Informatika a felsőoktatásban 2008
Debrecen, 2008. augusztus 27-29.
HIPERSPEKTRÁLIS FELVÉTELEK MEZŐGAZDASÁGI ÉS KÖRNYZETVÉDELMI CÉLÚ FELHASZNÁLÁSÁNAK LEHETŐSÉGEI A KESZTHELYI TÉRSÉGBEN APPLICATION OF HIPERSPEKTRAL IMAGES IN AGRICULTURE AND ENVIRONMETAL PROTECTION IN THE AREA OF KESZTHELY
Kozma-Bognár Veronika Pannon Egyetem, Georgikon Mezőgazdaságtudományi Kar, Meteorológia és Vízgazdálkodás Tanszék Absztrakt Napjainkban a hiperspektrális távérzékelés során nyert adatok felhasználása egyre szélesebb körben elterjedt, hiszen a többsávos érzékelők által szolgáltatott adatok más technikákhoz képest spektrálisan pontosabb mérést tesznek lehetővé. Jelenleg a hiperspektrális adatok gyűjtése fejlettebb szinten áll, mint azok feldolgozása, hasznosítása. Mivel az érzékelők technikai fejlődését a feldolgozási módszerek és az alkalmazások jelentős késése követi, indokolttá válik a feldolgozási eljárások pontosítása, valamint a gyakorlati alkalmazások (mezőgazdaság, környezetvédelem) lehetőségeinek kibővítése. Jelen publikációban a hiperspektrális technológia rövid ismertetését követően, áttekintésre kerülnek a 2007-2008. év folyamán Keszthely térségében történt vizsgálatokat, amelyek az AISA Dual hiperspektrális szenzor által 359 spektrális sávban készített felvételekhez kötődnek. Bemutatásra kerülnek a várvölgyi mezőgazdasági hasznosítás alatt álló tesztterületen és a Kis-Balaton természetvédelmi területén történt felvételezések és adatgyűjtések. Végül ismertetjük a felvételek feldolgozása során kapott adatokat, kiemelve a saját fejlesztésű programok által mért eredményeket, melynek elméleti hátterére külön előadásban kívánunk kitérni.
Kulcsszavak Hiperspektrális, Távérzékelés, Környezetvédelem, Mezőgazdaság.
Abstract Using data obtained via hyperspectral remote sensing is getting more and more widespread, as the data supplied by multi-band sensors offer spectrally more precise measurement as opposed to other techniques. At present, the collection of hyperspectral data is of a much more developed level than their procession and use. As the technical development of sensors is followed by a significant delay in procession methods and applications, it seems to be reasonable to make procession work more precise and to widen possibilities in plactical applications (agriculture, environment protection). In the present publication, after a brief history of hyperspectral technology, the examinations carried out in the area of Keszthely, Hungary, throughout the years 2007-2008, connected to the images taken by AISA Dual hyperspectral sensor in 359 spectral bands are to be introduced. The images and the data collection in the area of the agricultural test area of Várvölgy, Hungary and in the nature protection area of Little Balaton, Hungary, will be described. Afterwards, the data obtained after processing the images will be presented with emphasis on results obtained using self-developed programs, the theoretical background of which is to be introduced in another presentation.
Keywords Hyperspectral, Remote Sensing, Environmental Protection, Agriculture
1
Informatika a felsőoktatásban 2008
Debrecen, 2008. augusztus 27-29.
1. Bevezetés 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. Komoly áttörést a digitális technika jelentette a hatvanas években, a repülőgépekre, majd a műholdakra szerelhető 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 [12]. A távérzékelt felvételeket többféle szempont szerint is csoportosíthatjuk, pl.: az adatgyűjtés célja, felvételek készítésének magassága, geometriai felbontás, hullámhossz-tartomány, csatornaszám. A csatornák száma alapján a következő csoportokat különíthetjük el egymástól: • Pankromatikus kép: 1 db csatorna • Színes kép (RGB kamerák): 3 db csatorna • Multispektrális szenzorok: 4-20 db csatorna • Hiperspektrális szenzorok: 21- db csatorna A pankromatikus felvételek általában nagy geometriai felbontásúak a látható és a közeli infravörös tartomány integrálásával hozzák létre. A multispektrális felvételek több szélesebb sávszélességű csatornát tartalmaznak. A hiperspektrális felvételek szűk sávszélességűek (0,01 µm) és nagy csatornaszámúak [20]. 2.
Többsávos légifelvételek előállítása
A több felvételi sávban készített felvételekkel a tereptárgyak és felszínrészletek általában jobban elkülöníthetőek, mint az egyetlen sávban készítettek. Ezért egyre hangsúlyosabb szerepet kapnak a többsávos (multi – és hiperspektrális) képalkotó berendezések. A távérzékelési eredmények megbízhatóságát elsősorban a terepi és a spektrális felbontás határozza meg. A hiperspektrális szenzorok a felszín spektrális tulajdonságairól igen részletes adatokat szolgáltatnak, mivel több mint húsz diszkrét spektrális sávval rendelkeznek [11], de a terepi felbontás tekintetében nehezen érik el a szubméteres nagyságrendet. Azokon a felhasználási területeken ahol nagyobb terepi felbontásra is szükségünk van, de nem szükséges a sok csatornaszám, illetve az anyagi háttér nem engedi meg ennek a technológiának a használatát, ott megfelelő eredményeket érhetünk el repülőgépre szerelt kézi felvevő eszközökkel is. A tanulmányozott területeink Keszthely térségében: 1. Keszthelytől 15 km-re fekvő Várvölgy község határában elhelyezkedő tesztterület, ahol több mezőgazdasági hasznosítás alatt álló tábla található. 2. A Balaton Nemzeti Park részét képező Kis-Balaton Természetvédelmi Terület, amely egyedülálló növény - és állatvilágával környezetvédelmi és vízgazdálkodási szempontból különleges helyzetet tölt be Magyarországon. A megvalósítást nagymértékű tervezési munka előzte meg, amely kiterjedt: A célnak és technológiának megfelelő repülőgép kiválasztására. A geometriai felbontáshoz illeszkedő repülési paraméterek megadására. A hely specifikumának megfelelően a kamerák beállításaira. Az alkalmazandó háttérkapacitások tervezésére. A repüléshez illeszkedő vezérlési beállításokra. A felvételezéseket két Canon EOS digitális kamerával végeztük. Az egyik fényképezőgép a látható fény (400-700nm), a másik a közeli infravörös (720-1150 nm) tartományban készít felvételeket, mindkét esetben 3 db spektrális sávban, és Canon RAW 2 formátumban. A RAW
2
Informatika a felsőoktatásban 2008
Debrecen, 2008. augusztus 27-29.
formátum biztosítja a lehető legjobb képminőséget, amire a kamera képes. Az adatok tömörítés nélküliek. Hátránya a nagy fájlméret és az utófeldolgozás időigényessége. A további feldolgozáshoz a nyers adatokat JPEG vagy TIFF formátumba konvertáltuk át. Az elkészült felvételek (1. ábra, 2. ábra) két legfontosabb tulajdonsága: a geometriai felbontás (20-30 cm) és a spektrális felbontás, ami a spektrális csatornák számával jellemezhető (2x3 db csatorna) [6].
1. ábra Látható tartományú felvétel (h=400m)
2.ábra Infravörös tartományú felvétel (h=400m)
A felvételek közti minimális eltérés a két kamera időben eltérő indításának a következménye, de ez összeillesztés során (3. ábra) nem okozott problémát [17].
3. ábra Összeillesztett légi felvételek a Kis-Balaton tesztterületről infravörös tartományban
Az összeillesztett felvételekből ortofotót (térképszerűen átdolgozott légifelvétel) hoztunk létre, úgy hogy a kapott felvételeket georeferáltuk. Ennek megfelelően tudjuk a felvételeket később mérésekre használni, hiszen így megfelelő pontosságú méretek és területek meghatározására is alkalmassá vált. A Kis-Balatonon folytatott vizsgálataink során ezen nagy térbeli felbontású felvételeket használtuk fel a természetvédelmi terület, és ezen belül a lápterületek monitorozására. Kutatásaink jelentőségét az adja, hogy az Európai Unió nagy figyelmet fordít az Európában található lápterületek felmérésére, mivel a lápok CO 2 és metán kibocsátása jelentős szerepet játszik az üvegházhatás kialakulásában. A 2008-ban Németországban megtartott - Moorschutz im Wald /Renaturierung von Braunmoosmooren/ 3
Informatika a felsőoktatásban 2008
Debrecen, 2008. augusztus 27-29.
című - konferencián kiemelésre kerültek a jelenleg folyó –légifelvételezéseket is érintő kutatások és a jövőre vonatkozó elképzelések, többek között a lápos területek pontos meghatározásának szükségszerűsége [6, 24]. 3.
Hiperspektrális légifelvételek előállítása
Az elmúlt évtizedben a hiperspektrális távérzékelés és képelemzés a távérzékelés egyik leggyorsabban fejlődő területévé vált. Jelenleg számos képfeldolgozó spektrométer került bevezetésre, amelyek különböző spektrumú és felbontású felvételeket készítenek. Az Európai Unió legjelentősebb rendszerei közé tartozik az AISA Dual hiperspektrális szenzor. 3.1.
AISA Dual hiperspektrális szenzor
Az AISA Dual, az AISA kameracsalád (finnországi SPECIM fejlesztette ki) tagja. Az AISA Dual az AISA Eagle és Hawk szenzorok egy duális tartóban történő összeszerelése révén kerül kialakításra. A két szenzor egy időben azonos földi sávról képes szinkronizálva adatot gyűjteni, a 400-2450 nm spektrális tartományban, maximum 498 sávban (1. táblázat) [7]. 1. táblázat AISA Dual technikai paraméterei
VNIR szenzor (Eagle) SWIR szenzor (Hawk)
AISA Dual
Spektrális tartomány
400-970 nm
970-2450 nm
400-2450 nm
Spektrális csatornák
244
254
498
Spektrális sávszélesség
2.3 nm
5.8 nm
Spektrális mélyég (bit)
12
14
14
1024
320
320
18.5 mm
22.5 (vagy 14) mm
18.04
100 kép/s-ig
100 kép/s-ig
100 kép/s-ig
Térbeli pixelszám Optika Képalkotási gyorsaság
Az AISA Dual hiperspektrális érzékelővel 2007-ben történtek meg az első felvételezések. A keszthelyi térségben két időpontban is történtek repülések. Az első alkalommal 2007. 05. 21én a várvölgyi tesztterületet követően a Zala Völgyén végighaladva a Kis-Balaton egyes területei kerültek pásztázásra. A második esetben 2007. 06. 19-én már csak a várvölgyi rész került monitorozásra. A szenzor közel 1200 m repülési magasságból gyűjtött adatokat. Eredményül 359 spektrális sávban készült kb. 1 m/pixel terepi felbontású felvétel. 3.2.. Terepi mérések A légi felvételezésekhez szorosan kapcsolódó munkaterület a terepi adatgyűjtés, hiszen a képfeldolgozásban alapvető szerepe van a felszínről rendelkezésre álló priori ismereteknek. A referencia adatok gyűjtésére a repülés időpontjaiban vagy ezen időpontok közvetlen közelében került sor. A terepi mérések során elsődlegesen a növényállomány feltérképezése volt a célunk. Megállapításra kerültek a vegetációk típusai. A későbbi felvételezések folyamán rögzítettük a területet érintő esetleges változásokat. A tanulmányozott területről az alábbi anyag- és adatgyűjtéseket végeztük: GPS adatok [10]. Meteorológiai adatok.
4
Informatika a felsőoktatásban 2008
Debrecen, 2008. augusztus 27-29.
Színhőmérsékleti adatok. Talajmintavételezési adatok. A mért adatokat minden alkalommal jegyzőkönyv formájában rögzítettük, és mellékeltük a munka folyamán kézi kamerával készített fotókat. 4.
Hiperspektrális felvételek feldolgozása
Ahhoz, hogy a vizsgált területről készített távérzékelt adatokból számszerűsíthető adatokat nyerjük több lépcsős adatfeldolgozási mechanizmust kell alkalmazni, amely függ az adatminőségtől (multi- és hiperspektrális), az adatfeldolgozás módszerétől (vizuális interpretácó, vagy automatizált osztályozás), illetve a vizsgálat céljától (kvalitatív, kvantitatív vizsgálat) [8, 9]. Rendkívül sok adatfeldolgozási módszer ismert az adatok előfeldolgozására, elemzésére, és értékelésére egyaránt [2, 21]. Az előfeldolgozás menetét képező korrekciós műveletek: 3. geometriai korrekció. 4. radiometriai korrekció. 5. rektifikáció. 6. egyéb, eszköz specifikus korrekciók. Az AISA Dual érzékelő által szolgáltatott adatok esetében egy szoftvercsomag a CaliGeo végzi el ezeket (1-3) a korrekciókat. A program Windows és Mac OS X operációs rendszerek alatt is fut, az ENVI önálló moduljaként. A Caligeo-t azért terveztek, hogy a feldolgozatlan AISA adatokat egy olyan formátumba konvertálja, amelyet már a legtöbb képfeldolgozó csomag olvasni tud [23]. 5.
Eredmények 5.1.
Vegetációk elkülönítése
Az AISA Dual 2007.05.21-én készített hiperspektrális felvételeiből és a jellemző referencia adatokból indultunk ki, amikor a különböző vegetációk spektrális fraktáldimenziójának (Spectral Fractal Dimension = SFD) mérését elkezdtük. Az SFD egy, az általános fraktáldimenzióból [18, 19] származtatott szerkezetvizsgálati eljárás. Nemcsak a térbeli szerkezetnek, hanem a spektrális sávok színszerkezetének mérésére is alkalmas, és elegendő információt ad számunkra a színek, színárnyalatok (fraktál) tulajdonságaira vonatkozóan is [1, 2, 3, 4, 5, 22]. Előszőr mutatunk be növénykultúrákra vonatkozó SFD spektrumgörbéket AISA Dual érzékelő hiperspektrális légifelvételek alapján (4 és 7 ábrák). Növénykultúrák SFD spektruma /Várvölgy/ - AISA DUAL 2007. 05. 21. - 8 bites képsávok alapján 1,1000 1,0000
SFD érték
0,9000 0,8000 0,7000 0,6000 0,5000 1
10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253 262 271 280 289 298 307 316 325 334 343 352 Képsorszám
Kukorica
Tritikálé
Őszibúza
Műveletlen terület
Napraforgó
4. ábra AISA DUAL érzékelő alapján mért SFD spektrumok különböző vegetációk esetében
5
Informatika a felsőoktatásban 2008
Debrecen, 2008. augusztus 27-29.
Az SFD spektrumokat eltérő vegetációk (kukorica, tritikálé, őszibúza, műveletlen terület, napraforgó) esetén mértük. A 4. ábra alapján egyértelműen megállapíthatóak azok a csatornák, ahol az egyes növénykultúrák a legjobban elkülöníthetőek (akár vizuálisan, akár osztályozási módszerekkel) egymástól. 5.2.
Zajos sávok megállapítása
A hiperspektrális felvételek nagyobb csatornaszáma nyújtotta információknak elméletileg növelnie kellene az osztályozás pontosságát. Azonban számolni kell azzal, hogy a nagyszámú csatornából eredő variációk növelhetik a zajt és csökkenhet az osztályozás pontossága. Ezért szükség lehet a zajos sávok kiválasztására és így a csatornák számának csökkentésére. A 5. ábra egy zajmentes AISA felvételt ábrázol (122. sáv), a 6. ábrán, a következő spektrális sávban (123. sáv) készített felvételt láthatjuk, amely már zajjal terhelt. A felvételek 2007. 05. 21.-én készültek a várvölgyi tesztterületről.
3.
ábra
4.
5. ábra Zajmentes AISA felvétel Várvölgyről (122.sáv)
6. ábra Zajos AISA felvétel Várvölgyről (123.sáv)
A képek zajosságára vonatkozó kutatásainkhoz az adatfeldolgozási módszerek [2]. közül az SFD alapút alkalmaztuk [1, 3, 15, 16]. SFD értékeket mértünk a teljes várvölgyi tesztterületre. Várvölgy-i teljes tesztterület SFD spektruma - AISA DUAL 2007. 05. 21. és 2007. 06. 19. időpontokban - 8 bites képsávok alapján 1,0500 1,0000 0,9500 SFD érték
0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 1
10
19
28
37
46
55
64
73
82
91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253 262 271 280 289 298 307 316 325 334 343 352 Képsorszám
2007. 02. 21. Teljes tesztterület
2007. 06. 19. teljes tesztterület
7. ábra A várvölgyi teljes tesztterület SFD spektrumgörbéje
A kapott értékekből kialakított spektrumgörbék (4 és 7 ábrák) alapján megállapításra kerültek a zajos sávok. A korábbi kutatásainkból [1, 3, 13, 14, 15] kiindulva a zajos sávokat az SFD értékeik alapján állapítottuk meg. A zaj kiugró értékként jelenik meg, mindez a spektrális térben előforduló minták csökkenésével, illetve nem szignifikáns változásával magyarázható, amely az SFD értékekben is megmutatkozik. A további képfeldolgozási vizsgálatokból ezek a sávokat figyelmen kívül hagyjuk, hiszen ezeknek a képeknek a hasznos információtartalma nem kielégítő. A 7. ábra alapján összehasonlító elemzésre van lehetőségünk az eltérő időpontokban készült AISA DUAL hiperspektrális felvételeken.
6
Informatika a felsőoktatásban 2008 6.
Debrecen, 2008. augusztus 27-29.
Következtetések
A távérzékelési módszerek közül a többsávos légifelvételezés nagyon gyakran használt technológia. Kiválóan alkalmazzák olyan kutatási területeken, ahol a megfelelő szintű eredmény elérése érdekében nagy terepi és spektrális felbontású felvételekre van szükség. Vizsgálataink alapján megállapítható, hogy a Keszthely térségében készült multi- és hiperspektrális felvételek kitűnően használhatóak a mezőgazdasági és a környezetvédelmi szempontjából fontos területek célorientált feltérképezésére. A mezőgazdasági használatban lévő várvölgyi tesztterületen a földhasználati, művelési módok könnyen elkülöníthetőek, az egyes növénykultúrák jellegzetességei felismerhetőek. Jól láthatóak a mezőgazdasági táblák határai és a talajművelés iránya, ezáltal differenciálhatóak a vegetációk, detektálhatóak a kultúrnövényeken belüli gyomfoltok. A Kis-Balaton esetében a légifelvételek felhasználásával megvalósítható a területen lévő növényállományok monitorozása. A különböző időszakokban történő felvételezésekkel az aktuális vegetációk állapotának feltérképezésén túlmenően a változások rögzítése is lehetővé válik. Az SFD alapú spektrumok további felhasználása lehet, a jövőre vonatkozó lápmegőrzési kutatások során történő gyakorlati alkalmazás. Mind ehhez hozzásegít, az általunk eddig végzett SFD alapú képfeldolgozási módszer elméleti és gyakorlati fejlesztése. Irodalomjegyzék [1]
Berke, J. (2006) Measuring of Spectral Fractal Dimension, Advances inSystems, Computing Sciences and Software Engineering, Springer pp. 397-402., ISBN 10 14020-5262-6.
[2]
Berke, J. (2006) Légi és űrfelvételek referencia alapú pontosítása és osztályozása, tanulmány, Budapest.
[3]
Berke, J. (2007) Measuring of Spectral Fractal Dimension, Journal of New Mathematics and Natural Computation, ISSN: 1793-0057, 3/3: 409-418.
[4]
Berke, J.(2007) Spektrális fraktálszerkezet alapú osztályozás elmélete, KÉPAF 2007 konferencia, Debrecen.
[5]
Berke, J. (2008) A Spektrális fraktálszerkezet vizsgálatának elméleti és gyakorlati lehetőségei, Informatika a Felsőoktatásban 2008 Konferencia, Debrecen.
[6]
Berke, J. – Kozma-Bognár V. (2008) Fernerkundung und Feldmessungen im Gebiet des Kis-Balaton I., Moorschutz im Wald / Renaturierung von Braunmoosmooren, Lübben.
[7]
Burai, P. (2006) Első magyarországi légi hiperspektrális képalkotó rendszer AISA DUAL, 4. Fény-Tér-Kép Konferencia, Dobogókő.
[8]
Burai, P. (2007) Távérzékelési módszerek összehasonlító elemzése mezőgazdasági mintaterületeken, Debreceni Egyetem, Agrártudományi Centrum, Mezőgazdaságtudományi Kar, Víz- és Környezetgazdálkodási Tanszék, PhD dolgozat.
[9]
Burai, P. – Tamás, J. – Lénárt, Cs. - Pechmann, I. (2003) Különböző spektrális felbontású távérzékelt adatforrások alkalmazási lehetőségei az agrárkörnyezetvédelemben, Siófok.
[10] Busznyák, J. – Nagy, G. – Berke, J. (2008): Georgikon GNSS bázisállomás üzembehelyezésének tapasztalatai, Informatika a Felsőoktatásban 2008 Konferencia, Debrecen. [11] Európai Unió Tanácsa (2003) 149/2003/EK belső rendelet.
7
Informatika a felsőoktatásban 2008
Debrecen, 2008. augusztus 27-29.
[12] Hargitai, H. (2006) A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése, ELTE TTK FDI, PhD dolgozat. [13] Kozma-Bognár, V. (2007) The application of Apple systems, Journal of Applied Multimedia, 3/II./2007, pp. 61-70., www.jampaper.eu [14] Kozma-Bognár, V. (2008) Többsávos légifelvételezés gyakorlati megvalósításának lehetőségei, különös tekintettel a hiperspektrális felvételek készítésére és feldolgozására, XIV. Ifjúsági Tudományos Fórum, Keszthely. [15] Kozma-Bognár, V. – Hegedűs, G. – Berke, J. (2007) Hiperspektrális adatok fraktálszerkezet alapú osztályozása, AVA 3 International Conference on Agricultural Economics, Rural Development and Informatics Konferencia, Debrecen. [16] Kozma-Bognár, V. – Hegedűs, G. – Varga, J. – Busznyák, J. – Berke, J. (2007) Integrált távérzékelési adatok készítése és feldolgozása, 5. Fény-Tér-Kép Konferencia, Dobogókő. [17] Kozma-Bognár, V. - Hermann, P. – Bencze, K. – Berke, J. - Busznyák J. (2008) Terepi mérésekhez kapcsolódó interaktív jegyzőkönyv készítésének lehetőségei, 2/III./2008, pp 44-54., www.jampaper.eu [18] Mandelbrot, B. B. (1983) The fractal geometry of nature, W.H. Freeman and Company, New York. [19] Peitgen, H-O. - Saupe, D. (1988) ed., The Science of fractal images, Springer-Verlag, New York. [20] Sabins, F. F. (1996) Remote Sensing. Principles and Interpretation., W. H. Freeman and Co. Los Angeles, 494 pp. [21] Schowengerdt, R. A. (2007) Remote Sensing Models and Methods for Image Processing, Elsevier, ISBN 13: 978-0-12-369407-2. [22] SFD hivatalos weboldala: www.digkep.hu\sfd\index.htm [23] Specim Spectral Imaging LTD., CaliGeo http://www.specim.fi/media/pdf/aisa-datasheets/caligeo-ver1-07.pdf
software,
[24] Szabo, I. – Szeglet, P. (2008) Fernerkundung und Feldmessungen im Keszthelyer Torfgebiet II. - Vergleichende botanische Aufnahme Nasswiesens, Moorschutz im Wald / Renaturierung von Braunmoosmooren, Lübben.
8