sávokra (középértékeik: 3: 0,65 m, 4: 0,85 m) NDVI = ([TM4. sáv – TM3.sáv] / [TM4. sáv + TM3. sáv]) Hiperspektrális képeknél már sokkal finomabb definíció szükséges, melyekből többen többfélét is kidolgoztak, pl. VOG C = (R734-R747/R715+R720) (Vogelmann et al.. 1993) vagy 729 nm-t inflexiós pontnak véve egyszerű arányindexként: RI=R474/R708. (Gupta et al.2002).

45

28. ábra Az NDVI meghatározása száraz talajra és egészséges növényzetre (idealizált példa): Talaj: 10-17/10+17=0,26 Növény: 30-6/30+6=0,67

Az NDVI index egyik leghasznosabb alkalmazási területe a növényborította és növénymentes területek hatékony elkülönítése. Ily módon pl. egy olyan kutatásban, ahol a növényzet fontos, a növénymentes területek kimaszkolhatók (és fordítva) ezáltal csökkentve a szükséges számítások számát. LAI: Leaf area index: levélfelületi index (más néven fajlagos levélfelület) A levélfelület nagyságát adja meg. CAI Egy másik, növényzet esetén használt módszer a spektrum görbe alapján számítja ki a klorofill tartalmat (28. ábra). A klorofill-abszorpciós integrál (CAI) a spektrumgörbén egy területet számít ki, melynek csúcspontjai a következők: az infravörös „szakadék” felső pereme (az index alapján 750 nm) (az ábrán A pont), a növényzet látható tartományú fényvisszaverési (zöld) csúcsa (az index alapján 550 nm) (az ábrán C pont), és az infravörös szakadék alsó pereme (az ábrán B pont); leegyszerűsítve az 550 és 750 nm-es pontokat összekötő egyenes és a spektrumgörbe maga határolja ezt a területet. mCAI= A – ∫ (R750-R550) f ahol f = a reflektancia görbe, A = a red edge két perem pontja által lehatárolt síkidom területe. Ez az index szintén a növényzet „frissességét” definiálja (Laudien et al. 2003).

46

29. ábra A klorofill-abszorpciós integrál és a red edge meghatározása néhány, Mályi községben 2002. augusztusában begyűjtött falevél példáján. Az egyes indexeket az egészséges (zöld, friss) falevél spektrumén mutatom be. A többi spektrumgörbén értelemszerűen változnak – illetve értelmezhetetlenné válnak – ezek az értékek.

A növényzet elnyelési sávjai. A növényzet meghatározásában alapvetően fontosak az elnyelési sávok (29. ábra). Az elnyelési sávokban elnyelt energia a fotoszintézis során használódik el, amikor a növény a napfényből energiát nyer (és oxigént termel) a következő folyamatban: CO2+H2O —— (napfény) —→ CH2O+O2 Zuzmók meghatározásában (is) hasznos elnyelési sávok Rees et al. (2004) alapján: Klorofill-elnyelési sáv: 410-470, Klorofill-elnyelési sáv: 662-642, Víz elnyelési sáv 1160-1200, Hidroxil-elnyelési sáv 1450-1465, Cellulóz elnyelési sáv 1730-1790, Víz elnyelési sáv: 19401945, Cellulóz elnyelési sáv 2065-2110, Cellulóz elnyelési sáv 2270-2295 nm. (Víz elnyelési sávjai: 652, 796, 823, 906, 942, 1135, 1380, 1454, 1876, 2662 stb. nm.)

30. ábra A növényzet pigmentjeinek abszorpciós görbéi. Ezekben a sávokban tehát elnyel a növény; ahol a görbék értéke minimális, ott visszaveri a fényt: mivel ezek a hullámhosszak a zöldbe esnek (zöld csúcs), a növény zöldnek látszik (idézi Schmidt 2003). 47

A növényzet meghatározása Egy terület növényhatározása hagyományos terepmunkával rendkívül időigényes folyamat, de így is csak pontszerű adatok interpolálását képes nyújtani. A fajok külső jegyeik alapján kerülnek meghatározásra (levél, törzs, termés stb.), a különféle fajok arányát és a lombkoronaszint záródását a terepi biológus becsléssel határozza meg. A távérzékeléses eljárással egy nagy terület egyetlen képen áttekinthető és vagy szemrevételezéssel (manuálisan) vagy automatikusan osztályokba sorolható. Különösen hatékony a módszer a nehezen hozzáférhető területek vagy kevésbé értékes állományok, fiatalosok felderítésénél (Czimber 2000). Erdők vizsgálata Az egyes ásványfajtáktól eltérően a vegetációtakaró egyes szereplőinek spektruma többé-kevésbé megegyezik. A növények biokémiai összetétele ugyanis nagyjából megegyezik, bármilyen fajról is legyen szó. A leveleken történő fényvisszaverés és szóródás további gondot jelent. Ami mégis elkülöníthetővé teheti őket, az a pigmentkoncentráció, biokémiai jellemzők, levél jellemzők, lombkorona szerkezet, így ezeknek köszönhetően az abszorpció és reflektancia is különbözik. A multispektrális képekkel az erdőtípusok (lombhullató/tűlevelű) elkülönítése jól megoldott (különösen, ha a felvétel akkor készül, amikor a lombhullatókon már nincs lomb). A nagyobb növényzeti egységek, mint erdő, rét, cserjés elkülönítése is nagy biztonsággal megoldott, de más esetekben, különösen az említett egységeken belül a mélyebb elkülönítés nem automatizálható biztonsággal (Jan 2000). A trópusi fafajok elkülönítése azonban az irodalmi adatok szerint sikeresebb, különösen, ha a lombkoronák egyedileg azonosíthatók. Az időben változó tulajdonságú lombok azonban itt is akadályt jelentenek (Clark et al. 2005). A lombhullató erdőknél alapvető probléma az erdőterület heterogenitása pixel szinten; így tanítópont alapján rendkívül nehéz homogén képelemet kijelölni. A spectral angle mapper módszer helyett ezért a maximum likelihood jobb eredményt adott (Salvatori 2003). A hiperspektrális képek elemzésekor egyes szerzők nem faji szintű elkülönítést próbálnak elérni, hanem „táj” szintűt, ami alatt lényegében a kőzet, talaj, növényzet (társulás), víz és egyéb tényezők egy egységként szerepelnek (Schmidt és Skidmore 2003). Erdők esetében a fafajok kora is befolyásoló tényező: egy fiatalos társulásnak az azonos, idősebb társuláshoz képest más a spektruma. Schmidt és Skidmore (2003) kutatásában a 771 nm-es hullámhosszt találták a legjobbnak az egyes hollandiai sósvízi környezetű „tájak” elkülönítésében. A további, fajok szerinti különbözőséget mutató hullámhosszak: 404, 628, 771, 1398, 1803, 2183 nm.

48

Spektrumkönyvtár A nemzetközi irodalomban digitális formátumban hozzáférhető spektrumkönyvtárak többségükben ásványokat, ásvány-együtteseket, talajfajtákat, kőzeteket, folyadékokat, mesterséges objektumokat, növényzetet és mikroorganizmusokat tartalmaznak (Clark et al. 2003).. Utóbbi azonban érthető módon azon területek növényzetét tükrözik, melyen a legtöbb kutatást végzik, mely nem azonos a magyarországi fajokkal. A nálunk előforduló fajokról nincs széles körben hozzáférhető spektrumkönyvtár, sem faji (labor vagy terepi), sem társulási szinten. A hazai fajok spektrumkönyvtárát tehát szükséges volna létrehozni (Czimber 2000). Magyarországon a hazai kőzetekről 1990-ben készült laboratóriumi spektrumkönyvtár, amely a MÁFInak a nemzetközi IGCP-264-es projektjében való részvétele során született (Síkhegyi et al. 1990). A célspektrum meghatározása társulási szinten problematikus. A talaj, cserjeszint, telepített-bekevert növények, aktuális évszak, lejtőkitettség stb. mind módosítják a spektrumot, így egy megbízható spektrumkönyvtárhoz faji vagy társulási szinten több időpontban, pontosabban a növény/társulás fejlődési fázisában készült spektrum volna szükséges. Amennyiben rendelkezésre áll az egyes fafajok saját spektruma mint endmember, ebből az adott társuláson belül spektrumszétkeveréses módszerrel elméletileg meghatározható lehet az elegyarány. Azonban nem biztos, hogy spektrumszétkeverésre használható ez a spektrum, mert lehetséges, hogy egy ilyen kevert képelem nem végállású (endmember) a tulajdonságtérben. Oszályozásban azonban célspektrumként használható lehet egy társulás átlagos spektruma is, feltéve, hogy az adott felbontás mellett homogén foltként jelenik meg. Így a spektrumkönyvtárnál ilyen „átlagos”, azaz spektrálisan nagyobb területre nézve homogén felszínek spektrumát érdemes alkalmazni és célspektrumnak venni.

Szikesek meghatározása A szikesek vizsgálatában a talaj felszínén található sóknak a legnagyobb a szerepe, így ezek spektruma vizsgálandó: nátrium-szulfát (Na2SO4), gipsz (CaSO4·2H2O) (anhidrit), só (NaCl), kalcium-karbonát (mész) (CaCO3), nátrum-bikarbonát (NaHCO3) (Metternicht és Zinck 2003). A sókedvelő növényzet ugyancsak szolgálhat indikátorként. Taylor és Dehaan (2000) a következő hullámhosszakat találta a szikes területek elkülönítésében karakterisztikusnak: 800 nm (nagy reflektancia), 2200 nm (alacsony és széles hidroxil-sáv), 1450, 1900 nm (széles elnyelési sávok), 980, 1170 (elnyelési sávok).

49

A repülés (kép felvétele) időpontjának kiválasztása Téli és nyári, reggeli és déli képek teljesen különböző látvánnyal szolgálhatnak. Évszak A kép felvételének dátuma függ a feladattól. Topográfiai vagy geológiai térképezésre a tavasz vagy az ősz alkalmas, amikor a levelek már/még lehullottak de már/még ninсs hó. A növényzet tanulmányozására legalkalmasabb a növekedési időszakban felvett kép. Ez a késő tavaszi/kora nyári időszak, mielőtt a levelek elérnék maximum pigmentációjukat. Pánkormatikus képek esetén a késő ősz is alkalmas a fafajok elkülönítésére. Napszak A felszín reflektanciájának vizsgálatához a helyi dél +-2 óra időpont alkalmas, amikor ninсsenek árnyékok. A domborzat kihangsúlyozására a kora reggeli / késő délutáni órák a legalkalmasabbak. Utóbbi előnyösebb, mert a légkör tisztább. A felvétel időpontja A legajánlottabb a kora reggeli órák képeit használni, mert a tárgyak éjszakai lehűlés utáni saját maradékhőjét mutatják, melyet a napsugárzás nem befolyásolt. Ezek a hőmérsékleti különbségek befolyásolják a levegő hőmérsékletét is ekkor. A korareggeli órák felszíni hőmérsékleti inverziója (völgyekben ülő hideg levegő) viszont torzíthatja a képet. A hőárnyékok és felszíni szélárnyékok elkerülésére éjszakai képek is kedveltek. Nappali képekre a délutáni időpont a legalkalmasabb, amikor minden tárgy a maximális hőmérsékletét éri el. A lejtőkön a különböző kitettség miatt a domborzat is érzékelhető. A napkelte/naplemente időszakban a víz és a szárazföld épp keresztezi egymás hőgörbéjét, így hasonló hőmérsékletű. Ez az időszak ezért nem használható.

A HAZAI KÍSÉRLET A megvalósítás intézményi há ttere Magyarországon a távérzékelés geológiai, mezőgazdasági, térképezést stb. felhasználása az INTERCOSMOS egyezmény keretében kezdődött, majd a FÖMI részéről az ESA-val való egyezményekkel, illetve pl. a CORINE programmal (Büttner et al. 2004a, 2004b; Mari és Mattányi 2002) folytatódott. Mindezek azonban legfeljebb multispektrális adatokat szolgáltattak. A hiperspektrális képek magyarországi alkalmazásának igénye először 1998-ban merült fel komolyabban. A Magyar Köztársaság modernizációs programja a 2159/1996. (VI.28.) számú kormányhatározatban önálló feladatként tartalmazza Magyarország légifelmérését. A szakmai irányítási, technológiai és gazdasági szempontból rendkívül összetett feladat előkészítése az akkori Országos Műszaki Fejlesztési Bizottság (OMFB) támogatásával és koordinációjával kezdődött meg 1997-ben. Ennek keretében – a Magyar Állami Földtani Intézetben (MÁFI)

50

Kardeván Péter kezdeményezésére, szervezésében és szerkesztésében – döntés-előkészítő tanulmány jelent meg, melyet Bognár Vilmos hivatalos partnerként támogatott. (Kardeván 1998a, 1998b), mely a legfontosabb három célkitűzésként jelölte ki a következőket: – az ország teljes lefedése mérőkamerás légifelvételekkel; – az ország teljes lefedése légigeofizikai felvételezéssel; – hiperspektrális digitális felvételek készítése az ország területére [A hiperspektrális technológia használata] „jelenleg még világszinten is csak kutatási fázisban tart. Ezért hazai szinten országos méretű felvételezési program megvalósítása ma még nem célszerű [kiemelés az eredetiben]. Annak érdekében, hogy ne csak irodalmi szinten ismerjük ezt a korszerű felvételezési technikát, javaslat született arra, hogy Magyarország jól lehatárolt területein, jól megfogalmazott célkitűzéssel (pl. környezetvédelem, növényvédelem, légszennyezések hatása stb.) kisebb, de jól ismert teszt területekre kísérleti célú légifelvételezést, adatfeldolgozást és adatelemzést végezzünk el. Ehhez különböző szakmai területek szakembereinek összehangolt tevékenységére van szükség.” – írta tanulmányában 2001-ben a FÖMI tudományos főigazgató-helyettese (Winkler 2001). A megvalósíthatósági tanulmányról szóló vezetői összefoglalójában elhangzott: „A konzultációk során nem lehetett azonosítani olyan “vivőprojektet”, amelyhez kapcsolódóan a hiperspektrális adatokat valamely felhasználó igényelte volna a mintegy 100 millió Ft ráfordítást is vállalva.” (Bognár 1999). Végül a pilot projekt az Európai Unió támogatással és a MÁFI finaszírozásával valósulhatott meg, Magyarországon először 1989-ben használtak képalkotó spektrométert, a FÖMI által 1989ben végrehajtott MONITEQ kampány keretében. A kanadai MONITEQ cég FLI/PMI rendszere egy képalkotó spektrométer volt, mely két üzemmódban működött: spektrális módban 288 sávban, térképező üzemmódban pedig 8 választható sávban. A szigetközi felvételezésben a térképező üzemmódot használták. A terület kiválasztását az abban az időben kezdődő Bősnagymarosi munkálatok indokolták (Büttner 1990). A magyarországi hiperspektrális felvételezés szervezését az OMFB-tanulmánytól függetlenül még a 2000-es nagybányai eredetű ciánszennyezés idején, annak kapcsán kezdte a hollandiai ITC-ben (International Institute for Geo-Information Science and Earth Observation, Enschede, Hollandia) Vekerdy Zoltán. Magyarországról Kardeván Péter vezetésével a MÁFI (Magyar Állami Földtani Intézet) kezdeményezte és koordinálta a teljes kutatást, annak megszervezését, megvalósítását és elemzését és az adatok más kutatóknak történő rendelkezésre bocsátását (A MÁFI részéről további kutató Róth László). A közös kutatásra a MÁFI és az 51

ITC között 2000. februárjában aláírt 3 éves tudományos együttműködési keretszerződés alapján került sor (Kardeván et al. 2000) (MÁFI Távérzékelési Projekt)

.

A kísérlet előkészítéseként egy, az ITC által biztosított GER 3700 spektroradiométerrel terepi spektrumok felvételére került sor Kardeván Péter vezetésével az Alföldön. Ennek során Algyő, Látókép, a debreceni reptér, Tiszacsege, Tiszabecs, Apajpuszta, Tivadar és Bugac térkségében került sor a talaj és a gyepszint növényzete spektrumának felvételére, talajminták vételével együtt. A spektrumok és talajminták a MÁFI-ban kerültek részleges elemzésre. Az interdiszciplináris projektben már együttműködő partner volt többek között a Debereceni Egyetem Agrártudományi Centrumából Tamás János, a JATE-ról Mucsi László, illetve egy hazai laboratóriumi kőzet-spektrumkönyvtár létrehozása céljából Zelenkai Tibor (Kardeván et al. 2000), akik később is csatlakoznak a hiperspektrális adatok elemzéséhez. A hiperspektrális képek elkészítése az Európai Unió Improving Human Potential Programme: Access to Research Infrastructures projektje keretében valósult meg. Ezt a németországi DLR (Deutsches Zentrum für Luft- und Raumfahrt) pályázta és nyerte meg, akik tehát így ingyen – azaz EU anyagi forrással – repülhettek. A DLR projekt vezetője Andreas Müller geológus volt. Hogy hol és milyen céllal történjen a repülés, arra szolgált a HySens projekt, melynek 2002-es kiírására Magyarországról a MÁFI részéről Kardeván Péter pályázott. Ez a pályázat arról szólt, hogy a jelentős anyagi ráfordítással kifejlesztett DAIS ROSIS rendszert elérhetővé tegyék más országok számára is, pl. az akkori EU-hoz csatlakozni kivánó országok számára. A HySens 2002 projektben egy lengyel kutatócsoport is részt vett: sokáig a magyarokkal közös repülési ablakuk volt: az időjárástól függően vagy hozzánk vagy hozzájuk repült volna a gép. A repülést tehát a HySens 2002 projekt keretében a DLR végezte, míg a hazai földi méréseket a MÁFI támogatta anyagilag. A repülést és az adatok kalibrálását a német űrkutatási iroda távérzékelési csoportja, a DLR Imaging Spectroscopy Working Group of the Remote Sensing Data Centre folytatta. Mivel a repülés idején, 2002-ben Magyarországon nem volt olyan terepi spektroradiométer, mely az 400-1100-2500 nm tartományban is érzékelt volna, ezeket a berendezéseket – ASD FieldSpec, GER 3700 és PIMA típusú spektroradiométerek – a külföldi partnerek (ITC, JRC) biztosították (Kardeván et al. 2003, Kaderván 2006) Később – adatszolgáltatóként illetve kutatóként – bekapcsolódott a VITUKI (Vízgazdálkodási Tudományos Kutatóközpont) (kutatói: László Ferenc, Jolánkai Géza) és a Debreceni Egyetem Agrártudományi Centruma (Tamás János) is a programba.

52

A nemzetközi partnerek közt az ITC mellett a JRC-t (Joint Research Centre, Európai Unió, Ispra, Olaszország) is ki kell emelni (kutatói: Stephan Sommer (egyben a HySens projekt bíráló bizottságának tagja) és a MÁFI részéről Jordán Győző). A JRC a repülés alatt terepi spektrométeres mérésekkel járult hozzá a projekthez, később pedig az atmoszferikus korrekciók területén adtak támogatást elsősorban a PECOMINE projekt hazai végrehajtásához, amit a környező országokban (Románia, Szlovákia) megvalósítottak, hazánkban nem. (Kardeván 2006) Hámor Tamás (MGSZ) és Jordán Győző (MÁFI-JRC) geokémiai adatbázisépítési és jogi témákban vett részt a projektben. A végül számos tudományterületet és kutatási célt egybefogó programban az eredeti tervekben a folyók által szállított, illetve a felhagyott bányák környezeti hatásának, a savas bányavíz kifolyás (AMD) következményének kimutatása volt a cél. Így esett a választás a recski és gyöngyösoroszi területre (elsődleges kutatók: MÁFI, ITC, JRC, Debreceni Egyetem), ahol a felhagyott bányaművelés meddőhányói illetve patakokban elszállított hordalékaiból a nehézfényszennyezés kimutatása volt a cél. Eredetileg a következő terület a Tisza ártere lett volna, az üledékben a ciánszennyezés nyomainak kimutatására, de egy későbbi áradás iszapja elfedte ezeket az üledékeket, így a folyóvízi célterület végül a Sajó Hernád-torkolat feletti szakasza lett (elsődleges kutató: ITC) (Kardeván et al. 2003). Külön kiemelendő a hajdúsági (Debrencen-) látóképi és a (Hajdúnánás-) tedeji terület (elsődleges kutatók: ITC, Debreceni Egyetem Agrártudományi Centrum), amelyeken a spektrális távérzékelés mezőgazdasági és környezetvédelmi hasznosításait kutatták. Az ezen területekről szerzett adatok kiértékelését a Debreceni Egyetem Víz- és Környezetgazdálkodási Tanszékén Tamás János ill. Pechmann Ildikó vezetésével végezték. A terepi munkákhoz segítséget biztosítottak a Recski Ércbányák, Tedej Mezőgazdasági Rt., és az Észak-magyarországi Környezetvédelmi Felügyelőség. A látóképi területet leszámítva a terepi méréseket és az adatok elsődleges feldolgozását végül az ITC diákjai készítették: ezek voltak szakdolgozati témáik, Vekerdy Zoltán témavezetésével (Hyde 2003, Rukezo 2003, Turdukulov 2003, Yin 2003), melyek elérhetők az ITC honlapján. Akkor magyarországi egyetem – a debrecenit leszámítva – nem kapcsolódott be a kutatásba, hacsak Vekerdy Zoltán ELTE TTK-n tartott Bevezetés vizes élőhelyek távérzékelésébe c. 2003. januári doktori iskolai szakszemináriumára jelentkező érdeklődő hallgatók aktivitását nem számítjuk ide. Az adatok felhasználása nyitott a kutató közösségek számára. A hiperspektrális adatkockákra a MÁFI-nak van tulajdonjoga. (Kardeván 2006) 53

A légifelvételek elemzéséből azóta magyarországi szakdolgozat is született: pl. Szandányi (2004), Jung (2006) munkája. A gyöngyösoroszi képen található városi terület elemzése is szolgált magyar publikációs témaként (Jung et al. 2005). A jelen dolgozatban ismertetett további, a fenti nyersanyagokra és eredményekre alapozó, a recski és a gyöngyösoroszi területen folytatott terepi kutatást a Magyar Tudományos Akadémia vácrátóti Ökológiai és Botanikai Kutatóintézeteből Horváth Ferenc4 segítette. Megemlítendő, hogy hazánkban számos helyen folynak hiperspektrális technológiát alkalmazó kísérletek, elsősorban azonban laboratóriumi felhasználással. Az Európai Unió Strukturális Alapjai forrását felhasználó Gazdasági Versenyképesség Operatív Program pályázata keretében a gödöllői FVM Mezőgazdasági Gépesítési Intézete5 Hiperspektrális távérzékelési laboratórium kialakítására 48 millió Ft-os támogatást nyert el. A Debreceni Egyetem 2004ben agrárökoszisztémák hiperspektrális vizsgálatára 59 millió Ft-os támogatásban részesült. (GVOP 2004). A Nemzeti Kutatási és Technológiai Hivatal MŰSZER pályázatán 2002-ben a Földművelésügyi és Vidékfejlesztési Minisztérium Műszaki Intézete Hiperspektrális képalkotó rendszerre a kért 42 millióból 29,5 millió Ft-os támogatásban részesült (MŰSZER 2002). Ez a rendszer – egy laboratóriumi hiperspektrális kamra – a dolgozat írásának időpontjában a Corvinus Egyetem Kertészettudományi Kara Fizikai Tanszékén működik, miután megjavították. Az előbbiek közös pályázatában finn AISA hiperspektrális kamera vásárlását nyerték el. A végrehajtás a dolgozat írásának időpontjában folyamatban van, melynek eredményeképp megvalósulhat az első hazai hiperspektrális légi adatgyűjtési szolgáltatás. (Kardeván 2006). Ez 286 sávban érzékel, 0,45–0,9 mikrométeres hullámhosszon, azaz csak a látható és közeli infravörösben, de e tartományban igen jó spektrális felbontásban. A Budapesti Corvinus Egyetem Kertészettudományi Kara Talajtan- és Vízgazdálkodási Tanszéke 2001-től Hiperspektrális módszereket használ a vegetáció-kutatásban tanszéki kereteken belül ill. együttműködésben a MÁFI-val. (Jung 2003, 2005, 2006, Kardeván 2004c, 2005, Kertészettudományi 2006). A SZTE TTK Természeti Földrajzi és Geoinformatikai Tanszékén Mucsi László vezetésével folyik munka Hiperspektrális távérzékeléses módszerek alkalmazása térbeli folyamatok jellemzésére címen (OTKA pályázaton 2004-ben elnyert 5,5 millió forintos költségvetéséből (OTKA 2004).

4

28-360-122/157 [email protected]

5

[email protected]

54

A MEGVALÓSÍTÁS TECHNIKAI HÁTTERE GER terepi spektroradiométer. A kísérletekben három terepi spektroradiométert használtunk a terepi referenciaadatok gyűjtéséhez. A jelen dolgozatban bemutatott mérési adatok a GER 3700 spektroradiométerrel készültek (GER 3700, 1990). A műszer a 325 nm – 2500 nm hullámhossz tartományban 646 (+1) sávban érzékelt, 1050 nm-ig 1,5, afölött 6,5 nm-es spektrális felbontással. FOV: 3°, opcionálisan 10°, üvegszálas optikával 23° (utóbbi kettőt ritkán használtuk). A műszer egy spektrum méréséhez több külön mérést végzett el és azokat integrálta. DAIS A kísérletben repülőgépről működtetett képalkotó spektrométerek készítették a hiperspektrális légifelvételeket. Két spektrométer volt a fedélzeten: a német Geophysical Environmental Research Corp. (GER) által kifejlesztett, 1994 óta működtetett DAIS 7915 (Digital Airborne Imaging Spectrometer) a látható és az infravörös fény hullámhosszain 79 sávban (5. táblázat), míg a Dornier Satellite Systems és a DLR által kifejlesztett ROSIS (Reflective Optics System Imaging Spectrometer) a látható fénytartományban, 115 sávban készített felvételeket. A DAIS műszer laboratóriumi kalibrációs központja a német DLR oberpfaffenhofeni telepén található. Hullámhossztartomány Összesen: 400 nm – 12600 nm, 79 csatorna 400 - 1000 nm 32 csatorna sávszélesség = 15-30 nm detektor : Si 1500 - 1800 nm 8 csatorna sávszélesség = 45 nm detektor: InSb 2000 - 2500 nm 32 csatorna sávszélesség = 20 nm detektor: InSb 3000 - 5000 nm 1 csatorna sávszélesség = 2000 nm detektor: InSb 8000 -12600 nm 6 csatorna sávszélesség = 900 nm detektor: MCT 3. táblázat A DAIS mérési tartományai (Chang et al. 1993; Habermeyer, 2001)

A DAIS műszer egy képelemének térbeli felbontása a repülési magasság függvényében változó. A repülési magasság 3500 m körüli volt. Egy képelem látómezője (IFOV): 3.3 mrad (0,189°), ennek alapján: r = h · tan [(/2) · (/180)] ahol r = a látómező sugara;  a kamera látómezeje fokban kifejezve; h = repülési magasság. Ennek alapján a magyarországi esetben egy képelemhez 5,7 m sugarú körben található terület tulajdonságait átlagolta. A négyzet alakú képelemek végül kb. 6-7 m/pixel felbontásúak. A DAIS szkenner soronként 512 képelemes, „tetszés szerint” hosszúságú (oszlop számú) kép készítésére alkalmas. A ROSIS műszer térbeli felbontása 1,5 m/képelem volt (Kardeván et al. 2003). A repülés egy Dornier 228 típusú repülőgéppel történt.

55

Itt jegyezzük meg, hogy a DAIS műszer legújabb változata a DAIS 2115 modell, mely ugyanabban a spektrális tartományban, de 211 sávban érzékel.

A HYSENS 2002 MEGVALÓSÍTÁSÁNAK MUNKAFÁZISAI Előkészítés A repülés előkészítése a térképi alap megteremtését, a vizsgált helyszínek kiválasztását, a repülés és vele egyidejű terepi mérések elvégzésének logisztikai megszervezését jelentette. Az előkészítés során a következő típusú adatokat és dokumentumokat szereztük be: topográfiai térképek, a területek digitális terepmodellje, korábbi pánkromatikus és színes légifotók, korábbi LANDSAT TM felvételek, geokémiai adatok, geofizikai adatok, környezetvédelmi tanulmányok, vegetációs adatok, hidrográfiai adatok, meteorológiai idősorok stb (Vekerdy et al. 2002). Terepi munka Habár a légifelvételezés csak néhány órát vett igénybe, a terepi munka 2002 egész augusztusában folyt. Az időjárás sajnos nem volt kedvező, hiszen a mérésekhez teljes napfény kell, a terepi munka első kétharmadában pedig esős idő volt – a repülés utolsó lehetséges napjára azonban teljesen kiderült az idő, így a sok izgalom után a mérések tökéletes minőségben (felhőtlen égbolttal) készültek el. A hiperspektrális távérzékeléses légi felvételezéssel egyidejű földi adatgyűjtéshez illetve a spektoradiométeres földi mérésekhez külön eljárásmód-leírást dolgoztak ki (pl. Zomer és Uston 2002). Ez azonban a helyszíntől, a méréstípusoktól, használt műszerektől is függ. A kísérlet során a lefényképezett területen az adott terület vizsgálatának megfelelően a mi esetünkben a következő anyag- és adatgyűjtések történtek: – minden adat- vagy anyagvételi pontban GPS mérés – ahol szükséges volt, talajminta (több mélységből, talajmintavevő fúróval), valamint a helyszínen a felszínről spektroradiométeres hiperspektrális felvétel készítése (meddőhányóból, szikes vagy mezőgazdasági művelés alatti talajból) – ahol szükséges volt, növényminta (levelek), valamint a helyszínen a növényekről spektroradiométeres hiperspektrális felvétel készítése – ahol szükséges volt, vízminta (ahol szükséges volt, csónakról) és spektroradiométeres hiperspektrális felvétel készítése a mintavételi helyeken a vízről, valamint vízminőségi jel-

56

lemzők megállapítása (Secchi mélység, turbiditás, klorofill, lebegőanyag-koncentráció) (Vekerdy et al. 2002). – Minden spektrum felvétele előtt fehér-referencia mérés, az aktuális beérkező napsugárzás mint a reflektanciaérték referenciájának megállapítására – valamennyi pontban digitális fotó készült – ahol szükséges volt, a nehézfémek összetételének megállapítására a Debreceni Egyetem röntgenfluoreszcens spektrométeres (Kovács és Tamás 2003) mérést végzett (NITON XL-700 típusú készülékkel).

A spektroradiométer terepi kezelésével kapcsolatos kérdések A terepi spektroradiométer jelentősége kettős: egyrészt a mindenkori fehér referenciát kell mérnie, hogy a légifényképezés alatt referenciaadatokat biztosítson a besugárzás aktuális állapotáról, másrészt terepi adatokat kell adnia ugyanazokról a területekről és vizsgált anyagokról, mely a légi fényképen is szerepel (ground truth). Utóbbi esetben felmerül, hogy hogyan lehet egy 6 méter átmérőjű területet egyetlen képelembe sűrítő információt, még akár a spektrum szétkeverés módszerével is, megfeleltetni egy pár cm-es területről készített spektrummal. A terepen az adott növényzet leveleit összegyűjtve a spektroradiométer látómezőjébe helyeztük és felvettük spektrumát. Ez a spektrum azonban valószínűleg nem azonos azzal, ami akár endmemberként a légifotón szerepelhet: a megvilágítás, a növény leveleinek dőlésszöge (ezzel a beesési szög, az árnyék és a növény levelének színe/fonákja aránya), a felülről látszódó levelek típusa (fénylevelek stb), aránya mind módosíthat a spektrumon, nem is beszélve mindazon tényezőkről, melyek nem a vizsgált növény részei: a talaj, kőzet, más növények stb. Bár mi nem használtunk ilyen megoldást, Kaderván Péter és munkatársai parlagfű-mérései során többféle hasonló technológiát is kipróbáltak: tűzoltólétrát és emelőkosaras darut használtak.(Kardeván et al. 2004c, 2005). Laudien et al. (2003) módszere is követhető példa lehet: ők egy két m magas botra erősített kinyúló rúdon („akasztófán”) tartották a spektroradiométert a mezőgazdasági területen lévő növények spektrumának felvételéhez. Így a látómezőben nem csak egy növény egyed adott levelei szerepeltek, hanem több növény együttesen, s velük együtt a talaj is (30-33. ábra).

57

31. ábra 32. ábra 33. ábra Tűzoltólétrás megoldás és a létre tetejéről látott homogén területek a magyarországi parlagfűmérések során (jobbra és középen), illetve emelőkosár használatával (Kardeván et al. 2005b) (képek Kardeván Péter szíves hozzájárulásával)

Ez nagyobb, közel 100%-os homogén növényborítás esetén, a cserje szintig jó eredményt adhat. A lombkoronaszint hasonló felvételezése természetesen más megoldást kíván: még ilyen módszerekkel is csak nehezen gyűjthetők be homogén képelemek spektrumai. Egy kifejezetten fafajok elkülönítését célzó kutatás (Jan 2000) daruskocsit használt a megfelelő spektroradiométeres „rálátás” biztosítására (34. ábra).

34. ábra Jan (2000) spektroradiométeres felvételezése. Nekünk egy állvány állt rendelkezésre.

Mivel számunkra nem állt rendelkezésre hasonló eszköz, csak a letépett levelek spektrumát mérhettük külön, illetve a légifotó 6x6 méteres területet integráló képelemeinek átlagspektrumát használhattuk. Ez vezetett végül saját kutatásomban oda, hogy a recskigyöngyösoroszi területen nem fajonként, hanem társulásonként határoztuk meg a célspektrumokat.

58

35. ábra A terepi műszerek (referenciamérés közben): középen a GER 3700 terepi spektroradiométer. A látómezőben található anyagok fényvisszaverő-képességéről (reflektancia) készít méréseket a 325nm 2500 nm hullámhossz-tartományban, melyet 647 sávra bont fel. Így nagy pontossággal rajzolja ki az adott anyag reflektancia- spektrumát. Balra lent a fehér referencia tábla: az erről visszavert aktuális napfénymennyiség szolgál alapként (100% reflektancia) a célanyag méréséhez. Jobbra a hordozható számítógép az adatok rögzítéséhez.

Még megjegyezhető, hogy a spektroradiométer (35. ábra) előírt működési hőmérséklete max. 50 °C, melyet a napsütötte felszín miatt valószínűleg a gép belső hőmérséklete időnként meghaladott. A spektroradiométerhez csatlakozó laptop, melyen a méréseket rögzítettem, a laptopoktól megszokott látszólag igen halvány fényerejű volt, különösen napos időben. Mivel a méréseket késő délelőttől kora délutánig, tehát a Nap delelése körül, teljes napsütés esetében végezhettük csak el, a képernyő tartalmának leolvasása gyakran igen nehéz volt. A terepen dolgozó másik kutatócsoport épp csak felhős napokon tudott dolgozni, ezért minden spektrumfelvételhez lámpát használtak, ami viszont azt jelentette, hogy egész nap dolgozhattak. Rees et al. (2004) arktikus területen végzett kutatásaiban eleve egy 1000W-os lámpával vette fel a spektrumokat. A légköri szórt fényt a HySens 2002 programban nem vettük figyelembe, Kardeván és munkatársai (Kardeván et al. 2005, 2005b) mérései során azonban naptárcsás árnyékoló technikával külön fehérreferencia-méréseket végeztek az árnyékban, a szórt fény meghatározására. A kiértékelés előkészítése A kísérlet kiértékeléséhez elvégeztem a megfelelő területek 10 ezres topográfiai térképeinek feldolgozását. Mivel ezek digitális állományban nem álltak rendelkezésre, a MÁFI-ban meglévő (a FÖMI által tudományos együttműködés keretében rendelkezésre bocsátott) 10 ezres topográfiai térképeket beszkennelték, majd azokat egyenként image to map módszerrel georeferáltam, és mozaikoltam. A szkennelés során többször előfordult, hogy egy-egy képelem sor lemaradt, így a térképen nem jelentős, de érzékelhető sorhiány (geometriai torzulás) keletkezett. A georeferálás során az „x” a Gauss-Krüger vetület esetén a hosszúságot, az EOV esetén a szélességet jelölte. A hosszúság esetén a számérték első 4-esét törölni kellett. 59

A manuálisan georeferált topográfiai térképek alapján készítették el a DLR-ben (Németország) a légifelvételek geometrikus korrekcióját. A DLR-ben a DAIS 79 csatornájából az utolsó 6 csatorna a termális sávban működött. A feldolgozott képeken egy 80., számított csatornát is hozzáadtak, mely a hőmérsékleti adatot tartalmazta közvetlenül °C-ban leolvashatóan. A felvételek kiértékeléséhez használt digitális terepmodelleket a FÖMI bocsátotta a MÁFI rendelkezésére közvetlen digitális állományban, a 10 ezres topográfiai térképlapoknak megfelelő kivágatokban. A képek feldolgozásához az amerikai Research Systems, Inc. The Environment for Visualizing Images (népszerű nevén ENVI) nevű programjának PC-s változatát használtuk (kezdetben a 3.5, majd 3.6, végül a 4.0 verziót). Megemlítendő, hogy a kísérlet előkészítésekor viszont a hiperspektrális adatok kezelésének elsajátítását az ERDAS Imagine 8.3 program Macintoshos verziójával kezdtem. Mivel az ENVI adott verziója nem ismerte az Egységes Országos Vetületet (EOV), melyet a topográfiai térképeknél és a georeferencia alkalmazásakor használtunk, ezt integrálni kellett a szoftverbe. Ezt Timár (2004) és Timár et al. (2002) alapján tettük meg. Az ENVI-n kívüli vetületi transzformációkhoz Völgyesi (2001) VETULET nevű programrendszerét használtuk.

A képfeldolgozás fázisa A hiperspektrális adatkocka feldolgozásának egy általánosítható menete a következő: – Atmoszferikus korrekció (Ezt a fázist a DLR-ben végezték) – Geometriai korrekció (repüléses adatoknál a „hullámosság” eltüntetése) (Ezt a fázist a DLR-ben végezték) – Georeferencia elvégzése a használt vetületnek megfelelően (Ezt a fázist a DLR-ben végezték) – Zajszűrés. Többféle zajtípus szűrésére is szükség lehet. Ha a felvevő rendszer egyik CCD-je (ill. detektora) tönkremegy vagy elállítódik, ez a képen egy világosabb vagy sötétebb сsíkban jelenik meg. Ez Fourier transzformációval tüntethető el. A Fast Fourier Transformation (FFT) a raszteres térbeli képet frekvenciatérbe konvertálja (különféle frekvenciájú szinusz-hullámokká). Ezzel a zaj vagy a periodikusan előforduló hibák (сsík, streaking) a frekvenciatér megfelelő területének kivágásával eltüntethetők a képről (a módszer hagyományos fotóknál is alkalmazható).

60

Más típusú zajt hoz létre a légköri elnyelési sávok rossz jel/zaj aránya. Ez csak addig tüntethető el, amíg értelmezhető adat nyerhető belőle. Azok a sávok, melyek teljesen használhatatlanok (túl zajosak), zajszűrés helyett törölendők a feldolgozásból. Alacsony jel/zaj viszony az egész adatgyűjtést is jellemezheti, akár valamennyi hullámhosszon. Ez ún. statisztikus zajt okoz, amelyet a MNF transzformációval lehet csökkentetni. – Maszkolás. Ha a képen egyértelműen azonosítható foltokat találunk, melyekre az adott vizsgálatnál nincs szükség, azt kimaszkolhatjuk. – A spektrumok meghatározása történhet teljes pixelre (whole pixel) vagy pixelen belül (sub-pixel):Ez történhet előzetesen létrehozott spektrumkönyvtárból vagy ismert terepi adatok birtokában tanítópontokkal vagy tanítómezőkkel. Alapvető elkülönítési szempont, hogy az egyes társulások között nagyobb legyen a spektrumgörbe különbsége, mint a társuláson magán belüli variáció miatti különbség (Schmidt 2003). Egy társulás állhat spektrálisan nagyon eltérő egyedi fajokból is, de a keveredésük mindenhol nagyjából stabil átlagos spektrumot eredményez, ami viszont eltér a másik társulás fajra nézve keverék, spektrálisan azonban az adott térbeli felbontáson homogén spektrumától. A képelemen belüli információ a végállású spektrumok (endmemberek) lineáris kombinációjával nyerhető ki. Egy növénytársulás lehet kvázi homogén: például a gyep adott fajokból áll, és ezek úgy keverednek, hogy ez a keveredés nagyjából állandó és jellegzetes. Itt azonban nem-lináris reflexiók történnek mert az egyik fajról a másikra verődik a fény és úgy kerül a szenzorba. Ezeket tehát nem lehetséges spektrumszétkeveréssel értelmezni, mert az egy lineáris eljárás.

Egyes elemző módszerek részletes leírása Az alábbi módszerek többsége a multispektrális képfeldolgozásból is ismert. Az adatkocka nagyságának egyik fő következménye, hogy ez esetben rendkívül fontos az adathalmaz csökkentése (PCA, MNF, utóbbi a statisztikus zaj szűrését is szolgálja), vagy rendkívüli teljesítményű számítógépek beszerzése; hiszen egy teljes (79 sávos DAIS) adatkockán egyetlen transzformáció lefuttatása még egy 3 GHz-es processzorú gépen is 20-40 percet is igénybe vehet. Ezt a különféle adatcsökkentő módszerek (geomterikus és spektrális) jelentősen csökkenthetik.

– Spectral angle mapper (SAM). Hiperspektrális kép esetén a lényeg a spektrumgörbe lefutásának különbsége; a spectral angle mapper algoritmus használata ajánlott erre a feladatra. A 61

SAM módszer a képen önmagában nem használható, szükség van előtte referenciaspektrumok, endmemberek gyűjtésére (ami a képen magán történhet, lásd pl. Kardeván 2005). A módszer ezen véges számú endmemberek spektrumai és a kép vizsgált pixelének spektruma közötti szögeltérést (vektorként értelmezve) adja meg. Ha magáról a képről nyerjük az endmember (végállású) spektrumokat, értelemszerűen ezeket a spektrumokat nem kell korrigálni [spektrális radiancia – W/m2srm – is használható: at sensor calibratied data]); ha azonban referenciakönyvtárból, akkor a képen atmoszférikus korrekciót kell végezni, hogy a két spektrum összehasonlítható legyen. Ha egy koordináta-rendszer tengelyei két hullámhossz, és itt ábrázoljuk két képelem adatát, és az origóból húzott egyenes (vektor) azonos irányú, akkor a két képelem spektrális szöge megegyezik, legyen abszolút fényességértékük bármekkora (Kerse 2001). Így a SAM eljárás egyben az árnyék hatás kiszűrését is elvégzi, mert csak a vektorok irányát veszi figyelembe, a hosszát nem. Ám másrészről a radiancia abszolút értéke is éppen olyan információ, mely hasznos lehet a növények esetén (pl. fenyő elkülönítése); ez itt nem kerül felhasználásra. – Spectral Feature Fitting (SFF). A SFF módszer a spektrum abszorpciós sávjainak jellegzetességét vizsgálja, összehasonlítva az adott képelemet a referenciának megadott endmemberek spektrumával. Előfeltétele a kontinuum-eltávolítás. – Unmixing. A szubpixeles információkhoz az endmemberek alapján unmixinget: spektrum szétkeverést (más fordításban: spektrális kibontást) alkalmazhatunk, melyből megtudhatjuk, hogy az adott egy pixel milyen arányban tartalmazza az endmemberek spektrumát, azaz a képelemen belül milyen a felszín összetétele, melyből a pixel végső spektrumgörbéje összeadódott (36. ábra). Egy erdőterület esetén endmember lehet pl. a füves rét, a különféle fafajok, cserjések, melyekből elvileg összeállhat egy sajátos társulás saját, összetett görbéje. Ez esetben a társulási spektrumgörbe az egyedi fajok meghatározott szélsőértékek közt mozgó keverékspektruma lenne. Hasonló példa egy városi területen a tetőcserepek, beton, aszfalt, fakorona, fű, autótető, gyalogos stb. mint endmemberek sajátos keveréke. Fontos olyan kategóriákat választani, melyek a tulajdonságtérben valóban végállásuak. Az egymás közötti visszaverődések, szóródások miatt a felszínborítást tekintve különböző elemek sem biztos, hogy a tulajdonságtérben végállásúak lesznek: ezek az unmixingnél nem használhatók, de más osztályozási eljárásnál lehetnek célspektrumok. A spektrumszétkeverés módszerében az eredeti spektrumgörbét átalakítjuk.

62

36. ábra A spektrumszétkeveréses eljárás magyarázata valós példán. Az első képen két spektrálisan nagyjából homogén terület látható. A térbeli felbontás csökkentésével azon képelemek, melyek épp a két homogén terület határára kerülnek, mindkettőből tartalmaznak, ezért itt keverékspektrum keletkezik. Ezen pixeleken a két végállású tag (endmember) segítségével meg lehet állapítani, hogy e két összetevő milyen arányban van jelen (a szerző transzformációi, lefelé mintavételezés bicubic módszerrel, Kardeván Péter tűzoltólétráról felvett parlagfüves területet ábrázoló képe alapján

A spektrumszétkeverés általános menete a következő (van der Meer et al. 2001): Hiperspektrális adatkocka ↓ MNF=Minimum Noise Fraction transzformáció (PCA+PCA, spektrális dimenzionalitás csökkentése és szűrés ) ↓ Pixel Purity Index (endmemberek a képen) ↓ Tanítómezők kiválasztása (a spektrálisan szélső helyzetű (végállású) pixelekből) A spektrumtérben endmemberek elkülönítése ↓ Spektrumszétkeverés

63

– Linear Spectral Unmixing (LSP) A képek jelen lévő pontok csoportját, tanítómezőket referenciának véve végzi el a spektrum szétkeverést. A tanítómezők kijelölhetők földi referenciák vagy a PPI alapján. Az endmemberek kiválasztása és száma alapvetően befolyásolja a végeredményt, azaz „rossz” választás esetén a kép rosszul osztályozott lehet. – A Matched Filtering (részleges unmixing) módszerével egy pixelt nem kíván 100%osan összetevőire bontani a spektrumkönyvtárból, hanem csak kevés számú megadott spektrum jelenlétét és arányát keresi a képen. Tehát akár kis mennyiségű összetevőt is ki tud mutatni egy pixelen belül anélkül, hogy a pixel spektrumában szereplő többi, ismeretlen anyag összetételével foglalkozna. – Principal component analysis (főkomponens analízis) (PCA) Ha nem akarjuk megőrizni a spektrumok lefutását, azaz nem akarunk pl. spektrumkönyvtárat használni vagy készíteni, a jelentős számú csatornák számát csökkenthetjük úgy, hogy végül csak néhány csatorna maradjon és mégis tartalmazza a sok csatorna információját. Ennek eszköze a főkomponensanalízis (PCA) (37. ábra), melynek során új (elforgatott) spektrális tengelyek jönnek létre, melyek a lehető legnagyobb mértékben különböznek egymástól, azaz varianciájuk a legnagyobb. A hiperspektrális képen rengeteg olyan csatorna van, melyek értékei közeli kapcsolatban vannak (korrelálnak) egy vagy több másik (szomszédos) csatorna azonos képelemének adatával, azaz nem tartalmaznak független információt. A PCA módszer ezeket szűri ki, és egymással nem korreláló információtartalmú csatornákat hoz létre (Richards 1999). A létrejövő első, egymástól jelentősen eltérő információtartalmú csatornák között lesz legnagyobb a variancia, így ezek zajmentesek: a későbbi csatornák egyre kevesebb varianciájúak: ez a kis variancia valójában a zaj. Főkomponens-analíziskor adattömörítés történik (adat dimenzionalitás csökkentése). Így egy eredetileg a DAIS esetében 79 dimenziójú adathalmaz néhány dimenzióssá csökkenthető.

37. ábra A főkomponens-analízis (más szóval: főkomponens-transzformáció) új tengelyeket hoz létre, melyeken a meglévő adatok a legnagyobb varianciát mutatják (Csornai és Dalia [1995] nyomán)

64

Egy két tengelyű koordináta-rendszerben felvett ponthalmaz „ferde” ellipszisként is értelmezhető. Ennek az ellipszisnek a fő (leghosszabb) tengelye az első főkomponens (PC1). Iránya: sajátvektor, hossza sajátérték. Ez lesz az új koordinátatengely, s az egyes értékek is ennek megfelelően megváltoznak. Ezeket az értékeket az első főkomponens sávban (vagy más szóval csatornában) (band) (PC1) tárolja a gép. Miután a pontok ellipszise nagytengelye mentén fekszik, egyben a pontok legnagyobb változékonysága mentén is. Ezért lehetséges jobb kontraszt elérése főkomponensanalízissel. A második főkomponens (PC2) erre merőleges tengely. Így ez leírja azokat a változásokat is, amit az első főkomponens még nem írt le (mert egyetlen tengelyen nem jelezhető). Három vagy többdimenziós térben a további főkomponens (tengelyek) az előzőkre merőleges tengelyek. Általában az első néhány PC-komponens jól leírja az adatpontok elhelyezkedését. Mire főkomponens-analízisre kerül sor, az adott vizsgálathoz fölösleges területeket érdemes lehet kimaszkolni, így az adott kutatásban releváns adatokra végezzük el a főkomponensanalízist. A három legjobban különböző sáv ezután RGB megjelenítésként vizualizálható is. Ez egy terület vizualizációjában azért fontos, mert az emberi szemhez igazodva csak három (RGB) sávban tudunk megjeleníteni képeket. A Landsat TM 7 sávjából összesen N=7! / (3! · (7-3)!) sávkombinációjú RGB (3 színes) kép készíthető. (7! [7 faktoriális, azaz 1x2x3x4x5x6x7] a bemeneti hét sáv, 3! a kimeneti 3 szín miatt). A Landsat képek esetén: ez: 7!/3!·4!, azaz 5040/6·24, azaz 35. A 79 sávos DAIS kép esetén a színes kimeneti variációk száma N=79! / (3!·(79-3)!), azaz 79079. Főkomponens-analízis egyik változata a Minimum Noise Fraction (MNF) módszer, melynek során a zajt is kiszűri a módszer. Ebben a változatban a variancia helyett a jel/zaj viszonyt maximalizálják. Egy ilyen forward MNF-en átesett kép már pl. maximum likelihood (ML) módszerrel osztályozható. – Minimum Noise Fraction (MNF) transzformáció. A főkomponens-analízis egy továbbfejlesztett módszere az MNF, más néven Noise adjusted principal component (NAPC). Ez is a zaj eltávolítására és a kép dimenzionalitásának csökkentésére használható, de két egymást követő PCA-t tartalmaz. Az MNF módszer során két PCA átalakítás történik. Az elsőben a zaj és a valós adatok szétválasztása történik. Ennek során a transzformáció nem a jel+zaj együttes varianciáját maximálja, mint a PCA, hanem a jel és a zaj elválasztására törekszik (noise whitening) (Staab 2005). Ehhez szüksége van zajbecslésre, amit egy, a képen kiválasztott fekete területen tud a legjobban megtenni, ahol elméletileg csak a zaj van jelen. Ezen a területen becsüljük meg a zaj varianciáját: pontosabban a fekete terület varianciáját tekintjük zajnak. A 65

sötét területek közel 0 értékűek, ezért a statisztikus zaj itt arányaiban jól megmutatkozik, míg az azonos mértékű statisztikus zaj a nagyobb értékű képelemeken már nem látható. A zaj és jel szétválasztása tehát a varianciák szétválasztásán alapul. Ami marad a varianciából azt jelnek tekintjük. Erre a gyakorlatban – homogén fekete referencia híján – a vízzel borított terület a legalkalmasabb. Ezt egy második PCA transzformáció követ, mely a kép megmaradt varianciáját maximalizálja: megkeresi, hogy a dekorrelált zaj után megmaradó variancia mely irányban a legnagyobb. Ez összességében a jel/zaj viszony maximalizálását végzi el. Az első sávok zajmentesek és a lehető legnagyobb varianciájúak, a továbbiak mind zajosabbak és kisebb varianciájúak. A jel/zaj szigorúan monoton módon csökken, ellentétben a PCA-val, ahol még igen nagy sorszámú főkomponensnél is megjelenhet információ. Ezért a távérzékelési képek feldolgozásakor mindig MNF-et használnak (Kardeván 2006). A másodikban (inverz MNF) a tényleges adatok „visszaállítása” történik. Ha ennél az inverz transzformációnál csak azokat a komponenseket választjuk melyek láthatólag zajmentesek (az elsők), akkor a visszaalakítás során a zaj már nem kerül bele az eredeti csatornákba. A kb. 1 sajátértéknél (a jel és zaj varianciáinak hányadosa a jel/zaj viszony) nagyobb értékű csatornák adatot (jelet), az 1-nél kisebb értékűek zajt tartalmaznak. A kivágás melletti másik lehetőség, hogy a zajos, de szükségesnek ítélt csatornákat visszaalakítás előtt szűrjük. Ha az MNF transzformáció alkalmazása után olyan spektrum-könyvtárbéli adatokat használunk, melynek forrása ugyanaz a kép, a spektrumokat (endmembereket) vagy a transzformációk után vegyük ki a képből, vagy a spektrumokra is végezzük el ugyanezt a szűrést. Érdemes megjegyezni, hogy a DAIS adatkockák MNF szűrés nélküli, az adatkockákból kinyert célspektrumok segítségével, próbaként történő SAM osztályozása is jórészt releváns eredményt adott. Az MNF transzformáció a felhasználtak közül az egyik legnagyobb gépigényű (azaz leglassabb) transzformációs eljárás.

– Spektrumkönyvtár létrehozása. Egy kutatás a maga céljai elérésén túl úgy is segíthet további kutatásokat, hogy az általa megtalált spektrumokból (endmemberekből) spektrumkönyvtárat épít. Ez esetben ezt nem csak saját céljára használja, hanem digitálisan összeállítva közzéteszi a további kutatások számára is. Mivel a spektrumok, különösen kevert növényzet esetén, jelentősen változhatnak az év során (különböző fenológiai fázisok), a spektrumkönyvtár alapvető része, hogy tartalmazza ne csak a felvett faj vagy társulás nevét, hanem a kép

66

felvételének időpontját és ehhez szorosan kapcsolódva helyét is. (pl. hegységben ugyanaz a társulás már visszaverésű lesz, mint alföldön, ugyanabban az időpillanatban). – Endmember választás Akár spektrumszétkeverést, akár spektrumkönyvtárat készítünk, alapvető, hogy jól válasszuk ki az endmembereket. Ha ezeket magunk választjuk ki, létrehozhatunk tanítómezőket (region of interest), kombinálhatjuk (egyesíthetjük) ezeket egy osztályba vagy használhatunk egyedi képelemeket, attól függően hogy az adott képelemek menynyire homogének a mi szempontunkból. A labormérésekből származó endmembereket „ismert” endmembernek, a képből tanítópontból származók „származtatott” (derived) endmembernek nevezik (van der Meer et al. 2001). Ez utóbbi esetben fontos, hogy a légköri és megvilágítási jellemzők azonosak legyenek a tanítóponton és azon a képen, amire alkalmazzuk az endmembert. A laborból származó endmemberek (melyek ezúttal célspektrumok is) csak atmoszférikusan korrigált képből kinyert spektrummal vethetőek össze. Az endmemberek kiválasztásának egy módszere az interaktív endmember választás. Ennek eszköze az n-dimenziós megjelenítő eljárás (n dimensional visualizer), n-számú tengelyű koordinátarendszerben (n-dimenziós térben) ábrázoljuk egy képmező pixeleinek értékeit, és ahol a tengelyek az egyes hullámhosszaknak felelnek meg. Egyszerre két dimenzióban csak két tengelyen vizualizálhatjuk a pontokat (kereszt-diagram [cross-plot] segítségével) de a nagy számú tengelyt ciklikusan változtathatjuk, és így mindig más-más tengely kombinációkat vizsgálhatunk egymás után „pörgetve”. Képelemek halmazai ábrázolhatók az n-dimenziós tulajdonság-térben (feature space) (38. ábra), amelyek közül egyszerre csak két-tengelyt ábrázolunk, és a tengelyeket ciklikusan változtatjuk. Megjelenítése az előbb említett két tengelyű ábrázolással mint szóródási diagrammal (scatter plot) lehetséges. Így elkülöníthetők az n-dimenziós tulajdonság térben az egyes endmembereket képviselő pontok, amelyek pixelekhez tartozó spektrumokat jelentik (39-40. ábra).

67

38. ábra Talaj, növényzet, víz képelemek az a spektrális térben (felső) és a tulajdonságtérben (alsó) (Csornai és Dalia 1995 ábrája) [Megj: az eredeti ábrán a feature space-t intenzitástérként fordították a szerzők, ami nem tartható megfelelő fordításnak az intenzitás szó másra foglalt jelentése miatt)

39. ábra Az azonos felszínborítású területek intenzitásvektorai szórnak a tulajdonságtérben, azaz nem identikusak minden képelemen, de mégis együtt maradnak. Átfedők is lehetnek, ami keveredésükre utalhat. (Csornai és Dalia [1995] nyomán)

40. ábra Két hasonló tulajdonságú növény elkülönítése a tulajdonságtérben (Csornai és Dalia [1995] nyomán)

Az eredeti képen tanítómezőről vett átlagspektrum a tulajdonságtérben már mint pont jelenik meg. Az ilyen, tanítópontos választás előfeltétele egy MNF transzformáció elvégzése (statisztikus zajszűrés és dimenziócsökkentés). Ha nincsenek ismert pontjaink a felszínen (pl. terepbejárásból), a Pixel Purity Index (PPI) az egyes képelemekre (automatikusan) megállapítja, hogy a képelem mennyire lehet „tiszta” spektrumú: a PCA (MNF) transzformáción átesett kép adatait különféle n dimenziós spektrumtérben felrajzolt képelemek alapján kiválogatja a legextrémebb (azaz legkevésbé kevert) értékű képelemeket. A módszer véletlenszerűen keresi iterációkkal az extrém pixeleket a tulajdonságtérben, és ahányszor extrémnek találja a pixelt, annyival nő a pixel DN értéke („fényessége”). A Fast PPI a memóriát használja, ezért jelentősen gyorsabb, a hagyományos a merevlemezt, ezért lényegesen lassabb. A hiperspektrális képfeldolgozáshoz több ezer iteráció szükséges, ezért lassabb gép esetén a kép méretét csökkenteni kell. A PPI kép végeredményéből a legfényesebb pixelek 68

ROI-ba sorolásával, majd ezek spektrumtérbeli megjelenítésével lehet az endmembereket kiválasztani. (g) Tanítómezős osztályozási eljárások. Az endmemberek alapján történő osztályozásnál nagy varianciájú adathalmaz alapján kell igen kis számú osztályt előállítani. Az endmember meghatározásakor véges számú, osztályonként jól elkülöníthető képelemet használunk fel. Az osztályozandó terület azonban a tulajdonságtérben „bárhol” tartalmazhat képelemeket. Ugyanabból az adatsorból más osztályozási eljárás máshová sorolhatja a „problémás”, nem homogén vagy két kategória határán álló ismeretlen besorolású képelemeket. Ez esetben csak egy „helyes megoldás” létezik, eltérően a spektrumszétkeveréses eljárástól, ahol egy képelemhez nem egy kategória tartozik (41. ábra).

41. ábra Endmemberek a tulajdonságtérben. (Csornai és Dalia [1995] nyomán) és néhány kérdéses osztályozandó ismeretlen képelem (x-ek) Az ENVI-ben az „N-dimenziós vizualizációs” segédprogram segítségével lehetséges a tulajdonságtér interaktív vizsgálata

A legközelebbi középpontú (minimum distance) osztályba sorolás (42. ábra) az ismeretlen képelemet abba az osztályba sorolja, melynek tulajdonságtérbeli középpontja (súlypontja, átlaga) a legközelebb áll hozzá. Ez sok tévesztési lehetőséggel jár és minden képelem besorolásra kerül, az is, aminek az adott osztályhoz tartozása valószínűtlen.

42. ábra Legközelebbi középpontú osztályba sorolás (Csornai és Dalia [1995] nyomán)

–A nearest neighbour (legközelebbi szomszéd) osztályba sorolás az ismeretlen képelemet abba az osztályba sorolja, melynek egyik tagja (a szomszéd) a legközelebb áll hozzá. Ez-

69

zel hosszúkás irányban is „növekedhetnek” az osztályok, ami gyorsan növekvő ismételt hibaforrás lehet. –A maximum likelihood (legnagyobb valószerűség) osztályba sorolással „valószínűségi pufferzónák” jönnek létre, melyek figyelembe veszik az egyes endmember-osztályok alakját és méretét is. Sok pixel maradhat azonban „oszályozatlan”.

43. ábra A maximum likelihood (legnagyobb valószerűség) osztályba sorolás (Csornai és Dalia [1995] nyomán)

– Kontinuum eltávolítás A kontinuum eltávolítása során a reflektanciagörbét (spektrumot) normalizáljuk, ezáltal a spektrumnak a lassú változásait megtestesítő burkoló-görbéje (kontinuum) kiegyenesedik. Az abszorpciós sávok azonos alapról (100%) indulnak, így könynyen összevethetőek (Mutanga és Skidmore 2004). A megadott hullámhossz-tartományokban egy kezdő és egy végpontot 100%-nak véve a kettő közötti értékek a 100%-hoz viszonyított helyzete szerint vizsgálhatók. Geológiai alkalmazásokhoz széles körben használják, de a növényzet vizsgálatakor a közeli infravörösben és rövidhullámú infravörösben, ahol a nedvesség és a növénytakaró szerkezete befolyásolja a spektrumot, rosszabb elkülönítést tesz lehetővé; ugyanakkor a klorofill elnyelési „gödrökben” javítja a spektrumok elkülöníthetőségét (Schmidt és Skidmore 2003). Növényzet vizsgálatakor a 550-750 nm, 2006-2196 nm 16341786 nm elnyelési sávok jelentősek. A képelemző módszerek összefoglalása A hiperspektrális képelemző módszerekben alapvető, hogy akár a terepen, akár a légifelvételen szereplő spektrum előzetesen atmoszférikus és topográfiai korrekción essen át (a gyakorlatban is használható végeredményhez geometrikai korrekció is szükséges). A spektrumot (lefutását, görbéjét, elnyelési sávjait, a reflektancia abszolút értékét stb.) összehasonlítjuk valamilyen referenciaspektrummal (célspektrum vagy végállású spektrum). A célspektrum származhat

70

– terepen felvett tanítómező alapján, magáról a képről – terepi spektroradiométeres mérésből – labormérésből, spektrumkönyvtárból (ehhez a kép pontos atmoszfériukus korrekciója szükséges) – a tulajdonságtérben felvett tanítómező alapján (pl. interaktív endmember választás, PPI) Az osztályozáskor a spektrumok összehasonlítása történik: itt a spektrum általános lefutása és/vagy az ezen belüli, jól definiálható elnyelési sávok vizsgálhatók. A – pl ásványoknál indikatív – elnyelési sávok legjobban kontinuum-eltávolítással vizsgálhatók (pl. Spectral Feature Fitting módszer). A spektrum általános lefutásának vizsgálatakor vagy olyan spektrumot kereshetünk, melynek reflektanica-értékei a legjobban hasonlítanak a referenciaspektruméra, vagy a spektrumot a tulajdonságtérbeli vektorként kezelve az itt található, a referenciára legkisebb szögeltéréssel illeszkedő vektor kereshető. Spektrumszétkeveréskor feltételezzük, hogy a képponthoz rendelt spektrum többféle anyag spektrumának a keveréke. Ha ezen anyagok és spektrumai ismertek, szétkeveréssel megállapítható, hogy a kevert spektrumban az egyes spektrumok (anyagok) milyen arányban részesednek. A Matched Filtering módszerrel az osztályozás egy képponthoz nem egy kategóriát rendel, hanem minden célspektrumra egy külön arányképet készít, mely megadja, hogy az adott célspektrum az adott képponton belül milyen arányban részesül. Mivel a sok sávú képen a szomszédos sávok általában redundánsak, spektrális adatcsökkentéssel is élhetünk: a spektrum vizsgálata alapján kiválasztjuk azokat a (pl. elnyelési) sávokat, melyekben a vizsgálandó (elkülönítendő) spektrumok a legjobban különböznek és csak ezeket használjuk (lényegében a LANDSAT tervezői is ezt tették sávjaik kiválasztásakor; ám itt szabadon választható az adott célspektrumoknak megfelelő, szűk spektrális felbontású „sávkiosztás”); vagy adatdimenzionalitás-csökkentéssel elvethető a spektrum eredeti görbéje; a végeredménykép kevés számú sáv, melyben a különféle sávok kombinációi alapján (pl. főkomponens-analízissel) maximalizáltak a különbségek. A csökkentett dimenziójú (PCA, MNF) kép maga is vizsgálható vagy tulajdonságterében kereshetők végállású spektrumok (pl. az automatizált PPI módszerrel), melyek helyei az eredeti képen tanítómezőként felvehetők, és innen már valós spektrumuk alapján sorolhatók spektrumkönyvtárba és osztályozhatók valamely módszerrel. Ez főleg akkor használandó, ha a terepi felszínborításról nincs információnk.

71

A hazai kísérlet első tartalmi eredményei Ma még viszonylag új a hiperspektrális távérzékelés területe, így a kutatások elsődleges célja az új technológia lehetőségeit és korlátait meghatározni: ez a hazai kutatások feladata is. Magyarországon a felszínborítottság miatt (természetes körülmények között alig találunk nagyobb felületű kőzetkibúvást vagy talajfelületet) elsősorban a növényzet és a vizek megfigyeléséből lehet következtetéseket levonni, így ezeket használhatjuk a különféle környezeti hatások indikátoraként (nyomjelzőjeként). A 2002-ben készült felvételek feldolgozásának célja a bányászati és ipari eredetű nehézfém szennyezések térképezési lehetőségeinek kutatása volt. Megfelelő előkészítés után a képekkel egyszerre nagyobb területen lehet „automatikusan” a szennyezést kimutatni, térképezni, nincs szükség a teljes terep földi bejárására. Mivel a bányászati szennyeződések hordozója a víz, ez volt a kutatás egyik fő célterülete. A felszíni vizek minőségének térképezésében gondot jelent, hogy a mérhető jellemzők értékei mind térben, mind időben jelentősen változnak. Nem csak a folyókban, ahol az áramlási viszonyok és a vízállás szembetűnő különbségeket okoznak, de még a tavakban is, ahol pedig az elkeveredés viszonylag lassú. A mégoly rendszeresen is végzett pontszerű mérésekkel és mintavételezéssel csak korlátozott információ szerezhető a vízminőségi jellemzők térbeli eloszlásáról. Néhány, a spektruma alapján jól azonosítható komponens esetében, mint például a lebegőanyag, a klorofill és az oldott szerves anyag, a hiperspektrális távérzékelés megoldást jelenthet a térképezésben, mint ahogy azt a hazai kísérlet eredményei is bizonyították (44. ábra).

44. ábra Egyes anyagok elnyelési együtthatói (Turdukulov 2003). Azok a hullámhosszak alkalmasak az egyes paraméterek meghatározására, amelyeken a spektrális tulajdonságaik a legjobban különböznek egymástól. (Tudukulov és Vekerdy ábrája nyomán)

A Sajó völgye az egyik legszennyezettebb ártéri terület az országban, melyet a folyó mentén működő nehézipari létesítmények okoztak 40 év alatt. Mára a nehézipar hanyatlásával a 72

vízminőség megjavult. A Sajóról készült kivágat tartalmazza Sajólád / Sajópetri (bal part/jobb part), Ónod, valamint Köröm és Muhi (bal part/jobb part) településeket. A Sajóról készült felvételeket (45. ábra) először statisztikai módszerekkel dolgoztuk fel. A helyszínen gyűjtött tizenöt vízmintából meghatározott vízminőségi paraméterek és a helyszínen mért spektrumok egyes hullámhosszai közötti regresszió analízissel meghatároztuk, hogy melyik hullámhosszakon mért reflektancia értékek függenek (4. ábra) leginkább az egyes vízminőségi paraméterektől. Az így kapott eredmények összevetése egy holland adatsorral jó egyezést mutatott és így nagy biztonsággal lehetett tapasztalati alapokon álló statisztikai modelleket kidolgozni, amik alapján aztán a légi felvételekből a víz klorofill tartalma térképezhető volt. (Turdukulov 2003, Turdukulov és Vekerdy 2003).

45. ábra a Sajó részlete hiperspektrális nyers képen

Egy másik feldolgozás során megvizsgáltuk, hogy kimutatható-e a meddőhányókon, szenynyezett körülmények között élő növényekben felhalmozódó nehézfémszennyeződés (közvetetten) azok spektrumából, a hiperspektrális képeken. Felvételek és földi mérések (talaj- és növénymintavétel)

készültek

nádassal

borított

területekről:

az

erősen

szennyezett

gyöngyösoroszi meddőhányókon valamint a szennyeződésmentesnek tekinthető Tedejen. Az összehasonlító vizsgálatok kimutatták, hogy a gyöngyösoroszi területen a nád stressz alatt áll, de nem volt egyértelműen meghatározható, hogy ezt a vízhiány avagy a szennyező nehézfémek okozzák-e (Hyde 2003). A gyöngyösoroszi területen a Toka-patak üledékében a bányából, a bányát elöntő vízből és a meddőhányókból származó arzén (As), kadmium (Cd), higany (Hg), ólom (Pb) és cink (Zn) magas koncentrációjú (Ódor et al. 1998). Árvíz idején ez az iszap a környező területen is szétterül, ahol a növénytermesztésre is használt talajok közé ill. a talajvízbe is bekerül. Itt a hiperspektrális képek alapján a piritből (vas-szulfid) keletkező vas-hidroxid (goethit) és szulfát ion (jarusit) elterjedési területét sikerült meghatározni, ami azért fontos, mert az előbbi segíti a nehézfémek oldódását, az utóbbi nem. (Kardeván et al. 2003) A jarusit jelenlétét a USGS által készített spektrumkönyvtárból vett spektrum felhasználásával mutatták ki a képeken Tamás J. és munkatársai (46. ábra). Érdekes módon a MÁFI-ban elvégzett labor-analízis

73

az egymáshoz egészen közeli mintavételi pontoknak csak egy részében jelezte a jaruzitot, jóllehet a terepi spektrométeres mérések minden pontban kimutatták a jaruzitot. Pirit szinte minden pontban jelen volt, hematit és goethit egy esetben (Kardeván 2004b). Ez arra enged következtetni, hogy a meddőhányó rendkívül inhomogén, ami a kőzetmintavételekben tükröződött, a spektrális mérések azonban mindig legalább fél méter átmérőjű területre vonatkozó, integrált eredményt adnak (lásd a 47-48. ábrát!)

46. ábra A jarusit laborspektruma (USGS) és négy terepi pont spektruma (Kardeván 2004b)

47. ábra A zagytározó környezete A gyöngyösoroszi területen a JRC kutatói által vett talajminták és mérések helyszínei (kép: DAIS RGB= 3, 13, 8. csatornák) (a szerző montázsa). A K, P, N jelű mintavételi pontokban volt jarusit kimutatható.

74

48. ábraA G3 mintavételi helyszín egyes mintavevő helyszíneinek fotója és az azonos területen felvett spektrumgörbék Gyöngyösoroszinál (a szerző montázsa és ábrája).

A jarusitot és goethitet nem csak a pontszerű terepi spektrummintákban lehetett kimutatni, hanem később a Debreceni Egyetemen Tóth Péter és Tamás János a hiperspektrális képen is kimutatta (49. ábra).

49. ábra Tóth Péter és Tamás János elemzésének végeredménye: zöld színnel a jarusit, sárgával a goethit előfordulások (Kardeván, 2004b alapján)

50. ábra A gyöngyösoroszi terület vizsgált része perspektivikus képen. A kép a hiperspektrális felvétel és a terület DTM-je felhasználásával készült. A szerző montázsa.

51. ábra A gyöngyösoroszi terület és jellegzetes területborításai (a szerző montázsa)

75

A gyöngyösoroszi terület egy nádassal borított részén nem rekultivált meddőhányó található, mely teljesen növénymentes, a szennyezett talaj közvetlenül a felszínen található (50-51. ábra). Gyöngyösoroszitól északra, az egykori ércdúsító alatt alakították ki az üzem működéséhez szükséges vizet biztosító, ún. ipari víztározót. A kitermelt ércet csillepályán szállították a dúsítóba. A nehézfém-tartalmú bányavíz kezelésére víztisztító üzemet építettek. Az ennek működése során leváló, sok nehézfémet tartalmazó, magas gipsztartalmú iszapot 1979 óta az üzem fölött kiképzett, Bence-völgyi zagytározóban helyezik el. A tömeges szennyezés északi határa a Toka-patak völgyében az egykori csõvezeték nyomvonala, a Száraz-patak völgyében pedig a Száraz-ér torkolata. Az eredetileg szürke „oroszi homok” helyben oxidálódik. A képzõdõ, kénsavas oldat lefelé szivárog. Leggyorsabban a cink mobilizálódik, valamivel lassabban a kadmium és a réz. Az ólom jóval lassabban terjed. Egyetlen szelvény alapján a terjedés sebességét 1 cm/év körül becsülték. A viszonylag vékony lepelként szétterülõ, finomszemű üledékekbõl kioldódó nehézfém-mennyiségek e folyamat során felhígulnak. Ezt elősegíti a rétegek mezőgazdasági keverése (szántás stb.) is. A sárga homok több deciméter vastag zátonyai elegendő színesfémet tartalmaznak ahhoz, hogy változatlan feltételek közt maradva 1–2 m mélységben elszennyezhessék a rétegsort (Tamás és Kovács, 2002) A

gyöngyösoroszi

területről

készített

felvételen

található

Gyöngyös

városa,

Gyöngyösoroszi és Göngyössolymos, így a kép a városi környezetet érintő kutatásokra is használható. A recski terület a bányaművelésből származó szennyezéseket számos kisebb vízfolyás teríti nagyobb területen (Baláta-patak, Kata-rét patak, Bikk-patak ill. Kincstár-tó). Később ezek vizét gyűjti össze a Parádi-Tarna patak, melynek vízét 25 km-el lejjebb öntözésre is használják. A bánya illetve a környező vízfolyások és tó területén 11 meddőhányó található, mely az elmúlt 130 év során halmozódott föl (Kardeván et al. 2003). Ezek egy része ma is növényborítástól mentes felszín, annak ellenére, hogy a meddők már régóta elhagyatva állnak. A vizek jellemzően vöröses színű nehézfém szennyezett limonitos hordalékot szállítanak. Látókép kísérleti gazdaság, ahol különféle hibrid gabonafajták termesztése folyik. Itt a Debreceni Egyetem végezte a megfigyeléseket. (Kardeván et al. 2003, Pechmann et al. 2004) A tedeji terület a Tedej Rt. kezelésében levő mintegy 1500 ha-os, intenzíven művelt mezőgazdasági terület, melynek több részén szikes található (52. ábra). A feldolgozás során háttéradatként felhasználásra került a területről korábban készült részletes talajgenetikai valamint belvíz térkép kiegészítve a közvetlenül lerepülés előtt felvett talajnedvesség és -

76

tömörödöttségi adatokkal, az Rt. által vezetett táblatörzskönyv a földhasználat elemzéséhez, valamint a 2002-es év tavaszi és nyári aspektusában készült gyom- és vegetáció-térkép. A debreceni kutatócsoport célja egy, a háttér-információkon alapuló, speciálisan a szántóföldi növénytermesztés környezeti hatásainak elemzését segítő spektrális könyvtár felállítása volt. (Kardeván et al. 2003, Pechmann et al. 2004). A légi adatgyűjtés időpontjára vonatkozó táblakiosztás alapján viszonylag egyszerű feladat egy spektrális könyvtár elkészítése, ám a megfelelő, maximális pontosságú osztályozási eljárás kiválasztása már nem triviális. A Debreceni Egyetem kutatócsoportja a következő három csatorna alapján végezte az előzetes osztályozást: 2. (0,514 m), 20. (0,832 m), és 9.(0,639 m) (Pechmann et al. 2004). „A számos csatornakombináció nyújtotta lehetőség már most mutatja, hogy nagy eséllyel lehet a cukorrépa állományban a változásokat detektálni.” – állapították meg (Pechmann et al. 2004). Az augusztusi légifelvétel alapján a debreceni kutatócsopornak (Burai et al. 2004) sikerült 61-98%os pontossággal osztályozni a terület ismert tábláit a hiperspektrális adatkocka alapján (pontosság alatt a szerzők itt az ismert táblahatáron belüli pixelek összegének és a táblahatáron belül helyesen osztályozott pixelek összegének arányát értik). Megfelelő pontosságú osztályozást azonban csak a homogén táblákon értek el (spektrum szétkeverést nem alkalmaztak). A legproblémásabb a kukorica volt (61-85% pontosság), a többi termény és felszínborítási típus szinte teljes pontossággal került osztályozásra (lucerna: 98%, cukorrépa: 97%, gabona tarló: 98%, szántó: 97%). (Burai et al. 2004). Összegzésként megállapítható volt, hogy „a mezőgazdasági távérzékelés klasszikus kérdéseire – földhasználat, termésbecslés, vízgazdálkodás, talajvédelem – a 80 csatornás felvétel megbízható adatokat nyújt.” (Burai 6 és Pechmann, 2003). A debreceni kutatócsoport által felvetett kérdések az előzetes elemzések után a következők voltak: Értékelhető-e a talaj-növény rendszer biológiai, kémiai és fizikai állapota a hiperspektrális felvétel alapján? Értékelhetők-e a gyomfoltok megjelenésének, kiterjedésének ökológiai okai a hiperspektrális felvétel alapján. Tehető-e különbség az egyes vegyszerezési és tartamkísérletek között a hiperspektrális felvétel alapján? (Pechmann et al. 2003)

52. ábra Szikes terület a tedeji gazdaságban

6

[email protected] 77

A TEREPI SPEKTRORADIOMÉTER ADATAINAK FELDOLGOZÁSA: TAPASZTALATOK A terepi spektrométerrel kétféle adatfelvétel készült: terepen napfénynél és laborban mesterséges megvilágítás mellett. Az adatokban számos hibás adatot találunk, mely csak az egyik vagy másik fényforrásnál fordul elő, de olyat is, ami ettől függetlenül (esetleg különféle mértékben) jelentkezik mindkét esetben, adott sávokban vagy sáv-tartományokban. A hibákhoz hozzájárult, hogy a mérések mind a laborban, mind a terepen – a spektrométerbe épített hőmérő regisztrálása alapján – 33–39 °C-ban készültek. Az egyes mérések között is változott a hőmérséklet, mely interpolációval kiszűrhető eltolódást okozott az adatokban. A GER spektrométerrel kétféleképp lehetett az adatokat elmenteni. Ennek a terepi méréskor még nem látszott jelentősége, de az adatok feldolgozásánál kiderült, hogy bár ez nem jelentős, de némi eltérést ad az adatsoroknál. Az egyik esetben a spektrométer szoftvere csak a fehér referencia és a céltest visszavert fényének adatait rögzítette (Signature file, esetemben a laborméréseknél), a másik esetben (ASCII file, esetemben általában a napfényes méréseknél) kiszámolta a visszavert és beeső fény %-os arányát is. Az utóbbi esetben ezen kívül eggyel több hullámhosszon mért (325 nm-en is). Ezt a mérést nem vettem figyelembe, mivel a mérések többségénél Signature file készült, melyben ez nem szerepelt, így összesen 646 különböző hullámhosszhoz rendelt érték áll rendelkezésre. A mérések ezen kívül kissé már hullámhosszközépértékeken lettek regisztrálva.

GER Signature file Hullámh. referencia 327.36 163 328.96 167 330.56 206 332.15 285 333.73 295 ... 2468.52 5224 2476.80 5111 2485.04 5018 2493.22 4870 2501.35 4803 stb GER ASCII file Hullámh Referencia 325.76 2503 327.37 2952 328.98 2789 330.59 3360 332.19 4032 ... 2472.87 4428

adat 5 -9 11 26 7 -7 -28 -7 -54 -119

adat 109 99 104 139 155

% 4.34 3.37 3.74 4.13 3.83

-521

- 11.77 78

2481.78 2490.67 2499.53 2508.36

3421 2536 1267 1420

771 -534 415 -1209

22.54 - 21.06 32.77 - 85.11

4. táblázat A két regisztrációs fájlformátum eltérései a nyitó és záró sávokon két példán

A mérések során a spektrométer többféle értelmezhetetlen vagy hibás adatot is adott. Ezek vagy 100%-os visszaverést jelentősen meghaladó adatok vagy negatív adatok voltak. Az előbbi esetben a hibát a specular (tükröző) visszaverődés vagy laborban a falról visszavert fény okozza. Ez kiküszöbölhető, ha a terepen a Nap– műszer síkjára merőleges irányban a síkból kilépve állva, merőleges irányban tartjuk a szenzort (Kardeván 2006). Ez sokszor nem teljesült a gyakorlatban. A hibák különféle hullámhosszakon eltérő mértékben jelentkeztek (53. ábra). Az 5% alatti hibaértékek elsősorban a víz spektrumoknak tudhatók be:

GER spektrom éter negatív (hibás) értékei 64 m érés alapján

Értelmezhetetlen adat a mérések %-ában

25 20 15 10 5 0 325,00 -5

825,00

1325,00

1825,00

2325,00

Hullám hossz

53. ábra A GER hibás értékei

Az ENVI spektrumkönyvtár megjelenítési eszközeinek segítségével könnyen megállapítható, hogy mely sávokban találhatók adatok az értelmezési tartományon (0-100%) belül, de valamiért anomálisan (pl. egy sávra korlátozóan a környezeténél általánosan magasabb adat fehér függőleges csíkok formájában), illetve láthatók a zajos adatsáv-intervallumok is (54. ábra).

79

Sáv

1

646

54. ábra A spektrumkönyvtárban található spektrumok képi megjelenítése az ENVI-ben. Ezzel a megjelenítési technikával könnyen kimutathatók az adatkocka hibái. A hibás csatornák függőleges csíkként jelennek meg: ezek a csatornák minden spektrumban valamilyen módon anomálisak (pl. világosak). A képen minden egyes sor (csík) a spektrumkönyvtár egy spektrumának felel meg, ahol a spektrum értékétől függően változik a szürkeárnyalat illetve szín. A vízszintes tengelyen egy-egy oszlop egy adott hullámhossznak (csatornának) felel meg (1-646, a labormérésekben) A fölső kép az alsó színezett változata.

A két módszer (értelmezhetetlen ill. kiugróan magas vagy zajos adatok kijelölése) kombinálásával a következő táblázat foglalja össze a teljes spektrum értékeinek jellegzetességeit a hibák szempontjából: Hibás értékek Sáv

Hullámhossz

1-kb.60 567-590 580

582

611 614 620-kb.633 kb.634-646

327-364 327-415 nm 364-1855 nm 1808-1965 nm 1874 1879 1884 1884 1887 1898 2185 2215 2282 2273-2391 nm 2400-2501 nm 2476-2501

ENVI vizualizáció Spektrométer adat7 (túl magas adat/zaj) (negatív/100+%) kisebb hibák elszórva zaj, szinte csak a labormérésnél nincs hibás adat zaj, jelentős zaj a napfényes mérésnél kiugró értékek, főleg napfényes mérésnél (3% hibás adat) (14%) kiugró értékek, főleg napfényes mérésnél (12%) (5%) kissé kiugró érték, csak labormérésnél kiugró értékek, főleg labormérésnél (3%) kissé zajos zaj (0-3%)

További hibás sávok, csak a vizes spektrumok esetén: 364-1297 nm 1297-2501 nm

nincs hibás adat kisebb hibák mindenhol

Szinte 100%-ban hibás adatok: 1860, 1879, 1898, 1909, 2212--2373, 2476-2485 nm

A kétféle megközelítés alapján kijelenthető, hogy az adatok a következőképp használhatók teljes biztonsággal:      

7

327-415 nm: zajszűrés szükséges a laboradatokra 415-1855 nm-ig minden további javítás nélkül használhatók (kivéve: víz, ott 1297-ig) 1297-2501 nm-ig a hibás adatok nem veendők figyelembe 1808-1965 nm-ig zajszűrés szükséges főleg a napfényben felvett adatokra 1874, 1884, 1887, 2215 nm-es sáv a nagyfokú hibái miatt kivágandó az elemzésből 2273-2501-ig zajszűrés szükséges.

A vizes spektrumok leszámításával, 59 spektrum alapján: 80

A légkör által keltett „hibák” A hibásnak minősített, azaz egyáltalán nem használható sávok az atmoszferikus hatások következményében (55. ábra) váltak zajossá: a víz elnyelési sávjainak hullámhosszán – a levegő páratartalmától függően – olyan nagy a légköri elnyelés, hogy a felszínre illetve onnan a műszerbe rendkívül kevés beeső illetve visszavert fény jut el: az adatok jel-zaj viszonya rendkívül rosszá válik (a jel gyengébb a zajnál). Az ezen sávokba eső méréseket ki kellett zárni az elemzésből.

55. ábra Látkép a Mátrában lévő recski területről keleti irányban. Látható az légrétegnek a spektrumot módosító, a légréteg vastagságával erősödő hatása.

A 2 μm feletti hullámhosszú sávok zajosságának az az oka, hogy a beállított integrációs idő – ami a kis hullámhosszakra jó – a nagyoknál relatíve egyre kisebb. Ezért több ismétlést kell mérni, és ezeket még átlagolni. Az integrációs idő helyes megválasztása egyébként a gyors változású atmoszferikus hatások kiátlagolásánál is fontos (Kardeván 2006). Anyagspecifikus hibák Negatív adatok különösen a vízről felvett spektrumoknál voltak, ahol valószínűleg az igen alacsony értékek (1-2%) és az ezekhez képest relatíve nagy zaj okozta őket. A víz (folyó, tó, referenciamérés) spektrumai 1350 nm-től gyakorlatilag használhatatlanok (56. ábra). A beeső fény spektrális radianciája is igen alacsony, de az ehhez közeli valóságos reflektancia értékek is 1% alatt vannak, tehát feltehető, hogy itt a víz reflektanciája is minimális. Az ezen belüli (0-0,5%) különbségeket a spektrométer nem tudta kimutatni (hibahatár alatt voltak). Ezeket az értékeket nem vettem figyelembe. Hullámh. Nap 1318.36 56928 1326.52 44490 1334.64 32937 1342.71 20321

Adat 571 275 4 -252

% 1 0.62 0.01 -

81

1350.75 1358.73 1366.68 1374.58 1382.44 1390.26 1398.04 1405.78 1413.47 1421.13 1428.74 1436.31 1443.84 1451.34 1458.79 1466.2 1473.58 1480.91

10452 4573 3266 2853 2573 2419 2231 2425 2551 3049 3862 4607 6553 9361 11158 11505 12321 16909

-259 -213 -578 223 -128 -432 -146 -144 -115 -450 209 -136 157 -222 184 111 347 22

7.83 5.4 2.4 1.65 0.96 2.82 0.13

Részlet a Sajó spektrumából

A Sajó spektruma 300000 250000

Napfény radiancia

200000 150000

Refl*10 Refl%*1000

100000 50000 0 325 -50000

825

1325

1825

2325

56. ábra A Sajó vizének reflektanciája, mellette összehasonlításként (tájékoztató jelleggel, hozzárendelt értékek nélkül) a napfény radianciája, melyen megfigyelhetők, hogy a radiancia ott a legkisebb, ahol a reflektanciaértékek a legzajosabbak, vagyis a víz elnyelési sávjaiban.

A 2212-2373 nm-es hibás szakasz (pozitív és negatív hibákkal) azonban nem magyarázható a túl kevés beeső napfénnyel. Más anyagoknál főleg a napfényben felvett spektrumoknál az ultraibolyában voltak elszórva hibás vagy túl zajos adatok, függetlenül az anyagtól, amikről készültek.

82

Fényforrások Referenciának az ideális az lett volna, ha azonos anyagokról terepi- és labormérés is készül, ám ilyen mérésre nem került sor. A növények ellankadtak, a talaj pedig kiszáradt időközben. A saját terepi mérésekre a GER-rel Sajópetri és Tedej, a labormérésekre Mályi községekben került sor 2002 augusztusában. A mesterséges megvilágítás erőssége lényegesen gyengébb, mint a napfény. Ezért a napfényben felvett spektrumok – az elnyelési sávok kivételével ! – kisebb zajúak, azaz jobb jel/zaj viszonyúak. A napfényben felvett spektrumok hibái a légköri elnyelési sávokban a legerősebbek. Ez kiküszöbölhető, ha a terepen is mesterséges megvilágítást alkalmazunk. Erre azonban nem volt lehetőségünk (egy másik csoport a felmérés alatt más műszerrel – a felhős idő miatt is – végig a terepen is mesterséges fényforrással dolgozott, ami lehetővé tette a terepi és labormérések összehasonlítását). A mesterséges fényforrás spektrális radianciája 758, majd 1059 nm-nél éri el csúcsát (38000 ill. 40000 W/m2/sr/m (vöröses fény ill. hő). A napfény spektrális radianciája ennél maximumában tízszerte erősebb (480 nm-en 380000 W/m2/sr/m), de az elnyelési sávokban a mesterséges fényének tizedére csökken (pl. 1860 nm-en 1300) (57. ábra).

spektrális radiancia W/m2/sr/mikrométer

Lámpa és napfény spektrumgörbéje 400000 350000 300000 250000 200000 150000 100000 50000 0 32

Lámpa Napfény

7

52

7

72

7

92

7

11

27

13

27

15

27

17

27

19

27

21

27

23

27

hullám hossz

57. ábra Lámpa és napfény spektrális radianciája

Fényforrás meghatározta hibák A napfény és a mesterséges fény a különféle hullámhosszakon eltérő erősségű. Ahol ezek gyengék, ott a zaj is erősebb lesz. Így megállapítható, hogy mely hibás, zajos sávok a nem megfelelő fényforrás intenzitásnak, és melyek a spektrométer hibájának következményei (7. táblázat). Sáv 1-kb.60

Hullámhossz 327-415 nm

Megjegyzés zaj, szinte csak a labormérésnél 83

567-590 580 582 611 614 620-kb.633 kb.634-646

1808-1965 nm zaj, jelentős zaj a napfényes mérésnél 1874 kiugró értékek, főleg napfényes mérésnél 1884 kiugró értékek, főleg napfényes mérésnél 2185 kissé kiugró érték, csak labormérésnél 2215 kiugró értékek, főleg labormérésnél 2273-2391 nm kissé zajos 2400-2501 nm zaj 5. táblázat Hibás, zajos sávok

A kétféle fényforrás intenzitása két példán a fenti sávokban (8-9-10. táblázat):

DAIS sáv

Spektrális radiancia Spektrális W/m2/sr/um mester- radiancia séges megvilágítás W/m2/sr/um mellett 1 327.36 173 2649 2 328.96 187 2825 3 330.56 225 3487 4 332.15 299 3974 5 333.73 256 5169 10 341.57 615 12894 6. táblázat Az ultraibolya-kék sávokban a mesterséges fény különösen alacsony intenzitású!, ezért jelentkezhet itt zaj. Sáv

Hullámhossz, nm

Hullámhossz

Spektrális Spektrális radiancia radiancia W/m2/sr/um t W/m2/sr/um napmesterséges fényben fényben 561 1775.49 17106 29369 562 1781.12 16855 24617 563 1786.71 16726 19938 564 1792.25 16402 15044 565 1797.75 16163 10366 566 1803.21 15874 7079 567 1808.62 15526 4572 568 1813.99 15253 3453 569 1819.31 15188 2581 570 1824.59 14839 2372 571 1829.83 14953 2130 572 1835.02 14749 1889 573 1840.17 14580 1785 574 1845.28 14338 1810 575 1850.34 14192 1595 576 1855.35 13960 1450 577 1860.32 13932 1368 578 1865.25 13693 1637 579 1870.13 13470 2147 580 1874.96 13677 1610 581 1879.75 13134 2298 582 1884.5 13204 1686 583 1887.13 12661 1860 584 1898.5 12645 1817 585 1909.82 12404 1570 7. táblázat 1800-1900 nm-en légköri elnyelési sáv található, ahol a beeső fény 30000 W/m2/sr/m -ről 1200-ra csökken (ezen az egyedi példán). A mesterséges fényforrásnál nincs ilyen csökkenés, ezért a zajos 84

sávok itt csak a napfényben felvett spektrumoknál jelentkeznek. (A napfény áthalad a légkörön, a laborlámpa fénye viszont csak elnyelés szempontjából elhanyagolható vastagságú levegőrétegen halad át) Sáv

Hullámhossz

609 610 611 612 613 614 615 640 641 642 643 644 645 646

2165.76 2175.77 2185.72 2195.63 2205.49 2215.29 2225.04 2451.79 2460.18 2468.52 2476.8 2485.04 2493.22 2501.35

Spektrális radiancia W/m2/sr/um mesterséges fényben 10187 9703 9472 9371 9391 10216 8897 6075 5952 5821 5823 5601 5598 5484

Spektrális radiancia W/m2/sr/um napfényben 25750 24288 23416 22966 23300 25572 23380 6053 5569 5168 4146 2439 1563 1381

8. táblázat A mesterséges fényforrás fénye fokozatosan csökken, míg a napfény hirtelen (elnyelési sáv), de mindkettő erősen lecsökken 2450 nm felett. Ez magyarázhatja a nagyfokú zajt mindkét esetben.

A hibák azonosítása – összefoglalás

58. ábra A napfény és mesterséges fényforrás radianciája, mellette egy egészséges zöld növény reflektanciája. A grafikon alatt a felvett 64 spektrum megjelenítése (x tengely: csatornák, y tengely:. Fenn:. szabadtéri spektrumok, lenn: laborban felvett spektrumok összehasonlítása. A szürkeárnyalat változása a reflektanciaértéknek felel meg (fekete: 0%, fehér: 100%)).

A több mérésből összeállított ábrán (58. ábra) látható, hogy a napfény erőssége mérésenként ingadozik (csak teljes napsütésben, a déli órákban (10 és 15 óra között) mértünk, de a

85

lámpafény erőssége is – a trendek azonban azonosak (a nap és a lámpa spektruma a fehér referenciáról visszavert fény alapján, összevetésül egy zöld növény spektruma, melyben láthatók a zajos területek. Látható, hogy ez a spektrum napfényben készült, hisz a zaj légköri elnyelési sávban jelentkezik) Megállapítható, hogy a hibás és zajos sávok általában a túl kevés fény és-vagy kis reflektancia miatt jöttek létre (370, 2300 nm környékén az eleve alacsony radiancia érték , egyebütt az elnyelési sávok miatt). A laborban zajos részek kb. 3000 radiancia értékű beeső fénynél alacsonyabb radiancia esetén találhatók (ez csak az ultraibolya - kéksávokban 356 nm-ig jelentkezik az általunk használt lámpánál). Napfény esetén már 3-5000 beeső fénynél kisebb értékeknél keletkezik zajos spektrum (elnyelési sávok). A gép hibája okozza azonban, hogy egyes elkülönült sávokban kiugró értékű adatok szerepelnek (csíkot húz): 580 sáv (1874nm), 582 (1884), 611 (2185), 613 ill 614 (2215). Ezek közül az 580-582. sáv esetén megjegyzendő, hogy a GER regisztrálófájlja itt vált át kb 4 nm-es mérési (átlagolási) tartományról 11 nm-esre, azaz az átszámításnak (újramintavételezésnek) is betudható ezen sávok anomálisan magas értéke (59. ábra).

59. ábra A spektrumok eleje és vége. A képek fölső felében napfénynél, alsó felében lámpánál felvett spektrumok. Középen a víz spektrumai. A vízszintes csíkok az egyes spektrumgörbék szürkeárnyalatos megjelenítései (fekete: 0%, fehér: 100% reflektancia), a függőleges oszlopokban az egyes hullámhosszok (csatornák) értékei vethetők össze. A kép alá és fölé írt számok az adott fényforrás radianciaerősségét jelzik (felül: Nap, alul. lámpa. Felül a sáv sorszáma olvasható). Az ábra a kép zajosságát és hibáit hivatott megjeleníteni: a bal oldali képen a kék színben felvett spektrumok láthatók a bal oldalon: itt az alsó spektrumok zajosabbak, mert a lámpa ebben a hullámhossztartományban kis spektrális radianciájú. A jobb oldali képen a napfényben felvett fölső képen látható egy zajos terület a víz elnyelési sávjában. Ez a zajosság a lámpánál alig jelentkezik.

86

30-40. sáv (326-360-380 nm), a napos spektrumnál a 567-588. sáv (1800-1900 nm) a legzajosabb terület. A sáv vége (640-647) mindkét esetben zajos. A víz spektrumánál a zajos terület sokkal szélesebb.

A DAIS LÉGIFELVÉTELEK ADATAINAK FELDOLGOZÁSA: TAPASZTALATOK A hiperspektrális távérzékelési információk elsődleges forrása – amint a képalkotó spektrometria kifejezés is mutatja – a spektrum, amelyet képalkotási folyamathoz kapcsoltunk. A mi esetünkben, a 2002 augusztusában DAIS szenzorral készült DAIS adatkocka bizonyos sávjai igen zajosak, s közülük számos kisebb vagy nagyobb mértékű zaj-csíkozottságot mutat, melyet a műszer vibrációja okozott. Ezeket feldolgozás előtt MNF és FFT módszerekkel ki kell szűrni (Kardeván 2004b). A légifelvételek kalibrációja A DLR-ben minden terület nyers adatkockáiból három kalibrált kép készült. 1. Az eredeti képek nyers DN értékeinek kalibráicójával a visszavert fény spektrális radiancia értékeit [mW/(cm2/sr/m)] tartalmazta az első sorozat. Ezek a képek nem lettek georeferálva. („At sensor kalibrált képek”). Ezek a képek _cal.bsq végződésű fájlneveken azonosíthatók. 2. A radiancia értékeket atmoszferikus korrekcióval relatív reflektancia értékekké alakítottak a repüléssel egyidejűleg végzett földi spektrométeres referenciamérések felhasználásával. Ezek a képek georeferáltak voltak, de sík topográfiára vonatkoztatva. A termális infravörös sáv értékei (74-79. sáv, 8,5-12,2 m) felszíni radianciával [mW/(cm2/sr/m)] lettek megadva A termális sáv információi alapján egy plusz, hőmérsékletet [°C] közvetlenül mutató (80.) sáv is készült. A reflektancia értékeket % (*10) értékkel adták meg. Ezek a képek _cal_geo_flat_atm_comp.bsq végződésű fájlneveken azonosíthatók. 3. A harmadik képnél az atmoszférikus korrekció során a domborzat hatását (topographic normalization) is figyelembe vették, a georeferálás mellett. Ez a lépés jelentősen növelheti az endmemberek elkülöníthetőségét (Feng et al. 2003). Azok a képek, melyeken az atmoszférikus korrekció a domborzat figyelembe vételével történt, azonban hibásak lettek: A képek hibásan lettek georeferálva, mert a WGS84 - HD-72 referenciaellipszisek közötti UTM-EOV transzformációs paramétereket rosszul adták meg és „túlkalibrált” képek keletkeztek. A végső képek spektrumai így sokkal inkább a lejtőkitettséget tükrözik, mint a valódi spektrumot. Ezek a képek _cal_geo_atm.bsq végződésű fájlneveken azonosíthatók.

87

A hibára akkor döbbentünk rá, amikor a képek terepi ellenőrzésére került sor 2005-ben. Így a DLR-ben topgráfiai normalizációval is kalibrált képek – melyet az előzetes feldolgozás során használtunk – spektrális feldolgozásra alkalmatlannak bizonyultak. A képek újrakalibrálása megfelelő szoftver hiányában még nem készült el. A spektrumok elemzéséhez végül az at sensor, kalibráció nélküli képeket használhattuk, melyek megfelelő pixeleit hozzákötöttük (georeferáltuk) a geometriailag kalibrált adatkocka-fájlokhoz, ahol a tanítómezők és tanítópontok a terepi GPS mérések alapján fel lettek véve.

Az atmoszferikus kalibráció utáni jellemzők és hibák A DAIS képek eredeti nyers értékei függnek az adott hullámhosszon beeső napfény erősségétől, így azok között több ezres értékek éppúgy előfordulnak mint a légköri elnyelési sávokban akár negatív értékek is (a feldolgozáskor ezeket 0-nak vették). A radiometrikus kalibráció során a különféle sávok reflektancia értékei maximum 1000 eltérő értéket vehettek fel (0-100 %-ig). A gyakorlatban a recski képen a legmagasabb érték 80% volt. Összesen 200 féle értéket vehettek fel a pixelek (0-800, 4-esével). Az eredeti képeken is kb. 200 különböző érték fordult elő sávonként. A termális sávokban a felszíni kisugárzás értékei W/m2-ben szerepelnek. A geometrikus korrekció során nearest neighbour módszerrel történt az újramintavételezés. Így elkerülhető volt, hogy a pixelek spektrális tulajdonságai megváltozzanak (ez a módszer nem interpolálja a szomszédos értékeket). Ez azonban azzal járt, hogy az eredeti, egységes 6 m/képelem felbontás leromlott (nem egy pixelre nézve, hanem a pixelek együttesére, koherenciájára nézve), mert így több szomszédos pixel is azonos értéket kaphatott ill. pixelek eshettek ki vagy helyeződhettek át. A módszer különösen a zajos képek „minőségén” (javíthatóságán) rontott. Bizonyos zajok és hibák, melyek ezelőtt a lépés előtt egyszerű geometriájúak, ezután már komplex alakúak lettek (60-61. ábra).

60. ábra Példa a geometrikus korrekció után keletkezett komplex mintázatú zajra (recski felvétel), 1. sáv. Balra az eredeti kép, jobbra ebből két nagyítás. Míg a középső képen lévő zaj kiszűrhető, a jobbra lévő a korrekció folyamata során létrejött hiba, mely nem tüntethető el.

88

61. ábra A 45. csatorna a DLR-béli korrekció előtt (fenn) és után (lenn)

A DAIS és a GER műszerek összehasonlítása A feldolgozás során szükség van a terepi (a mi esetünkben: GER) és a képalkotó spektrométerrel (a mi esetünkben: DAIS) felvett adatok összevetésére (62. ábra). A spektroradiométer által felvett hullámhosszak:    

327-997 nm: 1,4-1,6 nm-enként 1000-1884 nm. 9,5-2,6-ig fokozatosan csökkenő intervallumban 1887-2493 nm: 11-8 nm-ig fokozatosan csökkenő intervallum.

A DAIS által felvett hullámhosszak:    

490-1035 kb. 20 nm/enként 1539- 1756. kb 300 nm-enként 1958-2412-ig kb. 150 nm-enként 4350, 8570, 9510, 10296, 11012, 11677, 12296.

89

Műszerek, m éréseik és a napfény

300

500

700

900

1100

1300

1500 Hullámhossz

1700

1900

DAIS (fenn) GER (lenn)

2100

Nap

Fű (GER)

2300

Fű (USGS)

2500

Fa (DAIS)

62. ábra A felső grafikonon a fölső piros pettyek a DAIS, az alsók a GER mérési sávjait jelzik. (összehasonlításul ezekkel a műszerekkel ill. USGS laborban felvett növényzetről készült spektrumok láthatók (reflektanciaértékek, zöld színnel; a víz spektrumának egyedi pontjai kékkel) és sárgával a napfény radianciája). Alatta a 2 műszer által felvett példákon láthatók a spektrumok, egymás alá helyezve (minden sor egy konkrét spektrum). Jól láthatók a zajos részek ill. a műszerek hibái okozta függőleges, egy-egy hullámhosszra (csatornára) jellemző „csíkok”. Látható hogy a DAIS sávok kikerülik a legzajosabbra várható légköri elnyelési sávokat. A GER spektrumai az ENVI képként megjelenő spektrumkönyvtár (spectral library) funkciójával, a DAIS spektrumai az ENVI spektrumszeletelő (spectral slice) funkciójával készültek.

A GER zajos vagy hibás részei által érintett sávok a DAIS szempontjából:      

A 327-415 nm-es GER-zajos sávokban a DAIS nem érzékel Az 1808-1965 nm-es zajos területen (elnyelés) nincs DAIS sáv (1756 ill. 1958 a két szomszéd), de utána közvetlenül igen zajos képet találunk ami fokozatosan javul. Az 1874, 1884 m-es hibás sávokban nincs DAIS érzékelés. A 2185 (611. sáv), 2215 (614) nm-es hibás sávokban 2186 (56. sáv) és 2215 (58. sáv) nm-en VAN DAIS érzékelő sáv, mely alig zajos. A 2273-2391 nm-es kissé zajos sávban 2275, 2290, 2303, 2317, 2330, 2344, 2358, 2372, 2385, 2398 (62-71. sáv) vannak DAIS sávok, melyek egyre zajosabbak, az utóbbiak már szinte teljese zajosak (csíkos-zajos). A 2400-2501 nm-es zajos sávban 2412 nm-en van egy DAIS sáv, mely teljesen zajos.

63. ábra A DAIS zajos sávjai 90

A 63. ábrán is látható, hogy a GER zajos sávjain kívül a DAIS is tartalmaz zajos sávokat. Ezek természetesen már a képeken is láthatók, de az egymás mellé tett spektrumokban is észrevehetők, sőt, itt látható, hogy az 54. sáv a környezeténél általánosan sötétebb, talán a spektrométer hibája miatt. Látható, hogy a kevés fényre sokkal érzékenyebb, mint a GER spektrométer. A DAIS képek zajos sávjai         

8, 33, 37, 78: becsíkozott (másfajta zaj) 623, 1539, 1668, 11677 nm (nem azonosított eredetű, valószínűleg szenzor hiba) 41-42: rendkívül zajos 1958-1976 nm (elnyelési sáv után) 43-44: alig zajos (csökken) 1991-2006 nm 45: zajos, máshogy mint a többi (2020 nm) -- ez egy kisebb elnyelési sáv 46-51: alig zajos 2036-2115 nm 55-57: alig zajos 2173-2200 nm (innentől egyre kevesebb a napfény, azaz a beeső energia, ami rontja a jel/zaj viszonyt ) 58-62: közepesen zajos 2215-2275 nm 62-66 erősen zajos 2275-2330 nm 67-72: rendkívül zajos 2344-2412 nm

A DAIS 64. és 72. csatornát eleve „hibás”-ként jelölték meg a DLR-béli feldolgozás során (Kardeván 2004), így ezeket eleve ki kell vágni. A DAIS képek elemzésekor kimaszkolt (kivágott) sávok: 41-45, 63-72, (és az e fölötti termális sávok a felhasználástól függően) A képeken a zaj szűrésére PCA vagy MNF módszerekkel van lehetőség (64. ábra).

64. ábra Ugyanaz a terület kereszt-diagramjai (cross-plot) balra: két zajos sávon, ill. jobbra: két zajmentes sávon. Látható, hogy a zajos sávon az értékek (mW/m2) közt sok a negatív és 0 közeli. Ez mutatja, hogy itt igen alacsony volt a beeső fény ill. emiatt a visszavert fény erőssége.

A kép zajosságának elemzése A 65. ábra abból indul ki, hogy ha a negatív pixel értékek hibásak; tehát ha a pixel értékek még a negatív tartományban elérik össz-számuk 50%-át (mean, középérték) akkor azok a leg-

91

zajosabbak (minimum érték+középérték)/((max-min)/100), azaz a teljes értékskála hány %ánál található a középérték.

40 30 20 10 0 -10

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70

-20 -30 -40

65. ábra Képek zajosságának meghatározása (magyarázatot lásd a szövegben)

A zajos értékek gauss görbéhez hasonlítanak egy hisztogramban (66. ábra). Ennek alapján ha a max. érték a hisztogram 50%-ánál található, akkor az véletlenszerű eloszlású (zaj). 250000 200000 150000 100000 50000

-222

-122

0 -22

78

178

66. ábra Néhány sáv (60-71) hisztogramja. A világoskékek a 70-71., egyre zajosabb sávok. A hibákat sok kis hatás együttesen hozza létre, ezért látható a Gauss-eloszlás.

Látható, hogy az ábrán a görbék szabályosak. Ha a negatív érték a zajt mutatja, akkor ugyanennyi pozitív párjuknak is lenni kell (véletlenszerűségi alapon). Így a görbe szélessé válása azt mutatja, hogy mind a negatív mind a pozitív tartományban egyre több a zaj. Amikor a görbék csúcspontja átlép a negatív tartományban, azt jelzi hogy a kép szinte csak zajból áll. Tehát ha megszámoljuk a negatív pixeleket, megszorozzuk kettővel, megkapjuk a képen az összes zaj pixel számot. Ha megnézzük, a teljes kép összes pixelnek hány %-a negatív (vagy a feldolgozás után 0), elvileg, megkapjuk, hogy a képből hány %-nyi a zaj. (minél közelebb állnak az értékek 0-hoz, annál kevesebb volt a fény.) Ez azonban csak azokban az esetekben ad eredményt, ahol alacsony reflektancia értékek voltak (67. ábra).

92

80 70 60 50 40 30 20 10 0 -10 0

20

40

60

80

67. ábra Negatív értékek %-os aránya (oroszi, nyers kép). Elvileg az 50% azt jelenti, hogy ha minden negatív érték zaj, akkor a teljes kép csak zajból áll. Ez azonban nem áll, mert akkor nem lehetne több mint 50% negatív érték.

Ez már majdnem minden zajt jól magyaráz, de a szemrevételezés alapján a 60. sávtól folyamatosan nő a zaj, míg itt egy darabon csökken, ill a 46-47 sáv távolról sem olyan zajos mint a 41-42. Az MNF szűrés után is maradtak jelentős számban negatív értékek a szűrt képen, ami azt mutatja, hogy a negatív értékek is érvényesek részben, és a geometriai – radiometriai korrekció előtt kell elvégezni a szűrést (és bizonyos esetekben az osztályozást) mert utána ezek már 0-vá alakulnak (vagy más újramintavételezési eljárást kell alkalmazni) (68-72. ábrák).

68. ábra Két zajmentes sáv (1, 10) Oroszi képen (eredeti balra, szűrt jobbra)

69. ábra A két legzajosabb sáv NMF szűrés előtt és után 41, 71 (eredeti balra, szűrt jobbra) (erdei terület-rész)

93

70. ábra A 41. és 72. sáv negatív értékei: láthatóan csak zajt tartalmaznak (A pozitívok töltik ki a többi képmezőt - tehát az is zaj)

71. ábra A 41. sáv MNF zajszűrés előtt és után – az algoritmus a szomszédos sávok trendjeit és értékeit veszi figyelembe, de nem tudható, hogy valójában ebben a sávban milyen értékek találhatók – ezért ez a sáv még ilyen „szépen” zajszűrve sem használható biztonsággal, hisz csak számolt adatokat tartalmaz, nem a terepi valóságot.

72. ábraA 45, 47 sáv negatív értékei láthatóan valós adatokat tartalmaznak.

KÍSÉRLET ERDŐTÍPUSOK MEGHATÁROZÁSÁRA A festőművész is jól tudja, hogy ha erdős hegyoldalt ábrázol, különféle színű festékeket választ, vagy különféle színűeket kever össze, s ezekből festett kisebb-nagyobb foltokkal ábrázolja az erdőt; s azt, hogy az erdő fái tavasszal, nyáron és ősszel eltérő színűek. Az erdőtípusok spektrális beazonosításakor ezt használhatjuk ki. A színbéli vagy spektrumbéli eltérések csak egy része a levelek eltérő színének (pigmentjeinek, anyagi összetételéből adódó elnyelési sávoknak) hatása: a spektrumra hatással van a mikrokörnyezet vízháztartása, mikroklímája, a lejtőkitettségből és lejtésszögből adódóan eltérő megvilágítási viszonyok, melyek már homo94

gén fajú területen belül is változékonyságot okoznak. A növények egy része lehet beteg; az eltérő mikroklimatikus vagy talajösszetételi viszonyok miatt az egyes egyedek más fenológiai fázisban járhatnak, különféle nagyságú stresszhatást szenvedhetnek, mely türköződik a róluk visszavert fény elnyelési sávjainak mélységében (pl. a víz vagy klorofill elnyelési sávokban). Az egyes fák spektrumának szórása a nyári időszakban lehet a legkisebb, s tavasszal és ősszel a legnagyobb, amikor már rövid idő alatt bekövetkező változás is jelentős spektrális változással jár (levélfejlődés/virágzás/termésérés/levélszíneződés/levélhullás). Ezekben az időszakokban különíthetők el legjobban az egyes erdőterületek, de kérdés, hogy ilyenkor a szórás egy fajon belül belül kisebb-e, mint különböző fajok között. A fajok közötti különbségek magyarázhatók a levelek elhelyezkedésének, a lombkoronaszint záródásának és szerkezetének faji különbségeivel (pl. árnyékhatás révén); de a fajok belül ugyanezek a tényezők okoznak spektrális változásokat az eltérő korú erdőterületek spektruma között. Finomabb térbeli felbontásban egyes jellemzők (pl. az aljnövényzet) már nem keveredik a fák spektrumába, hanem pixel szinten szétválasztható: ez más elemzési módszert igényel. Az alábbiakban egy nyár végi periódusban készült egyetlen pillanatkép alapján, a gyöngyösoroszi és a recski területen a Mátra erdőtípusainak illetve más növénytakarójának elkülönítésére tettünk8 kísérletet, valamint a főbb lombos fafajok (kocsánytalan tölgy, cser, bükk, gyertyán) által uralt elegyetlen, illetve elegyes (erdő)állományainak elkülönítésére. A meghatározáshoz felhasználtuk a DAIS légi hiperspektrális adatkockákat (képeket), a felszínborítás meghatározása pedig terepmunkával (bejárással) történt. A képek 2002 augusztusában készültek, a terepbejárás pedig 2005 szeptemberében–2006 augusztusában; de lévén hogy az erdők állománya viszonylag lassan változik, valószínűleg a terepbejárás során is ugyanazzal a felszínborítással találkoztunk, mint ami a légifotó elkészültekor ott lehetett. A kutatás célkitűzése Az erdőterületek kataszteri nyilvántartása jóval durvább, mint ahogy egy ilyen légifényképezésből vagy műholdfelvételről megállapítható lenne. A jelenlegi adatbázisok (CÉT – Corine Élőhelytérkép, CLC – Corine Land Cover [Büttner et al. 2004a, 2004b; Mari és Mattányi 2002], erdőállomány adattár) az erdőkre tartalmaznak társulás szintű vagy faj szintű kategóriákat, ám az erdőterületeknek a meghatározása általában bizonytalan. Az 1:50 000 méretarányú CLC50 Magyarországon használt felszínborítási osztályai között a természetes erdők elkülönítésére a lombhullató, a fenyőerdő és az elegyes erdő kategóriákat használják ezek különféle zártságú osztályaival, valamint új erdőtelepítések/vágáserdők, bokorerdők és csemetekertek kategóriákat (Büttner et al. 2004a, 2004b; Mari és Mattányi 2002).

95

Az erdőtípusok meghatározásában két fő módszert követhetünk – az erdőben előforduló fajok homogén spektruma alapján határozzuk meg a társulást is, az egyes fajok előfordulását (teljes vagy részleges) spektrumszétkeveréssel ábrázolva. Így – ha működik a módszer – pontosan látható a társulások finom átmenete és pontos összetétele – a társulást egy célspektrumnak vesszük, és egy képelemet egy kategóriába sorolva osztályozunk pl. SAM módszerrel. Ez esetben fontos, hogy a társulások „átlagolt” pixelei között nagyobb eltérés legyen, mint a társulásokon belüli variancia. Érdemes a társulás pixelét a társulást fedő egy nagyobb tanítómezőről átlagolni. A fenti két módszer használhatósága az endmemberek megtalálásán és definiálásán múlik. Ehhez laboratóriumi spektrumgörbékre, előzetes és az előzetes osztályozás utáni utólagos terepbejárásra van szükség. Az erőtársulások távérzékeléses meghatározásárát indokolja, hogy a topográfiai térképek már sok esetben elavultak; ezek a társulásokat nem tüntetik fel. A CÉT élőhelykategóriák szerint ábrázolja a felszínt. Ezek az élőhelyek vagy erdőtípusok gyakran jellemezhetők egy-egy fafaj dominanciájával. Itt akkor van esélyünk erdőtípusokat megkülönböztetni, ha a domináns fajokat el tudjuk különíteni. Az erdészeti adatbázis (Országos Erdőállomány Adattár, Állami Erdészeti Szolgálat) jó pontossággal megadja a domináns fafajok elegyarányát, ez a megközelítés is a faji szintű megkülönböztethetőséggel adhatna jó párhuzamot (Horváth 2006). A CÉT leírt kategóriái idővel bizonyos helyeken jelentősen megváltozhatnak (pl. irtás). Egy monitoring esetén az erdőtípusok átalakulása is megfigyelhető volna.

A CÉT „Bükkös/gyertyános/kocsányos tölgyesek” alkategóriái és a hozzá fűzött megjegyzések 221 - Gyertyános-tölgyesek Ide zömmel a hegy- és dombvidékieket rakjuk 222 - Bükkösök 223 - Köves-sziklás termőhelyű erdők 224 - Keményfás ligeterdők, síksági gyertyános-tölgyesek és gyöngyvirágos tölgyesek Minden természetesebb zárt síksági tölgyes. 23 Cseres és molyhos tölgyes szálerdők E kódot csak akkor adjuk, ha nem tudjuk pontosabban tipizálni a foltot. 231 - Molyhos tölgyesek Melegkedvelő- és mészkedvelő tölgyesek. 232 - Cseres-kocsánytalan tölgyesek 233 - Cseres-kocsányos tölgyesek A savanyúak, a változó vízgazdálkodásúak stb.

8

Szerző és Horváth Ferenc (Vácrátóti Arborétum)

96

A gyöngyösoroszi terület terepi bejárása és elemzésének eredm ényei

73. ábra A terület terepbejárás során meglátogatott pontjai.

Spektroradiométer híján hiperspektrális adatok ezekről a területekről csak a DAIS képről állnak rendelkezésre. A terepbejárás célja a DAIS képen láthatók azonosítása (ground truth) volt. Egy előzetesen osztályozott DAIS kép alapján választottuk ki a mintavételi pontokat (73. ábra): olyan helyeket, ahol homogén foltokat találtunk és melyek minden osztályból tartalmaztak példákat. A terepen a következő adatokat rögzítettük az egyes pontokban: – Pont sorszáma – Szélesség, hosszúság (WGS84, GPS alapján) – A terület rövid leírása – Az (erdő) állomány életkora – A fák lombkoronaszinti záródása – Domináns fafaj (%) – 2. leggyakoribb fafaj (%) – 3. leggyakoribb fafaj (%) – A fák átlagos magassága – Cserjeszint fajai, %-os záródása – Gyepszint fajai, %-os záródása – Fotó sorszáma Az egyes pontokhoz tartozó fotók és adatok a 74. ábrán ill. 11. táblázatban láthatók. 97

1.

2.

5.

8.

19.

3.

6.

7.

9.

17.

20.

21.

98

23.

24.

26.

27.

25.

28.

74. ábra/1-28: a gyöngyösoroszi terület pontjaiban készített fotók

99

Pontlat No.

Leírás

lon

1

47 48 37 19 54 25

2 3

erdei fenyves és telepített 47 50 22 19 53 1,2 fiatal telepített csertölgy erdei fenyő 47 50 25 19 52 60

4

47 50 27 19 52 58

5

6

Kor

3. Faj

fehér fűz

éger

40

kőris, akác5

cser cser

10 2

cser , fagyal, gyepűrózsa cser

cser 50 25

gyenge fenyő, sok cser sok kilopkodott cser

cser

3

cser

35

száradó fenyő, sok kilopott fa

80 90

erdei fenyő erdei fenyő 90

gyepűrózsa, kökény, vadkörte, galagonya, tatárjhuhar 75 siskanád

becserjésedú legelő

becserjésedet becserjésedett legelő 47 50 28 19 52 56 t

7

47 50 28 19 52 55

8 9

47 51 17 19 52 24 47 51 18 19 52 14

10

47 51 20 19 52 11

11

47 51 23 19 52 8,9

fiatal telepített cseres alátelelpült fiatal telepített gyertyánnal gyertyánosközépkorú tölgyes fiatalos szárazos gyertyánosközépkorú tölgyes

25

20% meredek

mezei juhar, gyertyán 20

25-30% meredek, patakra lejtő lejtő 15 m-re a pataktl, a telep fölött

100

gyertyán

30-60 ktt

100 100

cser ktt

60 80

gyertyán30-40ktt 5 erdeifenyő 3 gyertyán 3

25 13

gyertyán 0

ktt

50

cser

18

gyertyán

25

100

gyertyán

90

rezgő nyár 5

25

0

0

85

ktt

85

40-50 90

20

45

gyertyán 2

0 5 0

13

kocsánytalan tölgyes cseres tölgyes cser nélkül

40-50 60-70 ktt

60-70 (homogén)

18

0

14

47 51 24 19 52 42 középkorú

cseres-tölgyes

40

galagonya, fajgazdag 15 fajgazdag

15

47 51 26 19 52 41 középkorú

cseres-tölgyes

gyertyán lenne (újulatban), de nincs

80

cser

45

ktt

35

17

85

cser

45

ktt

40

14

30-60

festuca, brachipodiu gyepűrózsa, kökény, m vadkörte, galagonya 75 silvaticum 30

középkorú elegyetlen egykorú 47 51 24 19 52 11 telepített száraz 47 51 13 19 52 35 elfüvesedett

12

total %Megj Patak 1 m széles, a galériaerdő 10 m széles.

%

erdei fenyő

47 50 31 19 52 58 elhagyott

Gyepszint

2. Faj

40

%

Cserjeszint Magasság % fátyolszint: kúszó lián (lonc)

záródás Domináns faj %

puhafa galériaerdő

0

időszakos vízfolyás völgyében

30

sziklás, sok falopás

25

gyertyán nem jellemző

Poanemora lis dactylis 0

sziklás

Poanemora 25 lis dactylis 35

gerincen, csúcs

9. táblázat Gyöngyösoroszi vizsgálati pontjai

100

A fentiek alapján a 12. táblázat mutatja az egyes fajok pontonkénti arányát és a pont társulási besorolását. Pont No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

fenyő 90 100 100

csertölgy

gyertyán

bükk

10 2 2

? 60 3 45

üde

kocsánytalan tölgy

45 45 15 10 15 10 5 50 5

20 5 80 50 100 100 35 40 70 75 70 70 5 100 30 90

50 35 3 2 90

2 30

60

100 100 100

2

egyéb éger, fűz

Besorolás Puhafás Fenyves Fenyves Fenyves cserjés legelő cserjés legelő cserjés legelő cserjés legelő gyertyános-tölgyes gyertyános-tölgyes fiatalos ktlan tölgyes cseres-tölgyes nyár gyertyános kocsánytalan tölgyes kocsánytalan tölgyes cseres-tölgyes cseres-tölgyes kocsánytalan tölgyes kocsánytalan tölgyes kocsánytalan tölgyes kocsánytalan tölgyes lokális bükkos kocsánytalan tölgyes cseres-tölgyes kocsánytalan tölgyes lúcfenyves rét hegyi rét fiatalos ktlan tölgyes tölgyes újulás erdei fenyves

10. táblázat A gyöngyösoroszi terület vizsgálati pontjaiban meghatározott erdőtípusok

A fenti pontokat középpontként alapul véve a környezetében lévő homogén képelemekből (tanítómezőkből) célspektrumokat alakítottam ki, azonos felszínborítás esetén több, egymástól független tanítómezőt is alapul véve. Ezen egyesített tanítómezők alapján a következő célspektrumokat hoztam létre: GYÖNGYÖSOROSZI EGYESÍTETT CÉLSPEKTRUMOK (a dolgozat elektronikus változatában a fenti feliratra kattintva tekinthetők meg a spektrumok adatai Excel táblázatban)

1. 2. 3. 4. 5. 6. 7.

Hegyi rét Cserjés-gyepes Gyepes-cserjés Kocsánytalan tölgyes (homogén) Gyertyános (homogén) Cseres-tölgyes Cseres-gyertyános-kocsánytalan tölgyes

8. 9. 10. 11. 12. 13. 14.

Bükkös-gyertyános Száraz sziklás kocsánytalan tölgyes Mohás törpe kocsánytalan tölgyes Újulás (tölgyes) Fiatalos kocsánytalan tölgyes Erdei fenyves Lúcos

101

Az elemzés lépései Az elemzést két képen végeztem: I. az at sensor radianciaértékeket tartalmazó képen, mely nem volt sem atmoszférikusan, sem geometriailag korrigálva. Ezt azért tettem, mert itt tudtam a zajszűrést és a csíkozottság eltávolítását elvégezni. Elvileg ugyanis a zajszűrés és csíkozottság eltávolítására azt atomszférikus és geometrikus korrekció előtt kell sort keríteni (az osztályba sorolás is történhet a geometrikus korrekció előtt). Ezután a lépés után kerülhet sor a korrekciókra, amelyhez azonban nekem sem a szoftver-, sem a szükséges adat háttér nem állt rendelkezésemre. Viszont voltak ily módon korrigált képek, melyeken viszont már nem tudtam „demonstrálni” a szűréseket sem utólag. Hibrid megoldásként végigvittem a teljes képelemzést az at sensor képeken, melyek elemzése – mivel a referenciaspektrumokat a kép alapján vettem – önmagukban értékelhető, ámde más képekkel nem összevethető eredményeket hozott (azaz nem reflektanica, hanem atmoszférikusan nem korrigált radianciagörbéket eredményezett). Ez a módszer tehát leírja a képelemzési eljárást, de feltételezi, hogy a zajszűrés, FTT transzformáció után atmoszférikus korrekció következik illetve ezután megtörténik a radiancia adatok reflektanciává alakítása, majd a GPS adatok alapján geometrikus korrekció is. Mivel ez nem történt meg, ezek a lépések csak demonstratíve mutatják az eljárás menetét. II. Mivel szerettem volna, hogyha a kapott adataim mások számára is hasznosak, a reflektancia spektrumok kinyerése céljából az elemzést elvégeztem az atmoszférikusan és geometrikusan korrigált képen, mely nem volt a domborzat szerint korrigálva (mivel ez a lépés a DLR-ben hibásan lett elvégezve). Ezen a képen már kinyerhetők a spektrumok, de a geometrikus korrekció során végzett transzformációk és újramintavételezés miatt a zajszűrés és csíkozottság eltávolítás nem ad olyan eredményt, mint az eredeti kép adott volna. Mindazonáltal – lévén, hogy itt történt csak meg az atmoszférikus korrekció – csak ezek az eredmények tekinthetők elfogadhatónak. Az eredmények pontosságát növelné, hogy ha ezeken a képeken a zajszűrésre és osztályozásra a geometrikus korrekció előtt került volna sor, és az atmoszférikus korrekcióval egyidejűleg a domborzat radianciát/reflektanciát módosító hatását is figyelembe vehettem volna, ám erre jelen keretek között nem volt lehetőségem. Az elemzés lépései az at sensor képeken bemutatva. Az elemzés természetesen különféle módszerekkel különféle utakon végezhető el. Az alábbiakban többféle lehetséges változatot is bemutatok. „A” változat 102

1. geometriai okok miatti adatcsökkentés (spatial subset): kivágtam a kép számomra érdektelen, mezőgazdasági hasznosítás alatti vagy beépített – területeit (75. ábra)

75. ábra Az eredeti nagyságú kép és a kivágott kép valós színekben (R: 6, G: 3, B: 1 DAIS csatornák)

2. radiometrikus okok miatti adatcsökkentés (spectral subset): kivágtam a túl zajos (41, 42. 69. 70. 71. és hibás (bad bands) (72, 64) sávokat, 3. eltüntettem a csíkozottságot a FFT módszer (Fast Fourier transzformáció) (ezt a műveletet a geometriai korrekció előtt, a „nyers” geometriájú képen kell elvégezni!) a) Vizuálisan meghatároztam a csíkozott csatornákat: 1. 8, 33, 37, 43, 44, 45, 46, 47-79 (kövér betűvel a rendkívül zajos+csíkos sávok) b) Forward FFT –t alkalmaztam c) A frekvenciatérben ismét megnéztem a csíkozott csatornák képét, és esetleges újabb csíkozott csatornákra utaló jeleket kerestem. (76. ábra) 2. és filter

1:

103

33:

43:

63:

76. ábra A frekvenciatartomány (2D spektrum, frekvenciatér), az eredeti kép (részlet) és a szűrt kép (részlet) 2. csatorna: nincs periodikusan ismétlődő komponens a képen; ill. a definiált szűrő csatorna: enyhe csíkozottság a képen, két új fehér csillag a frekvenciatérben 33. csat: csíkok függőleges „világítótorony-fényként” a frekvenciatérben, vízszintesen a képen 43. csat: rendkívül zajos kép és erős csíkozottság 63. csat. zajos kép és csíkozottság

104

(d) A csíkos csatornák frekvenciatérbeli hibáira közös szűrőt definiáltam, majd elmentettem őket (overlay -> annotációval megrajzoltam, majd user defined cut filterként definiáltam) (e) a szűrőt alkalmaztam (Fontos: a szűréskor a kimeneti fájl adattípusa integer legyen, akárcsak a kiindulási kép esetén – ez a beállítás az ENVI-ben nem automatikus) (f) kivágtam a továbbra is reménytelenül zajos képeket. (43, 45, 66, 67. csatornák). Így egy 68 sávos képet kaptam. 4. elvégeztem az forward MNF transzformációt (a zajstatisztikát automatikusan végeztem, mert nem állt dark image rendelkezésre feldolgozható formátumban). Ha dark image (azaz olyan kép, ahol a képi tartalom teljesen sötét, csak a műszer zaja van regisztálva) nem áll rendelkezésre, helyette egy kép legsötétebb, homogén területe is kijelölhető, ha van ilyen. Ez legtöbbször tiszta vizes terület lehet, amilyen azonban a képek közül csak a látóképin volt megtalálható. Ilyen használható terület lehet a következő: (7778. ábra)

77. ábra Egy látóképi zajstatisztikához figyelembe vehető képrészlet és példaként a benne található zaj(os adat), erősen kontrasztosítva, a 9. , 33, 55. sávokból. A sötét terület rossz jel/zaj viszonya miatt lehetséges erről a területről a zajbecslés, ám csatornánként más-más zajtípusok jelennek meg. Ezek a képek a már korrigált képről készültek, ezért látszik benne ferde csíkozottság. A balról második kép jobb oldalán kicsit sötétebb az alaptónus: ez valószínűleg nem zaj, hanem valós adat.

78. ábra A látóképi tó zajstatisztikájának sajátértékei

105

5. Az automatikusan elvégzett MNF transzformáció után kivágtam a túl nagy eigenértékű (sajátérték>1) csatornákat (zajszűrés) (79. ábra)

79. ábra 1 (265), 2 (86), 3 (36), 4 (29), 5 (20), 6 (15), 7 (9), 8 (8), 9 (7), 10 (6), 11 (5), 12 (5), 15 (4), 25 (1,8), 35. (1,4) csatornák az MNF transzformáció után (zárójelben a sajátértékeik)

106

A sajátérték határnak vizuális szemrevételezéssel 1,8-at vettem (25. sáv), de kivágtam a 15. sávot is, melyben a vízszintestől eltérő csíkozottság „interferálva” erősítve jelent meg. 6. elvégeztem az inverz MNF transzformációt, kihagyva a 15. és 27-68. csatornákat, s így zajszűrt (spektrumában simított) képet kaptam. (data: interger). Az így kapott képen műtermék zajok jelentek meg és a zaj helyett a ferde csíkozottság hangsúlyosabbá vált (és az ENVI elvesztette a korábban minden csatornához hozzárendelt DAIS meta-adatokat), miközben továbbra is maradt zaj néhány sávban. Ezért elvégeztem az inverz MNF transzformációt 15 MNF sáv megtartásával (eigenérték határ: 4), így a műtermék megmaradt, de a zajosság jelentősen csökkent. (80. ábra)

80. ábra Műtermék a világos tó körül (vízszintes vonalak) és a 65. sáv zajszűrés előtt, a 25. MNF csatornás és a 15 MNF csatornát figyelembe vevő zajszűrés után

7. Ezen a képen felvettem a terepi jegyzőkönyv alapján a célspektrumok („társulások”) tanítómezőit, (A pontosság végett: a terepi jegyzőkönyv alapján csak az atmoszférikus és geometriai korrekcióval ellátott képen tudtam felvenni a tanítómezőket, mert ez a kép volt georeferálva. Mivel a geometrikus korrekció során a domborzati hatás korrigálása a kép spektrális információtartalmát jelentősen eltorzította (abból egyfajta lejtőkategória-képet készítve), ezen a képen (81. ábra) spektrális információkkal nem lehet dolgozni. Ezért ezután az itt felvett tanítómezőket kép-a-képhez georeferálás módszerével a csak atmoszférikusan korrigált képre vittem át. A SAM módszerhez, melyet osztályozásra használtam, nem szükséges a domborzati hatás csökkentése, mert az nem veszi figyelembe az eltérő megvilágításból adódó különbségeket.)

107

81. ábra A georeferált, de hibás előfeldolgozású gyöngyösoroszi DAIS kép, osztályba sorolás után. A terepbejárásnál ezt az előzetesen (tanítópontok nélküli, automatikusan) osztályozott képet használtuk a terepi mérések pontjainak kiválasztására. A georeferált képet GPS műszerbe „építve” tudtuk a terepen közvetlenül is használni.

82. ábra A terület pontjai grafikusan és szövegesen

8. a jegyzőkönyv szerint azonos felszínborítási kategóriájúnak besorolt tanítómezőket egyesítettem (82. ábra) Név Erdeifenyő Gyertyános-tölgyes Fiatalos Kttölgyes Száraz Kttölgyes Cseres-tölgyes Tölgyes

Összevont pontok 2, 3, 4, 28 7, 8 9, 26 13, 16, 18 10, 14 12, 23, 19

108

83. ábra A terület pontjai grafikusan és szövegesen, egyesítés után

9. az egyesített kategóriák színkulcsát megfelelő módon átalakítottam (tools-color mappingclass color mapping). Mivel egy korábbi próbaosztályozás során létrejött kép az automatikusan adott változatos színek miatt nehezen interpretálható lett, az egyes kategóriák színeit úgy alakítottam, hogy azok egymással összefüggésben legyenek: a hasonló fajokból álló társulások (endmemberek) színe is hasonló. Ez a lépés, bár az osztályozáshoz magához nincs köze, mégis alapvető az adatok helyes (jól értelmezhető) megjelenítésekor, akárcsak egy térkép jelkulcsának és színkódolásának kiválasztásakor (pl. Hargitai 2007). 10. a kép tanítómezői alapján létrehoztam egy (immár szűrt spektrumú és csökkentett csatornaszámú) spektrumkönyvtárat (terepi in situ spektrumok nem álltak rendelkezésre) (83. ábra)

84. ábra A spektrumkönyvtárak grafikus ábrázolása

109

11. (opcionális: NDVI módszerrel meghatároztam és kivágtam a nem növényfedett területeket– a nem illeszkedő képelemek osztályozatlanként jelennek meg a SAM célképén) (85. ábra)

85. ábra Az NDVI index az ENVI-ben beépített függvényként kezelhető: hozzá a két csatorna számát kell megadni, melyből hányadost számol. A fenti kép a 12. és 15. DAIS csatornák hányadosa (sötét: kis NDVI index [pl. víz], világos: nagy NDVI index [növényzet])

12. a növényborítású területekre alkalmaztam a SAM osztályozó módszert (ami a spektrumok megtartásával dolgozik; erre azonban egyébként itt nem volt igazán szükség, hisz a spektrumokat a képről (from ROI from input file) tanítóponttal vettem, azaz nem volt (labor) referenciaspektrumom) 13. melyeknek eredményét jelmagyarázattal együtt ábrázoltam (86. ábra)

86. ábra Balra: az ENVI által végrehajtott SAM során automatikusan adott színekkel létrehozott kép. Középen: a színek és jelmagyarázat módosítása után már áttekinthetőbb a kép (de még lehetne finomítani). Jobbra: egy másik „színminta” tovább szűrt kép alapján

„B” változat: A 11. pont után az elemzés a következőképp is folytatható:

110

12b. a SAM osztályozásnál a kategóriákból csak fajra homogén vagy majdnem homogén erdőfoltok spektrumait vettem figyelembe, tehát sem a fajkeverékre sem a típus-variációkra nem voltam figyelemmel. Ez azonban teljesen fals eredményt adott, rámutatva, hogy valójában nem a homogén erdőfoltok azok, melyekből a társulások kikeverhetők lennének.

„C” változat: Az 5. pont után az elemzés a következőképp is folytatható: 6c. maximum likelihood módszerével osztályoztam a legnagyobb varianciájú csatornákat. Itt is a fenti tanítómezőket alkalmaztam, de a túl kis méretű tanítómezőket a módszer korláta miatt ki kellett hagyni a kategóriák közül. Az MNF transzformáció első 20 sávját vettem figyelembe (87. ábra).

87. ábra A módszer a SAM-hez mérten jóval egyszerűbb oszályokat adott

„D” változat: Az 5. pont után az elemzés a következőképp is folytatható: 6d. elvégeztem a Fast PPI átalakítást, hogy automatikusan megkapjam a képből a legtisztább képelemeket. Ehhez nincs szükség tanítómezőkre viszont jelentős nagyságú memóriát igényel és így is nagyon lassú. Ezután kiválasztottam a legerősebb értékű (a gyakorlatban: minden 2nél nagyobb értékű, összesen 440 ill. 1-nél nagyobb, 728 pixel) pixeleket és ROI-ba tettem őket (band threshold to ROI) (88. ábra).

111

88. ábra A legtisztéább képelemek és a ROI-k helyzete

7d. ezeket az n dimenziós tulajdonságtérben ábrázoltam és endmember osztályokat definiáltam (89. ábra). Így tehát a végállású spektrumokat a tulajdonságtérben, és nem a képi megjelenítéssel is ábrázolni tudtam. Ez a módszer önmagában is alkalmas végállású tagok (endmemberek) kijelölésére.

89. ábra Az n-dimenziós térbeli ábrázolás

Az egyes osztályok között található jól és rosszul osztályozott kategória (rosszul osztályozott, ha túl nagy a variabilitás az osztályon belül), melyeket tovább kell bontani és vannak túl hasonló osztályok is, melyeket egyesíteni kell (90. ábra).

112

90. ábra Az egyes osztályok és szórásuk megjelenítése

8d. Ezek az osztályok ezek után a ROI pontokhoz rendelve megjeleníthetők az eredeti képen és elmenthetők. Ezzel lényegében endmembereket definiáltunk (bár a nagy szóródás miatt elképzelhető, hogy az endmemberek kiválasztásánál még néhány iterációra szükség lett volna)

91. ábra Az endmemberek alapján osztályozott kép

9d. A SAM módszer segítségével ezen endmemberek alapján a kép osztályozható (91. ábra). Mint fent látható, a legtöbb osztályt a különféle minőségű és szennyezetsségű vizek kapták (a tavon 3 kategória is szerepel), azaz érdemes kimaszkolni osztályozás előtt a nem növényfedett területeket pl. NDVI módszerrel.

113

92. ábra A PPI/n-dimenziós vizualizációs-SAM; a tanítómezős-endmemberes-SAM és a maximum valószínűségi osztályozások végeredményei.

Nagyjából ez az a fázis, ahol többféle osztályozás végeredményeképp részben más-más térképek születnek (92. ábra). Itt érdemes egy terepbejáráshoz újabb megfigyelési pontokat kijelölni és azonosítani a körvonalazódóan eltérő felszínborítottságú területeket. Az egyes osztályozott képek legnagyobb eltérései (melyek eredetére a pontszerű terepi adatok alapján nehéz fényt deríteni) az erdőterületeken találhatók (a rét, fenyves, víz illetve újulás kategóriák nagyrészt megfelelnek a három képen). Így épp az erdőterületeken látható, hogy sikerült különféle kategóriákat alkotni, de újabb terepbejárás – vagy megfelelő spektrumkönyvtári referencia – nélkül ezek nem azonosíthatók egyértelműen (különösen a PPI adatokból automatikusan nyert osztályok). Mindez mutatja egy magyarországi fajokat és társulásokat tartalmazó spektrumkönyvtár mint referencia szükségességét.

„E” változat: A 11. pont után az elemzés a következőképp is folytatható: 12e. Részletes spektrumszétkeverést (matched filtering) végezve létrehoztam minden tanítómezőből kinyert kategóriához egy szürkeárnyalatos arányképet, ahol a sötét arra utalt, hogy azon a képelemen az adott spektrum kismértékben fordul elő, a világos pedig arra, hogy az adott képelem spektruma nagy mértékben megegyezik a referenciaspektrummal. Természetesen csak három kategória ábrázolható RGB megjelenítéssel, de a megfelelő, legnagyobb varianciájú csatornák vizuális kiválasztásával jól látható a terület felszínborítási variabilitása (93. ábra).

114

93. ábra Balra: piros: lúcos (zárt fenyves), zöld: homogén kocsánytalan tölgyes, kék: fiatalos kocsánytalan tölgyes. A vizek, rétek és mezőgazdasági területek itt sötétek maradnak. Középen: más tulajdonságokat emel ki ez a kép: piros: tölgyes, zöld: gyepek, kék: száraz tölgyes. Összehasonlítva a teljes osztályozással látható, hogy ezek a képek csak a felszín részleges jellemzésére alkalmasak, azaz ha olyan a felszínborítás, mely az ábrázolt 3 kategóriából hiányzik, akkor ha valamelyik spektrum közel áll hozzá, az akként jelenik meg, de kicsit halványabb árnyalatban. A részleges spektrumszétkeverés ábrázolása tehát ott lehet releváns és pontos, ahol egy területen kevés számú változó fordul elő. Nagy, komplex felszínborítású területeken ez a módszer félrevezető végeredményt adhat a puszta vizuális elemzés.

A spektrumszétkeverés végeredményében egy-egy képelemre kibontva számszerűen is ábrázolható az egyes kategóriák aránya. A módszer elemzésekor a legérdekesebb talán az eredetileg tanítómezőnek vett képelemekre leghasznosabb ezt az elemzést elvégezni, hiszen így az általunk endmembernek kiválasztott képelemek hasonlóságára lehet számszerűen következtetni. A spektrumszétkeverés utáni arányképekből mint „multispektrális képből” földi tanítómezőket tartalmazó ROI-kon keresztül ismét kinyerve az immár osztályozott „spektrumokat” (ill. azok átlagértékét, vagyis az endmemberek arányértékeit), az eredeti endmember ROI-kra az egyes pixeleken az egyes endmemberek arányait kapjuk. A 13. táblázatban látható mátrix (melyet a tanítómezők hasonlósági mátrixának neveztem el, és módszerét tekintve hasonló az ENVI-be épített confusion matrix [tévesztési mátrix] funkcióhoz) megmutatja, hogy a képen lévő egyes endmemberek mennyire hasonlítanak egymásra. GyerCserjés- tyános- Gyepes- Fiatalos CseresGyer- Száraz Törpe Hegyi Unmix:Band Erdeifenyves gyepes tölgyes cserjés KTT tölgyes Tölgyes tyános KTT Bükkös KTT rét Lúcos Újulás Erdeifenyves Csejésgyepes Gyertyánostölgyes Gyepescserjés

1.00

0.41

0.01

0.01

-0.18

-0.02

0.11

-0.04

0.45

0.03

0.43

-0.51

1.21..

-0.60

0.28

1.00

0.10

0.20

-0.13

-0.04

0.12

0.19

0.15

0.01

0.26

-0.16

0.03

-0.23

0.01

0.18

1.00

0.06

0.26

0.44

0.57

0.76

0.30

0.59

0.43

-0.34

-0.47

-0.34

0.01

0.26

0.04

1.00

-0.08

0.05

-0.04

-0.10

-0.01

-0.15

0.09

0.04

-0.08

0.36

Fiatalos KTT

-0.18

-0.18

0.21

-0.09

1.00

0.71

0.41

0.65

-0.06

0.59

-0.06

0.61

-0.07

0.56

115

Cserestölgyes

-0.02

-0.06

0.35

0.06

0.71

1.00

0.53

0.62

0.05

0.70

0.17

0.60

-0.08

0.45

Tölgyes

0.16

0.26

0.69

-0.07

0.61

0.79

1.00

0.90

0.32

1.12..

0.51

0.04

-0.30

-0.00

Gyertyános

-0.02

0.15

0.33

-0.06

0.35

0.34

0.33

1.00

0.09

0.38

0.12

-0.20

-0.18

-0.15

Száraz KTT

0.70

0.35

0.38

-0.01

-0.10

0.07

0.34

0.27

1.00

0.20

0.76

-0.77

0.63

-0.98

Bükkös

0.02

0.00

0.28

-0.10

0.36

0.42

0.44

0.42

0.08

1.00

0.14

0.35

-0.19

0.12

Törpe KTT

0.45

0.40

0.37

0.10

-0.06

0.18

0.37

0.23

0.52

0.24

1.00

-0.45

0.26

-0.54

Hegyi rét

-0.20

-0.09

-0.11

0.02

0.24

0.24

0.01

-0.15

-0.19

0.23

-0.17

1.00

-0.17

0.59

Lúcos

0.44

0.02

-0.14

-0.03

-0.03

-0.03

-0.08

-0.13

0.15

-0.12

0.09

-0.16

1.00

-0.18

Újulás

-0.26

-0.15

-0.12

0.18

0.26

0.20

-0.00

-0.12

-0.28

0.09

-0.23

0.67

-0.21

1.00

11. táblázat Az endmember- (tanítómezők átlagolt spektrumgörbéinek) hasonlósági mátrixa a gyöngyösoroszi kép példáján. Fekete kövér szám: teljes megegyezés (azonos spektrum); piros kövér szám: maximális hasonlóság az egyes osztályok között (leghasonlóbb osztályok), kövér kék számok: minimális hasonlóságú osztályok. A sárga háttér valamilyen problémára hívja fel a figyelmet. Az 1 érték azonosságot jelent.

A mátrix elemzésre rámutat az endmemberek kiválasztásának helyességére. A hasonló osztályoknak elvileg nagyfokú spektrális egyezést kell mutatnia. Ilyen pl. az erdei fenyő és a lúc, mely gyakorlatilag a kevéssé és nagyon zárt fenyvest jelentheti. Így a lúcos (zárt) nagy egyezést mutat a (nyílt) erdei fenyővel, de ez az összefüggés fordítva nem igaz. Szintén jó egyezést mutat pl. a gyertyános-tölgyes és a gyertyános spektruma, ami nem meglepő, de a gyertyános és a tölgyes (elvileg) homogén spektrum igen jó egyezést mutat, ami arra utal, hogy a gyertyános egyébként csak minimális területen előforduló homogén foltját nem sikerült tisztán elkülöníteni (erre a recski képelemzése is rámutatott). A cserjés-gyepes és a gyepes-cserjés területek hasonlósága is bíztató jel. A száraz KTT (kocsánytalan tölgyes) és a törpe KTT hasonló spektruma azt mutatja, hogy a két terület hasonló, ami szintén jó jel, hiszen mindkettő valamilyen stressz alatt van (a törpe KTT mohával fedett, a száraz KTT sziklás területen volt). Mivel azonban mindkét tanítópont eredetije egy kis területre korlátozódva fordult elő, de az osztályozás során ezek az osztályok nagy területet foglalnak el, arra utal, hogy itt valamilyen más, nagyobb kategória lett besorolva, azaz nem a tölgyes „törpesége” vagy „szárazsága” a releváns elkülönítése ezeknek a területeknek – a terep utólagos bejárás derítheti ki, hogy mi. Az újulás és fiatalos tölgyes spektrumának hasonlósága is valós összefüggésre utal. Szintén pozitív az újulás és a gyepes-cserjés területek hasonlósága. Érdekes megfigyelni, hogy mely spektrumok térnek el legjobban (kék színnel jelezve). Ez a spektrális jellemzők szétválasztásakor lehet fontos előzetes információ. Az összes többi kategóriától a lúcos, azaz zárt fenyves tér el legjobban, ami már korábbi elemzésekből is jól ismert adat. (érdemes lenne a víz spektrumával is így számszerűsítve öszszevetni). 116

A recski terület A recski terület (94. ábra) a Mátra túloldalán, magasabb régióban található, Mátraderecske, Recsk és Domoszló települések körzetében. Dél felé növekszik a szintmagasság, így itt várható, hogy bükkösök is jelen vannak, melyek a gyöngyösoroszi képen csak völgy mélyén, lokálisan találhatók meg.

94. ábra A recski terület hamis színes képen és azonos terület a Cartographia 1:40 000-es turistatérképén (jobbra). A két kép különösen egymásra vetítve mutatja jól a fotótérképi (RGB: 1,0060, 1,5390, 0,6570 μmes sávok) többletet

A gyöngyösoroszi területtől eltérően a recski területen térképek használatával jelöltük ki Horváth Ferenc segítségével a tanítópontokat, homogén területeket (95. ábra, 14. táblázat).

95. ábra Az elemzésben felhasznált ismert erdőtípusú felszíni pontok

117

Iduj 40 45 47 57 60 65 64 63 38 66 67 59 48 68 46 54 44 8 62 25 26 13 30 15 23 18 10 19 6 0 1 2 3 4 7 14 16 32 34 35 43 69 22 12 36 28 21 27 41 29 33 31 37 11 52 49 55 53 58 51 56 61 42 50 39 24 5 9 17 20

FFJ1 B KTT B B B B B B B B GY B B B KTT KTT KTT CST CST CST CST CST CST CST CST CST KTT KTT CST

EAR1 19 38 81 72 84 74 53 63 25 57 46 54 48 40 37 44 46 88 74 64 62 58 58 55 55 54 36 49 55

ZAR1 KOR1 96 35 95 38 55 21 96 63 96 90 92 37 94 100 89 105 95 44 92 48 100 65 94 48 96 34 79 87 95 38 88 73 98 34 79 85 76 45 100 55 100 55 87 75 99 55 81 75 95 60 98 65 100 51 92 65 96 83

FFJ2 KTT GY GY GY GY GY CST KTT GY GY B KTT KTT KTT B GY B KTT KTT KTT KTT KTT KTT KTT KTT KTT CS CST KTT

EAR2 ZAR2 FFJ3 11 96 GY 19 95 B 16 55 VF 28 96 16 96 20 92 KTT 29 94 GY 27 89 CST 35 95 KTT 22 92 KTT 26 100 KTT 24 94 GY 26 96 GY 28 79 GY 27 95 GY 30 88 B 31 98 GY 12 79 14 76 GY 25 100 GY 25 100 GY 28 87 GY 30 99 KVT 32 81 FF 39 95 GY 41 98 GY 52 100 VT 37 92 KVT 21 96 A

EAR3 10 16 33

ZAR3 FENYO CST KTT 96 11 95 38 55

6 13 10 21 21 23 22 26 32 27 26 23

92 94 89 95 92 100 94 96 79 95 88 98

8 11 13 7 5 5 6 5 7 14 24

76 100 100 87 99 81 95 98 100 95 96

6 29 10

88 74 64 62 58 58 55 55 54 52 37 55

27 21 21 23 24 26 28 37 44 46 12 14 25 25 28 30 32 39 41 36 49 21

GY 10 19 16 28 16 20 13 35 22 46 22 26 32 27 30 23

B 19 16 81 72 84 74 53 63 25 57 26 54 48 40 27 26 31

8 11 13 7

6 5

24

100 100 100 100 100 100 100 100 100 100 100 100 100 GY

83

100

62

CST

8

100

ME

9

100

8

GY CST CST CST CST CST CST CST CST GY KTT KTT GY KTT KTT KTT KTT KTT KTT KTT KTT B

85 66 64 52 51 49 47 45 31 48 64 65 58 48 50 77 80 80 100 100 38 25

87 100 97 95 100 100 92 86 93 35 76 83 73 92 83 80 79 58 72 82 100 81

31 65 55 55 55 55 40 34 44 89 93 63 53 73 18 55 88 140 100 88 45 83

CST GY GY GY GY GY KTT KTT GY CST CS GY KTT B GY GY GY B

11 24 36 29 41 27 29 31 35 31 11 21 28 16 30 20 20 13

87 100 97 95 100 100 92 86 93 35 76 83 73 92 83 80 79 90

B B

4 5

87 100

B KTT KTT GY GY KTT KH GY CST B GY KJ B KTT GY

9 5 24 22 19 23 7 22 5 14 25 5 3 100 7

95 100 100 92 86 93 35 92 83 73 92 83 80 20 90

11 66 64 52 51 49 47 45 31 31 11 5

CST KVT

26 34

100 81

B CST

18 25

100 81

26 25

5 24 29 31 23 64 65 28 48 50 77 80 80 100 100 38

A

83 100 85 24 36 29 41 27 22 19 35 48 22 21 58 25 30 20 20 7

4 5 9

14 16 3 13

18 25

EGYEB UJCSOPORT VF: 33 B B B BGy BGyT BGyT BTGy BTGy BTGy BTGy BTGy BTGy BTGy BTGy BTGy Cs Cs CsT CsT CsT KVT: 5 CsT FF: 5 CsT CsT CsT VT: 7 Cst KVT: 14 CsT CsTA F F F F F F F F F F F F F ME: 9 Gy GY Gy GyT GyT GyT GyT GyT GyT GyT GyT GyT GyT GyT GyT GyT KJ: 5 GyT GyT GyT KTT KTT KTT KVT: 34 cserjésedő, ligetesedő gyep valószínűleg elakácosodó CST/KTT fiatalos (?) ?

12. táblázat A recski terület mintapontjai (FFJ: fafaj; EAR: egyedarány; ZAR: záródás; KOR: kor. B: bükk, Cs: cser, KTT: kocsánytalan tölgy, F: fenyő (telepített) (ez a táblázat kattinthatásra kifejthető az elektronikus változatban). Az adatoknál erdőgazdasági üzemtervi erdőreszlet adatokat használtunk fel, az Országos Erdőállomány Adattár (ÁESZ) alapján

Először – próbaként – a gyöngyösoroszi képen tanítómezőkkel meghatározott endmemberekkel SAM módszerrel. Ez nem hozott teljesen kielégítő eredményt, mert gyöngyösoroszinál a bükk hiányzott mind a tiszta, mind a kevert erdők spektrumaiból (96. ábra).

118

96. ábra Az oroszi kép, és azonos kategóriaszínezésű képen az oroszi kategóriákkal készített osztályozás a recski képen

Először az at sensor képen készítettem el a célspektrumokat és azon végeztem osztályozást (97. ábra).

97. ábra A matched filtering (részleges unmixing) módszerrel osztályozott képen az egyes összetevők arányai is láthatóak lesznek. Ezen a képen csak a fajra nézve legtisztább spektrumokat ábrázolom. A piros a fenyő, a zöld a tölgy, a kék a bükk összetevőket mutatja. Jól látszik a telepített foltokban előforduló fenyő, az elszórtan látható tölgy és a dél felé (mind magasabbra található) bükkök megjelenése. Jobbra a tölgy helyett a gyertyánt ábrázoltam zöld színnel. Az eredmény valószínűleg arra utal, hogy a gyertyán kategória sokkal inkább egy szélesebb lombos fa kategóriának felel meg, hiszen gyertyán mindig tölggyel keverve fordult elő, így endmemberként egy általánosabb fa kategóriát hozott létre. Homogén gyertyános spektrumát nem sikerült kinyerni. Ugyanakkor a kép utalhat arra is, hogy gyertyán mindenfelé található elegyedve a tölgyek közé. Ezt terepi ellenőrzés döntheti el, de fontos információt tartalmaz a tanítópontok hasonlósági mátrixa. Jobbra a 19 kategória alapján maximum likelihood módszerrel elkészített kategóriatérkép látható.

119

A növények besorolása a helyi domborzat ismeretében is valósnak és relevánsnak tűnik: észak felől előbb tölgyes, majd cseres-tölgyes következik. Ahogy nő a magasság, belép a bükkös-cseres-tölgyes ill. bükk-gyertyános-tölgyes kategória, azaz megjelenik az addigi elegyben a bükkös. Még délebbre ezt felváltja a homogén bükkös kategória. Mindez bizonyítja, hogy az erdőbesorolás ilyen, elegy szintű célspektrumos osztályozása képes a valós helyzet ábrázolására, miközben spektrumszétkeveréssel az egyes fajok aránya is meghatározható, ha rendelkezésre állnak homogén célspektrumok (endmemberek) is a kevertek mellett. A pusztán fafajilag homogén tanítómezőkkel történő osztályozás (lásd följebb, SAM módszerrel) jóval durvább eredményt ad. Kérdés: az eredmény valós, vagy annak tudható be, hogy a képen nem végeztek atmoszférikus szűrést (dél felé emelkedik a domborzat)? (98. ábra)

98. ábra A választ keresve a fentiekben ugyanaz a kép látható, azonos csatornákon megjelenítve, balra atmoszférikus és geometriai korrekció után, jobbra az előtt. Bár a két kép „összhatásában” hasonló, néhány helyen jelentős eltérés figyelhető meg, mely a kategorizálásban is megjelenik. Minek tudható be ilyen, regionális szintű eltérés? A válasz magyarázatot adhat az elemzés során tapasztalt anomáliákra. (RGB: 9,18,1. sávok)

Elvégeztem az elemzést a korrigált képen is (99. ábra). Az elemzés egyes lépéseit R(szám) jelzéssel sorszámozom: 120

99. ábra A geometriailag és atmoszférikusan korrigált recski kép a CIE 1931 által definiált RGB színeknek megfelelő valós színezéssel (észak balfelé van, 12:4:1 sávok)

R1. Erdészeti és felszínborítási térképek és Országos Erdőállomány Adattár alapján különféle erdőtípusokra és felszínborítás-típusokra meghatároztuk a spektrális mintavételi pontokat (100. ábra).

100. ábra A felszíni adatpontok

R2. Ezek után adatcsökkentés végett kivágtam azokat a területeket, melyek az elemzésben játszottak nagy szerepet. Mivel az egész képen elszórva voltak a felszíni adatpontok, néhányat le kellett vágni: ezek a mátraderecskei lakott területhez közeli fenyvesek voltak, melyek csak másodlagos szerepet játszottak az elemzésben és fenyvesek találhatók voltak a kép más részein is elegendő számban. Így kivágtam (spatial subset) a lakott területet és az ahhoz közeli mezőgazdasági területeket, valamint a kép geometriai korrekció miatti hullámzó peremét (101. ábra). Így egy 650x1550 pixeles képet kaptam. Az eredeti 358 MB fájl mérete így 161 MB-re csökkent.

121

101. ábra A kivágott kép és felszíni adatpontjai

R3. Ezután radiometrikus okok miatti adatcsökkentést (spectral subset) végeztem: kivágtam a rendkívül zajos és hibás (bad bands) sávokat (41-48., 61-72.). A csíkozottság itt az előzetes geometriai korrekció miatt már ferde csíkokból állt, melyek a geometrikus és atmoszférikus kalibráció során sokkal erőteljesebbé váltak (a képeket lásd az atmoszférikus kalibráció fejezetben). (R4). Megkíséreltem az FFT szűréssel, a frekvenciatérben ferde szűrő segítségével a csíkok eltávolítását ez azonban nem volt sikeres: a csíkok megmaradtak, így a leginkább csíkozott (egyben rendkívül zajos) sávokat eltávolítottam a további elemzésből (102.ábra). Végül egy 60 sávos képpel dolgoztam tovább.

102. ábra A 42. , elemzésből kivágott sáv ferde csíkjai

R5. Ezután MNF transzformációval zajszűrést végeztem. Elvégeztem a forward MNF transzformációt. Ez egyben az adatdimenzionalitás csökkentésére is alkalmas, de mivel nekem a végeredményben tereppontok alapján kijelölt reflektancia spektrumgörbékre volt szükségem a spektrumkönyvtárhoz, nem ezt használtam végeredménynek vagy osztályozáshoz, hanem az MNF transzformáció során kialakított legtöbb jelet tartalmazó sávokat meghagytam (15 sajátérték felett, ami a 8 MNF sávnak felel meg, melyek nem tartalmaztak csíkozottságot/zajt). (103. ábra)

122

Az MNF transzformáció után kialakított sajátértékek

103. ábra Az MNF transzformáció után létrejött első 15 csatorna

123

Az első 8 csatorna alapján visszaalakítottam a képet inverz MNF transzformációval. Így egy (a simítás miatt kis mértékben adavesztéses) zajszűrt képet kaptam, mely már (jobban) alkalmas volt a reflektancia spektrumgörbék kinyerésére. Ez a lépés hatékonyan eltüntette a (gyenge) ferde csíkozottságot és a komplex alakú, geometrikus korrekció során létrejött hibákat is (104-105. ábra).

104. ábra Az 1. sáv közeli részlete a geometrikus korrekció után, MNF szűrés előtt (balra) és után (jobbra)

105. ábra A 60. sáv részlete a geometrikus korrekció után, MNF szűrés előtt (balra) és után (jobbra). Ez a zajszűrés azonban adatvesztéssel is jár, hiszen kisimítja a spektrumgörbét.

R6. Ezután eltávolítottam a termális sávokat és a továbbiakban ezzel az 52 sávos képpel dolgoztam tovább. Mivel az MNF transzformáció során a hullámhossz adatok kitörlődnek a .hdr (fejléc) fájlból, ezeket vissza kellett helyezni. Végül a következő hullámhosszú sávokat használtam fel: 0.496, 0.514, 0.532, 0.551, 0.568, 0.586, 0.605, 0.623, 0.639, 0.657, 0.675, 0.693, 0.710, 0.727, 0.744, 0.762, 0.780, 0.798, 0.814, 0.832, 0.851, 0.869, 0.886, 0.904, 0.921, 0.938, 0.956, 0.973, 0.988, 1.006, 1.021, 1.035, 1.539, 1.570, 1.603, 1.636, 1.668, 1.699, 1.727, 1.756, 2.084, 2.100, 2.115, 2.130, 2.145, 2.158, 2.173, 2.186, 2.200, 2.215, 2.232, 2.247 m

124

R7. Ezután a meghatározott mintapontok körüli homogén foltokból tanítómezőket készítettem a ROI tool segítségével (106. ábra). Egy-egy tanítómező 30-80 tanítópontot (pixelt) tartalmazott.

106. ábra A mintapontok tanítómezőinek kijelölése az ENVI szoftverben

R8. Ezután a következő pontokat vontam össze (merge regions) egy kategóriába: Fenyves: 0,1,2,3,4,7,14,16,32,34,35,43,69 Cserjés gyep: 5 Cseres: 8,62, 6 Gyertyános: 22,12,36 Gyertyános-tölgyes 28,21,27,41,29,33,31,37,11,52,49,55,53,58,51,56 Bükkös-gyertyános-tölgyes. 38,66,67,59,48,68,46,54,44 Bükkös-cseres-tölgyes 64,63 Tölgyes (kocsánytalan) 61,42,50, 45 Bükkös 47,57,60, 40 Bükkös-gyertyános Bgy 65 Cseres-tölgyes CsT 25,26,13,30,15,23,18,19,10 Lakott terület (épület) (kép alapján) Bányaterület (kép alapján) Út (kép alapján) Nem egyértelmű pontok (nem kerültek egyik kategóriába sem, kisfokú lombkoronaszint-záródás vagy nem egyértelmű besorolás miatt): 9, 17, 20, 24, 39

R9. Ezek alapján elkészítettem a kategóriák spektrumkönyvtárát, összevonva az egyes tanítópontokat egyetlen célspektrummá (107-109. ábrák). RECSK: spektrumkönyvtár (reflektancia % × 10)

Ide kattintva a spektrumgörbék adatbázisa érhető el

125

Bükkös 350,0

Gyertyán Bükk-cseresBükk-gyertyánosCseres + cseresGyertyánosBükkösCserjés Tölgye

Reflektancia %× 10

300,0 250,0 200,0

cserkés gyep Fenyve cseres

150,0

gyertyános 100,0

fenyves 50,0 0,0 0,4960

0,5960

0,6960

0,7960

0,8960

bükk-gyertyánostölgyes gyertyánostölgyes bükk-cserestölgyes cseres-tölgyes

0,9960

Hullám hossz m ikrom éter

bükk-gyertyános Bükkös

Reflektancia % × 10

350,0

bükkös tölgyes (ktt)

300,0

Bükk-gyertyános-tölgyes

250,0

Tölgyes

200,0

Fenyves

150,0 100,0 fenyves

50,0

bükk-gyertyános-tölgyes bükkös

0,0 0,4960

0,5960

0,6960

0,7960

0,8960

0,9960

tölgyes (ktt)

Hullámhossz, mikrométer

126

200,0 180,0

Reflektancia % × 10

160,0 140,0 120,0 100,0 80,0 60,0

fenyves bükk-gyertyános-tölgyes

40,0

bükkös

20,0 0,0 1,5000

tölgyes (ktt)

1,7000

1,9000

2,1000

2,3000

Hullámhossz, mikrométer

107. ábra A spektrumgörbék csak abszolút értéküket tekintve különböznek, ami árnyékhatásra is utalhat.

Bükkös

40,0

Reflektancia % × 10

35,0

Bükk-gyertyános-

30,0

Tölgye

25,0

Fenyve

20,0 15,0

fenyves bükk-gyertyános-tölgyes

10,0 0,4960

bükkös

0,5460

0,5960

0,6460

tölgyes (ktt)

Hullám hossz, m ikrom éter

108. ábra A látható tartományban a spektrumok jórészt megegyeznek, csak abszolút értékük tér el.

127

109. ábra SAM osztályozás eredménye

A topográfia (mint az MNF képen látható) nagymértékben befolyásolja az osztályozást. A különféle kitettségű lejtőkön ésszerűen magyarázható, hogy más vegetáció legyen, de ez nem feltétlen felel meg a valóságnak. Megállapítható, hogy a korrigált és korrekció nélküli kép eltérő végeredményt hozott. Kérdés, hogy ennek mi az oka: a korrigált képen az atmoszférikus hatás lett volna nagyobb a nyers képen? Az eleve kevert kategóriákon belüli variancia igen nagy volt a kategóriák közöttihez képest (110. ábra)

128

.

110. ábra Néhány példa az egyes kategóriák maximum, minimum (piros) és átlagértékére (fehér): nagy a szórás a kategórián belül

R10. Átalakítottam a kategóriákat: kivettem a nem növényzetre utalókat és a túl kevés pontot tartalmazókat; egybevontam a bükköt tartalmazókat, a maradékból a csert és kocsánytalan tölgyet tartalmazókat, majd a gyertyánt tartalmazókat. Így három, erősen kevert kategóriám maradt: (kevert) gyertyános, fenyves, (kevert) bükkös, (kevert) tölgyes (111. ábra).

111. ábra A négy végső célkategória átlagspektrumai

R11. A Spectral Angle (SAM) módszerrel e négy kategória ROI-jaiban található pontokat alapul véve végeztem el (112. ábra).

129

112. ábra SAM módszerrel végzett osztályozás 4 kategória alapján (középen) hasonló képet ad, mint a sok-kategóriás osztályozás (balra).

A 4 kategóriát alapul vevő módszer hasonló eredményt hozott, mint a sok kategóriás, így ezt többé-kevésbé valósnak fogadhatjuk el. Az eredmény igazolása azonban csak terepi munkával történhet meg. Az elemzés hiányossága, hogy a képen a meglévő adatok alapján nem tudtam elkülöníteni a spektrálisan markáns fiatalosokat, a gyepeket és cserjés területeket, melyek a beosztást módosítanák, pontosabban a bekategorizált területekből vonnának ki területeket. Terepi ellenőrzés Az irodalmi adatok alapján elvégzett elemzés első terepi ellenőrzésére 2006. júniusában került sor. Ennek során az elvégzett elemezés alapján kijelöltem azokat a tereppontokat, ahonnan jó rálátás nyílik a térképezett felszínre, ahol később meghatároztam a domináns fajokat. A bejárás gyalog történt, térkép segítségével (113. ábra).

113. ábra A recski terület térképe, fényképi ábrázolása és felszínkategriái osztályba sorolás után 130

Balról jobbra: 114. ábra 1. mintavételi pont; 115. ábra 2. mintavételi pont; 116. ábra 3. mintavételi pont

117. ábra 4. mintavételi pont

Balról jobbra: 118. ábra 5. mintavételi pont; 119. ábra a és b: 6. mintavételi pont; 120. ábra: 7. mintavételi pont. Látkép a bánya keleti pereméről nyugat felé. Balra (délen) a bánya magas fala.

1: (114. ábra) Recsk határa. Észak felé rét, legelő, a 42-ea út mentén gesztenyés, az út déli oldalán rét, illetve akácos, mely dél felé fűzes-nyaras-bokros elegybe megy át. 2: (115. ábra) A rét déli peremén lévő leszakadásból, a távvezeték alatt kitisztított, tüskés bozótosból fotózva láthatóak lesznek a terület nagyobb foltokban homogénnek látszó erdőtípusai, pl. a telepített fenyves, tőle keletre magas, idősebb, közel homogén kocsánytalan tölgyes, dél felé pedig tölgyes-gyertyános (-bükkös) erdő. 3: (116. ábra) A közút nyugati oldalán lévő erdő egyértelműen közel azonos arányban kocsánytalan tölgyes-gyertyános (kevés csertölggyel) , az út közvetlen peremén akácossal. Az út keleti oldalán a Csevice-patak folyik. 131

A képen balra tölgy, jobbra gyertyán törzse. 4: (117. ábra) A telepített fenyves határán élesen válik el a két erdőtípus. A kategóriatérkép itt jelez először bükköt: ez valóban megtalálható, de távolról sem olyan arányban, ahogy a térkép ezt sejteti. Balra az út két oldala, jobbra az erőterület déli pereme. 5: (118. ábra) A telepített lúcos kifejezetten sötét a terepen is 6: (119. ábra) Recski Nemzeti Emlékpark (korábbi munkatábor): A topográfiai térkép ezen a területen nem jelez semmit, ami jól mutatja, hogy még a ma kapható térképeken is érvényesül a korábban titkos létesítmény elrejtése. A kategóriatérkép helyesen jelzi az apró fenyveseket. A területen kisebb, náddal benőtt tó is található, mely „besorolatlan”-ként lett kategorizálva. A munkatábor felé vezető út mentén akácos-hegyi juharos erdő található, mely a kategóriatérképen hibásan bükk-gyertyánosként lett besorolva. Az út menti tisztások útként lettek besorolva, rámutatva arra, hogy az út kategória mintapontjai hibásan lettek felvéve. 7: (120. ábra) A jelenleg is működő kőbánya területe. A kőbánya meredek fala lassan hátrál, a bánya területe pedig mélyül is. Kép: kilátás észak felé.

121. ábra 8. mintavételi pont

8. (121. ábra) Panorámapont a bánya déli pereméről, dél felé tekintve. Jól áttekinthető az egész vidék, rajta a fenyves, lombhullató erdők illetve a rétek.

122. ábra 9. mintavételi pont

9: (122. ábra) (Fülemüle-völgy) A térkép szinte homogén bükköst jelezne, a terepen azonban nincs bükk, csak egy igen meredek, keleti kitettségű tölgyes.

132

Balról jobbra: 123. ábra10. mintavételi pont; 124. ábra 11. mintavételi pont; 125. ábra mintavételi pont

10. (123. ábra) A 457 m magas Hegyes-hegy 11: (124. ábra) Párhuzamos irtások helye egy dombon. Azonosítatlan helyen: (125. ábra) homogén bükkös a terület déli részén, azonosítatlan pontban. Ideális mintavételi hely lenne a bükk spektrumához – a pont GPS mérése a következő terepbejáráson történik meg. Második terepi ellenőrzés Az első ellenőrzés adatai alapján újra elvégeztem a képek elemzését, de nem kaptam egyértelmű eredményt: az adatbázisból vett terepi adatok nem egyeztek kielégítően az osztályozás eredményével. Az először bejárt terület pontjaiban azonban nem voltak olyan foltok, ahol a domináns fajok homogénen fordultak volna elő, mely egy újabb, terepi pontokon alapuló osztályozást lehetővé tett volna. Az első bejáráson nem jutottam el a terület magasabb részeihez, ahol az egyik elemzés a bükkösök fokozatosan erősödő dominanciáját mutatta, míg más módszerrel végzett feldolgozás csak bükkös foltokat jelzett, de különféle módszerrel különböző helyeken. Ezért egy második terepbejárást végeztem, most már kifejezetten azzal a céllal hogy a domináns fajokból (bükk, tölgy) homogén helyeket keressek, illetve hogy ezeket magasságuk szerint is külön osztályozhassam, mert úgy találtam, hogy az erdők magassága a spektrumot is befolyásolja (pl. újulás, fiatalos a gyöngyösoroszi kép elemzése kapcsán egyedi spektrumot mutatott). Az erdőterület sűrűsége is befolyásoló tényezőnek tűnt, így ezt is külön figyeltem. A sűrű, fiatalos erdőterületeken és fenyvesekben nem tudtam GPS mérést végezni (a műholdakat takarta a zárt lombkoronaszint), így itt a terület pereméről végeztem koordináta-mérést megadva, hogy a ponttól mely irányban található a célterület. A legkönnyebben azonosítható fenyvesek mindig 99-100% borításúak, ami tiszta fenyves spektrumokat ad, míg a legtöbb – de nem mindegyik – bükkös és tölgyesben a lombkoronaszint záródása kisebb. A második terepbejárásra gyalog, immár saját GPS műszerrel felszerelve került sor 2006. augusztus 11–13-án, azaz szinte pontosan 4 évvel a hiperspektrális kép elkészülte után. A bejárás során 23 terepi pontot jelöltem ki, melyeken később a tanítómezőket definiáltam. Az ENVI az adatokat (f=fok, p=perc, m=másodperc) ffppmm,mm vagy ff,fffffff formátumban jelzi ki, míg a GPS mérések ffpp,pp formában készültek, ezért a tizedesben számolt perc értékeket előbb át kellett számolni perc-másodperc formátumúra. 133

A 15. táblázat mutatja azokat a mintavételi pontokat, ahol vagy homogén, vagy kevert, de ezen belül állandó elegyarányú vagy egyik ponttól a másikig fokozatosan változó erdőtípusokat találtam: No

N 47° ... ’

E 20°…’

Jellemzés

Fafajok

Fotó

Magasság

II/1

54,74 54’44,4”

5,853 5’51,18”

8-10 m magas

tölgy-gyertyánakác

II/2

54,528 54’31,68”

5,798 5’47,88”

az előző pontból folyamatosan növekvő magasságú fák 30 m magasságig idáig

tölgy domi-

II/3

54,458 54’27,48”

5,799 5’47,94”

kis tisztás 10x20 m (a felvétel határán túl van!)

rét

310

II/4

54,251 54’15,06”

6,014 6’0,84”

25 m magas (a felvétel határán túl van!)

tölgy 90,

319

II/5

53,971 53’58,26”

6,091 6’05,46”

mellette kis részen kerítés mentén elhatárolva fiatal, sűrű tölgyeses, másutt 50/50 bükk/cser/gyertyán

vegyes

334

II/6

53,991 53’59,46”

6,177 6’10,62”

egy foltban szinte csak bükk, a gerinc túloldalámn domináns bükk (a felvétel határán túl van!)

bükk

420

II/7

54,192 54’11,52” 53,416 53’24,96” 53,095 53’05,70”

6,476 6’28,56” 5,76 6’28,56” 5,393 5’23,58”

nyiladék határa

tölgy, bükk

380 459

alacsony, 10 méteres

50/50 tölgy/bükk bükk/vegyes sűrű

II/8 II/9

Megjegyzés

305

náns

gyertyán 10

504

domoszlói kapu felé

134

II/10

495

domoszlói kapu után piros úton lefelé

bükk

459

aszfaltúton piros jelzés

tölgy, bükk kevés

458

50/50 bükk tölgy

443

odébb rét fával, itt virágos rét füves

rét

400

4,643 4’38,58”

kaszáló rét, most lekaszálva

rét

370

53,593 53’35,58”

4,568 4’34,08”

házak: nagy szürke palatetős, kis cseréptetős, fémtetős sfészer

53,676 53’40,56”

4,262 4’15,72”

53,66 53’39,60”

4,13 4’07,80”

53,15 53’09,00”

5,254 5’15,24”

II/11

53,266 53’15,96”

5,082 5’04,92”

II/12

53,33 53’19,8”

4,971 4’58,26”

II/13

53,335 53’20,10” 53,42 53’25,20”

4,832 4’49,92” 4,688 4’41,28”

II/15

53,521 53’31,26”

II/16

II/17

II/14

II/18

nyiladék mellett sűrű vékony magas 15-20 m bükk (a kép alapján nem egyértelmű hogy hol) sűrű vékony 2530m

bükk fiata-

lefelé a bükk átmegy tölgyesbe, viszonylag éles folthatárral, kicsi keverdés a foltok határán

los

két fa középen

gyep a ház mellett, fenyő előtte (és a közelben is. A gyepes másik felén nyír keverdik a sűrű erdőbe)

360

elnyúlt hoszszúkás rét

a ház előtt sűrű vékony nyíl és bükk, a túloldalon normál bükk

350

fiatalos sűrű bükk a déli oldalán az útnak. A másik oldalon bükk és tölgy délre tisztás

327

rét, északra bükk, magas, vastag, ritkás, messzebb a tisztáson túl nyugatra bükkös

dél felé

észak felé

nyugat felé II/19

53,67 53’40,20”

3,903 3’54,18”

északra cserjés rét bozót, mögötte keletre bükk (a képen igen heterogén)

cserjés

135

II/20

53,663 53’39,78”

3,695 3’41,70”

30-40 m magas öreg, meredek

bükk

II/21

52,891 52’53,46”

3,638 3’38,28”

sziklás

bükkös meredek

II/22

53,165 53’09,90”

3,44 3’26,40”

II/23

53,557 53’33,42”

63,392 3’23,52”

kb. gps, ilona-völgy

vízesés

ilona-völgyi vízesésnél

délkeletre bükk, északnyugatra tölgyes vegyes gesztenyesor az út mentén, nyugatra füves rét

338

ilonavölgyben

13. táblázat Terepi mintapontok a recski kép vizsgálatához

A két terepi bejárás mintapontjai alapján újra elvégeztem az osztályba sorolást, azaz az R6 pont után folytattam az elemzést. R7b. Meghatároztam az új tanítómezőket. Azokat a pontokat, melyek kívül estek a felvételen, és azokat, melyek a képen nem voltak azonosíthatóak, mert túl heterogének voltak (valószínűleg azért, mert a kép készültekor még más volt a felszínborítás – a rétek esetén), nem vettem figyelembe. – Bükkös II/11, II/18 (északra), II/20; Tölgyes II/2; Rét, legelő, kaszáló II/14, II/18 (délre); Fiatalos II/17 (délre); Fenyves (lúc) első terepbejárás 4. mintavételi pont (47°53'52.47"N, 20°4'23.56"E) és bánya mögötti fenyves (47°53'40.26"N, 20°5'36.74"E); Mesterséges (ház, út, föld) A vegyes erdőállományokat nem soroltam be külön kategóriaként: előfeltevésem szerint ezek a spektrumszétkeverés során kimutathatók. A kész tanítómezőket spektrumkönyvtárba mentettem (126. ábra). (az alábbi sorra kattintva a spektrumgkönyvtár pontos értékei nyílnak meg) Hullámhossz tolgy

bukk

ret

mesterseges fenyo

fiatalos bukk

136

126. ábra A tanítómezők a második terepbejárás után; annak egyes osztályainak átlaggörbéi (fenn) ill. a tölgy és bükk osztályok görbéinek eltérése (lent kontinuum eltávolítással, az eltérések helyei bekarikázva)

Az elnyelési sávokat kiemelő kontinuum-eltávolítás után láthatóvá vált, hogy az egyes növényzeti osztályok lefutása jobbára megegyezik, de az elnyelési sávokban kisebb különbségek észlelhetők. Egyértelmű azonban, hogy az egyes kategóriák abszolút reflektanciája jobban elválasztja őket, mint elnyelési sávjaik klorofill-elnyelést vagy vízelnyelést tükröző kisebb különbségei (melyek nem biztos, hogy faji jellemzők). Az egyes osztályok spektrumgörbéin legjobban a mesterséges osztály különül el, s a növényzeten belül csak a rét, legelő osztály görbéje „cserél sorrendet” egyes hullámhosszak reflektanciáját tekintve az egyes fafajok görbéivel, azaz ez különíthető el legegyértelműbben. A fenyő osztály jellegzetessége egy elnyelési sáv 0,8690 μm-en, mely a többi fafajnál nem látható. A fiatalos bükk osztálynál 0,832 μm-en látható egy kiugrás a spektrumban, ill. a 0,86-0,938 és 1,661,72 μm-es sávban görbéjének lefutása ellentétes görbéjű, mint a nem fiatalos osztályoknál. Ez jól elkülöníthetővé teszi (ez különösen a kontinuum eltávolított görbe megjelenítésnél látható jól). A tölgy és bükk osztályoknál a reflektancia abszolút értékének eltérésén kívül a tölgy „vörös kútjában” 0,623 μm-es klorofill-elnyelési sávjában mutat nagyobb elnyelést, mint a bükk, 0,83-0,87 és 1,691,72, 1,75-2,08 és 2,10-2,115, 2,13-2,145 μm-en eltér a görbéjének lefutása (14. táblázat). Az 1,5-2,4 μm-en lévő abszorpciós sávok a levelek kémiai összetételével kapcsolatosak.

137

Kihagyván azokat a a sávokat, amely hullámhossz-intervallumokban a célspektrumok görbéi megegyezik (a szűrt DAIS képen 13 sáv) vizsgálatával egyrészt gyorsabb, másrészt sikeresebb osztályozás érhető el, mint minden sáv együttes vizsgálatával. Elkülöníthető növények

Jellemző, elkülönítéskor használható spektrális sávok (μm)

Fenyő-lombosfa Fiatalos-nem fiatalos Tölgy-bükk

0,869 0,832; 0,86-0,938; 0,623; 0,78,

0,851

1,66-1,72 1,727 2,08, 2,115, 2,13, 2,145, 2,158, 2,23

14. táblázat Növényre jellemző, elkülönítéskor használható spektrális sávok

R8b: Elvégeztem a SAM osztályozást, a részeredmány (rule) képekkel (127. ábra) és egy maximum valószínűségi osztályozást a görbék alapján kiválasztott jellemző 13 sáv felhasználsával.

127. ábra a terepbejárás adatai alapján végzett osztályozások: balra a minden sáv alapján készült SAM osztályozáss, középen a 13 sávos SAM osztályozás, a jobbra a 13 jellemző spektrális sáv alapján végzett legnagyobb valószínűségi osztályozás

Ennek alapján elmondható, hogy az osztályozás sikeres volt, hiszen azonos erdőfoltok kerültek elkülönítésre mind a terepi, mind a korábbi irodalmi adatok alapján. Azonban úgy tűnik, hogy az elkülönítés nem csak a fafajok alapján történt, hanem más tényezők is közrejátszottak. Ezt bizonyítja, hogy a SAM osztályozás olyan helyen is pl. bükköst jelzett, ahol a terepi bejáráskor egyértelműen tölgyes-gyertyános volt. A bükkös és tölgyes spektrumgörbéit figyelembe vevő 13 jellemző spektrális sáv felhasználásával végzett legnagyobb valószínűségi osztályozás a bükk-tölgy esetén jóval valóságosabb eredményt adott, de a terepi tapasztalatok szerint még itt is több helyen téves besorolás történt (pl. fenyvesek). Az indikatív 13 sávot

138

használó SAM és legnagyobb valószínűségi osztályozások tekinthetők a leginkább reálisnak, ahol a tölgy és bükk sikeresen válik el kategóriáira. A 13 kiválasztott sáv alapján végzett SAM tévesztési mátrixa:

Class

Commission

Omission

(Percent)

(Percent)

tölgy

Class

Prod. Acc.

User Acc.

(Percent)

(Percent)

3.10

47.75

tölgy

52.25

96.90

bükk

94.09

54.16

bükk

45.84

5.91

rét

11.99

74.21

rét

25.79

88.01

mesters

90.11

100.00

fenyő

97.02

31.85

100.00

7.64

mesters. fenyő fiatalos bükk

0.00 68.15 92.36

9.89 2.98 0.00

fiatalos

Magyarázat: Commission: egy másik osztályba tartozó pixeleket a megadott osztályba sorolta; Ommission: a terepi azonosított, referenciaként megadott pixeleket az osztályozás végül más osztályba sorolta; Prod(ucer) Acc(uracy): annak valószínűsége, hogy ha a felszínen adott osztály található, akkor az osztályozó azt oda is sorolta; User Acc(uracy): annak valószínűsége, hogy az osztályozó által adott csoportba sorolt pixel valóban oda is tartozik

feltárja, hogy a mesterséges osztály elkülönítése volt a legsikeresebb, a fenyők között a fenyvesek mind (97%) helyes kategóriába kerültek, de sok fenyvesnek besorolt (68%) nem fenyves; a tölgyesek kb. fele került más osztályba, a képről kiderül, hogy bükkösök nagy részét átvette a hasonló, de erőteljesebb reflektanciájú (végállásúbb) fiatalos bükkös kategória, ezért a nagy arányú anomália; a réteket pedig sok esetben más kategóriába helyezte (ez az anomália azért jelentkezik, mert a rétek és puszta szántók egy kategóriába kerültek). Bár a pontosság aránya 48%, ez főleg a bükkös és fiatalos bükkös hasonlósága számlájára írandó. Az 52 csatorna alapján végzett SAM osztályozás 36%-os pontosságot adott. Ez mutatjka, hogy a csatornák megfelelő szelektálása az osztályozás pontosságát növelheti.

139

A recski terület átlagolt célspektrumai erdészeti adatbázis (A) illetve terepi (B) adatok alapján homogén felszínborítású területeken kijelölt tanítómezőkre Fiatalos bükk (B)

400

Reflektancia (*10) [%]

Bükk (A)

350

Bükk (B)

300

Tölgy (B)

250

Tölgy (A) Fenyő (A) Fenyő (B)

200 150 víz elnyelés

100

0

Levélszerkezet és összetétel jellemző elnyelési sávjai víz elnyelés

0,50 0,51 0,53 0,55 0,57 0,59 0,61 0,62 0,64 0,66 0,68 0,69 0,71 0,73 0,74 0,76 0,78 0,80 0,81 0,83 0,85 0,87 0,89 0,90 0,92 0,94 0,96 0,97 0,99 1,01 1,02 1,04 1,54 1,57 1,60 1,64 1,67 1,70 1,73 1,76 2,08 2,10 2,12 2,13 2,15 2,16 2,17 2,19 2,20 2,22 2,23 2,25

50Klorofill elnyelési tartomány

Hullámhossz (mikrométer)

128. ábra: a terepi és erdészeti adatbázisok alapján felvett fő spektrumok összehasonlítása (a kép adatai kattintásra kibonthatók)

R9b: Összehasonlítva a terepi és erdészeti adatbázisok alapján felvett fő átlagspektrumat azt találtam, hogy a dominánsan bükkös, tölgyes és fenyves területek spektrumainak a lefutása hasonló mindkét esetben, de mindkét esetben reflektanciájuk abszolút értéke alapján eleve jól elválasztható. Ez nem feltétlen a levelek faji bélyege: a lombkorona-szerkezetből adódó különbségekre (pl. árnyékhatás) is utalhat. Az átlagspektrumok szórása minden kategórián belül kb. 3 %-os, míg az egyes kategóriák szórást is figyelembe vevő távolsága kb. 4%. (128 ábra). R9c: Végül elvégeztem egy részleges spektrumszétkeverést (Matched Filtering) a terepi tanítómezők átlagspektrumai alapján (129. ábra)

cxl

129. ábra Mesterséges, Tölgy, Rét, Bükkös( fiatalos), Fenyves kategóriák spektrumszékeverés részképei (világos: nagy megegyezés a célspektrummal; sötét: kisebb azonosság a célspektrummal)

130. ábra: Spektrumszétkeverés után piros: fenyő, zöld: tölgy, kék: bükk

A recski terület részleges spektrumszétkeveréssel végzett osztályozása során a bükkös kategóránál jobb eredményt adott a szélsőértékű fiatalos bükk (magasabb reflektanciával) (130. ábra). Ez a kép már az elegyarányt is mutatja. A recski és gyöngyösoroszi képek elemzésének ö sszegzése A recski és gyöngyösoroszi terület vizsgálata két módszerrel történt: irodalmi adatok alapján és terepbejárással, homogén és tipikus elegyes erdők és felszínborítás típusok keresésével. A két elemzés összegzéseképp megállapítható, hogy a legmarkánsabban a fenyves és minden más növényzet spektruma tér el, ezután a fiatalos/újulás; a gyep területek, a cserjések és a lombos fák, a lombos fákon belül pedig a bükkös és a tölgyes, de finomabb osztályozás is lehetséges lehet, mely azonban további kutatásokat igényel. A rendelkezésre álló adatok alapján teljes biztonsággal fajra jellemző spektrum nem különíthető el. A spektrumkönyvárbéli faspektrumok csak egy fenológiai fázisnak megfelelő időpontot jellemeznek, azaz általánosan nem használhatók. Kérdés továbbá, hogy hogyan magyarázható a spektrumok kategórián belüli erőteljes változékonysága: esetleg az eltérő záródás vagy elegyesedés, a fa szerkezete stb. -e az oka. A lombos fák esetében tehát úgy tűnik, hogy a spektrumok eltérését a faji bélyegeken túl olyan tényezők is befolyásolják, melyek adott esetben a spektrumot erőteljesebben befolyásolják, mint a faji jelleg. A faji elkülönítés akkor a legsikeresebb, ha azokban a sávokban történik vizsgálatuk, ahol az elkülönítendő kategóriák a legjobban eltérnek.

cxli

80 Zöld falevél,

Reflektancia, %

70 60 50 40 30 20

Tölgyfa, DAIS

10 0 0

100

200

300

400

500

600

700

Hullám hossz, nm

131. ábra Egy falevél laboratóriumban mért spektruma (fölső görbe) és a DAIS képen lévő tölgyerdő spektruma (alsó görbe)

Ha összevetjük egy falevélről laborban és egy DAIS képen tölgyfaerdőként azonosított terület spektrumát (131. ábra), azt látjuk, hogy a DAIS képen jóval alacsonyabb a reflektancia, másrészt a spektrumok lefutási görbéi is eltérőek. Mi ennek az oka? Nyilvánvalóan az, hogy a terepen felülről személt fák spektruma nem azonos egy falevél homogén spektrumával. Kérdés tehát, hogy a levél spektruma inkább a meghatározó egy erdő felvételénél vagy az adott elegyes erdőre jellemző egyéb, módosító tényezők (levelek elhelyezkedése, záródás, cserjeszint, fák szerkezete stb.). Ez azt mutatja, hogy a laborspektrum nem feltétlen használható terepi képek elemzésekor. A célspektrumok kiválasztásakor a képen előforduló minden jelentősebb kategóriát figyelembe kell venni a tanítómezőknél, a félreosztályozás elkerülésére Mindezek vizsgálata az elemzett képekhez hasonló térbeli felbontású légifelvételeket és utólagos felszíni precíziós méréseket kívánhat, mely során az egyértelmű, méter pontosságú pixelhatáron belüli fák jellemzői megállapíthatók lennének. A másik oldalról megközelítve pedig épphogy nagyobb, „homogén” foltok elkülönítésével lehetne növelni a pontosságot azért, mert elképzelhető, hogy a kisebb méretű spektrális mintavételi tanítómezők a kategórián belülö nagy változékonyság miatt nem eléggé reprezentatívak az adott elegyre nézve, öszszehasonlítva más erdőtípusok spektrumával.

cxlii

TEDEJ: LANDSAT-SZIMULÁCIÓ ÉS HIPERSPEKTRÁLIS ÖSSZEHASONLÍTÁS

132. ábra A tedeji terület közel valós színű képe a georeferálás nélküli felvételen (RGB: 4-7-1. DAIS csatornák)

A tedeji területet (132. ábra) a Debreceni Egyetem kutatásai során már kellő részletességgel feldolgozták. Arra voltam kíváncsi, hogy egy ilyen, viszonylag egyszerűen osztályozható területen, a felszínborítás pontos, előzetes ismeretében azonos módszerrel milyen különbség tehető egy hiperspektrális osztályozás és egy LANDSAT TM csatornáit szimuláló (de a hiperspektrális kép felbontását megtartó) osztályozás között. A tedeji terület egyediségét tehát az adta, hogy – a felszínborítás táblatörzskönyvből pontosan előre ismert volt (133. ábra) – a felszínborítás nagy területen homogén volt (és csak kis területen heterogén) – fedetlen talaj és növényborításos terület is megtalálható volt

133. ábra Tedej termesztett növényei a képfelvéltel időpontjában, földhasználati táblatörzskönyv alapján, egyszerűsítve; a tanítómezők feltüntetésével. A háttérkép a DAIS NDVI képe.

A munkához az at sensor képeket használtam. A tedeji DAIS képen endmembereket definiálandó tanítómezőket vettem a DAIS kép, a táblatörzskönyv és a DAIS kép alapján készített NDVI kép alapján és spektrumkönyvtárat cxliii

hoztam létre (134. ábra). Az NDVI kép segített a talajborítás kiválasztásában (az őszi búza az augusztusi képen még inkább szántó kategóriájú volt). Az NDVI kép a szikesek kiválasztásában is segített.

134. ábra Az egyes osztályok átlagspektrumai

TEDEJ SPEKTRUMKÖNYVTÁR A dolgozat elektronikus változatában a fenti feliratra kattintva olvashatók a spektrumkönyvtár egyes adatai

A spektrumkönyvtár segítségével SAM módszerrel osztályoztam a képet. Az osztályozás során felmerült problémák: a kukorica és az erdő időnként egybemosódott (a kukorica osztályozása Burai et al. (2004) munkájában is csak 61-80 %-os pontosságú volt), a táblák határát útként (vagyis csupasz földként) osztályozta – az út és a legelő is egybemosódott, az út és a még kicsi lucerna is összekeveredett; időnként a még alig kelő őszi búza üres tábláival is. A szikes területek viszont szépen megjelentek. Ezután az eredeti képen a LANDSAT TM csatornakiosztását szimuláltam a spektrális újramintavételezés funkció segítségével. Ezzel a következő csatornákat hoztam létre az eredeti 79 (-2 rossz)-ból: 0,56; 0,65; 0,83; 1,66; 2,11 m. A 0,49-m-es csatornát nem tudtam létrehozni mert a DAIS ezen a hullámhosszon nem vett fel adatot. Ezen a képen az előzővel azonos tanítómezőket felhasználva spektrumkönyvtárat hoztam létre majd SAM módszerrel osztályoztam a képet (135. ábra). Az azonos módszerrel osztályozott teljes és a szimulált LANDSAT kép eredményeit változásdetektálás segítségével hasonlítottam össze (136. ábra).

cxliv

135. ábra Ugyanazon kép ugyanazon osztályai és tanítópontjai kétféle spektrális felbontású SAM osztályozási módszerrel: fent a hiperspektrális kép 77 csatornája, lent a LANDSAT TM szimuláció 5 csatornája felhasználásával. A különbség főleg a talajjal borított területek (út/szántó/legelő/szikes) keveredésével található, illetve az erdő és a kukorica keveredésében; a két kép azonban nagyságrendileg nem tér el egymástól – nem úgy, mint a hiper- és multispektrális képek költségei.

136. ábra A változásdetektálás függvénnyel a két kép közötti változás kimutatható: ez nem egész táblák rossz osztályozását, hanem inkább a táblaperemek eltérő besorolását jelenti. A változásdetektálás statisztikai függvényeivel a kategóriánkénti eltérés számszerűsíthető is.

ÖSSZEGZŐ MEGÁLLAPÍTÁSOK 

Az erdőtípusokra létrehozott spektrális kategóriák a multispektrális képfeldolgozásban is szétválasztható spektrális kategóriák esetén (pl. fenyves/lombhullató/rét) nagy biztonsággal használhatók. A lombhullató erdőtípusoknál létrehozott spektrális kategóriák csak részben tükrözik az erdőtípusok faji összetételét: a terepi ellenőrzés során kiderült, hogy ezeket a spektrális kategóriákat („spektrumtájakat”) részben más tényezők is befolyásolják: így az adott növényállomány kis területen jelentkező eltérései domborzati, lejtőkitettségi és mikroklimatikus hatások miatt, az erdő kora, a lombkoronaszint szerkezete, záródása és árnyékhatásai, a növényzet víztartalma, valamint további, ismeretlen técxlv

nyezők, melyek egyes területeken erőteljesebben változtathatják meg a spektrumot, mint a faji bélyeg. A spektrumok fajon belüli szórása ill. abszolút értéke is lehet indikatív. 

Az irodalmi (erdészeti adatbázisok) és a terepi adatok alapján végzett (más helyről vett tanítópontokat használó) osztályba sorolás hasonló eredményt adott, tehát valós spektrális osztályokat („spektrumtájakat”) tükröz; ám az eredmények csak további terepi ellenőrzéssel verifikálhatóak illetve ültethetők át faji vagy erdőtípus osztályokra (referenciaspoektrumokká), azaz az ilyen jellegű úttörő kutatás kezdeti szakaszában utólagos terepi ellenőrzés(ek)re is szükség van.



Vegetáció esetén a terepen ill. laborban felvett spektrum különbözik: a spektrumkönyvtárhoz mindenképp terepen (magasból) felvett spektrumra van szükség, mert a növényzet labormérésekkel más megjelenésű, mint terepen (azaz az egészséges levelek spektruma nem azonos a fa fölülről felvett spektrumával). Ehhez különleges felszerelésre (pl. daru) vagy a légifelvételekre van szükség. A terepen felvett spektrumokat is atmoszférikus korrekcióval kell ellátni a szórt fény kiszűrésére. A spektrumkönyvtárnál szerepeltetni kell, hogy a spektrum milyen térbeli felbontású képelemekről készült, és mik voltak a műszer optikai paraméterei.



A helyes osztályba soroláshoz használható referenciaspektrumkönyvtárhoz célszerű egy teljes vegetációs perióduson át követni a célobjektumok spektrumának változását, ahogy azt a multispektrális mezőgazdasági elemzéseknél is teszik: erre a mi régiónkban még nem kerülhetett sor a technológia új volta miatt. A célterület kiválasztása szempontjából a területen belül minél több eltérő, de önálló foltjában homogén felszínborítástípus jelenléte a legmegfelelőbb. Ha sikerült kijelölni egy olyan időpontot, amikor a legnagyobb a spektrális különbség a célobjektumok között, ezt az időt célszerű a további felvételek elkészítésekor választani.



A terepen felvett hiperspektrális képek számos olyan sávot tartalmaznak, melyek túl zajosak ahhoz, hogy szűréssel használhatóvá tegyük őket. A DAIS műszer által felvett képekre elvégeztem ezen zajos sávok kiszűrésének feladatát, így az eredetileg 79 sávos adatkockából zajszűrés után is csak 52 sávot használtam.



A tölgyes és bükkös területek alapján a hiperspektrális képen kijelölt „tölgy” és „bükk” (spektrális) kategóriák elkülönítésére a következő DAIS által használt sávokat találtam alkalmasnak, a két kategória tanítómezőiből nyert átlagspektrumspektrumok alapján (7. ábra). A reflektancia maximuma (1,035 mikrométeren) a tölgy esetén rendre 25-28, a bükk esetén 30-

35% volt: e tekintetben a két kategória egyértelműen elkülöníthető volt. Ezek azonban csak azt tükrözik, hogy a Recs-Parád-Domoszlói kapu közötti terület homogén bükkösei és tölgyesei mintaterületei a 2002. augusztusi időszakban spektrálisan elkülönültek; az cxlvi

azonban még kérdés, hogy e két kategória spektruma valójában mi alapján különül el egymástól és más erdőtípusoktól (pl. lombkoronaszint szerkezete, lokális vízháztartás, fenofázis stb.) (137. ábra) A recski terület átlagolt célspektrumai erdészeti adatbázis (A) illetve terepi (B) adatok alapján homogén felszínborítású területeken kijelölt tanítómezőkre 400

Fiatalos bükk (B) Bükk (A)

350

Bükk (B)

Reflektancia (*10) [%]

300

Tölgy (B) Tölgy (A)

250

Fenyő (A) Fenyő (B)

200 150 víz elnyelés

100 Klorofill elnyelési tartomány

0

Levélszerkezet és összetétel jellemző elnyelési sávjai víz elnyelés

0,50 0,51 0,53 0,55 0,57 0,59 0,61 0,62 0,64 0,66 0,68 0,69 0,71 0,73 0,74 0,76 0,78 0,80 0,81 0,83 0,85 0,87 0,89 0,90 0,92 0,94 0,96 0,97 0,99 1,01 1,02 1,04 1,54 1,57 1,60 1,64 1,67 1,70 1,73 1,76 2,08 2,10 2,12 2,13 2,15 2,16 2,17 2,19 2,20 2,22 2,23 2,25

50

Hullámhossz (mikrométer)

137. ábra Elkülöníthető

növé-

Növényre jellemző, elkülönítéskor használható spektrális sávok (μm)

nyek Fenyő-lombosfa

0,869 0,832; 0,86-0,938;

Fiatalos-nem fiatalos Tölgy-bükk



0,623; 0,78,

0,851

1,66-1,72 1,727; 2,08; 2,115; 2,13; 2,145; 2,158; 2,23

A tedeji mezőgazdasági területre egy azonos térbeli felbontású LANDSAT-szimuláció és a hiperspektrális kép elemzésének eredményeinek összehasonlításából kiderült: az általam használt elemző módszerekkel a hiperspektrális kép nem adott kiemelkedően jobb eredményű osztályba sorolást.



A hiperspektrális technológia csak abban az esetben használható gazdaságosan, ha olyan felszínborítás-típusokat kell elkülöníteni, melyek a létező multispektrális képeken nem szétválaszthatók. Egy ilyen munka rutinszerű alkalmazását a munka első fázisában alapkutatásnak, azaz a spektrumok terepi és labormeghatározásának kell megelőznie. Mivel a hiperspektrális kép rengeteg redundanciát tartalmaz, az adatdimenzionalitás csökkentésére van szükség. Ez történhet automatikusan (pl. PCA módszerrel) vagy célzottan. Utóbbi esetben a hiperspektrális képen a csak ilyen felbontásban megjelenő elnyelési sávok, vagy a vörös él adhat olyan sávokat, melynek kombinálásával a felszíni objektumok jól szétválaszthatók, az eredeti kép elemzéséhez képest nagyságrendekkel gyorsabban, és akár jobb pontossággal. Azokat az „indikatív” sávokat kell kiválasztani, melyeknél a célspektrumok cxlvii

között a legnagyobb eltérés van. Így végeredményképp egy újabb, de az igényeknek megfelelően „válogatott”, szűk spektrális felbontású sávkombinációjú multispektrális kép feldolgozása történik (akárcsak főkomponens-analízis után, de ez esetben a spektrumok eredeti tulajdonságai nem vesznek el és összevethetők referenciaspektrumok megfelelő sávjaival is). 

A dolgozatban bemutatott elemző módszerek folyamatsora az ENVI program használatával a következő (138. ábra):

cxlviii

138. ábra A hiperspektrális képfeldolgozás néhány lehetséges útjának folyamatábrája (más utak is lehetségesek és nincs minden opció feltüntetve)

cxlix

A JÖVŐ LEHETŐSÉGEI Fontos hangsúlyozni, hogy a kutatásban a hiperspektrális képalkotás csak egy – drága és adatkockájának nagysága miatt nagy számítógépes kapacitást igénylő – adatgyűjtési módszer – eszköz – a sok közül, amellyel megérthetjük a környezetben lejátszódó jelenségeket, folyamatokat, és így a folyamatok hatásait a mainál pontosabban előre jelezhetjük. A hiperspektrális képek adatredundanciája hatalmas, az elemzés feladata pontos terepi ismeret birtokában kiválasztani azokat a területeket és sávokat, amelyen a vizsgált objektum spektruma a legtisztább (keveredés nélküli) ill. a spektrum azon tartományát (sávokat), ahol a vizsgált objektumok a legjobban elkülöníthetőek egymástól. Ezek pl. spektrumkönyvtából lehetnek ismertek. Ilyen azonban, különösen terepi mérések alapján és hazai fajokra, még nem állnak rendelkezésre. Légi hiperspektrális felvételek rendszeres készítésére – pl. hiperspektrális monitorozásra – ma még Magyarországon nincs lehetőség. Az itt bemutatott kísérletünk során elkészített méréseket pl. fel lehet használni arra, hogy segítségükkel kifejlesszük és igazoljuk azokat a modelleket, amelyekkel a mért spektrumokból azonosítani lehet a szennyezőanyagokat. Ezen modellek alapján az is meghatározható, hogy a gyengébb felbontású multispektrális képeken mely jelenségek ismerhetők fel. A ma legfejlettebb hiperspektrális berendezések az USA-ban készülnek. Ilyen a Jet Propulsion Laboratory (Sugárhajtás Laboratóriuma) által készített, 1987 óta működő AVIRIS (Airborne Visible / InfraRed Imaging Spectrometer) szenzor, mely 224 csatornán mér és 664 pixeles sorokból álló képeket készít. (Ennek német gyártmányú „megfelelője” a DAIS). Hamarosan hasonló terepi és spektrális felbontású szkennerek műholdakról való üzemeltetése is várható. Az EO-1 műhold Hyperion szkennere 220 csatornán érzékel 400-2500 nm-es tartományig, 30 méteres térbeli felbontással. Egy képen egy 7,5x100 km terület szerepel (EO1 2005). A műhold a Landsat 7-től 50 km-es távolságban lévő pályán áll, így az összehasonlítás végett vele egyidejűleg tud azonos területről képeket készíteni. A finn AISA 286 sávban érzékel a látható és közeli infravörös tartományban, a kanadai CASI 288-ban ugyanitt. Ezek a mai legjobb felbontású szkennerek. A technológiák fejlődésével folyamatosan nő a spektrális felbontás (a csatornák száma) és a spektrum hullámhossztartománya is. Már készülnek a következő generációs technológia tervei: még több – több ezer – sávban, még szélesebb hullámhossz-tartományban, még szűkebb csatornákon felvett képek készülnek majd az ultraspektrális távérzékeléssel...

cl

A hiperspektrális távérzékelés hazai távlatai az európai kutatási és fejlesztési programokhoz való csatlakozással növelhetők. Ez irányba tett első lépés volt az itt bemutatott, a HySens 2002 program keretében lebonyolított felvételezés és egy attól független kutatás. A jelen elemzés további feladatai A jelen elemzés nem adott egyértelmű végeredményt: a sokszori ellenőrzés során minden alkalommal újabb kérdések és lehetőségek merültek fel. A lombhullató növényzet vizsgálatakor az okozza a nehézséget, hogy azonos felépítésűek lévén elnyelési sávjai és spektrális tulajdonságai jórészt megegyeznek – de természetesen kis különbségek léteznek a fényvisszaverés abszolút értékén túl is; ezek nélkül nem lehetne szétválasztani őket. A további feladat ezen kis különbségek pontos spektrális helyének kijelölése, az egyes fajok vagy elegyek elkülönítésének szintjén, különböző időpontokban (esetleg a lombkorona szerkezeti különbségeinek feltárása lézeres magasságmérésből származó profil segítségével). További feladat az adott terület elemzésében pl. a hamis színes fotótérkép (pl. RGB: 1,0060, 1,5390, 0,6570 μm-es sávok) alapján felkeresni azokat a pontokat, ahol éles határ húzódik kétféle megjelenésű terület között és ezek milyenségét rögzíteni. Erre sor került a gyöngyösoroszi mérés során, mivel rendelkezésre állt hozzá a GPS vevőbe tölthető kép opciója: erre a recski kép esetén nem volt lehetőség. (A gyöngyösoroszi kép azonban, mint kiderült, hibás előfeldolgozású volt, ezért lejtőkitettség alapján különültek el a kategóriák). Így meghatározható lehet, hogy a faji különbségen kívül milyen tényezők befolyásolják az adott helyen a spektrum eltérését. Az egyes területeken belül a spektrumot torzítja a kevéssé zárt lombkoronaszint a bekeveredő talaj/avar/cserjeszint ill. az árnyékhatás miatt. A fafajok tiszta spektrumát a legcélszerűbb zárt lombkoronaszintű (és idős fákat tartalmazó) területen meghatározni. A kevert spektrum is lehet azonban célspektrum, feltéve, ha az egyes hatások (árnyék, gyepszint) nem pixelenként külön, hanem egy képponton belül, keverve jelentkeznek. Külön vizsgálandó a kevert akác-juhar-egyéb puhafás, valamint a fiatalos/újulásos terület. Olyan területen kellene a spektrumkönyvtár építést kezdeni, ahol homogén foltban előfordul minden a területen a műhold számára látható faj (pl. itt gyertyán, bükk, tölgy, akác stb.). A továbbiakban lehetséges volna meghatározni azt a (fenológiai) időpontot, amikor a fajok a legjobban elkülöníthetők egymástól. Ugyanígy azt a szűkebb sávot is meg lehet határozni, ahol a két faj spektruma a legjobban eltér egymástól (pl. elnyelési sávok, vörös él környéke). Ehhez azonban nem lehet a spektrális információk elvesztésével járó dimenziócsökkentést (pl. főkomponens-analízist) végezni. A későbbiekben ismert lehet, hogy mikori időpontban felvett képen mely sávok vizsgálatával különíthetőek el legjobban a vizsgálandó felszínborítástípusok. cli

IRODALOM (REFERENCIÁK) ANTAL Á.–KÁLY-KULLAI K.–FARKAS H. 2005: A napsugárzás spektruma és az emberi szem érzékenysége. Fizikai Szemle 2005/6. pp 199-203. AUDA, Y.–BLASCO F.–GASTELLU-ETCHEGORRY J. P.–MARTY G.–DÉCHAMP C. 2002: Essai préliminaire de détection des champs d’ambroisie par télédétection spatiale. Revue française d’allergologie et d’immunologie clinique 42 (2002) pp. 533–538. BARDUCCI A.–GUZZI D.–MARCOIONNI P.–PIPPI I. 2004: Comparison of fire temperature retrieved from SWIR and TIR hyperspectral data Infrared Physics & Technology 46 (2004) 1–9 BERLIN, B. ÉS P. KAY. Basic Color Terms: Their Universality and Evolution. Berkeley and Los Angeles. University of California Press, 1969. BOGNÁR V. 1999: Magyarország légi felmérése – megvalósíthatósági tanulmány. Előadás szövege a tanulmány vezetői összefoglalójáról. http://www.otk.hu/cd99/szek2/bognarvilmos.htm Országos Térinformatikai Konferencia, Szolnok, 1999. BOUMAN C. A. 2006: Digital Color Imaging. 2006. jan. 10. előadás pdf. BURAI P.–TAMÁS J.–LÉNÁRT CS.–PECHMANN I. 2004: Usage of different spectral bands in agricultural environmental protection. ISPRS Konferencia, Isztanbul, 2004. július 12-23. Online: www.isprs.org/istanbul2004/yf/papers/936.pdf BURAI P.–PECHMANN I. 2003: Különböző spektrális felbontású távérzékelt adatforrások alkalmazási lehetőségei az agrár-környezetvédelemben. Acta Agraria Debreceniensis. Online: http://www.date.hu/acta-agraria/2004-13/burai.pdf BÜTTNER GY. 1990: Digitális légifelvételezési kampány a Szigetközben, Földfelszíni és meteorológiai megfigyelések a világűrből, pp.105-112, MANT. BÜTTNER G–FERANEC J. –JAFFRAIN G. –MARI L. –MAUCHA G. és SOUKUP T., 2004a. The CORINE Land Cover 2000 Project. EARSeL eProceedings 3(3), 331-346. BÜTTNER G–MAUCHA G. –BÍRÓ M. –KOSZTRA B. –PATAKI R. és PETRIK O, 2004b. National land cover database at scale 1:50,000 in Hungary. EARSeL eProceedings 3(3), 323-330. CAULFIELD H. J. 2003: Artificial Color. Neurocomputing 51, pp 463-465. CASTRO-ESAU K.L.–SÁNCHEZ-AZOFEIFA G.A.–CAELLI T. 2004: Discrimination of lianas and trees with leaf-level hyperspectral data Remote Sensing of Environment 90 (2004) 353–372 CHANG, S.–WESTFIELD, M. J.– LEHMANN, F.–OERTEL, D.–RICHTER, R. 1993: A 79 Channel Airborne Imaging Spectrometer , SPIE 1937 pp. 164–172. clii

CHEN C-M.–HEPNER G. F.–FORSTER R. R. 2003: Fusion of hyperspectral and radar data using the IHS transformation to enhance urban surface features. ISPRS Journal of Photogrammetry & Remote Sensing 58 (2003) 19– 30 CIE 1931: Commission Internationale de l’Eclairage Standard 2o Observer idézi Bouman 2006. CLARK R. N.– SWAYZE G. A.–WISE R.–LIVO E.–HOEFEN T. M.–KOKALY R. F.–SUTLEY S. J. 2003: USGS Digital Spectral Library splib05a. Online: http://pubs.usgs.gov/of/2003/ofr-03-395/ofr-03-395.html CLARK M. L.–ROBERTS D. A.–CLARK D. B. 2005: Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales Remote Sensing of Environment 96 (2005) 375 – 398 CLEVERS, J.G.P.W.–DE JONG, S.M.–EPEMA, G.F.–VAN DER MEER, F.D.–BAKKER, W.H.–SKIDMORE, A.K.–SCHOLTE, K.H. 2002: Derivation of the red edge index using the MERIS standard band setting. International Journal of Remote Sensing 23 (16), 3169–3184. CZIMBER K. 2000: Hiperspektrális felvételek alkalmazása az erdőtérképezésben. Doktori szigorlat. Sopron, 2000. október 26 CSORNAI G, DALIA O. 1995: Távérzékelés. Kézirat. Székesfehérvár, Erdészeti és Faipari Egyetem Földmérési és Földrendezői Főiskolai Kar. CSORNAI G.–KOCSIS A.–NÁDOR G.–SOMOGYI P.–SUBA ZS.–TIKÁSZ L.–TARCSAI B.–WIRNHARDT CS. 1997: Szántóföldi növények országos felmérése távérzékeléssel, Geodézia és Kartográfia, XLIX. évfolyam, VII. sz.–pp. 15–21. DENNISON P. E. ÉS ROBERTS D.A. 2003: The effects of vegetation phenology on endmember selection and species mapping in southern California chaparral. Remote Sensing of Environment 87 (2003) 295–309 DIÓSZEGHY M. 2002: Operatív automatikus felhőosztályozás METEOSAT meteorológiai műholdképeken. Doktori értekezés, ELTE TTK Földrajz-meteorológia Program. EO1, 2005: Earth Observing 1 (EO-1) – Sensors – Hyperion. U.S. Department of the Interior, U.S. Geological Survey http://eo1.usgs.gov/hyperion.php EU 2004: A Tanács 1504/2004/EK rendelete. Az Európai Unió Hivatalos Lapja, 2004.8.31 FENG J.–RIVARD B.–SÁNCHEZ-AZOFEIFA A 2003: The topographic normalization of hyperspectral data: implications for the selection of spectral end members and lithologic mapping Remote Sensing of Environment 85 (2003) 221–231 FU J.–CAULFIELD H. J.–BOND A. J. 2005: Artificial and biological color band design as spectral compression Image and Vision Computing 23 (2005)pp. 761–766

cliii

GER 3700 (1990): Geophysical and Environmental Research Corporation GER 3700 Spectroradiometer User’s Manual, Release. 2.1, 55 pp. online: http://www.ger.com/3700.html GIBSON J. E. ÉS FAIRCHILD M. D. 2000 Colorimetric Characterization of Three Computer Displays (LCD and CRT) Munsell Color Science Laboratory Technical Report Jan. 2000. GOETZ, A.F.H.–VANE, G.–SOLOMON, J.E.–& ROCK, B.N. 1985: Imaging spectrometry for earth remote sensing. Science, 228, 1147. GUPTA R.K.–VIJAYAN D. –PRASAD T. S. 2002: Comparative analysis of red-edge hyperspectral indices. Adv. Space Res. Vol. 32, No. 11, pp. 2217-2222.200 GVOP 2004: A GVOP-2004-3.2.1 pályázat nyertesei online: www.gkm.gov.hu/data/259054/321_1126.pdf HABERMEYER M. 2001. The Digital Airborne Imaging Spectrometer DAIS 7915. German Aerospace Center, http://www.op.dlr.de/dais/dais-scr.htm HARGITAI H. 2002: Hiperspektrális távérzékelés. In: Karátson D. (szerk.): Pannon enciklopédia. Magyarország földje, Kertek 2000, Budapest. 2. kiadás HARGITAI H. 2005: Távérzékelés. in: Hargitai H, Kereszturi Á, Lazányi J: Csillagászat. In: Nagy Világatlasz, 2. kiadás. TOPOGRÁF, Nyír-Karta. HARGITAI H. 2006: Szemek a bolygókutatásban – A szivárványon túl. Profiterol, szeptember. HARGITAI H. 2007: Planetary Maps: Visualization and Nomenclature. Cartographica (közlésre elfogadva) HARGITAI H.–KERESZTURI Á: 2002: Javaslat magyar bolygótudományi szaknyelvi norma létrehozására. Geodézia és Kartográfia LIV, 2002/9, pp. 26-32. HARGITAI, H.–VEKERDY, Z.–TURDUKULOV, U.–KARDEVÁN, P. 2004: Képalkotó spektrométeres távérzékelési kísérlet Magyarországon. Térinformatika, 2004/6. pp. 12-15.–online: http://terinformatika.geocentrum.hu/2004-6/cikk9.html HARGITAI H.–KARDEVÁN P.–HORVÁTH F. 2006: Az első magyarországi képalkotó spektrométeres repülés eredményeinek összegzése. III. Magyar Földrajzi Konferencia, Budapest, 2006. szeptember 6-7. Magyar Tudományos Akadémia. HARGITAI H.–KERESZTURI Á– SIK A. (2005): A Mars hidrográfiája. Földrajzi Közlemények, közlésre elfogadva HORVÁTH F. 2006: személyes közlés

cliv

HYDE H. J. 2003: Investigation of the relationship between chlorophyll concentration and high spectral resolution data of Phragmites australis in heavy metal contaminated sites. ITC, Enschede. ITC, 2003: MSc Theses 2003, http://www.itc.nl/library/Academic_output/2003/MSc_theses_2003.asp. JAN A. N. 2000: Spectral Separability among Six Southern Tree Species. Thesis in Forestry, Virginia Polytechnic Institute and State University. JUNG A.–KARDEVÁN P.–TAMÁS J. 2003: Hiperspektrális felvételek alkalmazása természeti erőforrások értékelésére In: Proc.Lippay - Ormos - Vas Tudományos Ülés, Szent István Egyetem, Budapest, Budai Karok, November 6-7. JUNG A.–KARDEVÁN P.–TŐKEI L. 2005a: Detection of urban effect on vegetation in a less built-up Hungarian city by hyperspectral remote sensing. Physics and Chemistry of the Earth 30 (2005) pp. 255– 259. JUNG, A.–KARDEVÁN, P.–TŐKEI, L. 2005b: Detecting of urban effect on vegetation in a less build-up hungarian city by hyperspectral remote sensing, Physics and Chemistry of the Earth, Parts(A/B/C), Physics and Chemistry of the Earth, Parts A/B/C, Volume 30, Issue 1-3, 1 January 2005, Pages 255-259 (Available online 10 November 2004.–www.sciencedirect.com) JUNG A. 2005 Spektrális információk alkalmazása a városklíma-kutatásban. doktori értekezés, Budapesti Corvinus Egyetem, Kertészettudományi Doktori Iskola. Online elérhető: http://www.lib.unicorvinus.hu/phd/jung_andras.pdf KARDEVÁN P. (szerk.)1998a: Magyarország légi felmérése. Tanulmány. - Országos Műszaki Fejlesztési Bizottság, Budapest, 123 p. KARDEVÁN P. 1998b: Nagy-felbontóképességű légi-geofizikai módszerek és alkalmazási lehetőségeik. Országos Térinformatikai Konferencia. http://www.otk.hu/cd9198/1998/kardevanpeter.htm KARDEVÁN P.–RÓTH L.–VEKERDY Z. 2000: Terepi spektroradiométeres mérések a 2000. márciusi, bányászati tevékenység okozta tiszai nehézfém szennyeződések hatásának vizsgálatára. Földtani Kutatás, 2000. IV. negyedév pp 3-7. KARDEVÁN P.–VEKERDY Z.–RÓTH L.–SOMMER ST.–KEMPER TH.–JORDAN GY.–TAMÁS, J. PECHMANN I.–KOVÁCS E.–HARGITAI H.–LÁSZLÓ F. 2003a: Outline of scientific aims and data processing status of the first Hungarian hyperspectral data acquisition flight campaign, 3rd EARSeL Workshop on Imaging Spectroscopy in Oberpfaffenhofen, 2003. május 13-16. KARDEVÁN P.–FÜGEDI U.–STEFAN S.–TAMÁS J.–GRUIZ K.–THOMAS K.–JORDÁN GY.–RÓTH L.– HARGITAI H.–ZELENKA T. 2003b: Légi hiperspektális távérzékelési módszerek alkalmazása korábbi

clv

bányászati tevékenységek környezeti felmérésében In: Proc.Lippay - Ormos - Vas Tudományos Ülés, Szent István Egyetem, Budapest, Budai Karok, November 6-7. KARDEVÁN P. 2004a: DAIS képek vizsgálata. (kézirat, MÁFI) KARDEVÁN P. 2004b: Use of remote sensing techniques for mining waste inteventory and environmnetal assessment in Hungary. Workshop on Wasys and Novel Techniques to establish harmonised inventories of Waste Materials from mineral extraction across Europe 2004. okt. 21-22.–Pozsony KARDEVÁN P.–REISINGER P.–TAMÁS J.–JUNG A. 2004c: A parlagfű (Ambrosia artemisiifolia L.) reflektancia spektrumainak meghatározása terepi mérésekkel. Magyar gyomkutatás és technológia, ISSN 1586-894X 2004. (V. évf.) 1. sz. 15-31. old. KARDEVÁN P.–REISINGER P.–TAMÁS J.–JUNG A. 2005a: A parlagfű detektálás távérzékelési módszereinek vizsgálata. I. rész – A távérzékelési képek osztályozási hatékonyságának növelése a parlagfű (Ambrosia artemisiifolia L) reprezentatív spektrumainak terepi DGPS mérésekkel történő kiválasztásával. Magyar Gyomkutatás és technológia. (megjelenés alatt) KARDEVÁN P.–REISINGER P.–TAMÁS J.–NÁDOR G.–CSORNAI G.–JUNG A. 2005b: Parlagfű spektrumok terepi mérésének tapasztalatai. Fény-Tér-Kép Konferencia és Műhelytanácskozás 2005 november 10-11.– Dobogókő KARDEVÁN P. 2006. Személyes közlés Kertészettudományi Kar 2006: Tanszéki oldal. http://talalat.kurzor.hu/Tarolt?idx=0&id=66877&query=ISPA KERSE T. C. 2001: Mapping salinity using multispectral and hyperspectral data in Tabernas Southeast Spain. ITC, Enschede. KFDT 2006 A növényfenológia paraméterei. Kempelen Farkas Felsőoktatási Digitális Tankönyvtár, letöltés: 2006. http://www.hik.hu/tankonyvtar/site/books/b155/ch05s01s02.html KOVÁCS E. ÉS TAMÁS J. 2003: A minta víztartalmának hatása a terepi röntgenfluoreszcens spektrométer megbízhatóságára. „A környezetállapot értékelés korszerű módszerei” – tudományos konferencia, Gyöngyösoroszi, 2003. április 16. Kőolaj és Földgáz 2001: Színképelemzéses távérzékelés vezetékek monitorozására. Kőolaj és Földgáz 34. (134.) évfolyam 2–3. szám, 2001. február–március KUMAR L.–SCHMIST K.–DURY S.–SKIDMORE A. 2000: Imaging spectrometry and vegetation science. in: Imaging spectrometry, Kluwer Academic Publishers: Dordrecht, p. 111-155 LÁDAI A. 2005: Hiperspektrális adatgyűjtés a Marson. Kari Bemutató - Építőmérnöki Kar, Fotogrammetria és Térinformatika Tanszék Műegyetemi Napok 2005. február 26–március 5. clvi

LAUDIEN R.–BARETH, G.–DOLUSCHITZ R. 2003: Analysis of Hyperspectral field data for detection of sugar beet diseases. EFITA 2003 Conference 2003. július, Debrecen. pp. 375-381. LILLESAND, T.M.–Kiefer R.W. 1994: Remote Sensing and Image Interpretation. Wiley, London. LOMBARDO V. ÉS BUONGIORNO M. F. 2006: Lava flow thermal analysis using three infrared bands of remote-sensing imagery: A study case from Mount Etna 2001 eruption Remote Sensing of Environment xx (2006) xxx–xxx (közlésre elfogadva) MARI L. – MATTÁNYI ZS. 2002. Egységes európai felszínborítási adatbázis a CORINE Land Cover program – Földr. Közl. CXXVI. (L.) 1-4. sz. pp. 31–38. MARI L. 2006: , szóbeli közlés, 2006. június MEER F.D.V.D. ÉS JONG S.M.D.(szerk.). 2001. in: Imaging spectrometry, Kluwer Academic Publishers: Dordrecht, p. 283-306. METTERNICHT G. I. ÉS ZINCK J. A. 2003: Remote sensing of soil salinity: potentials and constraints. Remote Sensing of Environment 85 (2003) 1 –20 Mineo 1999: State of the art of remote sensing and GIS applied to environmental studies related to mining activities. EC DG INFSO-B4 MOLNÁR G.–BLAHA B.–HORVÁTH G: Látás az ibolyán túl Természet Világa, 1997. április, pp. 155–159 Mozaik Kiadó 2001: A fényérzékelés. http://www.mozaik.info.hu/mozaweb/feny/page41.htm MUCSI L.–VARGA SZ.–FERENCZY M. 2000: Introduction to research project organizing for characterization and monitoring of the environmental effect of petroleum industrial contamination in Hungary. Acta Geographica Szegediensis XXXVII. pp. 117–126. Munsell 2005: Complete FAQ Munsell Color Science Laboratory http://www.cis.rit.edu/mcsl/outreach/faq.php MUTANGA O.–SKIDMORE A. K. 2004: Integrating imaging spectroscopy and neural networks to map grass quality in the Kruger National Park, South Africa Remote Sensing of Environment 90 (2004) 104– 115 MŰSZER 2002: MŰSZER pályázat 2002. nyertesei http://www.nkth.gov.hu/main.php?folderID=486&articleID=2426&ctag=articlelist&iid=1 NEWTON, I. 1704/1952: Opticks or a Treatise of the Reflections, Refractions, Inflections & Colours of Light. Dover Publications. (Based on 4th ed., London; Foreword: Einstein, A.; Preface: Cohen, I. B.)

clvii

ÓDOR L.–WANTY R. B.–HORVÁTH I.–FÜGEDI U. 1998: Mobilization and attenuation of metals downstream from a base-metal mining site in the Mátra Mountains, northeastern Hungary. Journal of Geochemical Exploration 65 (1998) pp. 47-60. O’DONNELL, H. 2002: Farsight. in: Research at Chelsea. Chelsea College of Art and Design, 2001/02. OSORIO D. C. 2005: Eye design for coding natural spectra. AIC 2005 konferencia, http://www.ugr.es/~aic05/invited_papers.html OTKA 2004: http://www.otka.hu/index.php?akt_menu=187 PECHMANN I.–TAMÁS J.–KATONA ZS.–BURAI P.–TANYI P. 2003: Hiperspektrális technológiák alkalmazása a vegetáció-térképezésben. Gyöngyösoroszi, 2003. PECHMANN I.–TAMÁS J.–KARDEVÁN P.–VEKERDY Z.–RÓTH L.–BURAI P. 2004: Hiperspektrális technológia alkalmazhatósága a mezőgazdasági talajvédelemben. Előadás. Megjelent: in: Proc. EU. Konform Mezőgazdasági és Élelmiszerbiztonság pp. 98-103 PU R.–GONG P.–BIGING G. S.–LARRIEU M. R. 2003: Extraction of Red Edge Optical Parameters From Hyperion Data for Estimation of Forest Leaf Area Index IEEE Transactions on Geoscience and Remote Sensing Vol 41, No. 4, Apr. 2003 REES W.G.–TUTUBALINA O.V.–GOLUBEVA E.I. 2004: Reflectance spectra of subarctic lichens between 400 and 2400 nm Remote Sensing of Environment 90 (2004) 281–292 RICHARDS, J.A. 1999: Remote Sensing Digital Image Analysis: An Introduction. Springer-Verlag, Berlin ROUSE, J. W. 1973: Monitoring the vernal advancement and retrogradation of natural vegetation. NASA/GSFCT Type II Report, Greenbelt, MD, USA. RSCC 1998 Remote Sensing Core Curriculum RSCC Volume 1 Introduction to Photo Interpretation and Photogrammetry Volume 1 - Module 3.2 Films & Filters http://www.r-s-c-c.org/rscc/v1m3b.html RUBIN, J. 2006: The Discovery of the Spectrum of Light http://www.juliantrubin.com/ RUKEZO, G. 2003: Drainage geochemistry of the Recsk - Lahóca mining area, Mátra Mountains, Hungary. ITC, Enschede. SALVATORI R. 2003: The Role of Spatial Resolution in Vegetation Studies by Hyperspectral Airborne Images SCHANDA J. – KOVÁCSNÉ STAHL Á. – LUKÁCS GY. 2005 A színingermetrika fogalmai http://www.knt.vein.hu/staff/schandaj/SJCV-Publ-2005/414.doc

clviii

SCHENK, P.–H. HARGITAI–R. WILSON–A. MCEWEN ÉS P. THOMAS 2001: The Mountains of Io: Global and geological perspectives from Voyager and Galileo, Journ. Geophys. Res.–Vol 106, E12, Pp 3320133222 SCHMIDT K. S. ÉS SKIDMORE A. K. 2003: Spectral discrimination of vegetation types in a coastal wetland. Remote Sensing of Environment 85 (2003) 92–108 SCHMIDT K. S. 2003: Hyperspectral Remote Sensing of Vegetation Species Distribution in a Saltmarsh. ITC Dissertation number 96 SCHMIDT R. B. 2006: Introduction to Hyperspectral Imaging. MicroImages Inc., Lincoln, Nebrasca, USA. www.microimages.comSCHOLTEN J. L.–KLEIN M. E.–STEEMERS A. G 2004: Hyperspectral imaging – concepts and potential in paper and writing durability research. Ljubljana http://www.art-innovation .nl/ventura/engine.php?Cmd=seepicture&P_site=316&P_self=525&Random=284626587 SÍKHEGYI F.–ANGYAL J.–ROTTERNÉ KULCSÁR A. 1990: Kőzetek spektrális tulajdosnágainak vizsgálata. Nemzetközi adatbázis. IGCP-264. Remote sensing spectral properties. Denver, MÁFI-jelentés. STAAB B. 2005: Investigation of Noise and Dimensionality Reduction Transforms on Hyperspectral Data as Applied to Target Detection. Senior Research. Chester F. Carlson Center for Imaging Science, Rochester Institute of Technology SZANDÁNYI E. 2004: „Diplomamunka”. Témavezető: Kis Papp László (BME Általános- és Felsőgeodézia tanszék) 80 p. (kézirat) TAMÁS J. ÉS KOVÁCS E. 2002: Importance of hyperspectral data in case of Gyöngyösoroszi. Power Point bemutató (kézirat) TAYLOR, G.–DEHAAN, R. (2000). Salinity mapping with hyperspectral imagery. Online: http://www.geology.unsw.edu.au/research/R~Sensing. Tavcso.com 2006 Okulárok áteresztési görbéi. www.tavcso.com/transmission.html TIMÁR, G. 2004: Az Egységes Országos Vetület (EOV) és a magyarországi és romániai Gauss-Krüger vetületi zónák integrálása az ENVI 3.6 szofverbe (Elektronikus kézirat envi_eov.doc) TIMÁR G.–MOLNÁR G.–PÁSZOTOR SZ. 2002: A WGS84 és HD72 alapfelületek közöti transzformáció Molodenskí-Badekas-féle (3 paraméteres) meghatározása a gyakorlat számára Geodézia és Kartográfia 54 pp. 11-16 TÓSZEGI ZS. 1994: A képi információ. Országos Széchényi Könyvtár Füzetei 6. TURDUKULOV, U. 2003: Determination of water quality parameters using imaging spectrometry: case study for the Sajó floodplain, Hungary. ITC, Enschede. Diplomamunka. clix

TURDUKULOV, U ÉS VEKERDY, Z. 2003: Determination of water quality parameters using imaging spectrometry: case study for the Sajó floodplain, Hungary. 3. EARSEL Workshop on Imaging Spectroscopy, Herrsching, 2003. május 13-16. VAN DER MEER F. D. 2001: Basic physics of spectrometry. In: Imaging Spectrometry. Basic properties and prospective applications. Kulwer Academic Publishers Dordrecht, Boston, London. VAN DER MEER F.–DE JONG S.–BAKKER W 2001: Imaging spectrometry: Basic analytical techniques. In: Imaging Spectrometry. Basic properties and prospective applications. Kulwer Academic Publishers Dordrecht, Boston, London. pp 17-61 VE 1998: Gabonafélék termesztéstechnológiája. http://kkvka.georgikon.pate.hu/tech/gabonafl.htm Frissítés: 2005. VEKERDY L.–KARDEVÁN P.–RÓTH L.–LÁSZLÓ F. 2002: Hiperspektrális távérzékelési kísérlet Magyarországon. HunGEO 2002 konferencia előadás. VOGELMANN J.E.–ROCK B.N.–MOSS D.M. 1993: Red-edge spectral measurements from sugar maple leaves, Int. Remote Sensing, 14,pp. 1563-1575 VÖLGYESI, L. 2001. Magyarországi vetületi rendszerek közötti átszámítások VETULET 7.20 (szoftverrendszer vetulet.exe) WINKLER, P. 2001: „Magyarország légifényképezése 2000”. Geodézia és Kartográfia 2001. július. Online: http://www.fomi.hu/internet/magyar/szaklap/2001/07/4.htm YIN, L. 2003: Possibilities of assessing heavy metal contamination of soil in the Sajó river flood plains, Hungary, using reflectance spectroscopy, Water Resources Survey. ITC, Enschede. ZEMPLÉN G. 1999: Hogyan is lássuk a színeket – színvizsgálati paradigmák. A Magyar Kognitív Tudományi Alapítvány hetedik konferenciáján 1999. február 3-án elhangzott előadás írásos változata. http://hps.elte.hu/~zemplen/PsziSzemle.htm ZHENG, L.–TONG, Q.–ZHANG, B.–LI, X.–LIU, L. 2001. Urban sensing by hyperspectral data. 22nd Asian Conference on Remote Sensing. ZILINYI V. 1995: Természetes felszínek spektrális reflexiós tulajdonságai, és hasznosításuk az optikai távérzékelés interpretációjában. Egyetemi doktori értekezés. Debreceni Agrártudományi Egyetem Mezőpgazdasági Kar, Környezetgazdálkodási és Agrometeorológiai Tanszék. ZOMER R ÉS USTIN S. 2002: Ground-Truth Data Collection Protocol for Hyperspectral Remote Sensing. (internetről letöltve: 2002.07.05. Nyomtatott verzió).

clx

FÜGGELÉK

I. függeléki ábra A

2002. augusztus 17-én és 18-án készített felvételek a tedeji (balra) és recski (jobbra) területről

II. függeléki ábra A 2002. augusztus 17-én és 18-án készített felvételek a gyöngyösoroszi (balra), sajómenti (középen) és látóképi (jobbra) területről.

clxi

ANGOL ÉS MAGYAR SZAKSZAVAK KORRELÁCIÓS JEGYZÉKE A fogalomszótárba azokat a szavakat vettem bele, melyek magyar fordítása vagy nem egyértelmű, vagy a szakirodalom többféle kifejezést is alkalmaz rájuk, tapasztalatom alapján meglehetősen kaotikusan. Mint sok más területen (pl. lásd: Hargitai és Kereszturi 2002), a távérzékelésben sincs egységes magyar nyelvhasználat, és egyelőre a különféle szerzők másmásféleképp fordítják a szavakat, lévén, hogy minden szerző angol eredetiből dolgozik magyar nyelvű szakirodalom híján vagy azokat figyelembe nem véve. A sokszor eleve angolul publikáló szerzők így számos esetben csak informálisan használnak magyar kifejezéseket, ad hoc fordítások révén (az azonos angol szakszóra használt szavak ráadásul az évek során időben is változnak). A fordítások a szoftverek magyar verzióiban – ha készül ilyen – is másképpen jelennek meg. Jelen dolgozatom nem kíván rendet tenni a magyar terminológiában, sokszor a „biztonság kedvéért” eleve az angol kifejezéseket használom benne, tudatosan, de itt hívom fel a figyelmet arra, hogy egy erre hivatott bizottság által összeállított terminológiai szótár alapvető és elengedhetetlen feltétele volna annak, hogy magyar nyelven is szakszerű publikációk születhessenek, amire a hiperspektrális repülések hazai megjelenésével valódi lehetőség és igény lesz. Az alábbi lista nem törekszik a teljességre, sem szóanyagában, sem a felhasznált cikkek számában, sem abban, hogy minden szóhoz megadja a forrását, hiszen ez egy nyelvészeti munka témája volna; én tehát csak a problémára kívánok rámutatni. Az alábbiakban nem minősítem az egyes magyar fordításokat akkor sem, ha azok véleményem szerint nem tekinthetők helyes fordításnak, tehát „vegyesen” minden magyar változatot megadok. Nem térek ki helyesírási kérdésekre sem: az egybe-, külön- és kötőjellel ill. kis- vagy nagybetűs írásváltozatokra: e tekintetben csak a szerintem helyes változatot közlöm. Némely kifejezésnek csak körülírásos magyar változatát találtam (pl. ground truth). Az egyes magyar megfelelők nem feltétlen fedik tartalmukban egymást vagy az angol eredeti tartalmát. Kérdőjellel jelöltem, ha egy kifejezésre nem találtam megfelelő megfelelőt. Egyes esetekben ugyanaz a magyar szó más szerzőnél más angol szónak felel meg (pl. besugárzás: radiant exposure vagy irradiance).

airborn imaging légifelvételezés, légi adatgyűjtés at sensor calibratied data szenzor kalibrált (kép) atmospheric haze légköri fátyolosság band csatorna, sáv

clxii

CAI klorofill-abszorpciós integrál change detection változás detektálás confusion matrix tévesztési mátrix classification osztályozás, osztályba sorolás, osztályozási eljárás, osztályozási technika clustering klaszterezés, osztályozás cross-plot kereszt-diagram data cube adatkocka, hiperkocka endmember

végállású

spektrum

célspektrum,

célkategória,

végállású

összete-

vő/tag/komponens, szélsőpont fast fourier transformation (FFT) Fast Fourier transzformáció, fourier-transzformáció feature space tulajdonságtér, intenzitástér (hibás?), spektrumtér ground control point (GCP) (terepi) referenciapont ground truth terepi kiegészítő- és referenciamérések, terepen mért alapadatok hyperspectral remote sensing hiperspektrális távérzékelés => imaging spectroscopy image / data információkép, űrfelvétel, légifénykép (filmre), légifelvételezés (digitális), adatbázis imaging spectroscopy (máshol: imaging spectrometry) képalkotó spektrometria => hyperspectral remote sensing Imaging spectrometer képalkotó spektrométer irradiance besugárzás, belépő sugárzás leaf area index (LAI) Levélfelületi index, fajlagos levélfelület (linear) spectral unmixing (LSP) (lineáris) spektrális kibontás, (lineáris) spektrumszétkeverés matched filtering részleges unmixing, illesztétes szűrés maximum likelihood legnagyobb valószerűség, legnagyobb valószínűség minimum distance (classification) legközelebbi középpontú, minimális távolság minimum noise fraction (MNF) transformation MNF-transzformáció, legkisebb zajtöredék transzformáció multi-level többszintű multi-scale többféle felbontású

clxiii

nearest neighbour legközelebbi szomszéd normalized difference vegetation index (NDVI) Normalizált Differencia Vegetációs Index pixel képelem, képpont pixel purity index (PPI) ? principal component analysis (PCA) főkomponens analízis radiant energy sugárzási energia radiant exposure besugárzás radiant flux (sugárzási) fluxus, sugárzásáram, áram(sűrűség) radiance radiancia red edge (position) vörös él (pozíció) (VÉP), vörös csúcs red edge shoulder vörös él válla red well vörös kút reflectance reflektancia, reflexió, visszaverődés region of interest (ROI) tanító terület, tanítómező / tanítópont (amennyiben arra használt), érdeklődési tartomány scanning pásztázó/letapogató signature file ? spectral angle mapper (SAM) spektrális szög térképező spectral feature fitting (SFF) spektrális jellemző illesztés spectral library spektrumkönyvtár, spektrális könyvtár spectral signature spektrális „ujjlenyomat”, spektrális lenyomat spectroradiometer spektroradiométer, spektrális radiométer supervised classification tanítópontos osztályozás, felügyelt osztályozás topographic normalization ? transmittance, atmospheric transmission transzmisszió, átereszt(ett energia) vegetation index (VI) vegetációs index

clxiv

A SUGÁRZÁSSAL KAPCSOLATOS NÉHÁNY FOGALOM MÉRTÉKEGYSÉGE ÉS ÉRTELMEZÉSE Sugárzási energia [J] a foton (elektromágneses hullám) energiája Fluxus [J/s = W] A teljes, minden irányban kibocsátott energia időegységre vonatkoztatott mennyisége

irányfüggő: Intenzitás [W/sr] (irányfüggő) Adott térszögbe kisugárzott fluxus Radiancia [W/m2/sr] (irány- és területfüggő) egységnyi felületről egységnyi térszögbe kisugárzott sugárzásáram. Az emittált vagy reflektált sugárzás intenzitása, melyet a sugárzó felület egységnyi része bocsát ki. A felületelem fényessége adott irányból nézve. Spektrális radiancia [W/m2/sr/m] (irány- terület- és hullámhosszfüggő)

hemiszférikus: Fluxussűrűség [W/m2] (területfüggő). Besugárzás (irradiancia) (területfüggő) egységnyi felületelemre érkező fluxus Kisugárzás (exitancia) (területfüggő) Spektrális fluxussűrűség [W/m2/sr] Spektrális besugárzás (spektrális irradiancia) Spektrális kisugárzás (spektrális exitancia) Albedó: reflektancia / refrakció (=transzmisszió: a közegen áthaladt sugárzás). A vizsgált felületre minden irányból beeső fluxus osztva a reflektált fluxussal (a felület átlagos reflektáló képessége) [%]

clxv

DAIS CSATORNAKIOSZTÁS Csatorna (Band) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

Hullámhossz (nm) 496 514 532 551 568 586 605 623 639 657 675 693 710 727 744 762 780 797 814 832 851 869 886 904 921 938 956 973 988 1006 1021 1035 1539 1570 1603 1636 1668 1699 1727

Mértékegység Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.%

40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80

1756 1958 1976 1991 2006 2020 2036 2052 2068 2084 2100 2115 2130 2145 2159 2173 2186 2200 2215 2232 2247 2262 2275 2290 2303 2317 2330 2344 2358 2372 2385 2398 2412 4315 8570 9510 10296 11012 11677 12296 20000

Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% Refl.% DN at sensor mW/m2 mW/m2 mW/m2 mW/m2 mW/m2 mW/m2 mW/m2 C° ·10

FŐBB ELNYELÉSI SÁVOK Van der Meer (2001) és Kumar et al. (2001) nyomán Hullámhossz m Elnyelő anyag klorofill A, alfa 0,42 karotin béta karotin, 0,425 xantofil

clxvi

0,435 klorofill B 0,44 alfa karotin béta karotin, 0,45 xantofil 0,47 alfa karotin 0,475 xantofil 0,48 béta karotin 0,49 klorofill A 0,66 klorofill A 0,68 klorofill B 0,97 H2O 1,2 H2O 1,22 cellulóz 1,4 H2O 1,45 lignin 1,48 cellulóz 1,68 lignin 1,77 H2O 1,9 H2O 1,93 cellulóz 1,93 lignin 2,05 lignin 2,14 lignin 2,27 lignin 2,28 cellulóz 2,336 lignin 2,34 cellulóz 2,38 lignin 2,48 cellulóz 2,5 lignin 2,74 OH Légköri elnyelési sávok (m) 0,94 H2O 1,14 H2O 1,38 H2O 1,88 H2O 0,76 O2 2,01 CO2 2,08 CO2

167

EGYES ANYAGOK SPEKTRUMAI (Spektroradiométer: GER3700, Felvétel ideje: 2002. augusztus, Felvétel helye: Mályi) TEDEJI TEREPI ÉS LABORSPEKTRUMOK (a dolgozat elektronikus változatában a fenti feliratra kattintva tekinthetők meg a spektrumok adatai Excel táblázatban)

Spektrumok a tedeji területen 70 Nád virág

Nád levél

Reflektancia, %

60

Cukorrépa

50

Világos szikes

Nád szikesen Cukorrépás talaja

Földút

40 Poros betonút Sötét szikes 30 Cukorrépás talaja 20

Növények szikesen

10

Cukorrépa 0 200

400

600

800

1000

1200

1400

1600

1800

2000

2200

2400

Hullámhossz, nm III. függeléki ábra Vizuális szemrevételezéssel is megfigyelhető különbségek az egyes felszínborítások között (Tedej). A talajok és növényzet első pillantásra is különböző spektrumú.

168

Nád spektrumgörbéje 100 90

Reflektancia, %

80 70

Levele

60

Virága

50 40 30 20 10 0 200

400

600

800

1000 1200 1400 1600 1800 2000 2200 2400

Hullámhossz, nm

IV. függeléki ábra Nád levele és virága spektrumgörbéje. A nád a nehézfémszennyezés indikátoraként szolgált. A görbék a fotókon látható részletekről készültek.

169

Cukorrépa és talaja spektrumgörbéje 70

Reflektancia, %

60 50

Cukorrépa

Talaj

40 30 20 10 0 200

400

600

800

1000 1200 1400 1600 1800 2000 2200 2400

Hullámhossz, nm

V. függeléki ábra Cukorrépa és talaja spektrumgörbéje a tedeji gazdaságból. Ez a két spektrum endmemberként is szolgálhat.

170

Növénymentes területek spektrumai (Tedej) 50

Világos szikes

45

Cukorrépás talaja Földút

Reflektancia, %

40

Poros betonút

35 30 Sötét beton

25

Sötét szikes

Világos beton

20 15 10 5 0 200

400

600

800

1000

1200

1400

1600

1800

2000

2200

2400

Hullámhossz, nm

VI. függeléki ábra Cukorrépa talaja, világos szikes, sötét szikes

VII. függeléki ábra Poros betonút, földút, világos beton, sötét beton (száraz növénymaradványokkal) A különféle talajok és betonok a látható tartományban szinte azonos reflektanciájúak, az infravörösben viszont spektrumgörbéik szétválnak.

171

Mesterséges és természetes folyadékok 10

Tó

9

8

Reflektancia, %

7

Sajó folyó 6

Pepsi Cola (labor) 5

4

Coca Cola (labor)

3

2

1

0 200

400

600

800

1000

1200

1400

1600

1800

2000

2200

2400

Hullámhossz, nm

VIII. függeléki ábra Folyó és tó terepi spektruma: a különbségeket valószínűleg a hordalék és eutrofizáció fokának különbsége okozza. Mellettük összehasonlításként két sötét színű üdítőital laboratóriumi reflektanciagörbéje.

Mesterséges anyagok spektruma CD 120

Fehér textil

Reflektancia, %

100 Fehér papír Fehér papír

80

Napilap Kakaós keksz 60 Vaniliás keksz

40 (Emberi kéz) 20

Fehér nejlonzacskó

Fémszita Kóla

0 200

400

600

800

1000

1200

1400

1600

1800

2000

2200

2400

Hullámhossz, nm IX. függeléki ábra Mesterséges anyagok spektruma, labormérések. Jellemzően természetben találhatóknál nagyobb fényvisszaverésük van.

172

Növények termése és virága 70

Zöld falevél

60

Narancs díszvirág

Reflektancia, %

50 Paradicsom Fehér virág 40

Halványlila szulák virág 30

20

10

0 300

500

700

900

1100

1300

1500

1700

1900

2100

2300

2500

Hullámhossz, nm X. függeléki ábra Néhány növény virága vagy termése, labormérések A fehér virág szárral együtt szerepel (lásd lenn)

173

Egy falevél változó reflektanciája Zöld falevél

70

60

Reflektancia, %

Sárguló falevél 50

Barna (száraz) falevél

40

30

20

10

0 300

500

700

900

1100

1300

1500

1700

1900

2100

2300

2500

Hullámhossz, nm XI. függeléki ábra Egy fa egyidejűleg begyűjtött, változó állapotú leveleinek reflektanicája. Ahogy a levél szárad, spektrumgörbéje kiegyenlítődik (az enyelési sávok intenzitása csökken: a levél klorofill és víztartalma csökken). A levél „három állapota” kiválóan elkülöníthető, hiszen a három állapot reflektanciasorrendje háromszor is megváltozik a spektrumgörbén.

XII. függeléki ábra A fent bemutatott spektrumok forrásai

174

Talaj és fű keverékei, laborban és terepen 70 Fű, labor 60

Reflektancia, %

95% füves borítású talaj 50 Fű, terepen

40 50% füves borítású talaj 30 15% füves borítású talaj 20 Talaj 10

0 300

500

700

900

1100

1300

1500

1700

1900

2100

2300

2500

Hullámhossz, nm XIII. függeléki ábraKülönféle arányú fűborítású talajok terepen és laborban. Az unmixing eljárással a homogén talaj és 100% borítású fű spektrumából is „kikeverhető” a megadott fűborítású felszín.

XIV. függeléki ábra A fenti görbék forrása: fű terepen, fű laborban.

175

Zöld levelek Falevelek (2)

70

Nád levele

Reflektancia, %

60

Levélfonák (1) 50 Falevelek (1)

40

Cukorrépa

Levélfonák (2)

Falevelek (3)

30 Levélfonák (2)

20

Fű

Levélfonák (1) Levélfonák (3)

10

0 300

500

700

900

1100

1300

1500

1700

1900

2100

2300

2500

Hullámhossz, nm XV. függeléki ábra Zöld levelek: láthatóan egyes fajoknál könnyű, másoknál nehéz a spektrális elkülönítés. A levelek fonákjának nagyobb a reflektanciája (mert kisebb az elnyelése) a látható tartományban.

XVI. függeléki ábra Falevelek (2) = levélfonák (1) , nád levele, Falevelek (1, 3)

176