Hiperspektrális spektrumkiértékelés és szeparáció-vizsgálat MS Excel-ben1 Kovács Zoltán – Szabó Szilárd – Szalóki Annamária
Gyöngyös, 2014. IX. 25. 1
A kutatás a TÁMOP 4.2.4.A/2-11-1-2012-0001 Nemzeti Kiválóság Program című kiemelt projekt keretében zajlott. A projekt az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg.
Kutatás célja Városi környezetről távérzékeléssel gyűjtött adatok felhasználása tetőtípusok elkülönítésére, különös tekintetettel az azbeszt-cement panelekre
Miért pont az azbeszt? • XX. század kedvelt adalékanyag építőanyagokhoz, jó hőszigetelő tulajdonsága miatt
• Egészségkárosító hatás • Hazánkban igen elterjedt • Azbeszt előfordulások nyilvántartásának lehetősége
Tetők osztályozásának kihívásai • A mállási folyamatok és UV sugárzás hatására a tetők színe idővel változik.
• A tetők zuzmókkal és mohákkal fedettek lehetnek. • Majdnem minden tetőtípusnak vannak olyan részelemei, melyek más anyagból készülnek.
• A tetők többnyire különböző kitettségű részekből állnak, így ezek megvilágítottsága is változó.
Adatgyűjtés
Adatgyűjtés • Időpont: 2013. július 9.-én • Piper Aztec típusú repülőgépre szerelt Aisa EAGLE II hiperspektrális kamera használatával
• Látható és közeli infra tartomány (400-1000 nm) • 5 nm-es felbontás
Tetők lehatárolása • eCognition 8 szegmentáció • Normalizált digitális felszín modell (nDSM) és NDVI értékek alapján kialakított maszk
• DSM-DEM=nDSM • NDVI értékek számításához (667 nm, 801 nm) • Ahol nDSM magas (3m fölött) és az NDVI érték alacsony (0,1 alatt) az valószínűsíthetően tető lehet.
Tanulóterületek Csoport neve
Mintaszám
azbeszt barna cserép kék fém panel (szigetelés nélkül) panel (szigeteléssel) szürke kátrány világos barna kátrány vörös cserép árnyék vörös cserép zöld cserép
51 48 85 90 115 69 12 48 163 46
Adatok feldolgozása (HypDA) • Hyperspectral Data Analyst MS Excel bővítmény • Melyik spektrális tartomány mutat erős kapcsolatot a mért fizikai, kémiai tulajdonságokkal?
• Melyik hullámhosszok mentén különíthetőek el a csoportok leginkább?
• Parametrikusan megadható képletek • Felhasználóbarát környezet
Adatok feldolgozása (HypDA) Legerősebb kapcsolat keresése Változók közötti korreláció, regresszió vizsgálata. Függő változó: a vizsgált attribútum (pl.: pH érték) Független változó: a görbe alakjának egy mérőszáma
Adatok feldolgozása (HypDA) Legnagyobb különbség keresése Két vagy több független minta összehasonlítása hipotézis vizsgálatokkal, szeparabilitás vizsgálatokkal Csoportok: egy nomiális változó értékei Vátozó: a görbe alakjának egy mérőszáma
Hipotézis vizsgálatok • Paraméteres próbák • Welch teszt
• Nem paraméteres próbák • Mann-Whitney teszt • Kruskal-Wallis teszt
Szeparabilitás vizsgálatok • Divergencia és Transzformált divergencia
• Jeffries-Matusita távolság és Bhattacharyya távolság
Vizsgálatok futtatása • Két futtatási lehetőség a kiválasztott csoportokra, parametrikus képletekre (pl.: WL1/WL2)
Vizsgálatok futtatása I. • Két futtatási lehetőség a kiválasztott csoportokra, parametrikus képletekre (pl.: WL1/WL2)
• Megadott hullámhosszakra, például: Legyen WL1:=15, WL2:=126
Vizsgálatok futtatása I.
Képlet WL1/WL2 Hullámhossz WL1:=15 WL2:=126
Sample ID 164 165 ... 317 318 ... 227 228 ... 432 433 ... 680 681
Group Asb Asb ... BOFI BOFI ... BOFNI BOFNI ... RTi RTi ... RTiS RTiS
B13 4,818.373 4,818.373 ... 3,739.520 3,517.322 ... 3,445.795 3,445.795 ... 3,244.019 3,229.021 ... 1,891.867 2,114.825
B126 4,196.953 4,294.072 ... 1,823.897 1,761.457 ... 2,315.270 2,315.270 ... 4,777.557 5,016.259 ... 2,323.014 2,803.676
B13/126 1.148 1.122 ... 2.050 1.997 ... 1.488 1.488 ... 0.679 0.644 ... 0.814 0.754
Vizsgálatok I.
Vizsgálatok futtatása II. • Két futtatási lehetőség a kiválasztott csoportokra, parametrikus képletekre (pl.: WL1/WL2)
• Megadott hullámhosszakra, például: Legyen WL1= 15, WL2= 126
• Megadott hullámhosszak nélkül Minden lehetséges hullámhossz-kombinációra 150 csatorna esetén WL1/WL2 képletre közel 22 500 hipotézis vizsgálat
Kruskal-Wallis teszt WL1/WL2
Hullámhossz WL1:=15 WL2:=126
Csoportok közötti Jeffries – Matusita távolság változása a teljes spektrumon
15
126
Group Asb BOFI BOFNI RTi RTiS
Asb
Jeffries - Matusita distance BOFI BOFNI
RTi
1.98268388 1.72289214 1.93360866 1.97942807 1.99993249 1.98566822 1.97782288 1.99999982 1.99822077 1.88063968
Két dimenzió egyidejű vizsgálata 1. WL1:=15 2. WL1:=126
RTiS
Vizsgálatok IV. • Lehetőség van arra is, hogy kijelöljünk egy olyan csoportot, amelyet a többi csoporttal hasonlítunk össze.
• Szignifikáns Mann-Whitney teszt • Egymással át nem fedő percentilis tartományok
Egymástól Mann – Whitney teszt (p<0.0001) alapján elkülönülő csoportok száma
Sig. BOFI BOFNI Asb RTiS RTi
B104/B29
Mann - Whitney significance values BOFI BOFNI Asb RTiS RTi p<0.00001 p<0.00001 p<0.00001 p<0.00001 p<0.00001 p<0.00001 p<0.00001 p<0.00001 p<0.00001 p<0.00001
Az azbeszt csoporttal percentilisen át nem fedő csoportok számának vizsgálata
Group Asb BOFI BOFNI RTi RTiS
Asb
B100/B86
Jeffries - Matusita distance BOFI BOFNI
RTi
1.97449999 1.95114593 0.18053195 1.62180405 0.29860387 0.27544893 1.98244422 0.08714802 0.45792919 0.37202782
RTiS
Vizsgálatok V. Az interkvartilisen átfedő csoportpárokra külön-külön Mann-Whitney teszt. Standardizált alacsony értékek, (szinte) nincs átfedés az értékek között. Jeffries-Matusita távolság csoportonként
Jeffries – Matusita távolság
Azbeszt – Vörös cserép fény
Azbeszt – Vörös cserép árnyék
Azbeszt – Panel szigetelés nélkül
Azbeszt – Panel szigeteléssel
Következtetések • Kruskal-Wallis tesztek futtatása több csoportra • Olyan hullámhosszok keresése, ahol legalább 2-3 csoport élesen elkülönül
• Az egymással átfedő csoportokra páronként MannWhitney teszt, Jeffries-Matusita távolság, Transzformált divergencia érték
Döntési fák előállítása osztályozáshoz
Köszönöm a megtisztelő figyelmet!
A kutatás a TÁMOP 4.2.4.A/2-11-1-2012-0001 Nemzeti Kiválóság Program című kiemelt projekt keretében zajlott. A projekt az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg.
