PANNON EGYETEM ÁLLAT- ÉS AGRÁRKÖRNYEZET-TUDOMÁNYI DOKTORI ISKOLA
Doktori Iskola vezető: Dr. Anda Angéla az MTA Doktora
HIPERSPEKTRÁLIS FELVÉTELEK FELDOLGOZÁSÁNAK ÉS MEZŐGAZDASÁGI ALKALMAZÁSÁNAK VIZSGÁLATA
Doktori (PhD) értekezés
Készítette: KOZMA-BOGNÁR VERONIKA
Témavezető: Dr. Anda Angéla, egyetemi tanár Konzulens: Dr. Berke József, főiskolai tanár
Keszthely 2012
HIPERSPEKTRÁLIS FELVÉTELEK FELDOLGOZÁSÁNAK ÉS MEZŐGAZDASÁGI ALKALMAZÁSÁNAK VIZSGÁLATA
Értekezés doktori (PhD) fokozat elnyerése érdekében Írta: Kozma-Bognár Veronika
Készült a Pannon Egyetem Állat-és Agrárkörnyezet-tudományi Doktori Iskola keretében
Témavezető: Dr. Anda Angéla Elfogadásra javaslom (igen / nem) ............................ (aláírás)
A jelölt a doktori szigorlaton ............ % -ot ért el.
Az értekezést bírálóként elfogadásra javaslom:
Bíráló neve: ........................... .................... igen /nem ............................ (aláírás) Bíráló neve: ........................... .................... igen /nem ............................ (aláírás)
A jelölt az értekezés nyilvános vitáján .............% - ot ért el.
Keszthely,
............................... a Bíráló Bizottság elnöke
A doktori (PhD) oklevél minősítése.................................... .............................. Az EDHT elnöke 2
TARTALOMJEGYZÉK Kivonat ............................................................................................................................................ 5 Abstract ........................................................................................................................................... 6 Auszug ............................................................................................................................................. 7 1.
BEVEZETÉS ............................................................................................................................ 8
2.
IRODALMI ÁTTEKINTÉS ................................................................................................ 10 2.1.
2.1.1.
Nemzetközi hiperspektrális távérzékelés ....................................................................... 10
2.1.2.
Magyarországi hiperspektrális távérzékelés ................................................................. 12
2.2.
A hiperspektrális távérzékelés fizikai alapjai ........................................................... 16
2.2.1.
Sugárzási források és törvények ......................................................................................... 16
2.2.2.
Atmoszférikus hatások ........................................................................................................... 17
2.2.3.
Földfelszíni kölcsönhatások.................................................................................................. 19
2.2.4.
Detektorokat érő sugárzás .................................................................................................... 22
2.3.
A hiperspektrális felvétel fogalma ................................................................................. 24
2.4.
A hiperspektrális szenzorok ............................................................................................ 26
2.5.
A hiperspektrális légi távérzékelés folyamata .......................................................... 30
2.5.1.
Hiperspektrális felvételezés tervezése és végrehajtása ............................................ 30
2.5.2.
Hiperspektrális adatfeldolgozás ......................................................................................... 34
2.6.
3.
A hiperspektrális távérzékelés történeti háttere..................................................... 10
A hiperspektrális távérzékelés alkalmazási területei ............................................ 38
2.6.1.
Nemzetközi alkalmazások ..................................................................................................... 38
2.6.2.
Magyarországi felhasználási területek ............................................................................. 42
ANYAG ÉS MÓDSZER ....................................................................................................... 48 3.1.
A vizsgálati terület bemutatása....................................................................................... 48
3.2.
Hiperspektrális légifelvételezések ................................................................................ 50
3.2.1.
AISA Dual hiperspektrális érzékelő ................................................................................... 50
3.2.2.
A hiperspektrális légifelvételezések lebonyolítása ..................................................... 54
3.2.3.
A hiperspektrális felvételek feldolgozása ....................................................................... 58
3.2.3.1.
Előfeldolgozás ......................................................................................................................................... 58
3.2.3.2.
Főfeldolgozás ........................................................................................................................................... 65
3.2.3.3.
Utófeldolgozás......................................................................................................................................... 71
3.3.
Terepi adatgyűjtések .......................................................................................................... 72
3.4.
Spektrális fraktáldimenzió alapú vizsgálatok ........................................................... 76
3.4.1.
Spektrális fraktáldimenzió mérése .................................................................................... 76
3
3.4.2. 3.5.
4.
Spektrális fraktáldimenzió alkalmazási lehetőségei .................................................. 79
Vörös-él inflexiós pontra vonatkozó vizsgálatok ..................................................... 80
EREDMÉNYEK .................................................................................................................... 83 4.1.
Zajos sávok meghatározása SFD ujjlenyomatok alapján ....................................... 83
4.2.
Földhasználati módok meghatározása SFD ujjlenyomatok alapján .................. 88
4.3.
Optimális sávok kiválasztása SFD ujjlenyomatok alapján .................................... 92
4.4.
Hiperspektrális osztályozó eljárások összehasonlítása ........................................ 97
4.5.
Vörös-él inflexiós pont meghatározása ......................................................................104
5.
KÖVETKEZTETÉSEK ÉS JAVASLATOK .....................................................................108
6.
ÚJ TUDOMÁNYOS EREDMÉNYEK ..............................................................................111
7.
THESIS................................................................................................................................113
ÖSSZEFOGLALÓ .......................................................................................................................115 KÖSZÖNETNYILVÁNÍTÁS .....................................................................................................117 AZ ÉRTEKEZÉS TÉMAKÖRÉBEN MEGJELENT TUDOMÁNYOS KÖZLEMÉNYEK ..118 IRODALOMJEGYZÉK ...............................................................................................................122 MELLÉKLETEK .........................................................................................................................140
4
KIVONAT Hiperspektrális felvételek feldolgozásának és
mezőgazdasági alkalmazásának
vizsgálata
Hazánkban az elmúlt évtizedben végbemenő hiperspektrális technológiai fejlesztéseknek köszönhetően a kutatási alkalmazások területén egyre inkább központi témává vált a többsávos feldolgozások eredményre gyakorolt hatásának vizsgálata. A disszertáció célja a hiperspektrális adatfeldolgozás folyamatának áttekintése AISA Dual légifelvételek felhasználásával. A szerző választ keresett arra, hogy melyek a kulcsfontosságú problémák hiperspektrális adatok feldolgozása során és ezek lehetséges megoldásaira is rámutat. Figyelembe véve a különböző zajtípusokkal terhelt felvételeket, az adatredukciós eljárások nagymértékben
hozzájárulnak
a
hiperspektrális
adatkocka
információtöbbletének
kiaknázásához. Az osztályozási módszerek előfeldolgozás érzékenységét előtérbe helyezve összehasonlító elemzésekkel a szerző meghatározza az egyes feldolgozási szakaszok legoptimálisabb kiértékelési sorrendjét. Mindezekből kiindulva a vörös-él inflexiós pont feltérképezésében is jelentős előrelépéseket tesz. A doktori értekezés hozzájárulhat a célorientált hiperspektrális adatelemzések megfelelő megválasztásához, valamint új fejlesztési irányvonalak meghatározásához.
5
ABSTRACT Investigation of Hyperspectral Image Processing and Application in Agriculture
Thanks to the hyperspectral technology development during the past decades, the implementation of the impact of hyperspectral imaging became a core topic of the applied research. The purpose of the Thesis was to review the acquisition of hyperstpectral data by using the AISA Dual airbone images. The author intended to find out the key problems arising in the course of hypespectral data processing, together with providing the possible solutions. Taking into account the images loaded with noises, the data reductive procedure contributes to the exploitation of the extra information of hyperspectral data cube. Putting forward the sensitivity of pre-procession classification methods in comparative investigations, the most accurate evaluation order of the stages was also determined. Proceeding from the above mentioned thinks, she also advanced in mapping the Red Edge Inflection Point. The Thesis may attribute to the proper aim-oriented selection of hyperspectral data processing as well as of determination of new innovation policies.
6
AUSZUG Die Untersuchung der Verarbeitung und Landwirtschaftliche Anwendung von hyperspektralen Aufnahmen
Dank der im letzten Jahrzehnt in Ungarn vollziehenden Entwicklungen in hyperspektrale Technologie kam es im Gebiet der Forschung mehr und mehr die Untersuchung der mehrspurigen Datenverarbeitung und deren Auswirkungen auf die Erträge als Hauptthema auf. Der Ziel dieser Dissertation ist eine Übersicht des Verfahrens der hyperspektralen Datenverarbeitung mit Verwertung von AISA Dual Luftaufnahmen. Die Verfasserin suchte Antwort darauf was die wichtigsten Probleme bei der Verarbeitung von hyperspektralen Daten und weist auf deren möglichen Lösungen hin. Unter Berücksichtigung der, mit unterschiedlichen
Störtypen
belastenden
Aufnahmen,
können
die
Datenreduktionsverfahren erheblich dazu beitragen die zusätzlichen Informationen des hyperspektralen
Datenwürfels
auszubeuten.
Mit
Betonung
der
Sensibilität
der
Vorverarbeitung der Methoden der Klassifizierung bestimmt die Verfasserin mit Vergleichsanalysen
die
optimale
Auswertungsreihenfolge
der
einzelnen
Verarbeitungsstufen. Von darausgehend kann in der Erkundung des „Red Edge Inflexion Point” erhebliche Fortschritte machen. Diese Dissertation kann dazu beitragen bei der richtigen Auswahl von zielorientierten Hyperspektraldatenanalysen zu helfen, sowie neue Entwicklungsrichtlinien zu bestimmen.
7
1. BEVEZETÉS A 21. századra jellemző rohamosan növekvő információ-technológiai fejlesztések a távérzékelés tudományterületére is nagymértékben rányomták bélyegüket. Az utóbbi években a távérzékelési technológiák fejlődése a többsávos és nagyfelbontású légi- és űrfelvételek alkalmazása, valamint az aktív módszereken belül a lézeres felmérési technológiák felé irányult. Ezen korszerű technológiák új távlatokat nyitottak a felszíni objektumokról gyűjthető adatok mennyisége és pontossága szempontjából. Napjainkra a többsávos távérzékelési módszerek közül egyre szélesebb körben alkalmazott a hiperspektrális adatgyűjtés, amely az elmúlt évtizedben a távérzékelés leggyorsabban fejlődő területévé vált. Kiválóan alkalmazzák olyan kutatási területeken, ahol a megfelelő szintű eredmény elérése érdekében nagy spektrális felbontású felvételekre van szükség. A hiperspektrális technológia alkalmazásával – a nagyobb spektrális és térbeli felbontásnak köszönhetően - a hagyományos légi felvételezési technikákhoz (RGB-, multispektrális felvételek) képest megbízhatóbb információkat kapunk a földfelszín állapotáról, a lezajló folyamatokról, jelenségekről. A gyűjtött adatokat kiegészítve aktív (radar) távérzékelési adatokkal,
megfelelő
precizitású
földi
(terepi)
információkkal,
napjaink
egyik
leghatékonyabb és legmegbízhatóbb adatforrását kapjuk. Örvendetes
tény,
hogy
hazánk
a
hiperspektrális
technológiák
alkalmazásában
világviszonylatban vezető szereppel bír, és elismertek a módszertani fejlesztések is. A jelenlegi gyakorlat azonban azt mutatja, hogy az adatok gyűjtése fejlettebb szinten áll, mint azok feldolgozása, hasznosítása. Annak ellenére, hogy a világban számos hiperspektrális képalkotó berendezés került bevezetésre, az ilyen jellegű többsávos, integrált felvételek feldolgozását támogató programok köre elég korlátozott. Számos térinformatikai szoftver esetében a főbb képfeldolgozási módszerek a már meglévő multispektrális felvételeknél alkalmazott eljárások adaptálásával kerültek kifejlesztésre. A multi- és hiperspektrális technológiákból adódó különbözőségekből eredően (pl.: csatornák sávszélességének eltérése) megkérdőjelezhető ezen eljárások pontossága. Az érzékelők technikai fejlődését a feldolgozási módszerek és az alkalmazások jelentős késése követi, ezért indokolttá vált a meglévő eljárások pontosítása, új eljárások, módszerek
kifejlesztése,
valamint
a
gyakorlati
környezetvédelem) lehetőségeinek bővítése.
8
alkalmazások
(mezőgazdaság,
Kutatásaim során elsősorban a technológiához kapcsolódó már meglévő módszerek vizsgálatát és új módszerek kidolgozását tűztem ki célul, a légi hiperspektrális felvételek felhasználásával elsősorban mezőgazdasági alkalmazásokra vonatkoztatva.
Célkitűzéseim: •
Hiperspektrális
információk
együttes
feldolgozása,
gyakorlati
módszerek
pontosítása. •
Spektrális
és
szerkezeti
vizsgálatok
digitális
képfeldolgozás
osztályozási
eljárásainak felhasználásával. •
Hiperspektrális érzékelők által szolgáltatott adatok, mezőgazdaságban közvetlenül felhasználható területeinek kutatása.
•
A kapott eredmények összehasonlító elemzése multispektrális diagnosztikai módszerekkel.
A fenti célkitűzések megvalósítása érdekében a disszertációmban a klasszikus eljárások eredményeinek ismertetése mellett egy teljesen újszerű módszer által szolgáltatott információ adta lehetőségek bemutatására koncentrálok, amely a képi adatok spektrális fraktálszerkezetének vizsgálatára épül. Négy (zajszűrés, adat optimalizálás, osztályozás és vörös-él inflexiós pont meghatározás) látszólag különálló területen történő alkalmazással bizonyítani szeretném az eljárás hatékonyságát, és emellett az egyes képi adatfeldolgozási területek kapcsolatát, kultúrnövényeken történő kontrollált vizsgálatok referencia adatainak felhasználásával. Megítélésem szerint ezen eredmények jelentős előrelépést jelenthetnek a integrált hiperspektrális adatfeldolgozás és az adatszerkezet vizsgálat területén. A doktori értekezés nagymértékben hozzájárulhat a célorientált hiperspektrális adatelemzések megfelelő szintű megválasztásához, valamint új fejlesztési irányvonalak meghatározásához.
9
2. IRODALMI ÁTTEKINTÉS 2.1. A hiperspektrális távérzékelés történeti háttere 2.1.1. Nemzetközi hiperspektrális távérzékelés Az első „távérzékelési” felvételeket az 1800-as évek közepe táján készítették galambokra vagy papírsárkányokra szerelt fényképezőgépekkel (Aronoff, 2005). A legkorábbi dokumentált légifelvétel egy francia fényképész Gaspard Felix Tournachorn (Nadar) nevéhez kötődik, aki hőlégballonját használta fel a légifelvételek elkészítéséhez. (Baumann, 2001; Estes és Hemphill, 2005). Néhány év múlva Észak-Amerikában is elterjedt (US Army) technológiává vált a légifelvételezés, melyet később az Amerikai Polgárháborúban is alkalmaztak (Szatmári és Bódis, 2004). A következő nagyobb áttörést a repülőgépek megjelenése hozta az 1900-as évek kezdetén. A légi közlekedés biztonságossá válásával elkerülhetetlen volt a távérzékelés megjelenése, melynek főként katonai célú felhasználása vált általánossá. Eleinte csak fekete-fehér (monokróm vagy pankromatikus) képeket alkalmaztak, majd a fényképezés fejlődésének köszönhetően, azzal párhuzamosan, a látható fény teljes tartományát felbontották három alapszínre és megjelentek a színes felvételek. A távérzékelési módszerek szélesebb körű gyakorlati alkalmazásának kezdete a II. világháború idejére tehető. A Kodak a II. világháború alatt dolgozta ki háborús célokra a közeli infravörös sávra érzékeny filmeket, a zöldre festett katonai objektumok és a valódi növényzet megkülönböztetésére. Ebben az időszakban a légifelvételek kiértékelése még vizuális és optikai módszerekkel történt. A ’60-as években a digitális technika újabb változást hozott a távérzékelés területén, megkezdődött a képkiértékelésben a számítógépek alkalmazása. A jelentős technológiai fejlődés lehetővé tette a termális infravörös és a mikrohullámú tartományban is érzékelő eszközök nem csupán katonai célú alkalmazását is. Több szakember (Csornai és Dalia, 1991; Csató, 2000) ezt az időszakot jelöli meg a modern távérzékelés kezdetének, amikor az erőforrásmegfigyelő műholdak pályára állítása elkezdődött. A Szovjetunió 1957-ben pályára állította a Sputnik műholdat, 1958-ban az USA-ban pedig létrehozták a NASA (National Aeronautics and Space Administration = Nemzeti Légügyi és Űrhajózási Igazgatóság) központot (Landgrebe, 2003). A NASA és az US DoD (Department of Defense: Nemzetvédelmi Minisztérium) ebben az időszakban nagymértékben támogatta a távérzékelési rendszerfejlesztéseket a földfelszín objektumainak és jellemzőinek felderítése céljából (Borengasser et al., 2008). 10
Egy évtized elteltével megjelentek a polgári célokra is felhasznált műholdak. Az 1970-es években a földfelszínt kutató műholdak alkalmazásával együtt kezdték el a távérzékelés kifejezést használni (Belényesi et al., 2008). Az első ilyen műhold az ERTS-1 volt, melynek fellövése (1972-ben) nagy előrelépést jelentett a széles körű alkalmazások irányába (Landsat hivatalos weboldal). Bár már a hagyományos színes felvételeket is több hullámhosszon történő képalkotásnak tekinthetjük, mégis ebben az időszakban terjedtek el a multispektrális távérzékelési módszerek. A Landsat-1-ként elhíresült rendszer alapvető célja a földfelszín távérzékelési és térképészeti felderítése volt, az első olyan képalkotó berendezésként, amely digitális formájú multispektrális adatokat állított elő. Ezt követően, az érzékelők technikai fejlődésével az elkülöníthető hullámhosszok száma nőtt, a spektrális csatornák sávszélessége csökkent, megvalósítva ezzel a hiperspektrális távérzékelés technológiai alapjait (Hargitai, 2006). A hiperspektrális eljárást eredetileg idegen égitestek felszínének geokémiai vizsgálatára dolgozták ki (Schenk et al., 2001). A földfelszíni alkalmazásokban elsőként használt hiperspektrális szenzorok az 1980-as években jelentek meg (pl. AVIRIS = Airborne Visible/Infrared Imaging Spectrometer), főként geológiai ásványkincs kutatások céljából (Goetz et al.,1985; Zheng et al., 2001) A ’90-es években a technológiai fejlesztések tovább bővültek, és már nemcsak védelmi és kereskedelmi célokat szolgáltak ki. A századforduló környékén a mesterséges műholdakon elhelyezett érzékelők, mint a 1999-ben fellőtt MODIS (Moderate Resolution Imaging Spectroradiometer) mezőgazdasági,
vagy
a
erdőgazdasági
2002-ben
fellőtt
hasznosítása
vált
HYPERION általánossá
környezetvédelemi, (Gyulai,
2008).
A
hiperspektrális szenzorok fejlődését azóta rendkívül nagymértékű dinamikus változás jellemzi (Itten és Nike, 2010), melynek köszönhetően a szolgáltatott információk tartalma növekedett, és vele együtt az alkalmazások köre is bővült. (A szenzorok és alkalmazások külön alfejezetekben kerülnek kifejtésre.) Az elmúlt évtizedben az Európai Unióban több légi hiperspektrális szenzort fejlesztettek ki (AISA, APEX, ARES stb.), melyek létrejöttével számos kezdeményezés indult új módszertani kutatásokra. Interdiszciplináris kutató közösség létrehozása volt a célja a Framework 6 Program keretében 2007-2010 időszakban futó Hyperspectral Imaging Network (HYPER-I-NET) projektnek. A négy év alatt a HYPER-I-NET Nyári Egyetem keretében összegyűjtött olyan egyetemi hallgatókat, doktoranduszokat, posztdoktorokat valamint fiatal kutatókat, akik érdeklődtek a képalkotó spektroszkópia iránt. A képzések alkalmával a résztvevők megismerkedhettek a hiperspektrális technológia egyes kiemelt
11
részterületeivel (pl. adatfeldolgozás, kalibráció, alkalmazások), és szakértők által megtartott előadásokat hallgathattak (Hyperspectral Imaging Network weboldal). A hiperspektrális adatok hozzáférhetőségének javítása érdekében elkészült a HYRESSA (Hyperspectral Remote Sensing in Europe – specific Support Actions) projekt, amely a hiperspektrális távérzékelési adatok szolgáltatóinak és felhasználóinak igényét mérte fel. A 2 éves projekt eredményeképpen megállapításra került, hogy európai szinten jelentős és sürgős igény mutatkozik egy továbbfejlesztett kutatói hálózat kiépítése iránt, amely megoldást keres az új távérzékelési adatok feldolgozási problémáira (Nieke és Reusen, 2007). Megerősítve és támogatva ezzel a piac keresleti és kínálati oldalát egyaránt, oly módon hogy a meglévő protokollokkal, standardokkal történő megfelelősége megmaradjon (pl. Inspire). A hiperspektrális technológia szakterületén bekövetkezett jelentős változások 2009 óta minden évben bemutatásra kerülnek a WHISPERS workshop-on. A konferencia célja összekapcsolni azon embereket, akik a hiperspektrális adatok szolgáltatásában, feldolgozásában, és alkalmazásaiban végzik kutatásaikat. Az állandóan új helyszínen megrendezésre kerülő rendezvényen a világ több országából érkeznek szakemberek, hogy bemutassák eddig elért eredményeiket, valamint szakmai eszmecsere keretében megvitathassák tapasztalataikat. Számos magyar kutatócsoport által elért kutatási és fejlesztési eredmény is szerepelt már a konferencián.
2.1.2. Magyarországi hiperspektrális távérzékelés Magyarországon 1980-as években kezdődött el a távérzékelés nem katonai célú alkalmazása. Ezen időszakra jellemző olyan együttműködési megállapodások létrejötte (pl. INTERCOSMOS program), amellyel a környezetvédelemi, mezőgazdasági, geológiai felhasználások, a talajok, ásványok és növényi vegetációk nagy felbontású spektrális jellemzőinek vizsgálata is elindult, multispektrális adatokra épülő elemzésekkel.
Hazánkban első alkalommal 1989-ben használtak légi hiperspektrális képalkotó berendezést, a Bős-nagymarosi munkálatok feltérképezéséhez. A Földmérési és Távérzékelési Intézet (FÖMI) által irányított szigetközi felméréshez a kanadai MONITEQ cég FLI/PMI rendszerét alkalmazták. Bár a képalkotó spektrométer 288 spektrális sávban képes adatgyűjtést végezni, a felvételezés során beállított térképező üzemmódban csak multispektrális (8 db spektrális csatorna) felvételeket készítettek (Büttner, 1990). 12
Az új technológia iránti komolyabb igény 1998-ban a Magyar Köztársaság modernizációs programjában meghatározott (2159/1996. (IV.28.) számú kormányhatározat), az ország teljes területét érintő légifelvételezéshez kapcsolódóan merült fel. A Magyar Állami Földtani
Intézet
(MÁFI)
Kardeván
Péter
által
szerkesztett
döntés-előkészítő
tanulmányában, a mérőkamerás légifelvételezések és a légi geofizikai felvételezések mellett, már a hiperspektrális digitális felvételek készítése is célkitűzésként jelent meg (Kardeván, 1998). Mivel a hiperspektrális technológia ekkor még világviszonylatban is csak kutatási fázisban volt, ezért az országos szintű felvételezést végül nem tartották célszerűnek megvalósítani. Ennek ellenére a „Magyarország légifelmérése” című tanulmányban javaslatot tettek arra, hogy az ország jól lehatárolt részein kísérleti jellegű hiperspektrális légifelvételezések történjenek (Winkler, 2001).
A 2000-ben a nagybányai ciánszennyezés miatt már konkrét céllal került előtérbe a hiperspektrális technológia alkalmazásának szükségessége. A kutatásokhoz kapcsolódó HySens 2002 projekt keretében került sor először Magyarországon hiperspektrális repülési kampányra (Kardeván et al., 2003). Ez a program biztosította, hogy a német fejlesztésű Digital Airborne Imaging Spectrometer (DAIS) és Reflective Optics System Imaging Spectrometer (ROSIS) rendszerek más országok számára is elérhetőek legyenek, és így több külföldi és hazai intézmény együttműködjön. Ebben az időszakban a szükséges infrastruktúra beszerzése rendkívül költséges és összetett feladat volt, ezért a hiperspektrális kísérletek nemzetközi viszonylatban, jellemzően több ország összehangolt együttműködéseként valósultak meg. A kísérlet a maga nemében egyedülállónak számított, hiszen az Európai Unióhoz csatlakozni kívánó országok közül Magyarország volt az első, amely részt tudott venni ebben a programban. A repülésre 2002. augusztus 18-án került sor a Német Űrkutatási és Távérzékelési Intézet (Deutsches Zentrum für Luft- und Raumfarht = DLR) munkatársai közreműködésével. A szenzorokkal a látható, közeli infravörös, középső infravörös hullámhossz-tartományokban és termális infravörös tartományban is készültek felvételek. A repüléshez kapcsolódó földi mérésekhez használt terepi spektroradiométereket (ASD FieldSpec, GER 3700, PIMA) a külföldi partnerek International Institute for Geo-Information Science and Earth Observation (ITC) és a Joint Research Centre (JRC) – bocsátották rendelkezésre (Hargitai et al., 2004). Bár a programban felhagyott bányák (Recsk és Gyöngyösoroszi meddőhányói) környezeti hatásainak nehézfém-szennyezést érintő vizsgálata volt az elsődleges cél, mezőgazdasági és környezetvédelmi kutatásokat is folyattak a hajdúsági, látóképi és tedeji tesztterületeken 13
(Hargitai, 2006; Hargitai et al., 2006). A kísérlet eredményeként a hazai kutatóintézetek nemzetközi együttműködésben dolgozhatták fel a nagy értékű távérzékelési adatokat (Vekerdy et al., 2002).
A hiperspektrális távérzékelés területén hazai viszonylatban igazán nagy előrelépést a Specim Spectral Imaging Ltd. gyártmányú AISA (Airborne Imaging System for Applications) Dual hiperspektrális távérzékelő rendszer 2006-ban történt beszerzése jelentette. Az EU-s támogatással megvalósult beruházást az Földművelésügyi és Vidékfejlesztési Minisztérium Mezőgazdasági Gépesítési Intézete (FVM MGI) és a Debreceni Egyetem Agrár- és Műszaki Tudományok Centrum (DE AMTC) Víz- és Környezetgazdálkodási Tanszékével közösen a Gazdasági Versenyképesség Operatív Program keretében valósította meg. Az AISA Dual szenzor felhasználásával számos hazai és külföldi kutatási tanulmány jött létre (Burai, 2006b; Burai et al., 2008b; Deákvári et al., 2008a; Deákvári et al., 2008b; Tamás, 2010; Tamás et. al., 2011). Ezzel hazánkban megteremtődött egy nemzetközileg is kiemelkedő hiperspektrális légi adatgyűjtő eszközrendszer felhasználási lehetőségeinek alapja, új távlatokat nyitva a hiperspektrális távérzékelés széles körű alkalmazási lehetőségei felé. A Mezőgazdasági Gépesítési Intézet megalapította a Hungarian Hyperspectral Working Group (HHWG) szervezetet, amelynek célja egy olyan komplex vizsgálati módszer kidolgozása volt, amely a légi, földi és laboratóriumi reflektancia vizsgálatokat fogja össze. A csoport által létrehozott rendszer alapját képezte egy hazai hiperspektrális szolgáltatás indításának, továbbá nemzetközi kapcsolatok építésének és az egyetemi oktatásba történő elméleti és gyakorlati képzésekbe történő bevonásának (Szalay et al., 2010; Tolner, 2011).
Magyarországon
az
AISA
Dual
rendszert
követően,
újabb
hiperspektrális
eszközbeszerzésre is sor került. A Károly Róbert Főiskola 2010-ben a Baross Gábor Program keretében üzembeállított egy AISA Eagle II., nagy sebességű, ötödik generációs légi hiperspektrális képalkotó berendezést. A hazai kutatás-fejlesztési erőfeszítések fontos eleme volt ez a projekt, hiszen alkalmazásai hazai és nemzetközi szinten is számos társtudomány-terület vizsgálati lehetőségeit kitágította. A 2010. október 4-én történt vörösiszap katasztrófa során különböző tudományágak összehangolt munkáját képezték a távérzékelési technológiák által szolgáltatott adatsorok (Berke et al., 2011b; 2011c; Bíró, 2011; Józsa, 2011; Neményi et al., 2011; Németh, 2011). További távérzékelést érintő
14
fejlesztés következett be 2012-ben, Leica ALS70 típusú LIDAR (Light Detection And Ranging) eszköz beszerzésével a Gyöngyösi Főiskola részéről. Hazánk eddig nem rendelkezett ilyen aktív távérzékelő rendszerrel, amellyel kiválóan kiegészíthetők, továbbfejleszthetők a hiperspektrális technológia által szolgáltatott adatok (Bíró, 2012; Tomor, 2012). Az UN SPIDER program keretében az ENSZ regionális központot hozott létre Gyöngyösön. A főiskola, a világon 12.-ként alapított hivatalként, távérzékelési eszközeivel támogatja a katasztrófavédelmet, valamint más vészhelyzetek kezelését.
Az EU csatlakozást követően Magyarországon is fokozott figyelmet kaptak azok a tudományos kutatási területek, amelyek megteremtik és támogatják a távérzékelési technológia környezetvédelmi, mezőgazdasági alkalmazásait. Jelenleg több hazai kutatási központ is foglalkozik hiperspektrális távérzékelési adatok alkalmazásaival, kiértékelési módszereivel, illetve feldolgozási lehetőségeivel (1. táblázat). 1. táblázat Jelentősebb hazai hiperspektrális kutatási központok
Intézmény
Székhely
Főbb kutatási területek
Budapesti Corvinus Egyetem
Budapest
mezőgazdasági, környezetvédelmi és urbanisztikai
Debreceni Egyetem
Debrecen
mezőgazdasági és környezetvédelmi
Eötvös Lóránt Tudományegyetem
Budapest
idegen égitestek
FVM Mezőgazdasági Gépesítési Intézet
Gödöllő
mezőgazdasági
Gábor Dénes Főiskola
Budapest
informatikai, elméleti
Károly Róbert Főiskola
Gyöngyös
mezőgazdasági, környezetvédelmi, ipari és katasztrófavédelmi
Magyar Állami Földtani Intézet
Budapest
geológiai és környezetvédelmi
MTA Balatoni Limnológiai Kutatóintézete
Tihany
hidrobotanikai
Nyugat-Magyarországi Egyetem
Mosonmagyaróvár
mezőgazdasági
Pannon Egyetem
Keszthely
mezőgazdasági
Szegedi Tudományegyetem
Szeged
régészeti és urbanisztikai
Szent István Egyetem
Gödöllő
mezőgazdasági és környezetvédelmi
Nemzetközi együttműködéseknek köszönhetően 2010. augusztus 19-28. között az angol Környezetvédelmi Kutatási Tanács (Natural Environment Research Council) és a Légi Kutatási és Felmérési Intézet (Airborne Research and Survey Facility) munkatársai a helyi szakemberekkel
együttműködve
feltérképezték
a
Balatoni
és
a
Balaton-parti
ökoszisztémákat. A tíznapos kurzus célja olyan kutatási és oktatási feladatok végrehajtása 15
volt, amely a Balaton nyílt vízének, a parti nádasoknak, a Tihanyi-félszigetnek valamint a Kis-Balatonnak a területeit érintette. A hazai kutatói hálózat tagjai a légi hiperspektrális távérzékelés kutatásai területein már jelentős előrelépéseket tettek, az általuk végzett vizsgálatok és eredmények a magyarországi alkalmazások alfejezetben kerülnek majd bemutatásra. 2.2. A hiperspektrális távérzékelés fizikai alapjai A hiperspektrális távérzékelés tudományának alapja az elektromágneses spektrum, melynek felosztásával a képalkotás során bizonyos hullámhossz-tartományok kerülnek rögzítésre oly módon, hogy a keletkezett adatsorok később digitális feldolgozásokra, elemzésekre alkalmassá váljanak (Borengasser et al., 2008). Az elektromágneses sugárzást, amíg az energiaforrástól eljut az érzékelőig, különféle fizikai hatások érik (Csornai és Dalia, 1991), ezért a felvevő berendezések által nyújtott észlelési lehetőségek megfelelő alkalmazásához figyelembe kell vennünk a felszíni objektumokat érő sugárzást befolyásoló tényezőket: az energiaforrás tulajdonságait, az elektromágneses hullámok terjedési sajátosságait, az atmoszféra hatásait, az elektromágneses hullámok és a földfelszín kapcsolatát, és a szenzorok érzékenységét.
2.2.1. Sugárzási források és törvények A távérzékelésben az információhordozó közeg általában az elektromágneses sugárzás, bár számos esetben más is lehet (pl. ultrahang esetén levegő, víz vagy egyéb közeg, mint az anyaghullám). A továbbiakban közvetítő közegként minden esetben az elektromágneses sugárzást tekintjük. Az abszolút nulla fok (0 K vagy -273,15 °C) fölötti hőmérsékleten az elektromágnesesen sugárzó anyag, a környező térbe elektromágneses hullámok formájában sugárzást bocsát ki, s ezzel energiát ad le, azaz energiaforrásként viselkedik (Sabins, 1987). Az elektromágneses sugárforrások lehetnek: -
természetesek: pl. Univerzum, Naprendszer, Föld és légkörének sugárzásai,
-
mesterségesek: pl. minden emberi tevékenység által kiváltott jelforrás (rádió tartományban
radarok,
rádióadók,
elektronikus
készülékek;
hő-
és
fénytartományban városok, gyárak, autópályák). A távérzékelésben energiaforrásnak tekinthető egy aktív érzékelő is, a napsugárzás, vagy a földfelszín tárgyainak sugárzása is, azonban más-más erősséggel és spektrális összetétellel. Az aktív érzékelők (radarok, lidarok) saját sugárforrással rendelkeznek, vagyis a saját 16
maguk által kibocsátott, a földfelszínről visszaverődő energiát használják fel detektálásra. A természetben megtalálható energiaforrások a Nap, illetve a felszínről visszaverődött napsugárzás, és az objektumok által kibocsátott saját sugárzás. A földfelszínre érkező elektromágneses sugárzás túlnyomórészt a Napból érkezik. A Nap által kisugárzott energiamennyiségnek viszont csak egy része éri el a földfelszínt. A földi légkör egységnyi felületére, egységnyi idő alatt, a föld közepes naptávolságában, merőlegesen beérkező sugárzási teljesítményt a napállandó fejezi ki, értéke 1370 W/m2 körül ingadozik. A földfelszínen mért sugárzás ennél kisebb (átlagosan 904 W/m2), mivel a napsugárzás intenzitása a légkörön való áthaladáskor csökken. Mértéke a földrajzi szélesség és a felhőzet eloszlásának függvényében változik (Heinrich és Hergt, 1994). A Nap, a légkör, a földfelszín és tulajdonképpen az összes valós forrás nem tekinthető abszolút fekete testnek, azonban a számításainkhoz elegendő pontossággal jól közelítik azt (Bíróné, 2009). A fekete testtel kapcsolatos alapvető törvények a 1. sz. mellékletben találhatóak. A távérzékelésben a természetes hosszúhullámú sugárzás (pl. földfelszín mikrohullámú kisugárzása) nehezebben érzékelhető, mint a rövidebb hullámhosszú (pl. termális infravörös) sugárzás. Az érzékelő berendezéseknek így adott időegység alatt a földfelszín nagyobb területét kell vizsgálniuk, hogy érzékelhető energiamennyiséghez juthassanak, melynek egyenes következménye, hogy a kapott felvétel térbeli felbontása rosszabb lesz (Lillesand et al., 2004).
A teljes elektromágneses spektrum hullámhossz függvényében történő felosztása - az egyes tudományterületeken (anyagtudomány, geológia, meteorológia, távérzékelés, stb.) eltérő lehet. A távérzékelés nemzetközi viszonylatában legelterjedtebb Sabins hullámhossz szerinti osztályozását (Sabins, 1987) a 2. sz. melléklet tartalmazza.
2.2.2. Atmoszférikus hatások A Napból érkező elektromágneses sugárzás a légkört elérve kölcsönhatásba lép vele, majd hosszabb vagy rövidebb utat megtéve éri el a Föld felszínét. Az elektromágneses hullámok a visszavert sugárzás detektálása esetén közel kétszer, míg a kisugárzott energia rögzítése során egyszer, haladnak át teljesen az atmoszférán, amíg a forrástól az érzékelőig eljutnak (Mucsi, 2004). Ez alatt a légkörön átjutó sugárzás összetétele és erőssége is megváltozik. Az atmoszférában megtett út alatt az energia részben visszaverődik, szóródik, elnyelődik, 17
továbbítódik. A távérzékelés szempontjából a két legfontosabb atmoszférikus hatás a szóródás és az elnyelés. Ezen hatások mértéke függ a sugárzás energiájának a nagyságától, a sugárzás által megtett út hosszától, az atmoszféra összetételétől, a részecskék nagyságától és a hullámhossztól. A légkör sugárzáscsökkentő hatását leíró törvények a 3. sz. mellékletben találhatóak. Az atmoszférikus szóródást az atmoszférában megtalálható részecskék okozzák. A légkört alkotó gázok szerint a szóródást két nagyobb csoportra bonthatjuk: a szelektív szóródásra, amelyet az O2, NOx, CO2 gázok okoznak, valamint a nem-szelektív szóródásra, amely a légkör páratartalmának és a felhőknek a következménye (Hord, 1986; Sabins, 1987). A szelektív szóródás több típusa létezik (Elachi és Van Zyl, 2006) aszerint, hogy a részecske
átmérője
hogyan
viszonyul
a
vele
kölcsönhatásba
lépő
sugárzás
hullámhosszával: Rayleigh-szóródás, Mie-szóródás, nem-szelektív szóródás. A szóródás típusok részletes leírása a 4. sz. mellékletben találhatóak. A szóródással ellentétben az atmoszférikus abszorpció valódi energia veszteséget jelent. Az abszorpció következtében az elektromágneses hullám energiáját az abszorbeáló molekulák (elsősorban a vízgőz-, a széndioxid- és ózonmolekulák) elnyelik, így döntően befolyásolják azt, hogy mely spektrális sávok alkalmazhatóak az adott távérzékelő rendszerekben. Az elektromágneses spektrum gamma és röntgen sugárzási régiója távérzékelési célból általában érdektelenek, hiszen a légköri elemek teljes mértékben elnyelik őket. Büttner szerint kivételt képez a kőzetek természetes radioaktivitásából eredő gamma-sugárzás detektálása (Büttner, 2004). Az ózonmolekulák az ultraibolya sugárzást majdnem tökéletesen elnyelik, csak a 0,3-0,4 µm tartomány kerül átengedésre. Mivel az ultraibolya sugárzásnak a hosszú hullámhosszú része detektálható, így ez a tartomány részben alkalmas a távérzékelési feladatok elvégzésére. A távérzékelésre leginkább alkalmazott látható és infravörös tartományban a vízgőz és a szén-dioxid a legjelentősebb abszorbensek. A mikrohullámú tartományokban az abszorpció alacsony szintje következtében az adatgyűjtés folyamatát a légköri viszonyok nem zavarják. Az elektromágneses spektrum - távérzékelésben még elterjedt - következő tartományát az úgynevezett rádióhullámok alkotják. Azokat a hullámhossz tartományokat, ahol legkisebb a szóródás és az elnyelés, tehát ahol teljesen vagy részben átengedi az atmoszféra az elektromágneses sugárzást atmoszférikus (légköri) ablakoknak nevezzük (5. sz. melléklet). A 0,3-14,0 µm közötti hullámhossz tartomány esetében optikai ablaknak, míg a 0,1-70,0 cm tartomány esetében mikrohullámú ablaknak nevezzük (Burai, 2007). A légkör zavaró hatásai a légköri ablakokon belül is 18
jelentősek. A légköri elnyelés és szóródás a Föld felszínről kiinduló sugárzást elfedik vagy módosítják, melynek következtében a felvételek radiometriai tulajdonságai megváltoznak. A légköri inhomogenitás, azaz a különböző sűrűségű és így fénytörésű légtömegek (képződő felhők, a felszíni eredetű füstök és ködök) pedig geometriai eltéréseket okozhatnak a felvételeken. Néhány kilométeres magasságból történő felvételezésnél ezek a hatások viszonylag kismértékűek, az űrtávérzékelés során (több száz kilométeres magasságból) viszont jóval jelentősebbek. Korrekciójukra több eljárás is kidolgozásra került, ennek ellenére a lehető legoptimálisabb körülmények között célszerű a felvételezéseket megvalósítani.
A felvételezés időpontját úgy kell megválasztani, hogy az időjárási körülményeken túl vegyük figyelembe a Nap pozícióját, vagyis a napsugarak beesési szögét. A beeső sugárzás intenzitása akkor a legnagyobb egy felületen, ha a Nap állása a legmagasabb zeniten van és a beesési szög 90 fokos. Amennyiben ennél kisebb a napsugarak hajlásszöge, a sugárzásnak vastagabb levegőrétegen kell áthaladnia, s így jelentősebb a légköri szóródás és elnyelés (Sabins, 1987; Anda, 2010; Berke és Kozma-Bognár, 2010a).
2.2.3. Földfelszíni kölcsönhatások Az atmoszféra által átengedett elektromágneses sugárzás a földfelszínnel történő találkozáskor visszaverődik, elnyelődik és/vagy elvezetődik. Az energia-megmaradás elve alapján a beeső sugárzás ezen energia-kölcsönhatások összege (Schowengerdt, 1987): Eb(λ) = Er(λ) + Ea(λ) + Et(λ)
(1)
ahol, Eb : a beérkező energiamennyiség, Er : a reflektált (visszavert) energia, Ea : az abszorbeált (elnyelt) energia, Et : a továbbított energia.
A három alapvető energiamennyiség egymáshoz viszonyított aránya, valamint a kisugárzott energia függ a hullámhossztól (λ), a sugárzás intenzitásától, az anyag minőségétől, állapotától. Miután a legtöbb távérzékelési eszköz a visszavert sugárzást méri, így a megfigyelt tárgy fizikai és kémiai jellemzőire közvetve következtethetünk (Molenaar, 1993).
19
Egy földfelszíni objektum visszaverő képességének mennyiségi meghatározására bevezetett mutató a reflektancia (pλ), amely a visszavert (Er) és a beeső (Eb) sugárzás hányadosa: pλ = [Er(λ)/Eb(λ)] * 100
(2)
Ez az érték nemcsak százalékos formában, hanem viszonyszámként is kifejezhető (reflektancia-faktor, 0 és 1 közti szám). A távérzékelési alkalmazások többségében, elegendő a relatív értékek használata (Zilinyi, 1995), mivel a tárgyak fizikai, kémiai tulajdonságait egymáshoz képest vizsgáljuk, illetve az egyes tárgyakat egymástól különítjük el.
A felszín visszaverő képességét a felszín érdessége és a beérkező energia hullámhossza határozza meg. Egyenletes (izotróp) visszaverődés esetén a visszavert sugárzás intenzitása a beeső sugárzás intenzitásának és a beesési szögnek a függvénye. A természetben ilyen visszaverődési tulajdonsággal nagyon kevés objektum rendelkezik (pl. tiszta hó felszíne) ezért a megfigyelés iránya is fontos tényezővé válik a visszavert sugárzás megállapítása során. Az objektumok spektrális és strukturális tulajdonságaiból adódóan a visszaverődés nem egyenletes diffúziót (anizotrópiát) mutat (Gao et al., 2003). A távérzékelési gyakorlatban a visszaverődés heterogenitásából adódóan „idealizált” tárgyakat (pl. fehér lap) használnak a reflektancia pontos meghatározása érdekében. Azokat az izotróp tárgyakat, amelyeket referencia felületként alkalmaznak a reflektancia számításoknál, gyakran Lambert féle reflektoroknak is nevezzük (Burai, 2007). A visszavert sugárzás heterogenitása mellett a megvilágítás változékonysága is befolyásolja a felvételezés megbízhatóságát (Anda, 1993a; 1993b). A napsugárzás meghatározásához ismerni kell az időbeli változásokat és az adott térbeli elhelyezkedést (földrajzi szélesség, földrajzi hosszúság, domborzat stb.). Ismert megvilágítási viszonyok esetén a felszín reflektanciája meghatározható a radiancia méréséből (Schowengerdt, 1987): L = [p*E*cos (θ)]/π
(3)
ahol, L : radiancia (egységnyi felületen áthaladó, egységnyi térszög irányából érkező spektrális teljesítménysűrűség [W/(m2·steradian)]), p : a reflektancia, E : ismert megvilágítás (irradiancia, [W/m2]), 20
θ : a Nap zenitszöge (a zenitszög a helyi függőleges vonal valamint a Nap irányába húzott félegyenes által bezárt szög). Az így átszámított reflektancia látszólagos reflektancia, mivel a képlet alkalmazásakor feltételezzük, hogy a sugárzás teljes egészében a Nap irányából érkezik és elhanyagoljuk a légkör vagy más felszíni objektumok szórását. A visszaverő felszínt pedig Lambert típusúnak feltételezzük, amely a ráeső fényt minden irányban egyformán veri vissza. A felület tehát vízszintes, és a felületet érő megvilágítást a Nap zenitszöge alapján számíthatjuk. Az egyes felszíni objektumok visszaverési tulajdonságainak könnyebb leírása érdekében a 1960-as években bevezetésre kerültek olyan kétirányú függvények, amelyeket mint tükörfelületen beeső és visszaverődő sugárzást vizsgáltak. A teljes matematikai leírást (BxDF) 1991-ben Paul Heckbert publikálta, lehetővé téve ezzel a számítógéppel történő közelítést (Heckbert, 1991). A sugárzási folyamatot leíró BxDF, BSDF, BSSRDF, BRDF, függvények részletes leírása a 6. sz. mellékletben találhatóak.
A földfelszín tárgyainak visszaverődési tulajdonságaira a domborzati viszonyok további hatással vannak, melynek következtében a távérzékelt felvételeken radiometriai és geometriai torzítások jelennek meg. A domborzat megváltoztatja a napsugarak beesési szögét és intenzitását, ezáltal a kapott felvétel radiometriai jellemzőit. A radiometriai torzítás anizotróp visszaverési tulajdonságokkal rendelkező felszín esetében még jelentősebb. A geometriai hatás abban nyilvánul meg, hogy a felvételeken az azimuttól távolodva egyre növekvő mértékű geometriai torzítások tapasztalhatóak. A függőleges tengellyel készített felvételeknél a felvétel szélein, nem függőleges tengelyű felvételeknél az egész felvételen jelentkezik. Minél nagyobb magasságkülönbségekkel rendelkező területről van szó, annál erősebb a domborzat geometriai hatása (Kraus, 1998): ∆ρ = ∆Z * (ρ/Z0)
(4)
ahol, ∆ρ : a radiális képtorzulás mértéke, ∆Z : az adott földfelszíni pont magasságkülönbsége az elméleti tárgysíkhoz képest, ρ : az adott képpont távolsága a képfőponttól, Z0 : a felvételező eszköz távolsága a földfelszíntől. Az anyagok fizikai és elektromágneses jellemzőitől valamint az elektromágneses sugárzás hullámhosszától függően a különböző tulajdonságú elemek eltérő reflexió (illetve emissziós) értékeket vesznek fel az egyes hullámhossz tartományokban. Az objektumok 21
hullámhossz
függvényében
ábrázolt
visszaverődési/elnyelődési
értékeit
spektrális
visszaverődési/elnyelődési görbének nevezzük (Sabins, 1987; Berke et al., 2004). A görbék alapján az egyes mikroorganizmusok, ásványok, növények, építmények, mesterséges anyagok jól azonosíthatóakká válnak, hiszen a különböző anyagok eltérő tulajdonságaiból adódóan más-más reflexiós görbékkel rendelkeznek. A meghatározott körülmények között rögzített
és
gyűjteménybe
foglalt
„spektrális
ujjlenyomatokat”
tartalmazó
spektrumkönyvtárak (USGS Digital Spectral Library weboldal, Aster Spectral Library weboldal), jelentős szerepet játszanak a spektrális azonosításban (Herold et al., 2004). Az itt található standard profilokat általában referenciaként használják az elemek meghatározásánál.
2.2.4. Detektorokat érő sugárzás A földfelszín tárgyairól visszavert illetve kisugárzott elektromágneses energiát érzékelő berendezéseket szenzoroknak nevezzük. A távérzékelésben alkalmazott elektromágneses sugárzás hullámhossza alapján megkülönböztetünk ultraibolya, látható, infravörös, vagy mikrohullámú szenzorokat. A detektáló berendezések 3 µm alatti hullámhosszoknál elsősorban a visszavert energiát, míg 3 (5) µm felett a kibocsátott energiát mérik, hiszen a 3 µm hullámhossz a határvonal a visszavert és a kibocsátott sugárzás (rövid- és hosszúhullámok) között. A sugárzási törvényszerűségek alapján a hosszúhullámú
sugárzásnak azon szakasza alkalmas a felszíni objektumok hőmérsékletének vizsgálatára, amelyik megfelelő távolságban van a visszaverődési tartományoktól (3 µm<). A nap sugárzási spektrumának energiája 3 µm felett is érzékelhető, bár itt már rendkívül alacsony (Péczely, 1979). A 3-5 µm közötti tartományban átfedések alakulhatnak ki. Az átfedések
megakadályozhatják az objektumok elkülöníthetőségét illetve azonosíthatóságát, ezért e tartomány kevésbé használható a távérzékelésben. A felvevő eszközök felvételezési sávjait a légköri ablakok és a jellemző felszínborítási formák spektrális tulajdonságainak figyelembevételével állapítják meg. Az optikai sávban készített felvételek készítésekor jelentős hatása van a napállásnak, a légköri és időjárási tényezőknek, míg a mikrohullámú esetben ezen befolyásoló hatásoktól függetlenül is lehet felvételeket készíteni. Ebből következően kiválóan alkalmazhatók a légkör összetételének vizsgálatára. A természetes mikrohullámú sugárzás kis energiatartalma miatt a kapott felvételek geometriai felbontása kicsi (Lillesand et al., 2004), így meglehetősen
22
korlátozottak a felhasználási lehetőségei. Aktív formája a radar, amelyet pl. geológiai adatelemzésre használnak. A képérzékelés és képalkotás az adott kölcsönhatás erősségének változásain alapszik, de vannak olyan érzékelők illetve alkalmazási területek, ahol a kölcsönhatás időbeli lefolyása (ultrahang-képek, radarfelvételek), vagy időbeli terjedése (csillagászati felvételek) szolgáltat adatokat (Woolfson, 2012). A távérzékelés során alkalmazott légi- vagy űreszközök érzékelőit alapvetően kétféle sugárzás éri (Schowengerdt, 2007): Lλ (x, y) = Lsλ (x, y) + Leλ (x, y)
(5)
ahol, Lλ (x, y): detektort érő összes sugárzás [W/m2], Lsλ (x, y): detektort érő reflektált vagy visszavert sugárzás [W/m2], Leλ (x, y): detektort érő emittált vagy kibocsátott sugárzás [W/m2]. Mindkét összetevő további három-három részre bontható, melyek részletezés bemutatása a 7. sz. mellékletben található.
A távérzékelés során használt eszközök adott nyílásszöggel jellemezhető optikáján keresztül, a meghatározott hullámhossz tartományba eső, a detektor felületére érkező sugárzás teljesítményét mérik. A műszerek kalibrációjakor megállapítják a műszerbe jutó radiancia és a műszer által kiadott digitális jelszint közötti kapcsolatot. A műszerek előállítása során arra törekednek, hogy a kapcsolat lineáris legyen (Berke és KozmaBognár, 2010a): L = α * CN + β
ahol
(6)
L: radiancia [W/(m2·steradian)], α és β:: együtthatók, műszerállandók, CN: a műszer által kijelzett digitális jelszint, szám (Count Number) és/vagy intenzitásérték (pixelérték).
A detektor típusok részletes bemutatása és csoportosítása a hiperspektrális szenzorok alfejezetben következik.
23
2.3. A hiperspektrális felvétel fogalma A hiperspektrális távérzékelés fogalmának bevezetése Dr. Alexander F. H. Goetz nevéhez fűződik, aki a következőképpen definiálta: „digitális képek egyidejű rögzítése folyik sok keskeny, egymással összeérő spektrális sávban” (Kruse, 1994). Míg a pankromatikus felvételek általában nagy geometriai felbontásúak, a látható és a közeli infravörös tartomány integrálásával készülnek, a multispektrális felvételek pedig több szélesebb sávszélességű
csatornát
tartalmaznak,
addig
a
hiperspektrális
felvételek
nagy
csatornaszámúak és szűk sávszélességűek (Schowengerdt, 2007). Erre a jellemzőre utal a hiperspektrális kifejezés is, amely a görög eredetű „hiper” (jelentése „felett” vagy „túl”), és a spektrális („színekre” vonatkozó) szavak összevonásából keletkezett (Borengasser et al., 2008). A hiperspektrális kifejezést a szakirodalmi forrásokban az egyes szerzők eltérő módon alkalmazzák. Találkozhatunk olyan tanulmánnyal, amelyben a szerző a hiperspektrális felvételnek a 100< csatornaszámú felvételt nevezi (Polder és Van der Heijden, 2001; Zheng et al., 2001; Varshney és Arora, 2004). Jaquez és munkatársai a 64< sávval rendelkező felvételt definiálják hiperspektrálisnak (Jaquez et al., 2002). Számos szakirodalomban pedig a szűk sávszélességű (∼10 nm) felvételeket tekintik ide tartozónak (Sabins, 1987). Más szakértők a hiperspektrális szenzorok közé sorolják a kis térbeli felbontású képalkotókat is, mint pl. a MODIS, amelynek a legkisebb geometriai felbontása akár 1000 m is lehet (Gitelson et al., 1996). Jelen disszertációban az Európai Unió Tanácsának 2003. 149/2003/EK sz. belső rendeletét (Európai Unió Tanácsa, 2003) alapul véve a távérzékelt felvételeket - a csatornák száma alapján - a következő csoportokba soroltuk: •
Pankromatikus kép:
1 db csatorna
•
Színes kép (RGB kamerák):
3 db csatorna
•
Multispektrális felvételek:
4-20 db csatorna
•
Hiperspektrális felvételek:
21- db csatorna
Kutatásaink során tehát hiperspektrális felvételeknek azokat a felvételeket tekintettük, amelyek esetében egy adott területről, egy időben több mint húsz diszkrét spektrális sávban készül felvétel. A távérzékelés és a hiperspektrális távérzékelés során is a földfelszín tárgyairól visszavert illetve kisugárzott elektromágneses energia kerül rögzítésre. A detektáló berendezések 3000 nm alatti hullámhosszoknál elsősorban a visszavert energiát, míg 5000 nm felett a kibocsátott energiát detektálják (2. táblázat). 24
2. táblázat A hiperspektrális távérzékelésben alkalmazott spektrális régiók (Schowengerdt, 2007)
Hullámhossz tartomány megnevezése
Hullámhossz tartomány (nm)
Sugárzás forrása
Jellemző felszíni fizikai folyamat
Látható (Visible=VIS)
400-700
szoláris
reflektancia
Közeli infravörös (Near InfraRed=NIR)
700-1 100
szoláris
reflektancia
Rövidhullámú infravörös (Short Wave InfraRed=SWIR)
1 100-1 350 1 400-1 800 2 000-2 500
szoláris
reflektancia
Közepes hullámú infravörös (MidWave InfraRed=MWIR)
3 000-4000 4 500-5 000
szoláris, termális
reflektancia, emittancia
Termális vagy hosszúhullámú infravörös (Thermal InfraRed=TIR vagy LongWave InfraRed=LWIR)
8 000-9 500 10 000-14 000
termális
emittancia
A többsávos képalkotó technológiák működtetése során az adatok egy „adatkocka” formájában kerülnek rögzítésre, melynek minden sávját egy-egy a vizsgált területet lefedő kép alkotja, ezt nevezzük adatkocka-elvnek (Kardeván et al., 2010). Az azonos területet ábrázoló képelemek függőleges mentén kiolvasott intenzitásértékeiből áll össze a terület felszíni anyagának folyamatos eloszlású spektruma, vagyis a reflektancia görbéje. Az adatkocka tehát egy három-dimenziós ábrázolása az objektumnak oly módon, hogy a felvétel két tengelye (x, y) a távolságnak felel meg, míg a harmadik tengely (z) a hullámhossznak (1. ábra).
A több spektrális sávban készített felvételekkel - a nagy spektrális felbontás miatt - a földfelszínen található objektumok (felszínrészletek, tereptárgyak, stb.) általában jobban elkülöníthetőek, mint az egyetlen sávban készítettekkel. A hiperspektrális technológia ennek köszönhetően egyre szélesebb körben elterjedt kutatási módszer. Főleg azokon a szakterületeken alkalmazzák, ahol a megfelelő szintű eredmény elérése érdekében szükség van a nagy spektrális felbontású, sok spektrális sávban készített felvételekre (KozmaBognár, 2010b).
25
1. ábra Hiperspektrális adatok értelmezése (Kozma-Bognár, 2010b)
2.4. A hiperspektrális szenzorok Az elmúlt évtizedben a hiperspektrális távérzékelés területén a technológiai újításoknak köszönhetően a forgalomba hozott érzékelők számában és technikai paramétereiben hihetetlen
ugrás
következett
be.
A
technológia
fejlődésének
köszönhetően,
a
távérzékelésben használatos eszközök, technikák egyre megbízhatóbb és pontosabb érzékelést tettek, tesznek lehetővé számunkra (Frombach és Ritvayné, 2008). A hiperspektrális
távérzékelés
során
előállított
felvételek
többféle
elven
működő
felvevőrendszerrel készülhetnek. Jelenleg nagyon változatos képet mutatnak az elektromágneses sugárzás rögzítésére alkalmazott technikák. A különféle képalkotó berendezések csoportosításánál többféle kategorizálási szempontot is figyelembe vesznek: a szenzor energiaforrása, a detektálás módszere, az érzékelő működési elve, az érzékelt hullámhossz tartomány, a felvétel készítési magassága, az adatgyűjtés célja (Sabins, 1987; Schowengerdt, 2007; Woolfson, 2012).
A hiperspektrális szenzorok általában természetes eredetű elektromágneses sugárzásokat érzékelő berendezések, passzív szenzorok (MODIS, HIPERION, AISA). Elnevezésükből adódóan nem rendelkeznek saját sugárforrással, hanem az objektum által visszavert vagy kibocsátott sugárzást mérik. Napjainkban az analóg felvételt készítő mérőberendezések szinte teljes mértékben háttérbe szorultak, a gyakorlatban a felvevő eszközök már indirekt módon érzékelik a megfigyelés tárgyát. A közvetlenül digitális képeket rögzítő szenzorok jelentősége az adatkezelésben rejlik, mivel a beérkező elektromágneses energiát átalakítás 26
nélkül közvetlenül elektromos jelekké alakítják át, így azonnal alkalmasak a számítógépes adatfeldolgozásra (Deli, 2010). Az érzékelő működési elve alapján kamera (framing systems) vagy pásztázó rendszereket (scanning systems) különböztethetünk meg egymástól (2. ábra). A régebbi típusú pásztázókban (Landsat TM) „whiskbroom” szkennelési eljárással továbbították a beeső sugárzást, vagyis lengő vagy forgó tükröt használtak. Az újabb „pushbroom” szkennerek (Lawrence et al., 2003) esetében töltéscsatolt érzékelő egységeket (Charge-Coupled Device = CCD) alkalmaznak.
2. ábra Detektortípusok megkülönböztetése a működési elv alapján (Buiten, 1993)
A hiperspektrális képalkotó rendszerek központi része maga az érzékelő, amely magába foglalja a hardvereken kívül azokat a folyamatokat is, amelyek az optikai radianciát digitális számokká alakítják át úgy, hogy a végén egy hiperspektrális kockát hoznak létre (Chang, 2007a). A hiperspektrális szenzorok általában három fő elemi részből tevődnek össze: optika, spektrográf és digitális kamera (Deákvári és Kovács, 2007). A spektrográf felfogja az optikai résen keresztül a prizmák és az optikák segítségével az objektumról beérkező elektromágneses sugárzást. Szerepe a sugárzás hullámhossz függvényében különböző csatornákra történő felbontásában és a mátrixérzékelőre történő rávetítésében van. A CCD érzékelő elemi egységeiben (pixel) a beérkező sugárzásmennyiséggel arányos elektromos töltés jelenik meg. Ennek kiolvasása során kerül kialakításra az objektum sugárzási képe oly módon, hogy egy adott (felszíni) régióból beérkező sugárzás leképezésével jön létre egy adott pixel információtartalma. A mátrixérzékelő a horizontális tengelyén az objektumról érkező képet jeleníti meg, a vertikális tengelyén a spektrográf 27
által szétbontott az adott geometriai ponthoz tartozó spektrumot képezi le. Végeredményül egy olyan háromdimenziós adatkockát kapunk, melynek két térbeli és egy spektrális tengelye van. Az a térszög, amelyen keresztül a beeső sugárzás eljut a CCD-ig, a látómező. A látómező (FOV = Field of View) a távérzékelési rendszerek térbeli felbontásának mérésére szolgál, amelyet az optika és az érzékelő jellemzői határoznak meg. Azonos látómező mellett az alacsonyabb repülési magasságból a térbeli felbontás nagyobb lesz, mint a magasabb repülési magasság esetében. A látómező a detektor mozgásának és a felvételezni kívánt terület változékonyságának függvényében változhat, melyet pillanatnyi látómezőnek IFOV (Instantaneous Field of View) nevezünk. A látómezőt horizontális és vertikális elemekre is bontjuk (HFOV, VFOV), melyek szerepe a különböző detektorok képeinek egyesítésénél jelentkezik. A szenzor geometriai felbontásával megadjuk a legközelebbi objektumok közötti távolságot a képen, az egyes képelemeknek megfelelő terepi méretet, azaz a kép egy pontjának a földfelszínen mérhető, valós térbeli kiterjedését (Sabins, 1987: Schowengerdt, 2007). A geometriai felbontás mértékegységeként a métert használják. Megkülönböztetünk kis (100 m), közepes (1-100 m) vagy nagy (1 m<) geometriai felbontású felvételeket (Detrekői és Szabó, 2003). A térbeli felbontással ellentétben a spektrális felbontás független az alkalmazott platformtól. Egy szenzor spektrális felbontása az a legkisebb sávszélesség, amely során még képes rögzíteni összefüggő (képi) adatot. Gyakorlati meghatározása az érzékelő spektrális karakterisztikáján történő félértékszélesség mérésével történik, az érzékelő egyetlen csatornájának adatai alapján. A spektrális felbontás mértékegysége a nanométer. A hiperspektrális érzékelés esetében a spektrális felbontás - amelyet a sávszélességben mérnek - magas, mivel a sávszélesség 1-15 nm, a multispektrálissal ellentétben, ahol a sávszélesség 50-120 nm vagy még ez feletti. További szempont, hogy a spektrális csatornák hol helyezkednek el az elektromágneses spektrumon belül. A hiperspektrális érzékelés esetében a sávok között folytonosság jellemző, míg a multispektrális esetében általában rések (gaps) találhatóak. A hiperspektrális érzékelők által készített felvételek esetében a spektrális és a geometriai felbontás mellett jellemző paraméterek még a radiometriai és az időbeli felbontás, amelyek a gyűjtött adatok célirányos kiértékelhetőségére is jelentős hatást gyakorolnak. A továbbiakban Verőné, Berke és Kozma-Bognár valamint Varshney és Arora publikációi felhasználásával definiálom ezeket a fogalmakat (Verőné, 2010; Berke és Kozma-Bognár, 2010a; Varshney és Arora, 2004). 28
A radiometriai felbontás a szenzor azon legkisebb érzékenysége, amely során még különbséget lát a bejövő elektromágneses jel intenzitásában. Egy adott pixel intenzitása a detektorba érkező sugárzási energiát tükrözi, amely egy geometriailag meghatározott földi területelemről származik. Amennyiben változatlan terepi felbontás mellett a spektrális felbontás növekszik, alacsonyabb energiaszintet érzékelnek a felvevők, ezért csökkenni fog a radiometriai felbontás. A felvevőkészülék egy-egy sávjában a beérkező energia minimális és maximális értékei közötti intervallumot egyenlő részekre osztják fel, így különböző - intenzitási értékekkel rendelkező - radiometriai felbontású képek keletkeznek. A radiometriai felbontást nanométerben adjuk meg. A szenzor időbeli felbontása a szenzor érzékelésének a frekvenciája, a felvételek készítésének gyakorisága. Az időbeli felbontás a gyakorlatban azt az időintervallumot jelenti, amely egy adott földrajzi hely két egymást követő megfigyelése között eltelik. A környezetünkben lejátszódó folyamatoknak jellegzetesen eltérő időrendszerük van (pl. a katasztrófák gyors lefolyásúak, a vegetáció fejlődése lassabban végbemenő folyamat), ezért a felvételek készítésének a megfelelő gyakoriságát ezekhez kell illeszteni. Az időbeli felbontás mértékegysége a herz vagy másodperc.
A hiperspektrális szenzorok jelenleg a globális megfigyelési stratégia fontos részei. Korlátaikkal együttvéve rendkívüli lehetőséget biztosítanak számunkra a földfelszín és annak változásainak megértésében. A mai hiperspektrális felvevő berendezések összetett képalkotó spektrométerek, vagyis felvevőkamerák és sugárzásmérők is egyben. A hiperspektrális távérzékelésben leggyakrabban alkalmazott hullámhossz tartományok a látható fény és az infravörös tartomány. A napjainkban használt legjelentősebb hiperspektrális szenzorokat a hordozó eszközök alapján csoportosíthatjuk. Az összegyűjtött földi, légi és műholdas érzékelőket az általuk érzékelt hullámhossz tartományokkal együtt (Kozma-Bognár, 2010b) a 8-10. sz. mellékletek tartalmazzák. A jövőben a hiperspektrális érzékelők száma és karakterisztikája várhatóan tovább fog növekedni, így a kinyerhető információk köre is bővülni fog, feltéve ha a jelenleg meglévő korlátozó
tényezők
(pl.
atmoszférikus
korrekció,
adatkinyerési
technológiák,
adatfeldolgozási módszerek, stb.) csökkenthetőek és megjelennek az új generációs érzékelők. Az hiperspektrális adatgyűjtések céljai még több szakterületre ki fognak terjedni, egyre inkább interdiszciplinárissá válik ez a tudományág, rengeteg csoportosítási lehetőséget vonva maga után. A kapcsolódó hiperspektrális alkalmazások külön alfejezetben kerülnek ismertetésre. 29
2.5. A hiperspektrális légi távérzékelés folyamata 2.5.1. Hiperspektrális felvételezés tervezése és végrehajtása Alapvetően az elektromágneses távérzékelés teljes folyamatát két nagy részfolyamatra bonthatjuk: az adatok gyűjtésére és az adatok elemzésére (Mucsi, 2004). A hiperspektrális képalkotó berendezések adatgyűjtését bizonyos tényezők, mint a beérkező sugárzás, a beesési szög, valamint a légköri körülmények nagy mértékben befolyásolják
(Berke
és
Kozma-Bognár,
2010a).
Nyilvánvaló,
hogy
bizonyos
körülmények, mint az időjárási viszonyok, a rendelkezésre állási idő nem szabályozhatóak (Paine és Kiser, 2003), ezért a felvételezések nagy körültekintést és precíz tervezést igényelnek. A légifelvételezések megkezdése előtt bizonyos paramétereket meg kell határozni: vizsgálni kívánt terület, repülési időpont, repülési magasság, repülés orientációja, repülési sávok száma, vízszintes és horizontális pontosság, terepi felvételezések, boresight kalibráció. Mivel a repülési kampányok nagyon költséges és időigényes
feladatok,
ezért
a
kapcsolódó
tervezési
és
lebonyolítási
feladatok
kulcsfontosságúak a kiváló minőségű adatok szolgáltatása szempontjából (Borengasser et al., 2008). A legtöbb esetben ezeket a feladatokat a felvételezést koordináló szervezetek végzik. A hiperspektrális légifelvételezés tervezésénél első lépésként megadásra kerülnek a kutatási terület adatai, a kívánt térbeli felbontás, a spektrális felbontás és a csatornaszám. Ezen információk alapján a repülést koordináló szervezet repülési tervet készít, majd elvégzi a repüléshez szükséges paraméterek számítását, a repülési nyomvonal meghatározását, a repülés várható költségeinek becslését, valamint a repülést megelőző feladatokat. A repülési kampányok tervezésének és végrehajtásának Tomor és munkatársai által megfogalmazott főbb technológiai folyamatait (Tomor et al., 2011) foglalja össze a 11. sz. melléklet. A repülési terv részeként a repülési paraméterek kerülnek meghatározásra: a szenzor típusa, repülési magasság, repülési sebesség, spektrális és geometriai felbontás, csatornaszám, valamint az adatfeldolgozás célja. A területi lehatárolás alapján elkészítik a repülési nyomvonalat a repülési sávok megfelelő átfedésének (30-50%) biztosításával, majd később ezek kerülnek feltöltésre a navigációs GPS készülékbe. Ezt megelőzően a érzékelőket és a GPS/INS rendszert (a repülő GPS adatait és háromtengelyű pozícióját rögzíti) kalibrálni kell. Az úgynevezett boresight kalibrációt a szenzorok optikai tengelye
30
és a GPS/INS rendszer között ellenőrző pontok koordinátái alapján végezik el (Brook és Ben-Dor, 2010). A repülési költségek számítása során általában a következő elemek kerülnek beállításra: • Nettó repülési idő (felszállástól a leszállásig) • Rendszerteszt a felszállás előtt (+10-30 %-a a repülési időnek) • Boresight kalibráció (repülési idényenként 3-4 alkalommal kerül rá sor, időtartama általában 0,2-1 óra) Esetenként további költségek fordulhatnak elő, mint pl. a külföldi légifelvételezések elvégzése esetében a reptéri illeték, az állásidő, a napidíj, stb. Az adat előfeldolgozás költségei a felhasználó kívánságának megfelelően az előfeldolgozási szint függvényében változik. A repülési terv (áttekintő térkép a repülési paraméterekkel együtt) engedélyeztetéséhez a repülési tervdokumentációt Magyarországon el kell juttatni a Légügyi Hatóság és a Honvédelmi Minisztérium Geoinformációs Szolgálatának részére, ahol általában 2-4 hét az engedélyezés lebonyolítása. A tervezést követően az adatgyűjtés szakasza akkor érkezik el, amikor az időjárási körülmények lehetővé teszik a légifelvételezés megfelelő szintű elvégzést. A légifelvétel készítéséhez alkalmas időszak olyan felhőmentes időszak, amelynél maximális a megvilágítás, a napállás legalább 30 fok, vagy az feletti. A javasolt időszak a 10-14 óra közötti időtartam (Borengasser et al., 2008). A megfelelő időjárási viszonyok elérése céljából a gyakorlatban a légifelvételezés lebonyolításra nagyobb időintervallum kerül megjelölésre. Ameddig az időjárás nem megfelelő, készenléti állapotot tartanak fent, amely akár az egy hónapot is elérheti. Természetesen a felvételezésre akkor kerülhet sor, ha a légi jármű és a detektor is rendelkezik a szükséges műszaki paraméterekkel és tanúsítványokkal. A felvételezés közvetlen megkezdése előtt elvégzendő főbb feladatok: •
Paraméterek beállításai a szenzoro(ko)n
•
GPS/INS rendszer szinkronizálása
•
Felszállási engedélyének kérése a légi irányítástól
•
Terepi mintavételezések indítása
A légifelvételezés közben a szenzor vezérlése során folyamatosan figyelni kell a repülési körülményeket, és adott esetben változtatni kell a rendszer paraméterein. Amennyiben a megengedettnél nagyobb elfordulás, bólintás vagy billenés (roll, pitch, yaw) következik be
31
a repülőgép mozgásában, illetve a felvételezési sebességet jelentősen túllépik, akkor hibás sáv keletkezik és meg kell ismételni a felvételezést. A kapott adatsorok pontosságát tovább lehet növelni a terepi adatgyűjtések, valamint a korábbi archív adatsorok felhasználásával (Milics, 2008). A légifelvételezéshez szorosan kapcsolódó, annak elengedhetetlen részét képező munkafolyamat a földön végzett terepi mérés. Az előre kijelölt terepi pontokon végzett referenciamérésekre a légifelvételezéssel egy időben, vagy ahhoz minél közelebbi időpontban kell hogy sor kerüljön (Berke és Kozma-Bognár, 2010b). A földi adatgyűjtés a következő főbb feladatokból épül fel: 1. Tanító területek és ellenőrző területek felmérése 2. Referenciamérések elvégzése terepi spektrofotométerrel 3. Terepi minták gyűjtése, elszállítása, később tárolása és laboratóriumi mérése 4. GNSS adatok gyűjtése Tomor és munkatársai a következő javaslatokat fogalmazták meg a 2011. évi kutatási összefoglalójukban (Tomor et al., 2011), melyet a 2006 óta végzett saját repüléseink is alátámasztanak. A tanító területek valamint az ellenőrző területek meghatározásánál ügyelni kell arra, hogy homogén területek legyenek kiválasztva a vizsgált tulajdonságra nézve. Amikor már ezek meghatározásra kerültek, a vizsgált osztályok számát is meg kell állapítani. Az atmoszférikus korrekcióhoz homogén felszínű és anyagösszetételű (pl. beton, aszfalt) referencia területeket kell kijelölni. Figyelni kell arra, hogy ne legyen árnyékos a felvétel és a terepi felbontásnak legalább kétszerese legyen a referenciafelület nagysága. A spektrofotométeres mérések esetében a felvétellel megegyező vagy annál jobb spektrális felbontású földi berendezést szükséges alkalmazni. A mérések helyszínén GPS mérést is végezni kell a terepi felbontással megegyező vagy annál jobb felbontással rendelkező eszköz használatával. A kvantitatív minták gyűjtése során ügyelni kell arra, hogy a szedett minták minél előbb feldolgozásra kerüljenek, amennyiben ez nem valósítható meg, a szállítást és a tárolást megfelelő biztonsággal a minták tulajdonságainak megváltoztatása nélkül kell megoldani. A mintavétel helyét GPS készülékkel rögzíteni kell a már korábban leírt kritériumoknak megfelelő eszközzel, valamint fotó/video dokumentációval alátámasztani a mérés elvégzését. Abban az esetben, ha a vizsgált mennyiségi tulajdonság térbeli felbontása nagyobb változatosságot mutat, mint a felvétel terepi felbontása, a helyszínen szükséges meghatározni a mintavételezés térbeli gyakoriságát.
32
A navigációs adatok utólagos feldolgozásához a felvételezés helyszínéhez legközelebbi bázisállomás adataival (legalább 1 Hz adatgyűjtési sebesség mellett) lehet elvégezni a DGPS alapú utókorrekciót. A hiperspektrális légifelvételezés során az adatok külön-külön fájlba kerülnek rögzítésre, és a felvételezést követően ezek az állományok egy háttértárra kerülnek lementésre, az alábbiak szerint: - dark adatok (dark frame data), amelyek az érzékelő zajra vonatkozó információit adják, - nyers képi adatfelvétel, - a felvételhez kacsolódó egyéb (pl. kalibrációs) adatok (csatorna hullámhossza és szélessége), - térinformatikai adatok. A nyers adatállomány minden egyes hullámhosszhoz és pixelhez megadja a hozzá tartozó intezitásértékeket, amelyeket a kettes számrendszerben ábrázolt számok írnak le (pl. 12, 14, 16 bit). A relatív elhelyezkedés sorainak és oszlopainak értékei időbélyegzővel vannak ellátva. A képre és a GPS-re vonatkozó adatok egyszerű fájlformátumba kerülnek mentésre. Ezeket később olyan formátumba konvertálják át (az érzékelő gyártója által kiadott szoftverekkel), amelyeket a képfeldolgozó program közvetlenül kezelni tud. Ügyelni kell arra, hogy a fedélzeti számítógépről csak a biztonsági mentéseket (fizikailag két különböző helyen) követően kerüljenek törlésre az adatok. A távérzékelés azonban nem csak az adatok gyűjtését foglalja magába, hanem a kiértékelésüket is (Sabins, 1987). A kiértékelés lehet minőségi (kvalitatív) és mennyiségi (kvantitatív) elemzés, továbbá érintheti a távérzékelt adatok egészét vagy csak bizonyos részeit (Muller, 1988). A többlépcsős összetett munkafolyamat Burai és Tamás, Hargitai, valamint saját tapasztalataink alapján az alábbi főbb elemekre bontható (Burai és Tamás, 2004; Hargitai, 2006): 1. Tervezés 2. Légi és terepi adatgyűjtés 3. Radiometriai és geometriai korrekció 4. Zajszűrés 5. Geometriai és spektrális adatcsökkentés 6. Objektum spektrális jellemzőinek kiválasztása 7. Előosztályozás, osztályozás 33
8. Interpretáció 9. Utóosztályozás 10. Ellenőrzés A
hiperspektrális
képfeldolgozás
néhány
lehetséges
útját
szemlélteti
Hargitai
folyamatábrája (Hargitai, 2006) a 12. sz. mellékletben. Borengasser és munkatársai az adatfájlt és annak konverzióját is beépítették a feldolgozásba (Borengasser et al., 2008). Véleményük szerint a teljes folyamat részegységeit befolyásolja a megbízás jellege, a szenzor típusa, az alkalmazott szoftver, az elemző szakember tapasztalatai valamint a kívánt végtermék. Ezek függvényében változhat az egyes részegységek száma valamint a feladatok összetettsége és komplexitása. Rengeteg szakirodalmi eredmény született a hiperspektrális feldolgozás témakörében, viszont Chang 2003-ban és 2007-ben megjelent publikációiban felhívta a figyelmet arra, hogy ezen területek tudományterületi lefedettsége elég szelektívnek mondható (Chang, 2003; 2007a). Mindez jelenleg is helyes megállapítás. A hiperspektrális adatfeldolgozás - a folytonosság megőrzése miatt - részletesen a következő alfejezetben kerül bemutatásra, bár részeiben módszertani elemeket is tartalmaz.
2.5.2. Hiperspektrális adatfeldolgozás A hiperspektrális érzékelők által szolgáltatott adatok mennyisége és komplexitása rendkívül nagy, ezért elemzésükhöz megfelelő hardver és szoftver eszközháttérrel kell rendelkezni. A képalkotás során létrehozott adattömeg több száz GB információt tartalmazhat, amelyet a programok jelentős része nem tud egyidejűleg kezelni. Az adatok tárolásához, a szükséges korrekciók (geometriai-, radiometriai korrekciók, zajszűrések, stb.) elvégzéséhez és feldolgozásához kellő szintű számítási- és háttérkapacitással (Halász és Temesi, 1999; Temesi és Berke, 2010) valamint szaktudással kell rendelkezni. A gyakorlatban korábban alkalmazott feldolgozási eljárások nagy része 8 bites adatokat tudtak csak kezelni, mivel a számítási algoritmusok 32 bitre íródtak. Ezek az algoritmusok a feldolgozás során már nem biztosítanak megfelelő pontosságot, esetenként az információk egy jelentős része elveszik. A piacon jelenleg megjelenő technológiák 12, 14 vagy 16 bites színmélységű adatokat szolgáltatnak, amelyek egységesen 16 bites formában ábrázolhatóak. A megfelelő szintű matematikai számításokhoz az ábrázolt színmélység négyszeresére van szükség, ez egy 16 bites ábrázolás esetében 64 bitet jelent (KozmaBognár et al., 2008a). A legújabb informatikai fejlesztéseknek köszönhetően a néhány
34
évvel ezelőtt jelentkezett probléma napjainkban már kevésbé okoz fennakadást a hiperspektrális felvételek feldolgozása során. A hiperspektrális képfeldolgozást támogató programok köre elég korlátozott (3. táblázat), mivel az adatsorok komplexitása miatt a legtöbb hagyományos képfeldolgozási csomaggal nem lehet megfelelően elemezni őket.
Számos térinformatikai szoftver esetében (pl.
ENVI, IMAGINE) önálló képfeldolgozó modulok tartalmazzák a sok csatornaszámú felvételeknél alkalmazható megbízható képfeldolgozási módszereket. 3. táblázat Jelentősebb kereskedelmi forgalomba hozott hiperspektrális feldolgozást támogató szoftverek Varshney és Arora, 2004 alapján
Szoftver ENVI (Environment for Visualizing Images)
Fejlesztő/Forgalmazó Research System Inc.
Ország USA
EASI-PACE
PCI Geomatics
Kanada
IMAGINE
ERDAS
USA
HPGS (Hyperspectral product Genartion System)
Analitical Imaging and Geophysics
USA
(Hyperspectral Image Processing and Analysis System)
Chinese Academy of Science
Kína
SIPS (Spectral Image Processing System)
University of Colorado
USA
MultiSpec
Purdue University
USA
HIPAS
A jelenleg alkalmazott kiértékelési módszerek sok esetben azonban a már meglévő jól bevált multispektrális képfeldolgozási technikák adaptációinak tekinthetőek, így az eredményük megbízhatósága a szakemberek számára megkérdőjelezhető. A módszerek átvételének
alapvető
problémája
a
két
technológia
közötti
korábban
vázolt
különbözőségekből adódik, és ha a módszereket nem kellőképpen adaptáljuk, akkor az új technológia nyújtotta előnyöket nem tudjuk kihasználni (Stümer és Köhl, 2005). Az adatkockát felépítő akár több száz spektrális csatorna közül az előfeldolgozás során kiválasztásra kerülnek azok a sávok, amelyek a megvalósítandó feladathoz szükséges információt tartalmazhatják. A hiperspektrális adatok feldolgozása során első lépésként a nyers képi adatok korrekcióját kell elvégezni (előfeldolgozás): 1.
radiometriai korrekció,
2.
geometriai korrekció,
3.
atmoszférikus korrekció, domborzat okozta megvilágítási korrekciók, felvevő vagy érzékelő okozta, felvételezés közbeni korrekciók,
4.
egyéb korrekciók: rektifikáció, mozaikolás, zajszűrés és csatorna kiválasztás. 35
A kiválasztott eljárások sorrendje, az alkalmazott szoftverek felhasználása, a feldolgozást végző személy megszerzett tapasztalatai is hatást gyakorolhatnak az elemzés végső kimenetelére. Az előfeldolgozás tehát nagymértékben befolyásolja a feldolgozás eredményét, ezért különös odafigyelést és szaktudást igényel az elvégzésük (Blaschke et al., 2000). A többsávos felvételek feldolgozása esetében az előfeldolgozás részeként tekinthetőek a csatornaszelekciós műveletek. A hiperspektrális adatkockában számos csatorna adatai korrelálnak egymással (Harsányi és Chang, 1994). A dimenziószám csökkentő módszerek célja a redundáns adatok kiszűrése, ezáltal azon csatornák kiválasztása, amelyek függetlenek egymástól. Elterjedt lényegtömörítő eljárások: főkomponens analízis, minimális zajszűrési eljárás, lambda-lambda R2 modell, lépcsőzetes diszkriminancia elemzés (Theinkabail et al., 2004; Kozma-Bognár, 2010a). A csatornaszelekciós műveletek rendkívüli mértékben meghatározzák a kiértékelés eredményét. A rosszul megválasztott előfeldolgozással kizárásra kerülhetnek olyan sávok is, amelyek jel/zaj aránya ugyan nem megfelelő, mégis hasznos információt hordozhatnak. Sajnos még mindig sok esetben csak vizuális interpretációt alkalmaznak a zajos sávok megállapítására, ami további hibaforrás lehet. A hiperspektrális felvételek feldolgozásának központi részét az osztályozás képezi. Az automatizált technikákat paraméteres (statisztikai vizsgálatok alapján) és nem paraméteres módszerekre bonthatjuk (Thomas et al., 1987). Az osztályozás egy olyan döntési folyamat, amelynek alapját a nagy változékonyságú (képi) adatok eloszlási függvényei adják (Flusser et al., 2009), melyek segítségével a felvételek pixelértékeit valamilyen tulajdonság szerint csoportosítjuk különböző matematikai, statisztikai módszerrel (Landgrebe, 2003). Az osztályozás módszereinek csoportosítása több szempont alapján is lehetséges (Berke, 2007b; Berke és Kozma-Bognár, 2010a): •
Elméleti
•
Referencia alapú
•
Gyakorlati eljárások
A hiperspektrális adatfeldolgozás során referencia alapú osztályozási módszereket alkalmazunk, amelyek egy lehetséges csoportosítása a pixel alapú (pixel based) és a kevert pixelű (sub-pixel) osztályozás. Az utóbbiak a szomszédos pixelek tulajdonságait is figyelembe veszik. A nagy geometriai felbontású felvételek elemzésénél általában pixel alapú módszereket használunk, amelyek tanítóval történő (ellenőrzött) és tanító nélküli 36
(ellenőrizetlen) osztályozásba sorolást tesznek lehetővé (Foody, 2002). A szakirodalomban leginkább alkalmazott hiperspektrális képosztályozó eljárások a következőek (Richards és Jia, 2006): • Tanító nélküli (unsupervised) osztályozó módszerek pl.: K-Means, ISOData, SelfOrganizing Maps. • Tanítóval (supervised) történő osztályozó módszerek pl.: Minimum Distance, Maximum Likelihood, Parallelepiped, Spectral Angle Mapper. A tanítóval történő osztályozó eljárások a hiperspektrális felvétel képelemeinek spektrumgörbéit hasonlítják össze az endmemberek spektrumgörbéivel és a közöttük fennálló eltérések figyelembevételével sorolják be az egyes képelemeket a különböző osztályokba, adott metrika alapján. Endmembernek egyetlen (távérzékelési) objektum spektrális görbéjét (végállású spektrumát) nevezzük. Endmembereket többféle módon gyűjthetünk: terepen vagy laboratóriumban történő spektrofotométeres méréssel, a felvételen történő tanító területek kijelölésével (földi referencia adatok alapján), spektrumkönyvtárakból, Pixel Purity Index (PPI) számítással. Amennyiben meg szeretnénk állapítani, hogy egy hiperspektrális képelem milyen arányban tartalmazza az endmemberek spektrumát, spektrumszétkeverő (unmixing) eljárásokat kell alkalmazni, mint a Linear Spectral Unmixig, Mached Filtering (Williams és Hunt, 2002; Kozma-Bognár, 2010b). A spektrumgörbék pontos előállításához a terepen felvett spektroradiométeres referenciák és egyéb korrekciók (pl. atmoszférikus) elvégzése szükséges. Mivel a hiperspektrális szenzorok által rögzített adatok nyers számértékek, csak ezen feltételek teljesülése után alakíthatóak át megbízhatóan reflektancia értékekké. Az így kapott reflektancia adatok a beeső napsugárzás folyamatosan mért radianciáját is figyelembe veszik. A korrekciók után a felvételen rögzített spektrum már alkalmas más, pl. laborspektrumokkal való összehasonlításra (Hargitai, 2006). A spektrumkönyvtárakban laboratóriumi körülmények között meghatározott adatokat gyűjtenek (Clark et al., 1993), amelyekben a természetben jelentkező befolyásoló tényezők hatásai nem jelentkeznek. Általában tiszta vagy kevert anyagok értékeit tartalmazzák, míg a távérzékelő berendezéseink ettől jelentősen eltérő, számos
atmoszférikus
és
érzékelőre
jellemző
egyedi
információt,
valamint
laborkörülmények között nem, vagy nehezen reprezentálható (pl. növénytársulások) adatokat is integrálnak kimenő adataikba. Gyakran a pontosabb referencia adatok felvételezése érdekében terepi spektrométerek kerülnek alkalmazásra, amelyekkel az érzékelők közötti különbség részben kompenzálható (azonos szériájú érzékelők alkalmazása). További problémát okoz az is, hogy a helyszíni spektroszkópos vizsgálatok 37
megbízhatóságát is több tényező befolyásolhatja (pl. kalibráció, látószög, detektortípus, időjárási viszonyok), melyek utólagos korrekcióval nem javíthatóak és megismétlésükre sincs lehetőség (Burai, 2007). Az osztályozás eredményeinek pontossága Congalton és Green
szerint négy eljárási
típussal értékelhető: vizuális értékelés, mennyiségi összehasonlítás, térbeli egyezőség elemzése, hibamátrix (Congalton és Green, 1993). Az osztályozási hibák lehetnek téves osztályba soroláson, vagy téves osztályból kihagyáson alapulók. A reflektancia görbék bizonyos értékeiből, változásaiból generálhatóak a különböző indexek. A felszín reflektancia viszonyaival foglalkozó szakirodalmakban számos indexet találunk (Thenkabail et al., 2000). A távérzékelésben igen elterjedt vegetációs index az NDVI (Normalised Difference Vegetation Index), amely egy első generációs index és a fotoszintetikusan aktív vegetációt mutatja (Jensen, 1986; Myneni et al., 1995; Tamás és Szabó, 2010). Amennyiben a vizsgált növényállományban talajfoltok is találhatóak, abban az esetben a talajjal módosított vegetációs indexet a SAVI-t (Soil-Adjusted Vegetation Index) kell alkalmazni (Huete, 1988). A második generációs – Broge és Mortensen után újgenerációs - indexnek tekintjük a vörös-él indexet (Red Edge Index), amely a reflektancia görbék alakját és relatív helyzetét (Red Edge Inflection Pont = REIP) írja le (Broge és Mortensen, 2002). A görbe értékelése során az inflexiós pont eltolódásából következtethetünk a növény egészségi állapotára, a stressz tűrő képességére, a klorofilltartalmára, a fertőzöttség mértékére, stb. (Varshney és Arora, 2004; Jung, 2005; Tamás és Róth, 2008; Kozma-Bognár és Berke, 2009; Kozma-Bognár és Berke, 2010).
2.6. A hiperspektrális távérzékelés alkalmazási területei 2.6.1. Nemzetközi alkalmazások A hiperspektrális távérzékelés közel 30 éves múltra visszatekintő tudományterület, melynek folyamatos fejlődése során lehetőséget biztosít számunkra a környezetünk minél szélesebb körű megismerésében, a mikroszkopikus mérettartományoktól egészen a műholdas felvételek alapján történő globális változásokig. Az első 1980-as években megjelent műholdra szerelt hiperspektrális szenzorokat (AVIRIS) idegen égitestek elsődlegesen geológiai kutatási céljaira hozták létre. Számos kutatás folyik jelenleg is a Mars felszínének és légkörének tanulmányozására (NASA Mars Exploration Program leírás; Brown et al., 2005; Moussaoui et al., 2008; Bernard-Michel et al., 2009). 38
A kezdetben katonai célú alkalmazások körétől mostanra már eljutottunk odáig, hogy szinte mindenki számára elérhetővé vált a nagy spektrális felbontású technika alkalmazás lehetősége (Grahn és Geladi, 2007). Borengasser négy nagy területre osztotta a hiperspektrális alkalmazásokat: mezőgazdaság, környezetvédelem, erdőgazdálkodás és geológia (Borengasser et al., 2008).
A mezőgazdasági alkalmazásoknál 1995-ben Clark és munkatársai a növényzet elterjedési térképezésében használták a hiperspektrális Megállapították,
hogy
az
egészséges
technológiát (Clark és
a
stresszes
et al., 1995).
növényállományok
megkülönböztethetőek a távérzékelés felhasználásával, mivel az egészséges zöld növényzet vörös-él inflexiós pontja eltolódik a stressz alatt álló növényzetéhez képest. 2003 óta Floridában és az USA más délkeleti részein a citrusféléken megjelenő és azok pusztulását okozó üszög terjedésének lokalizálásában használták fel (Brown és Brown, 2001). Patel és munkatársai 2001-ben a Fatehwadi csatorna mellett végzett esettanulmányukban leírták, hogy a búzanövény növekedési paramétereinek (pl. LAI, klorofill-tartalom, biomassza) kimutatására is alkalmasak a nagy spektrális felbontású felvételek (Patel et al., 2001). A cukornád esetében súlyos károkat okozhatnak egyes kórokozók. A többsávos technológia a betegségek felderítésében és feltérképezésében, térbeli kiterjedésében, a betegségek elleni vegyszeres védekezésnél az érintett növények detektálásában, a termés állapotának felderítésében (Thenkabail et al., 2002) segíthet. A cukornád narancs rozsda betegségénél Apan és munkatársai 2004-ben Hyperion felvételek alapján különböző spektrális indexek számításával ki tudták mutatni a gombabetegség és termés biokémiai összetevőjének változásai közötti kapcsolatot (Apan et al., 2004). A hiperspektrális távérzékelés tanulmányozásával a környezetünk állapotát és a bekövetkezett változásokat is nyomon követhetjük. A technológia különösen sikeres a víztestek ellenőrzésében, hiszen fő előnye, hogy helyettesítheti a hagyományos mintavételi eljárásokat, ezenkívül a térbeli és időbeli lefedettséget is biztosítani tudjuk általa. Finnországban Koponen és munkatársai a tavak vízminőségének térbeli változását tanulmányozták, amely a terepi adatgyűjtések alkalmával nem volt teljesen lefedhető. A MERIS csatorna konfigurációja alkalmas volt a tavak zavarosságának vizsgálatára (Koponen et al., 2002). Nyilvánvalóvá vált, hogy a növényzet változásainak szomszédos ökoszisztémára gyakorolt környezeti hatásai is detektálhatóak. Williams munkatársaival együtt a hiperspektrális felvételek hatékonyságát vizsgálta elsüllyedt vízi növényzeten 2003-ban, oly módon hogy e fajok eltérő toleranciáját (sótartalom alapján) nézte, és a 39
paraméterek vizsgálatával a vízminőség romlása is tanulmányozható vált, mivel ok-okozati viszony állt fent közöttük (Williams et al., 2003). Vizsgálati területe Chesapeake Bay torkolata, amelyet HyMap rendszerrel térképeztek fel. Strömbeck és Pierson 2001-ben többek között a fitoplanktonok visszaverődési értékei alapján végeztek vízminőségi vizsgálatokat a Malaren tónál Svédországban. Klorofilltartalmat és lebegő szerves és szervetlen anyagok optikai tulajdonságokon alapuló változékonyságát is tanulmányozták. A többváltozós érzékenységi vizsgálatok során a nagy heterogenitású környezet miatt nagy eltéréseket tapasztaltak a klorofill koncentrációban (Strömbeck és Pierson, 2001). Legeltetéses lápi réten klorofill- és nitrogéntartalmat elemeztek hiperspektrális felvételek felhasználásával, amely során több vegetációs indexet is teszteltek a klorofilltartalom becslésére. Az eredmények azt mutatták, hogy a vörös-él-klorofill index lineáris becslésével a nitrogéntartalomra is következtethetünk. (Clevers és Kooistra, 2011). A nagy biodiverzitású Nanawale Forest Reserve területén (Hawai szigetek) trópusi erdők fajainak meghatározását végezték el a biológiai sokféleség vizsgálata során a CAO-Alpha rendszerrel (Feret et al., 2011). Számos szerző igyekezett bizonyítani, hogy hiperspektrális technológiával a helyi mintavételezéseknél hatékonyabban lehet megvalósítani a tengerparti vízminőség, valamint a víz összetevőinek koncentráció becslését. A vízoszlop egyes paraméterinek reflektancia értékeit használták ennek meghatározására (Jay és Guillaume, 2011). A növényzet biokémiai jellemzőinek megállapításához használt mutatók korlátozott számú speciális környezetben lévő fajokra kerültek kifejlesztésre. Hely specifikus indexet dolgoztak ki Ausztrália szavannáinak növényzetére vonatkozóan transzszekt vizsgálatok mellett hiperspektrális felvételek bevonásával a klorofilltartalom meghatározására. (Amiri et al., 2011). Hozambecsléseknél a többsávos felvételezés értékes információt szolgáltathat a terméshozamok előrejelzésére, a tervezés és a betakarítási menetrend generáló térképek elkészítéséhez. A Japánban végzett vizsgálatoknál a citrus gyümölcs potenciális termését jósolták meg nagy spektrális felbontású felvételekkel (Ye és Sakai, 2011). Az erdőgazdálkodásban is jelentős szerepet játszik a hiperspektrális távérzékelés, hiszen segítségével az erdőpusztulások nyomon követése, kiváltó okaira történő rávilágítás és a problémák kezelésének megoldása valóra válhat. Amennyiben rendelkezésre állnak nagy térbeli és spektrális felbontású felvételek, javító intézkedéseket lehet eszközölni a károk hatásainak csökkentésére. A hiperspektrális távérzékelési adatgyűjtés az erdő-stressz értékelésére a földi megfigyelésekhez képest gyorsabb és hatékonyabb megoldás, így a korai stressz okozta fertőzések előbb felismerhetőek és a veszteségek minimalizálhatóak. 40
Lawrence és Labus a Douglas fenyők fertőzéseinek korai kimutatásában alkalmazták (Lawrence és Labus, 2003). A felvételek spektrális érzékenységére volt szükséges ahhoz, hogy a rovarfertőzések okozta gyökérrothadás hajtáson jelentkező vizuális jeleit kimutathassák. A Douglas fenyők pusztulását próbálták megakadályozni Mexikó egyes területein
is
(Schmitz
és
Gibson,
1996;
Thomson
et
al., 1996).
Az
erdő
termelékenységeinek vizsgálata során Sampson és munkatársai a kemény fatípusok esetében
vizsgálták
a
pigmenttartalom
használhatóságát
az
egészséges
erdők
meghatározásában (Sampson et al., 2003). A hagyományos értékelési módszerek szubjektívek és helyi szemlék során kerülnek megállapításra, ezért a nem vizuális módszerek korai előrejelzői lehetnek a faállományok állapotának kiderítésében. Clark és munkatársai 2011. évi cikkükben kiértékelték a Costa Rica-i trópusi esőerdők biomassza becslési lehetőségeit LIDAR és AVIRIS adatok alapján (Clark et al., 2001). Gitelson és munkatársai a moszkvai egyetem botanikus kertjéből származó vadgesztenye leveleken vizsgálták a levelek elszíneződését a klorofilltartalom változásának függvényében, különböző MODIS adatok alapján számított vegetációs indexekkel (Gitelson et al., 1996). Haboudane és társai szója, kukorica és búza növények esetében különböző hiperspektrális vegetációs indexeket számítottak CASI adatokra vonatkoztatva. Megállapították, hogy mely indexek adják a legjobb prognózist a zöld levélfelület meghatározására (Haboudane et al., 2004). A levelek klorofilltartalmának becslését végezte el Main munkatársaival 2011-ben, számszerűsíteni kívánták a fotoszintetikus aktivitást a szavanna bizonyos fafajai esetében (Main et al., 2011). Manevski és munkatársai mediterrán növényfajokra vonatkozóan végeztek vizsgálatokat Aktoriti félszigetén (Kréta), azzal a céllal, hogy elemezzék a jellegzetes felszínborításokat a mediterrán térségben. A rövidhullámú infravörös sávokban jelentős eltérést bizonyítottak ASD FieldSpec 3 spectroradiométer alkalmazásával (Manevski et al., 2011). A geológiai kutatások esetében számos külföldi tanulmány foglalkozik a nehézfémtartalmú ásványok hiperspektrális úton történő meghatározásával (Farrand és Harsányi, 1997; Ferrier, 1999). A hiperspektrális technológiát a felhagyott meddőhányók savanyodásáért felelős ásványainak karakterizálásában is alkalmazták már nemzetközi kutatók (Montero et al., 2005). Wu és munkatársai valamint Kemper és Sommer a földtani kőzetek nehézfémtartalmát becsülték meg statisztikai modellek és reflektancia adatok alapján (Kemper és Sommer, 2002; Wu et al., 2005). DAIS felvételeket használtak fel Naxos szigetének (Görögország) litológiai sajátosságainak feltérképezésére (Dickerhof et al., 1998). 41
A szenzorok költségeinek csökkentése valamint az adattárolási és átviteli technológiák fejlődése révén még inkább bővült a hiperspektrális felvételek felhasználóinak köre. A széles körben alkalmazott spektrometriai felhasználásokat a WHISPERS konferencián több csoportra bontják. A platform alapján különválasztják a légi- és űrtávérzékelést, az alkalmazások esetében pedig a környezeti monitoringot, a környezetszennyezést, a precíziós mezőgazdaságot valamint a vegyipari, orvos biológiai, védelmi, és más ipari ellenőrzési területeket különítik el. A megjelent kutatások közül néhány újszerűnek számító hiperspektrális felhasználási területet mutatunk be. Műanyag hasznosítás és újrahasznosítás, pontosabban a poliolefinek újrahasznosítása jelenleg fontos és nagy kihívást jelentő kérdés a környezetünk megóvása területén. Ahhoz, hogy a műanyagokból hasznos terméket állítsanak elő, az ipari hulladék keveréket kell szakszerűen szétválogatni. Az általánosan eddig alkalmazott technikák drágák vagy nehezen ellenőrizhetőek, ezért olcsó és hatékony eljárást kínál a hiperspektrális képalkotás. Az újrahasznosítás folyamatának, a végtermék minőségének, az alacsony szennyezőanyag tartalom ellenőrzésének javítása céljából tesztelték Olaszországban a hiperspektrális technológiát, szilárd részecskék minőségének jellemzésére (Serranti et al., 2011.) A bitumen és olajhomok elkülönítését végezték el Rivard és társai 2011-ben infravörös tartományban készült hiperspektrális adatok alapján (Rivard et al., 2011). AISA hiperspektrális érzékelő nagypontosságú felvételeit alkalmazták a Mexikói-öbölben történt olajkatasztrófánál, a tengeri és part menti élővilágot közvetlenül fenyegető olajfolt károsító hatásainak felmérésére. A hiperspektrális technológiát a képzőművészet is felfedezte (O’Donnell, 2002) már magának. Egyrészt esztétikai értékük miatt, másrészt a művészettörténet területén az antikvitások kutatásai során alkalmazzák, a tinták eredetének és rétegződésének megállapításához
(Scholten
et
al.,
2004).
A
hiperspektrális
spektrumgörbének
köszönhetően az emberi látással kapcsolatos kutatásokban is fel tudják már használni az hiperspektrális eredményeket (Osorio, 2005). 2.6.2. Magyarországi felhasználási területek Magyarországon a hiperspektrális távérzékelés legnagyobb felhasználói a mezőgazdaság és a környezetvédelem. A hazai alkalmazások nagyságát jelentősen befolyásolta, a felhasználások gyakoriságát pedig jelentősen növelte az AISA Dual nagy spektrális és geometriai felbontású szenzor 2007. évi üzembe helyezése. Egyre több kutatóhely
42
kapcsolódott be a hazai és európai műhelyek munkáiba. Azóta gyarapodott azon szakterületek száma is ahol felhasználják a technológia adta többletinformációkat. A mezőgazdaság területén történő nagymértékű felhasználás alapja, hogy hazánk területének közel 50 %-án mezőgazdasági termelés folyik. A nagy felbontású hiperspektrális felvételek alkalmazásának egyik legelterjedtebb formája a földhasználati kategóriák pontos elkülönítésére. Burai kutatásai alapján megállapította, hogy a nagyobb spektrális és geometriai felbontású hiperspektrális felvételek alkalmazásával pontosabb eredményt kapunk a földhasználat meghatározásában, mint a multispektrális felvételekkel (Burai, 2006a). A hiperspektrális távérzékelés agrár-környezetvédelmi vonatkozásaiban kezdtek vizsgálatok végezni Burai és Pechmann 2005-ben. Kutatásaik célja a technológia alkalmazhatóságának bizonyítása a talaj-növény rendszer biológiai, fizikai és kémiai állapotának értékelésére. A vizsgálataik során kapcsolatot találtak a növényállományok, a talajtípusok és a talajfizikai tulajdonságok (pl. elektromos vezetőképesség, sótartalom, tápanyagtartalom), valamint a hiperspektrális felvételek reflektancia értékei között (Burai és Pechmann, 2005). Ez a szignifikáns korreláció a gyomfoltok megjelenésének ökológiai okainak felfedésére is rávilágított, megerősítve ezzel a módszer eredményességét. Szikesedési folyamatok nyomon követésével talajhasználati és vízgazdálkodási hatásokat is elemeztek (Pechmann et al., 2003). Hiperspektrális adatok felhasználásával vizsgálta Bakos az adatfeldolgozó láncok alkalmazhatóságát a felszínborítási térképek előállítása során. Olyan döntési fúziós eljárást dolgozott ki, amellyel véleménye szerint a standard adatfeldolgozási eljárások kombinálhatóak a nagyobb pontosságú térképezés érdekében (Bakos, 2010). A FVM MGI Hiperspektrális Munkacsoportja számos módszert fejlesztett ki a fizikai jelenségek ember által okozott hatásainak (talaj-növény-élővilág rendszerre) vizsgálatára. A hiperspektrális távérzékelési technológiával történő gyomdetektálással a parlagfűvel borított területekről elterjedési térképet készítettek. A vizsgált biomasszában a gyom- és a kultúrnövények differenciált vegetációs értékelésére is sor került (Tolner et al., 2010). Térinformatikai és távérzékelési adatokat alkalmazott Reisinger a parlagfű detektálása során (Reisinger, 2006), és Czimberrel együtt a gyomfelvételezés hagyományos módszerei mellett megemlíti a környezetkímélő és takarékos megoldásokat (Czimber és Reisinger, 2006). Nagy 2004. évi doktori értekezésében megállapítja, hogy a hiperspektrális technológia elterjedése a távérzékeléses gyomfelvételezésben is áttörést hozott (Nagy, 2004). A nagy spektrális felbontású hiperspektrális felvételek egyes sávjainak értékelésével a gyomcsoportok lehatárolásán kívül akár fajszintű elkülönítésre is 43
lehetőség nyílik. A tarlókon végzett széles hatásspektrumú herbicides kezeléseknél a toleráns fajokra nézve a totális hatóanyagok
felhasználásának
eredményessége
pontosabban nyomon követhető. A parlagfű elleni integrált védekezés új stratégiai programjában is megemlítésre került a többsávos felvételek alkalmazásának lehetősége (Kőmíves et al., 2006). A parlagfű térképezésére hiperspektrális felvételeket alkalmaztak Burai és munkatársai (Burai et al., 2009). A növény referencia spektrumainak meghatározását végezte el Kardeván munkatársaival (Kardeván et al., 2004). A precíziós mezőgazdaságban a vegetációk fejlődése során kialakuló növényi betegségek időben történő detektálása és pontos térbeli elhelyezkedése fontos megoldandó feladat (Milics et al.,
2008a).
A
hiperspektrális
spektrumgörbék
felhasználásával
pontosabban
megállapítható a növényvédelemi beavatkozások ideje és módja, hiszen a betegség látható jeleinek megjelenése előtt észlelhető annak kialakulása. Ez a többletinformáció a jelenlegi növényvédelemi beavatkozások szempontjából kimagasló értéket képvisel (Milics és Neményi, 2007; Neményi és Milics, 2007). A talaj és éghajlat stressz hatásai jól azonosíthatóak a növényeken, ezért a víz és tápanyag utánpótlás megállapításánál az egyes vegetációk jó indikátornak bizonyulnak. A növény jelzi az egészségi állapotát, a levél biofizikai
tulajdonságai
megmutatják
a
fotoszintetikus
aktivitást,
a
növény
tápanyagtartalmát, ami különösen nagy jelentőségű a precíziós mezőgazdaságban. A hiperspektrális adatok alapján számolt vegetációs indexek és a terepi minták klorofilltartalmának értékei közötti erős korrelációt mutattak ki Burai és munkatársai. Kimutatták,
hogy
a
vegetáció
állapotfelmérésének
és
a
környezeti
stressz
meghatározásának fontos eszköze a hiperspektrális információ (Burai et al., 2008a). Tamás és társai szerint a megfelelő indexek (NDVI, SIPI, PRI, stb.) számításával az őszibarack fajták egyedi „fa” szintű tulajdonságainak megállapítása valósítható meg hiperspektrális adatok alapján (Nagy et al., 2009; Tamás et al., 2009a). A hiperspektrális távérzékelési módszer hasznosságát támasztják alá Tamás munkatársaival végzett körte fajták génbanki állományaira alapozott 2010. évi vizsgálatai is (Tamás et al., 2010). A publikációjukban kiemelik a biodiverzitás fontosságát, hiszen számos olyan gyümölcs faj és fajta van, amely csupán egy adott kistáj területén található csak meg. A hiperspektrális értékelések eredményeképpen az egyes körte fajták spektrális könyvtárait hozták létre, így a megváltozott klimatikus körülményekhez jobban adaptálódó fajták és a ritkábban előforduló fajták is azonosíthatóvá váltak, elősegítve ezzel az egyedek megőrzését célzó kezdeményezéseket.
44
A biogáz előállításához kapcsolódó biomassza-felméréshez végeztek hiperspektrális vizsgálatokat Gyöngyös környékén. A borítottság és a biomassza megállapításához a hiperspektrális adatokon kívül LIDAR felvételeket is felhasználtak és e technológiával történő kiegészítésével integrált biomassza térképeket készítettek (Bíró, 2010). A szemtermés minőségi paramétereinek előrejelzését és térképezését valósították meg hiperspektrális légifelvételek és a betakarítás során mért adatok elemzésével (Milics et al., 2008b; Virág et al., 2011). A biomassza tömegén kívül a vízkészletek mennyiségének és minőségének megállapításához is alkalmaztak hiperspektrális felvételeket (Tamás et al. 2009b; Neményi et al., 2010). Élőhely térképezést végeztek részben hiperspektrális felvételek segítségével Neidert és munkatársai a kékvércse megóvása érdekében (Neidert et al., 2007). A kutatócsoport az élőhelytípusok lehatárolása során az érvényben lévő Agrár-környezetgazdálkodási program (AKG) kategória rendszerét vette figyelembe (Palatitz, 2012). A csípőszúnyog biológiai gyérítésének terén jelentős sikereket értek el a távérzékelési technikák alkalmazásával a tenyészőhelyek (pl. vízállásos gyepek) felderítésében. A hiperspektrális távérzékelés nagy pontossággal jelöli ki a szúnyogok fejlődését lehetővé tevő fontos tenyészőhelyeket (pl. vízállásos gyepek), ezért alkalmazását Kenyeres és munkatársai 2008-ban ígéretesnek látták. Véleményük szerint a nagy költségigény és egyéb tényezők miatt az ilyen jellegű általános felhasználás további tesztelemzéseket igényel (Kenyeres et al., 2008). A bányászati tevékenységek következményeként fennmaradt meddőhányók világszerte jelentős környezeti kockázattal járnak, mivel sok esetben nem történt meg ezek rekultivációja. A Gyöngyösorosziban elhelyezkedő flotációs zagytározó nehézfém szennyezettségének meghatározását végezte el Nagy és Tamás a HySens program keretében (Nagy és Tamás, 2007). Megállapításra került, hogy a hiperspektrális távérzékelés tükrében a nehézfémekkel szennyezett területeken a Pb, Zn és Fe tartalmú ásványok (galenit, geotit, jarosit, szfalerit, pirit) térbeli eloszlása modellezhető (Nagy et al., 2006), és a fitoremediációra alkalmazható növényfajok köre meghatározható (Nagy, 2007; Nagy és Tamás, 2008; Nagy et al., 2008). Ritvayné és Frombach is említik 2007. évi publikációjukban a remediációs beavatkozások hatékonyságának nyomon követését, mint hiperspektrális alkalmazási területet (Ritvayné és Frombach, 2007). Az ásványkincs kutatás területén Dabi és társai a szintektonikus kalcit zonációjának vizsgálatát végezte el hiperspektrális felvételek értékelésével (Dabi et al., 2006).
45
A városi területhasználat egyik problémája a megbízható beépítettségi térképek hiányából ered. Mucsi és munkatársai kutatási eredményeikkel hangsúlyozzák, hogy a hiperspektrális felvételekből készített várostérképek alkalmasak lehetnek ezek pótlására (Mucsi et al., 2008a). A Szegeden végzett városökológiai kutatások alapján elmondható, hogy a stressz alatt álló növényzet egészségi állapotának spektrális indexekkel (pl. NDVI) történő felmérése - hiperspektrális légifelvételekkel - akár egyed szinten is lehetséges. A multispektrális felvételek kombinációival még teljesebbé válhat a természetes és mesterséges
városi
felületek
beazonosítása,
az
egyes
városrészek
funkcionális
változásainak meghatározása (Mucsi et al., 2008b; Mezősi, 2009). A városi ökokörnyezetet érintő komplex vizsgálatok során hiperspektrális távérzékelési adatokat is felhasználva, meghatározhatóak a jellemző felszínborítási mintázatok (zöldfelületek, burkolt, víz-szigetelő területek, talaj) térbeli szerkezete (Jung et al., 2005; Jung et al., 2006). A városi és természeti környezet kölcsönhatásának elemzésével, így egy integrált monitoring rendszer kiépítését tudták megvalósítani Visiné és Király a városi környezetminőség meghatározása céljából (Visiné és Király, 2011). A városi és városközeli zöldfelületek mennyiségi és minőségi jellemzésére is hiperspektrális felvételeket használtak fel. A hazai hiperspektrális technológiák tökéletesen illeszthetőek nemcsak a mezőgazdaság és környezetvédelem, de más alkalmazások feladataihoz is, mint az ipari, régészeti, honvédelemi és kármentesítési tevékenységek. Új fejleményeket hozott a technológia a laboratóriumi, minőségellenőrzési munkákban (Firtha, 2008). Az ipari alkalmazások során különböző beltartalmi jellemzőket, valamint az élelmiszerek vagy nyersanyagok tulajdonságait lehet detektálni. Ez történhet egy gyártósoron, vagy szállítószalagon végbemenő valós idejű válogatási- és egyéb automatizálási feladatok esetében (Kaszab et al., 2007). Ilyen jellegű kutatást valósítottak meg Firtha és munkatársai 2006-ban, amikor hiperspektrális képfeldolgozással becsülték meg a sárgarépa nedvességtartalmát (Firtha et al., 2006). Az
eltemetett,
betemetődött
objektumok
a
talajnedvességben
és
a
növényzet
borítottságában változást okoznak. A talajokban és azok nedvességtartalmában bekövetkezett módosulások, valamint a növényzetben megfigyelhető anomáliák pontosan beazonosíthatóak a hiperspektrális ujjlenyomatok segítségével. Padányi-Gulyás és munkatársai szerint a régészeti lelőhelyek felületi spektroszkópiájával az egyes régészeti jelenségek is eredményesen meghatározhatóak (Padányi-Gulyás et al., 2011). 46
A katonai műveletek gyors és hatékony megtervezéséhez hazánkban is alkalmaznak geoinformációs támogatásokat. A különféle korszerű távérzékelési technikákkal (pl. hiperspektrális távérzékelés) új típusú információkat szerezhetnek a hagyományosan felhasznált egyéb térképészeti megoldások (topográfiai-, földrajzi- és tematikus térképek, térképvázlatok) mellett. A Magyar Honvédség a geoinformációs támogatási doktrína tükrében speciális geoinformációs termékeket alkalmaz annak érdekében, hogy megkönnyítsék és hatékonyabbá tegyék a döntéshozatali rendszert, a műveleti terület vizualizációja és a harcmező jellemzőinek realisztikus bemutatása által (Koós, 2009). Róth 2007-ben további konkrét katonai alkalmazási területeket említ munkájában (Róth, 2007): rejtett és álcázott célpontok felismerése, katonai és civil objektumok monitoringja, katonai környezethasználat, terrorizmus elleni fellépés, természeti katasztrófák (tűz, árvíz). A hiperspektrális távérzékelés ereje részben abban is rejlik, hogy képes a környezeti tényezők gyors térbeli és időbeli értékelésére azokon a területeken, ahol a terepi felvételezés egyáltalán nem vagy csak rendkívüli erőforrások bevonásával kivitelezhető. Hazánkban 2010. október 4-én történt vörösiszap katasztrófát követően légi hiperspektrális felvételeket (látható, infra, hő és LIDAR adatokkal kiegészítve) használtak fel a vörösiszap által okozott környezetállapot felmérésére. A kockázati tényezők megítélésének elősegítését, a káros környezeti hatások megfigyelését, valamint a környezetbe került szennyezőanyagok mennyiségi és minőségi paramétereinek felmérését is lehetővé tette ez az eljárás. A adatok előállításával és kiértékelésével hasznos segítséget nyújtottak a közvetlen kockázatelemzésben, valamint a későbbi kármentesítési munkálatokban (Berke et al., 2011a; Lénárt et al., 2011). Magyarországon is találunk olyan kutatócsoportokat, amelyek a Földünk megismerésén kívül más égitestek megfigyelésében végeznek kutatásokat. Ládai és munkatársai 2005-ben a Mars Express űrszonda hiperspektrális képeinek feldolgozása alapján határozták meg a Mars felszínén található kőzeteket (Ládai et al., 2005). Az atmoszférikus gázok és a különböző jégfajták elnyelődési görbéinek felhasználásával elkészítették ezek térképi megjelenítését (Sik et al., 2005; Ládai, 2009; Sik, 2011). Csorba és Keresztúri a Mars litológiai elemzését végezte el hiperspektrális adatok felhasználásával (Csorba és Keresztúri, 2009). A Hold felszínének topográfiai térképezésére, kémiai összetételének vizsgálataira
is
alkalmaznak
hiperspektrális
képalkotó
segítségével ásványtani térképezéseket is megvalósítanak.
47
berendezéseket,
amelyek
3. ANYAG ÉS MÓDSZER 3.1. A vizsgálati terület bemutatása Kutatásaink helyszíne a Bakony–vidék tájegységen belül a Tátika-csoport tagjai közé tartozó Várvölgy település határában helyezkedik el. A Zala megyei kisközség mellett lévő tesztterületünk, Keszthelytől 15 km-re északnyugati irányban található a Keszthelyihegység peremén (3. ábra).
Várvölgy
3. ábra 2004. évi ortofotó a várvölgyi tesztterületről és környékéről (Földmérési és Távérzékelési Intézet)
Domborzata az alacsony középhegységek típusát viseli, 350 m átlagos tengerszint feletti magassággal, az átlagos relatív relief 130-140 m/km2. Éghajlata mérsékelten hűvös, mérsékelten nedves, évi középhőmérséklete 9,8-10,2 °C (a vegetációs időszakban a hőmérsékleti átlag 15,8-16,5 °C). Az évi csapadékmennyiség 670-720 mm (nyári félévben 400-430 mm). A területet barnaföldek jellemzik, a terület ariditási indexe 0,98-1,02, a talajvíz mélysége 4 m alatti (Dövényi, 2010). A változatos domborzati viszonyok következtében az amúgy uralkodó É-i szélirány jelentősen változhat (az évi átlagos szélsebesség 3 m/sec), amely a légifelvételezések megvalósításában problémákat okozhat. Területi adottságai és éghajlata kedvezően hat a mezőgazdasági és az erdőgazdálkodási tevékenységek végzésére. 48
A Várvölgy község határában elhelyezkedő mintaterületen 2007. év folyamán 13 különböző
táblaterületet
azonosítottunk
be
(4.
ábra).
Az
egyes
parcellák
tulajdonviszonyaikat illetően több magánszemély birtokában voltak, és bérbeadás illetve saját művelés alatt álltak. A tesztterületen olyan táblák kerültek kijelölésre, amelyeken mezőgazdasági hasznosítást valósítottak, mivel kutatásaink alapvetően a földhasználati borítottságra épültek.
4. ábra Saját készítésű felvétel 2007.04.16-án a várvölgyi tesztterület tábláiról
A vizsgálati célterületek közé olyan jól beazonosítható egyéb földfelszíni objektumok is bekerültek (erdősáv, műút, földút), amelyek később referenciaként szolgáltak az egyes vizsgálatainkhoz.
Tesztterület jellemzői: •
A teljes terület nagysága: 30 ha
•
Tengerszint feletti magasság: 209 és 247 m között változik
•
A legalacsonyabb pont GPS koordinátája: N: 46°51'38.55", E:17°17'37.08"
•
A legmagasabb pont koordinátája: N: 46°51'20.76", E:17°18'06.53"
49
4. táblázat A várvölgyi tesztterület felszínborítási kategóriái
Terület megnevezése
Növénykultúra
Elvégzett vizsgálati módszer
1. tábla
kukorica
Növényborítottság vizsgálat
2. tábla
tritikálé
Növényborítottság vizsgálat
3. tábla
kukorica
Növényborítottság vizsgálat
4. tábla
búza
Növényborítottság vizsgálat
5. tábla
tritikálé
Növényborítottság vizsgálat
6. tábla
búza
Növényborítottság vizsgálat
7. tábla
műveletlen terület
Növényborítottság vizsgálat
8. tábla
napraforgó
Növényborítottság vizsgálat
10. tábla
napraforgó
Növényborítottság vizsgálat
Egyéb
erdősáv
Növényborítottság vizsgálat
Egyéb
műút
Növényborítottság vizsgálat
Egyéb
földút
Növényborítottság vizsgálat
A vizsgálatokba véglegesen bevont területek kiválasztásának kritériuma az volt, hogy az elkészült AISA Dual felvételeken összefüggően és teljes táblaterülettel szerepeljenek az egyes táblák. Ezek alapján kilenc tábla került kiválasztásra (4. táblázat).
3.2. Hiperspektrális légifelvételezések A
tanulmányozott
területen
2006
óta
folytattunk
multi-
és
hiperspektrális
légifelvételezéseket. Az első hiperspektrális felvételezésre 2007.05.21-én került sor az AISA Dual hiperspektrális szenzorral, amely egyben a hazai érzékelő történetének is egyik legelső, nem teszt célú, "éles" felvételei közé tartozik.
3.2.1. AISA Dual hiperspektrális érzékelő Az Európai Unió legjelentősebb rendszereinek egyike a finnországi Specim Spectral Imaging Ltd. által kifejlesztett AISA Dual hiperspektrális szenzor. Az AISA kameracsalád tagjaként egyesíti az AISA Eagle és Hawk szenzorokat. A duális tartóban történő rögzítése révén lehetővé teszi, hogy a VNIR és SWIR spektrális tartományokból összehangolt módon (mindkét érzékelő ugyanazt a repülési területet látja) gyűjtsön adatokat maximálisan 498 spektrális sávban. Az AISA Dual rendszer egy kompakt, alacsony 50
költségszintű,
repülőgépre őgépre
szerelhet szerelhető,
kiváló
működési ködési
jellemző jellemzőkkel
és
magas
teljesítménnyell rendelkező képalkotó kép rendszer. A hiperspektrális képalkotó a következő következ alapvető rendszerelemeket integrálja: 1.
Pushbroom broom hiperspektrális képalkotó szenzorok (AISA Eagle, AISA Hawk)
A két érzékelő egy házba történő történ összeépítése következtében az optikai tengelyek párhuzamosak (5/a., 5/b. ábra). A két szenzor egy időben ben azonos földi sávról képes szinkronizálva adatot gyűjteni, űjteni, a 400-2450 400 nm spektrális tartományban.
AISA Dual fizikai paraméterei: Hosszúság:
400 mm
Szélesség:
490 mm
Magasság:
630 mm
Tömeg:
55 kg
5. ábra AISA DUAL hiperspektrális szenzor kívülről (a. -bal oldali kép) és belülről belülrő (b.–jobb oldali kép) (AISA Dual hiperspektrális érzékelő leírás)
2.
Beépített GPS/INS egység (Oxford RT3003 típus)
A repülőgép pozíciójára,, valamint térbeli helyzetére vonatkozó adatokat (billegés, bólintás szöge) szolgáltatja.
3.
Száloptikás sugárzásmérő sugárzásmér (FODIS szenzor)
A repülőgép gép tetején kerül elhelyezésre. Mindkét szenzorhoz tartozik egy-egy egy beeső sugárzást mérő külön érzékelő. érzékelő
4.
Kompakt ipari célú személyi számítógép (PC) (PC) monitorral és egyéb kiegészítő kiegészít egységekkel (billentyűzet, (billentyűzet, tápegységek, speciális csatlakozású kábelek).
A számítógép gyűjti űjti a mérés során keletkezett adatokat, amelyhez egy - erős napfénynél is jól látható - nagy fényerejű monitor kapcsolódik (6/a., 6/b. ábra).. A repülés során az RSCube szoftver kezelése révén van lehetőség lehet ség a repülési paraméterek beállítására és vezérlésre.
51
6. ábra AISA Dual rendszer repülőgépbe repül szerelt, felvételezésre kész állapotban, az érzékelő és a sugárzásmérő (a. - bal oldali kép), a konzolmonitor (b. - jobb oldali kép) (Deákvári és Kovács, 2007)
5.
CaliGeo eo szoftvercsomag
A szoftvercsomag célja, hogy a nyers AISA adatokat olyan formába konvertálja át, hogy az a legtöbb adatelemzőő program által olvashatóvá váljon. Az ENVI környezetben környez (Windows, Mac OS X és Linux platform alatt is) futtatható szoftver alkalmazásával a mérés során rögzített felvételeken elvégezhetőek elvégezhet a radiometriai és geometriai korrekciók nemcsak csak a mért, hanem külső GPS vagy radiancia adatok segítségével is. A radiometriai radi előfeldolgozáshoz feldolgozáshoz a sugárzásmérő sugárzásmér kalibrációs adatait, a geometriai korrekcióhoz pedig a GPS/INS érzékelő által a felvétel készítésével készítés szinkronban gyűjtött pozíciós és magassági adatokat használja a rendszer alapvetően. alapvet
Az AISA rendszer stabil működése m mellett, nagy spektrális és térbeli felbontású légifelvételeket eket biztosít számunkra. A nagy sebességű hiperspektrális adatkocka létrehozásával hatékony adatgyűjtést adatgy jtést valósít meg, amely megbízható pontos kiértékelést kiértéke eredményez kutatásainkhoz. A Specim Spectral pectral Imaging Ltd. társalapítójának társalapít Timo Hyvärinen bevallása szerint 70 db AISA érzékelő érzékel működik ködik a világ különböző különböz kutatási központjában, de megtalálhatóak az üzleti vállalkozásoknál és a védelmi szervezeteknél szervezetek is. Magas fokú elismertségét mutatta, hogy hog 2010-ben ben a „Prism Awards” esetében a „detektorok, érzékelés, képalkotás, kamerarendszerek” kategóriában a döntőbe dönt került (Specim Spectral Imaging Ltd. hivatalos weboldal).
A 2007. évi vizsgálataink során a hazai AISA Dual hiperspektrális szenzorral készült légifelvételeket elemeztünk. Az érzékelők érzékel k kutatásaink szempontjából fontos műszaki paramétereit az 5.. táblázat tartalmazza. 52
5. táblázat AISA Dual technikai paraméterei (AISA Dual hiperspektrális érzékelő leírás)
VNIR szenzor (Eagle) SWIR szenzor (Hawk)
AISA Dual
Spektrális tartomány
400-970 nm
970-2450 nm
400-2450 nm
Spektrális felbontás
244
254
498
Spektrális minta/pixel
2,3 nm
5,8 nm
2,3; 5,8
Spektrális mélység (bit)
12
14
14
Térbeli pixelszám
1024
320
320
Optika
18.5 mm
22.5 (vagy 14) mm
18.04
FOV
37.7 fok
24 fok
24 fok
IFOV
0,037 fok
0,075 fok
0,075 fok
Képalkotási gyorsaság
100 kép/s-ig
100 kép/s-ig
100 kép/s-ig
Az AISA (Airborne Hyperspectral Imaging System leírás) rendszerek sokoldalú felhasználási területei mind a tudományos, védelmi és kereskedelmi alkalmazások területén megjelennek. A légi felvevőeszköz legjellemzőbb felhasználási területei: •
Környezetvédelmi monitoring
•
Mezőgazdasági növényosztályozás
•
Fajmeghatározás
•
Erdőgazdálkodás
•
Hozam meghatározások
•
Talajtani jellemzők meghatározása
•
Katasztrófa elhárítás: –
árvíz,
–
vihar,
–
tűzvész,
–
olajszennyezés.
•
Vegyi anyagok
•
Katonai és kriminalisztika emberi tevékenység.
53
3.2.2. A hiperspektrális légifelvételezések lebonyolítása A keszthelyi térségben két időpontban történtek hiperspektrális felvételezések. Az első alkalommal (2007.05.21.) a Keszthelyen folyó kutatásokhoz kapcsolódóan a várvölgyi tesztterületet követően a Zala Völgyén végighaladva a Kis-Balaton egyes területei kerültek pásztázásra. A második esetben (2007.06.19.) már csak a várvölgyi rész került monitorozásra (Kozma-Bognár, 2008). Az időjárási viszonyok a légifelvételezések végrehajtásához részben megfelelőek voltak. A hőmérsékletre, relatív páratartalomra, és a szélerősségre
vonatkozó
adataink
(13.
sz.
melléklet)
a
Sármelléki
repülőtér
mérőállomásának adatbázisából származnak. A hiperspektrális távérzékelési folyamat tervezését, és a légifelvételezés megvalósítását a Földművelésügyi és Vidékfejlesztési Minisztérium Mezőgazdasági Gépesítési Intézetének és Debreceni Egyetem Víz- és Környezetgazdálkodási Tanszékének munkatársai végezték. A
felvételezést
követően
részünkre
átadásra kerültek az adatfájlok és később a rendszer bevezetésének újszerűsége miatt folyamatos egyeztetések folytak az elvégzendő előfeldolgozási feladatokkal kapcsolatban. bizonyos
Ennek esetekben
megfelelően az
általuk
szolgáltatott információk kerülnek majd feltüntetésre a disszertációmban. A
légifelvételezést
megelőzően
lehatároltuk a felvételezni kívánt területet (7. ábra) és továbbítottuk a tervezési feladatokat számára,
elvégző akik
ezt
munkatársak felhasználva
meghatározták a repülési paramétereket és elkészítették a repülési nyomvonalat. 7. ábra Területi lehatárolás a várvölgyi tesztterületről
A várvölgyi tesztterületnél a következő repülési paraméterek kerültek meghatározásra, a Specim Spectral Imaging Ltd. által biztosított segédtáblázat alkalmazásával (8. ábra). Az itt meghatározott paraméterek megegyeznek a repülés során létrehozott Log fájl adataival.
54
AISA flight parameters for AISA Eagle Serial Number Hawk Serial Number AISA Eagle focal length AISA Eagle spatial pixels Hawk spatial pixels DUAL spatial pixels
HIAE / University of Debrecen Local ground elevation SN100026 Local WGS-84 geoid hight SN300015 Average ground elevation 18,04 mm 46 start 1024 end 22 start 320 end 25 start 320 end
Change gray areas to calculate FPS, swat width and altitude The spatial pixels exclude FODIS area The flight altitude is from mean sea level Max flight altitude for AISA is specified to 10000 feet Use the blue highlighted values in CaliGeo AISA Eagle
SN100026_210606_XB.cal
Binning 8x2 4x2 2x1 2x2 1x1 1x2
Spectral sampling ~
AISA Hawk
SN300015_200906_B.cal
Binning 1x1
Spectral sampling ~
Ground pixel size [m]
127 [m] 46 [m] 84,70971675 [m] 978 total 299 total 296 total
1,00
[feet] 3,28
60
[knots] 116,63064
Ground Speed [m/s]
from mean sea level from WGS-84 reference surface
Spatial pixels MAX FPS FPS Ground pixel size [m] 489 129 60,00 489 89 60,00 978 54 60,00 489 54 60,00 978 30 60,00 489 30 60,00
1,0 1,0 1,0 1,0 1,0 1,0
Swat width [m] [feet] Altitude [m] [feet] 489 1604 879 2883 489 1604 879 2883 978 3209 1630 5349 489 1604 879 2883 978 3209 1630 5349 489 1604 879 2883
Spatial pixels MAX FPS FPS Ground pixel size [m] 299 103 60,00
1,0
Swat width [m] [feet] Altitude [m] [feet] 299 981 879 2883
DUAL_SN100026_300015.cal DUAL_SN100026_300015.cal Binning Spectral sampling ~ Spatial pixels MAX FPS FPS Ground pixel size [m] Dual mode 4x2 Eagle 5 nm, Hawk 6nm 296 89 60,00 Dual mode 2x2 Eagle 2.5 nm, Hawk 6nm 296 54 60,00
1,0 1,0
Swat width [m] [feet] Altitude [m] [feet] 296 971 879 2883 296 971 879 2883
10 nm 5 nm 2.5 nm 2.5 nm 1.2 nm 1.2 nm
6 nm
DUAL
Beállítások Eagle Hawk
Spectral
Spatial 4 2
2 1
Dual_2xhiper_5nm.bnd
8. ábra Repülési paraméterek a várvölgyi tesztterületre vonatkozóan (Deákvári és Kovács, 2007)
A hiperspektrális felvételezéseket egy Piper Aztec típusú légijárművel végezték (9. ábra), amely az AISA Dual üzemeltetése céljából került átalakításra. A repülőgép a felvételezések során 60 m/s sebesség mellett gyűjtött adatokat, közel 1200 m tengerszint feletti magasságból. A várvölgyi tesztterületről eredményül 359 spektrális sávban készült kb. 1 m2/pixel térbeli felbontású felvétel, melynek spektrális felbontása 5-6 nm. Az elkészült adatkocka spektrális sávkiosztását tartalmazza a 14. sz. melléklet.
9. ábra A hiperspektrális felvételezést végző repülőgép és személyzete indulásra készen (2007.05.21.)
55
A 2007.06.19-én én végzett légifelvételezés rögzített nyomvonala látható látható a 10. ábrán. A felszállás a Siófoki Papkutapuszta reptérről reptérr l történt. A repülési kampány során a mosonmagyaróvári légifelvételezést követően követ került csak sor a várvölgyi várv tesztterület légifelmérésére.
10. ábra Repülőgép őgép rögzített nyomvonala 2007.06.19-én 2007.06.19 (Deákvári és Kovács, 2007)
A megadott területnagyság és a kapcsolódó geometriai felbontás lehetővé lehet lehető tette, hogy a vizsgálat helyszínét egy repülési sávval fedjék le. Az adatok megbízhatósága, megbízhatósága valamint az előfeldolgozási feladatok terén tervezett kutatásaink kutatásaink miatt viszont több felvételi sáv került rögzítésre. A repülések alkalmával az AISA érzékelők érzékel k teljes hiperspektrális adatgyűjtő adatgyű üzemmódban működtek. ködtek. A felvételezés során az AISA rendszerek repülés ellenőrző ellen ellenő szoftvere, a Windows-alapú alapú RSCube kontrollálta a rendszer beállításokat, mint pl. a sávszélesség, a pozíció, és a csatornaszám. Továbbá ellenőrizte ellen a képernyő megjelenítést, a képalkotás sebességét, az expozíciós időt, idő a GPS/INS státuszt és egyéb valós idejű információkat az adatgyűjtési folyamat során. n. A GPS által rögzített adatok alapján készített nyomvonalból is látható, hogy a tesztterületünk felett több repülési repülési sávban is készültek felvételek. A két légifelvételezés során eredményül kapott kapott repülési sávokat összefoglalóan mutatják be a 11/a. és a 11/b. ábrák.
56
11. ábra A várvölgyi légifelvételezések során létrehozott 2007.05.21-i (a. - bal oldali kép) és 2007.06.19-i (b. - jobb oldali kép) repülési sávok
A felvételezés során az egyes repülési sávok közötti fordulók esetében a rendszer nem készít felvételeket, így az egyes sávok felvételezésének indítása és befejezése jól nyomon követhető. A mérés során az AISA Dual rendszer által generált adatstruktúra több adatsorból tevődött össze, amelyek külön fájlként kerültek letárolásra. A fájltípus mögött
a
várvölgyi
2007.05.21-i
felvételezésekre vonatkozó fájlok neveit tüntettük fel:
1. Log fájl (*.log), File név: runLog-0521-1429_Varvolgy.html A Log fájl elején találjuk a mérési beállításokat, később az adatfájlt és a hozzá tartozó Dark fájl nevét, a Header fájlt és a Navigációs felvételezésre
fájlt,
valamint vonatkozó
egyéb
a
hasznos
információkat is (12. ábra). 12. ábra AISA Dual 2007.05.21. LOG fájl részlet (Deákvári és Kovács, 2007)
57
2. Nyers adatfájl (*.raw),
Fájlnév: varv-1.raw
Az érzékelőről hasznos információként rögzítésre került adatok összességét foglalja magába. 3. Header fájl (*.hdr),
Fájlnév pl.: varv-1.hdr
A RAW állományra vonatkozó alapadatokat tartalmazza pl. a kép formátumáról; a sávok, sorok, oszlopok számáról; a felvétel készítésének fontosabb időpontjairól; a hullámhosszakról és szélességükről; az adatrögzítés sebességéről, stb. 4. Dark fájl (*drk.dat),
Fájlnév: varv-1_drk.dat
Az érzékelő saját zajára vonatkozó referencia adatokat tartalmazó állomány. 5. Kalibrációs fájl (*cal),
Fájlnév: DUAL2X_SN100026_300015.cal
A FODIS sugárzásmérő által rögzített adatokat talájuk meg ebben az állományban. 6. Navigációs adatok (*.nav),
Fájlnév: 0619-1217.nav
A GPS/INS rendszer adatait összesítő fáljstruktúra. A repülések befejezésével az adatok lementésre kerültek, majd az archiválást követően a repülést
koordináló
szervezet
munkatársai
átadták
ezeket
az
elektronikus
dokumentumokat. Az előfeldolgozás CaliGeo szoftverrel történő elvégzéséhez a fenti állományok mindegyike szükséges.
3.2.3. A hiperspektrális felvételek feldolgozása 3.2.3.1.
Előfeldolgozás
A légifelvételezés lebonyolítása után a megkapott nyers adatsorokon kezdtük el a teljes feldolgozási folyamatot. Mivel a AISA Dual felvételek feldolgozási folyamata - többek között az előfeldolgozás egyes elvégzendő lépéseinek sora - kezdeti stádiumban volt, ezért a teljes adatfeldolgozásban fellelhető nehézségeket és problémákat is fel kívántuk tárni. A pontosítások elvégzéséhez az FVM MGI és a DE AMTC munkatársai voltak a segítségünkre. Az AISA Dual adatainak előfeldolgozását a CaliGeo 4.6.1. szoftver alkalmazásával valósítottuk meg, amely Specim Spectral Imaging Ltd. fejlesztés és egy beépülő modulként kerül (egyedi módon telepítve) használatra ENVI környezetben.
58
Első lépésként a felvételezést követően kapott Dark fájl és Kalibrációs fájl felhasználásával a radiometriai korrekció került elvégzésre. Esetünkben a radiometriai és geometriai korrekciókat egyetlen lépésben oldottuk meg (13/a., 13/b. ábra).
13. ábra CaliGeo beállításai a radiometriai és geometriai korrekció elvégzése során (a. - felső kép), a speciális beállítási lehetőségek (b. - alsó kép)
A kapott radiometriai adatsoron a geometriai korrekció végrehajtása következett, a GPS/INS rendszer navigációs adatainak betöltésével. Az AISA Dual egy giroszkóp nélküli 59
képalkotó, így a repülőgép mozgásából adódó eltéréseket (pl. görbe vonalként jelentkező hibák) a GPS/INS rendszerből származó navigációs adatokkal lehet korrigálni a CaliGeo program felhasználásával. A két rendszer közötti pontos adatrögzítéshez szükséges előzetes boresight kalibrációt a közreműködő szervezetek munkatársai már a repülés megkezdése előtt elvégezték.
14. ábra Topográfiai térképre helyezett AISA Dual légifelvétel (2007.05.21.) a várvölgyi tesztterületről
A nagy térbeli felbontású hiperspektrális felvétel megfelelő geometriai pontosságát a két antennával működő Oxford RT3003 típusú GPS/INS egységgel lehet elérni. Sajnos a várvölgyi légifelvételezések alkalmával ezek a berendezések 1 Hz frekvenciával működtek, így 60-70 m/s repülési sebesség mellett ez esetenként 60 m geometriai pontatlanságot okozott a felvételeken. Ekkora mértékű hiba mellett az automatikus geometriai korrekciók nem voltak elfogadhatóak, így a térinformatikai adatbázisban történő alkalmazáshoz utólagos korrekciókra szorultak. Amennyiben rendelkezésünkre állnak egyéb adatsorok pl. LIDAR adatsor, Digitális terepmodell (DEM), SRTM modell, vagy DGPS terepi pontok, tovább pontosíthattuk volna az elvégzett korrekciókat, és a georeferálás (14. ábra) is megoldhatóvá válik. Ennek hiányában a fenti korrekciók kézzel, manuális úton kerültek elvégzésre.
60
A CaliGeo szoftverrel tehát elvégeztük a radiometriai és geometriai korrekciókat (15/a., 15/b. ábra), valamint kijavítottuk és georeferáltuk (pontatlanul) az AISA Dual adatkockát.
15. ábra Várvölgyi tesztterület (2007.05.21.) a radiometriai és geometriai korrekció előtt (a. - bal oldali kép) és után (b. - jobb oldali kép)
61
A felvételek ezt követő vizsgálatához szükséges elemzési funkciókat a CaliGeo nem tartalmazta, ezért a várvölgyi hiperspektrális felvételek elemzését és interpretálását már az ENVI 4.3 illetve ENVI 4.7 programmal valósítottuk meg. Az ENVI egy komplett, fejlett képfeldolgozási és vizualizációs elemzésekre kifejlesztett szoftvercsomag, amely magába foglalja a legfejlettebb, könnyen használható spektrális feldolgozásokat.
A hiperspektrális adatok előfeldolgozásának utolsó lépése az atmoszférikus korrekció elvégzése volt. A felvételezés évében az ENVI 4.3 verziója nem tartalmazott atmoszférikus korrekcióra képes modult, így közvetlenül a felvételezéseket követően ezt a funkciót nem futtattuk le. Később az 2009-ben forgalomba hozott ENVI 4.7 verzió már beépített modulokkal rendelkezett az atmoszférikus korrekció elvégzésére (FLAASH, QUICK). A FLAASH nem váltotta be a tőle elvárt eredményeket, így a QUICK által korrigált felvételek kerültek be a feldolgozási eredményeink közé. Az atmoszférikus korrekciók közül jelenleg legmegbízhatóbb a terepi spektrumok alapján számított “empirical line” = “tapasztalati vonal” módszer. Ehhez az eljáráshoz szükség van a repüléssel egy időben történt földi spektrofotométeres felvételezésre, amely során a különböző intenzitásértékű, homogén, mesterséges és természetes objektumok spektrális görbéi kerülnek felmérésre. A kutatóhelyünk nem rendelkezett ilyen típusú felvételező berendezéssel, így nem tudtuk ezt az eljárást elvégezni.
A várvölgyi tesztterület következő feldolgozási feladata az egyes repülési sávok mozaikolása volt. Mivel ezt a funkciót a CaliGeo már nem tartalmazta, így a korrekciók elvégzése után az egyes térbeli sávok összeillesztését az ENVI programmal próbáltuk megvalósítani. A légifelvételezés során a repülési sávokat a tervezésnek megfelelően legalább 30 %-os átfedéssel kellett volna elkészíteni, de valószínűsíthetően a területi sajátosságokból (jelentős légköri mozgások) adódóan ez több esetben is megoldhatatlanná vált. Az említett GPS pontatlanság nem tette lehetővé, hogy geokódolás alapján végezzük el a mozaikolást és sajnos a pixel alapú illesztés (30 %-os átfedés hiánya miatt) sem hozott megfelelő eredményt. A teljes terület szakadásmentes létrehozását tehát nem sikerült megoldanunk (16/a., 16/b. ábra), így néhány betervezett egész területet érintő képelemzési eljárás nem került elvégzésre.
62
16. ábra Mozaikolt repülési sávok 2007.05.21-én (a.-bal oldali kép) és 2007.06.19-én (b.-jobb oldali kép) a várvölgyi tesztterületről
Mivel a szomszédos sávok különböző megvilágítási tulajdonságai és az érzékelők pozíciója miatt intenzitás különbségek figyelhetőek meg az egyes repülési sávok között, ezért radiometriai normalizációt szerettünk volna végrehajtani MadMan (IDL-ben) módszerrel. Célunk annak megállapítása lett volna, hogy a szakirodalmakban rögzített intenzitás különbségek hatásának kiküszöbölése ezzel a módszerrel valójában megoldhatóe, és így a mozaikolás elvégzése csökkenti-e a felvételek információtartalmát. Ennek igazolását spektrális fraktáldimenzió (SFD) értékek változásaiban kívántuk volna kimutatni, de az ENVI program korlátozásai miatt ez nem volt megoldható. Az egyes repülési sávok mérete egyenként elérte a 3,5-4,0 GB-ot, ezért két sáv összeillesztésekor kapott eredménykép biztosan túlhaladta az ENVI által támogatott exportálási limitet (TIFF fájlméret <4 GB), így az SFD vizsgálataink elvégzéséhez sajnos nem volt lehetőségünk TIFF formátumban elmenteni a felvételeket.
63
Az elkészített sávok esetében az időjárási körülményekből adódóan olyan felvételek is rögzítésre kerültek, amelyek felhők által okozott árnyékokat tartalmaztak. Természetesen az alapvető feldolgozások során ezeket a felvételeket kihagytuk és nem használtuk fel a vizsgálataink során. A kutatásaink szempontjából a 2007.05.21-i felvételezésekből az 1. számmal, a 2007.06.19-i alkalomból pedig a 7. számmal jelölt sávokat találtuk a legoptimálisabbaknak.
A feldolgozás céljainak megfelelően bizonyos esetekben (pl. földhasználati kategóriák megállapítása) elvégeztük a terület térbeli csökkentését (17. ábra). Lehatároltuk a kutatási területet illetve a vizsgálatokba be nem vont területek maszkolását is elvégeztük, így a vizsgálatok szempontjából
nem
hasznosítható
képpontok
az
elemzésekbe nem kerültek be. A maszkolás után a feldolgozni kívánt felvételek már csak a tesztterület általunk
vizsgált
növényállományait,
valamint
azok
közvetlen környezetét ábrázoló részletét tartalmazták raszteres formában. 17. ábra Várvölgyi maszkolt felvétel árnyékolt területtel (2007.06.19.)
A hiperspektrális felvételek megjelenítése akkor lenne teljesen egzakt, amennyiben a spektrális sávok számával azonos dimenziójú hipertérben ábrázolnánk őket. Az emberi szem és ehhez kapcsolódóan a raszteres megjelenítő eszközök egy, kettő, vagy három spektrális csatornát tudnak megjeleníteni. A hiperspektrális felvételek nem látható hullámhossz tartományaiban készített sávjait úgynevezett hamis színes képként lehet bemutatni. Amennyiben egy sáv értékét vizsgáljuk szürkeárnyalatos felvételt kapunk, azonban ha három sávot, akkor már (valós) színes felvételt láthatunk. Ennek megfelelően különböző színkompozitokat lehet előállítani a 359 spektrális csatorna felhasználásával, számszakilag összesen
359! 356!×3!
= 359 × 358 × 357/6 = 7 647 059 darabot ezek ismétlés
nélküli kombinációjából. A színes kompozit képek létrehozásakor lényeges a megfelelő sávkombinációk kiválasztása, mivel az eltérő kutatási célokhoz különböző hullámhosszú és sávszélességű csatornák hordozhatnak az vizuális interpretáció számára értékes
64
információt. A kutatásaink során készítettünk néhány - hasznosnak ítélt - színkompozitot (18/a., 18/b., 18/c., 18/d. ábra).
18. ábra Színkompozitok 2007.05.21-i felvételek alapján: ENVI CaliGeo alapmegjelenítés (a. - első kép), infravörös csúcsok (b. - második kép), teljes kép alapú csúcsok (c - harmadik kép), klorofill abszorpciós sávok (d. - negyedik kép)
A felhasznált csatornákat olyan spektrális tartományokból választottuk ki, ahol a gyakorlati megvalósítás szempontjából lényeges vizuális információkat találhatunk (pl. klorofill abszorpciós sávok a látható tartományban (18/d. ábra). A kutatásaink folyamán általában az ENVI CaliGeo szoftvercsomag által automatikusan betöltésre kerülő színkompozitot alkalmaztunk: R = 250. csatorna, G = 179. csatorna, B = 107. csatorna (18/a. ábra). Mivel az adataink együttes elemzését a hipertérben és nem RGB színtérben végeztük el, ezért ezeket az információkat a vizsgálataink során kizárólag képi megjelenítésre használtuk fel.
3.2.3.2.
Főfeldolgozás
Az előfeldolgozást követően a növényállományok kvalitatív tulajdonságainak vizsgálata következett. Első lépésként zajcsökkentés céljából a nagyméretű 359 dimenziós tér adattranszformációját végeztük el a teljes repülési sávokra az ENVI szoftverrel. A rossz jel/zaj arányú csatornák kiválasztásához a minimális zaj (Minimun Noise Fraction = MNF) transzformációt alkalmaztuk. Az MNF olyan lineáris transzformáció, amely két egymást követő főkomponens analízisből (Principal Component Analysis = PCA) tevődik össze. A vizsgált felvételen elválasztja a zajt az adattól, majd a zajjal csökkentett adatsoron végzi el a transzformációt, annak érdekében, hogy az egyes csatornák között ne legyen korreláció (Van der Meer és De Jong, 2001). 65
A PCA sajátságértékeket választ ki, és az általuk meghatározott koordinátarendszerbe transzformáljuk
a
felvételünket
(főtengely-transzformáció).
A
hiperspektrális
adatkockában a szomszédos sávok gyakran redundánsak, hasonló adatokat, információkat szolgáltatnak. A részben korreláló sávok lineáris transzformációját követően, a kapott jelentősen alacsonyabb számú főkomponensek már függetlenek egymástól (Fung és Ledrew, 1987). Ezek a sávok a teljes varianciának általában több mint 90 %-át teszik ki, ezért az osztályozáshoz rendszerint csak ezeket az osztályokat használják fel. A nem korreláló zajos sávok az utolsó főkomponensekbe kerülnek, ahol az elvégzett „simításokkal” és a visszafelé történő transzformációval, a felvételek közel zajmentessé tehetőek (Czimber, 2001). Az egész adatgyűjtést jellemző légköri elnyelési sávok által okozott zaj esetében az MNF úgynevezett statisztikus zaj szűrésére is alkalmazható. A rossz jel/zaj arányú felvételeken a zaj mértékét oly módon csökkenti, hogy még értelmezhető adatokat nyerhessünk ki belőle. Gyakorlatban a túlnyomórészt zajos sávokat már nem szűrik, hanem kihagyják a feldolgozási folyamatból (Jain, 1989). Annak megállapítására, hogy a rossz jel/zaj arányú felvétel mikor tekinthető a kiértékelés szempontjából teljesen használhatatlannak, és az osztályozás eredményét ez milyen mértékben befolyásolja, SFD értékeket számoltunk. Megvizsgáltuk melyik sávok terheltek oly mértékben, hogy a feldolgozásból teljesen kizárásra kerüljenek, vagy előfordulhat, hogy még a zajos sávok is hordoznak hasznos információkat. A zajos sávok kiválasztására az SFD görbék lefutásainak jellemzői alapján következtettünk. Az SFD mérésre vonatkozó információk külön alfejezetben kerülnek részletezésre. A detektor hibájából adódó zajtípussal akkor találkozhatunk, ha pl. a detektor vagy CCD elállítódik, esetleg tönkremegy. A vizsgált felvételeken ez a zajtípus világosabb illetve sötétebb csíkként jelenik meg (Gonzalez és Woods, 1992). Az érzékelő által okozott zaj szűrésére gyakorlatban a periodikusan előforduló zajok szűrésére szolgáló Fast Fourier Transformation-t (FFT) futtattuk le. Az eljárás folyamán a felvételt a képtartományból a frekvenciatartományba konvertáljuk. A frekvenciatérben könnyen felismerhető (pl. vonalként megjelenő) zaj, így az elkülönült terület kivágásával kiszűrhető, és az azt követően elvégzett inverz transzformációval a felvétel zajmentesnek tekinthető. Az FFTvel szűrt felvételeket a további adatfeldolgozási folyamatainkba nem építettük be, mivel a kutatásaink kiindulópontját a nyers adatállományok képezték, ugyanis megítélésünk szerint az SFD alapú vizsgálatok kevésbé érzékenyek az ilyen típusú zajokra. 66
A gyakorisági diagramok (hisztogram) elemzéséből következtethetünk arra, hogy a spektrális sávokban az intezitástartománynak mely értékei fordulnak elő. A hisztogramok az egyes cellaértékek előfordulási gyakoriságát ábrázolják sávonként (Bates és McDonnell, 1986). Amennyiben a felvevő eszköz vagy a légkör sajátosságai miatt a radiometriai felbontás kicsi, az intenzitástartomány egy kisebb részén sűrűsödnek az értékek, amely sávonként változó lehet. Általában ennek kiküszöbölésére az információk elemzése érdekében hisztogram széthúzást (histogram streching) kell alkalmazni (Nixon és Aguado, 2008). A hiperspektrális felvételek egész sávjainak a kiegyenlítésre leginkább alkalmazott átviteli függvények: a lineáris, a négyzetgyökös, a normális eloszlást követő és a lépcsős. A képi információk növelésére az automatikus kontraszt kiegyenlítést (autocontrast) választottuk
azért,
hogy
tanulmányozzuk,
mennyire
befolyásolja
a
felvételek
információtartalmát a látórendszerhez igazított módosítás, illetve ez megmutatkozik-e az SFD értékekben. A hiperspektrális felvételek magas információtartalmukkal növelik az osztályozás pontosságának eredményét, viszont negatív hatással is lehetnek rá, azáltal hogy a nagy csatornaszámból adódó variációikkal fokozzák a zaj jelenlétét. A növényállományok elkülönítése céljából optimálisnak tekinthető csatornák kiválasztására - amelyek kellő információval rendelkeznek a vizsgált tulajdonságra vonatkozóan, de nem tartalmaznak redundáns adatokat és jel/zaj arányuk is megfelelő - úgynevezett csatornaszelekciós eljárásokat használtunk fel (Motta et al., 2006). Az atmoszférikus zajjal terhelt csatornák kizárása után, a következő dimenziószám csökkentő adatbányászati műveleteket hajtottuk végre: • Vizuális interpretáció, tapasztalat alapján • Atmoszférikus ablak, szakirodalom alapján • SFD optimális sávok alapján • SFD zaj nélküli sávok alapján • SFD zajjal terhelt sávok alapján • MNF szűrést követően kiválasztott optimális sávok alapján • MNF szűrést követő teljes kép alapján Ezek az adatcsökkentő eljárások megadták azokat az optimálisnak tekinthető csatornákat, amelyekkel a legjobban leírhatóak a vegetációk jellemzői és osztályozhatóak a mezőgazdasági területek. Az egyes csatornaszelekciós műveletek megbízhatóságának elemzéséhez és egymáshoz viszonyított összehasonlításához, a kapott számú csatornákat 67
ugyanazon osztályozási módszer bemeneti egységeiként használtuk fel. A különböző input adatokat betöltve az ENVI osztályozó moduljai közül a spektrális szögek módszerével (Spectral Angle Mapper = SAM) végeztük el az osztályozást. Ezt követően értékeltük, melyik dimenziószám csökkentő művelet eredménye jellemzi leginkább a vizsgált növénykultúráinkat. A SAM kiválasztásánál több kritériumot is figyelembe vettünk. Mivel a tesztterületünkön elhelyezkedő felszínborítási kategóriák ismertek voltak számunkra, mindenképpen ellenőrzött osztályozási eljárást kerestünk. A SAM volt a legelső objektumkereső módszerek egyike, amely a hiperspektrális felvételeknél rendszeresen alkalmazott és a spektrálisan definiálható tulajdonságok keresésére mindeddig egyik leghatékonyabbnak mutatkozó osztályozási eljárás (Kruse et al., 1993). Az algoritmus - az elnevezéséből adódóan - két spektrum közötti spektrális hasonlóságot határozz meg. A spektrumgörbe lefutását vizsgálja úgy, hogy a referenciaként szolgáló és a vizsgált pixel spektruma közötti szögeltérést, a vektorok által bezárt szöget adja meg. A spektrális szög kevésbé érzékeny a pixelek intenzitásának változásaira, mivel nem veszi figyelembe a különböző megvilágításokból adódó különbségeket (pl. domborzati különbözőségek, felhők hatása). Az intenzitás csökkenése vagy növekedése a vektorok hosszát megváltoztatja, de a vektorok irányát nem (Shippert et al., 1995), így a SAM az árnyékhatás kiszűrését is csökkenti (Kerse, 2002). A két vektor közötti szöget (0 és π/2 értéket vehet fel) az alábbi képlettel számoljuk az n-dimenziós térben (Luc et al., 2005):
n ti ri ∑ −1 i =1 θ = cos 1/ 2 1/ 2 n n t 2 r 2 ∑i ∑ i i =1 i =1
(7)
ahol, n: a képsávok száma, r: referencia spektrum, t: teszt spektrum. A SAM módszer alkalmazásakor előírhatunk egy bizonyos küszöbértéket, amelynél kisebb spektrum eltéréseket hasonlónak, a küszöbértéknél nagyobb szögeket pedig eltérőnek tekintünk. Az osztályba sorolásnál az AISA Dual érzékelő által szolgáltatott teljes spektrális tartományt megvizsgáltuk (400-2500 nm). 68
A nagy geometriai felbontásból adódóan az osztályozási típusok közül egyéb pixel alapú osztályozási eljárások találati pontosságát is meg kívántuk határozni, ezért a SAM mellett a hiperspektrális felvételek elemzésére leggyakrabban alkalmazott osztályozási eljárások kerültek összehasonlításra. A vizsgálatokat egyforma előfeldolgozottsági szinttel hajtottuk végre, tehát minden osztályozásnál azonos bemenő adatsorral dolgoztunk. Az osztályozási módszerek teljes mértékű összehasoníthatóságának biztosítása érdekében minden esetben azonos tanítóterületekkel valósítottuk meg az ellenőrzött osztályozást. Nem rendelkeztünk referencia spektrumokkal, ezért a felvételről - tanítóterületek segítségével - vettünk fel spektrumokat. A tesztterületen gyűjtött tapasztalataink alapján a sokszög (poligon) típusú tanítóterületek (Region of Interest = ROI) kijelölésével adtuk meg a lehető legnagyobb homogén egységeket. A kutatásaink során az ENVI programba beépített összesen kilenc különböző tanítóterületes osztályozási eljárás közül a gyakorlatban általánosan használt öt módszert hasonlítottuk össze. A képpontok osztályozását és az egyes osztályozási hibákat ezek eredményei alapján mutatjuk majd be. A SAM már korábban kifejtésre került, ezért csak a többi osztályozási eljárás jellemzőit írjuk le, Richards publikációjában közöltek és az ENVI kézikönyv alapján (Richards, 1999; ENVI kézikönyv, 2004): 1.
Legközelebbi középpontú osztályozás vagy minimális távolság módszere (Minimum Distance classification = MD) Az MD osztályozás az egyes osztályok középértékeitől mért legkisebb távolság szerint osztályoz. Az osztályozás során az ismeretlen pixel abba az osztályba kerül, amelynek tulajdonságtérbeli osztályközéppontja a legközelebb áll hozzá. A számítás többnyire euklideszi távolság alapján történik, noha más távolságnormák is alkalmazhatók. Kevésbé rugalmas módszernek tekinthető, mivel az osztályközéptől való távolságot veszi csak figyelembe, de az irányát nem. Mivel az osztály variabilitásával nem számol, így alul- vagy túlreprezentált osztályokat eredményezhet. Előnyei az egyszerű osztályleírás, a gyors számítás, hátrányai között az azonos távolságokból adódó nehézségek és az átfedő osztályok kezelhetetlenségei szerepelhetnek.
2.
Legnagyobb valószínűség osztályozás (Maximum Likelihood classification = ML) A módszer az adott osztályhoz tartozó pixelek intenzitásainak gyakoriságát, valószínűség-eloszlását veszi figyelembe. Megvizsgálja, hogy az ismeretlen képelem milyen valószínűséggel tartozik egy adott osztályba és oda sorolja be, amelyik osztályban ilyen érték gyakrabban fordul elő. Egy parametrikus módszer, amely függ 69
az egyes sávok adatainak normális eloszlásától. Az alapegyenlet feltételezi, hogy a bemenő sávoknak az eloszlása normális. A maximum likelihood eljárásban a minták sajátosságait a számtani középérték vektoraikon kívül a kovariancia-mátrixukkal is jellemezzük, így nemcsak az osztályközéptől való távolságot vizsgájuk, hanem annak irányát is. Ezért általánosságban jobb eredményeket ad, amennyiben megfelelő számú tanuló-pixel kerül kijelölésre minden osztály esetében. Előnyei a pontos osztályleírás, a jó paraméterezhetőség, hátránya a bonyolult számítási eljárás és a lassú számítás.
3.
Irány érzékeny távolság osztályozás (Mahalanobis Distance classification = MA) A mahalanobis osztályozás egy irány érzékeny távolság alapú osztályozás, amely statisztikai elemzésekre épül. A távolságokon kívül kovariancia mátrixot is figyelembe vesz az osztályba sorolás alkalmával, ebben különbözik a minimális spektrális távolság módszerétől és emiatt mutat hasonlóságot a maximum likelihood eljáráshoz. Viszont ez a módszer feltételezi, hogy az osztályok kovarianciája megegyezik, ezért gyorsabb lefutást eredményez. A sávok közötti kapcsolat jellemzésére szolgáló alapstatisztikai módszerek a kovariancia (Sváb, 1973) és a korrelációs mátrixok. Két sáv közötti kovariancia:
cov(i, j ) =
ahol,
R 1 ∑ ( R − 1)(C − 1) y =1
C
∑ (P x =1
ixy
− mi )( Pjxy − m j )
(8)
R, C: a kép sorainak és oszlopainak száma, Pixy , Pjxy: kép i-edik vagy j-edik sávjának, xy pixelének intenzitásértéke, mi, mj: az i-edik és a j-edik képsáv intenzitásértékeinek átlaga.
A kovariancia ismeretében a korreláció:
cor (i, j ) =
ahol,
cov(i, j ) si s j
(9)
si, sj: az i-edik illetve j-edik képsáv intenzitásértékeinek szórása
A kiszámított korrelációs mátrix értékei a főátlóra szimmetrikusak, és az egyes sávok közötti lineáris kapcsolat szorosságát fejezik ki. 70
4.
Tégla vagy boksz osztályozás (Parallelepiped classification = PA) A hipertégla osztályozás során a koordinátatengelyekkel párhuzamos oldalú téglalapot tekintjük az osztály intenzitásterének. Amennyiben az ismeretlen képelem egy felvett „dobozba” esik, akkor az annak megfelelő osztályba kerül besorolásra, viszont a dobozokon kívül eső, illetve a dobozok között elhelyezkedő pixelek nem kerülnek osztályozásra. A hiperspektrális felvételek sávjai között többé-kevésbé szoros korreláció van, emiatt az egyes osztályok eloszlásai ferdék vagy elnyúltak lehetnek. Mivel a dobozok párhuzamosak a spektrális tengelyekkel, ezért „átlapolódhatnak”, így bizonyos pixelek ebből kifolyólag nem kerülnek osztályozásra. Előnye a gyors számítás.
Több új technika is létezik kifejezetten hiperspektrális adatfeldolgozásra (Independent Component Analysis (ICA), Mutual Information (MI), Markov Random Field (MRF), Support Vector Machines (SVM), Spectral Information Divergence (SID), Neural Net (NN) vagy Binary Encoding (BE). Ezeket azért nem alkalmaztuk, mivel az ENVI nem tartalmazta, így a felhasználók nem találkozhatnak vele a gyakorlatban (ICA, MI, MRF) vagy a módszerek kevésbé ismertek a felhasználók számára (SVM, SID, NN, BE).
3.2.3.3.
Utófeldolgozás
A képosztályozó programok különböző algoritmusokat, döntési függvényeket használnak fel az osztályba sorolás alkalmával. Mivel a felvételek osztályozási módszereinek megbízhatóságát rendkívül sok változó befolyásolja, ezért a különböző felhasználói igények és adatforrások miatt számos módszer került kidolgozásra az osztályozás pontosságának értékelésére. Az osztályozás értékelése több szinten történhet: –
Tanulóterület kijelölési hibáinak kiszűrésével
–
Döntéshozási módszer kiválasztásával
–
Eredménytérkép ellenőrzésével
A Congalton és Green által meghatározott négy fő eljárás közül (vizuális értékelés, mennyiségi összehasonlítás, térbeli egyezőség elemzése, hibamátrix) a képosztályozás eredményeinek ellenőrzésére hibamátrixot (error matrix, confusion matrix) alkalmaztunk (Congalton és Green, 1993). A hibamátrix a hibaértékelési eljárások során leggyakrabban alkalmazott értékelési lehetőség, amely előnye abban rejlik, hogy az egyes osztályok 71
közötti összefüggésekre is rámutat (Hay, 1988; Yuan, 1997). Az osztályozás megbízhatóságának helyességét a hibamátrix átlós értekei mutatják, mivel az ott feltüntetett pixelértékek kerülnek helyesen osztályozásra.
Az osztályozási hibák közül a téves osztályba soroláson (comission) kívül a téves osztályból történő kihagyást (omission) is értékelhetjük, előállítói (production accuracy) és felhasználói (user accuracy) pontossági mutatókkal. Az előállítói pontosságnál a helyesen osztályozott pixelek és a tanítóterület összes pixeleinek arányát, a felhasználói pontosság esetén a helyesen osztályozott és az összes talált pixel arányát adjuk meg. Esetünkben mivel a tesztterület minden pontja ismert felszínborítást tartalmazott és a nem osztályozott pontok száma elenyésző (≤0.05%) volt boksz módszer esetén (a többi módszernél minden pont osztályozásra kerül), egységesen az úgynevezett találati pontosságot alkalmaztuk, amely a helyesen osztályozott és a teljes képpontok számának százalékos aránya.
A gyakorlatban számos esetben az osztályozásokat meg kell ismételni (pl. nem megfelelő pontosságú geokódolás - előfeldolgozás fejezet; nem megfelelő ROI-k felvétele; nem megfelelő képkivágás; hibás paraméterezésű osztályozás; stb.). Ezek esetünkben elvégzésre kerültek, melyeket a disszertációban jelöltünk vagy a későbbiekben jelölni fogunk. Megtörténtek továbbá a terepi adatok több időpontban történő ellenőrzései, pontosításai is (bővebben a következő fejezetben kerül kifejtésre). Mindezek képezik az utófeldolgozás legfontosabb részeit.
3.3. Terepi adatgyűjtések A 2007. év folyamán a várvölgyi tesztterületen 15 alkalommal került sor felvételezésre. Összesen 4 alkalommal történtek légifelvételezések (AISA vagy saját eszközök felhasználásával) és 13 terepi mérést végeztünk. A terepi referencia adatok gyűjtését a repülés időpontjaiban vagy ezen időpontok közvetlen közelében hajtottuk végre, valamint egyéb méréseket is eszközöltünk a tesztterület folyamatos monitorozása céljából (6. táblázat). A terepi mérések során elsődlegesen a növényállomány feltérképezése volt a célunk, megállapításra kerültek a vegetációk típusai, fenológiai fázisai és rögzítettük a területet érintő esetleges változásokat is.
72
6. táblázat 2007. évi felvételezések időpontjai a várvölgyi tesztterületen
Sorszám
Időpont
Helyszín
Felvételezés típusa
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
2007.02.04 2007.03.11. 2007.04.03. 2007.04.16. 2007.04.26. 2007.05.03. 2007.05.08. 2007.05.21 2007.06.13. 2007.06.19. 2007.06.20. 2007.08.06. 2007.08.08. 2007.08.13. 2007.08.27
Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy Várvölgy
Terepi mérés Terepi mérés Terepi mérés Légifelvételezés Terepi mérés Terepi mérés Terepi mérés Légifelvételezés (AISA), Terepi mérés Terepi mérés, Talajminta-vételezés Légifelvételezés (AISA), Terepi mérés Terepi mérés Terepi mérés Terepi mérés Terepi mérés Légifelvételezés
A vegetációkról fotódokumentáció is készült, amelyhez egy átfogó (28 mm-es képkivágás) és egy közeli (135 mm-es képkivágás) beazonosítást célzó képet készítettünk az egyes táblákról (19/a., 19/b. ábra). Az elkészült felvételek sorszámát minden alkalommal felírtuk a terepi jegyzőkönyvbe. Az alkalmazott kézi kamera CANON 30D vagy CANON 30DIR digitális tükörreflexes fényképezőgép volt. A kamerák által biztosított effektív pixelszám 8,2 Megapixel. A 3:2 képarányhoz tartozó CMOS (22,5 x 15,0 mm) típusú érzékelő az adatokat veszteségmentes formátumban (RAW) rögzíti, 12 bit intenzitással. A teljes terület átláthatósága miatt a helyszínen készített fotókból panorámaképeket is előállítottunk.
19. ábra Az AISA Dual légifelvételezést megelőző terepi adatrögzítés során (2007.05.21.) késztett átfogó (a. - bal oldali kép) és közeli (b. - jobb oldali kép) felvétel a 6. tábláról
A felvételezésekről a későbbi pontosabb vizuális interpretációhoz videó felvételeket is készítettünk. A kompakt HD (High Definition) minőségű JVC Everio GZ-HM200 digitális
73
videó kamerával az aktuális információk kerültek rögzítésre, így a képi megjelenítést kiegészítettük a kapcsolódó videó formátumú kommentárokkal. A terepi adatgyűjtés során meghatároztuk a vizsgálni kívánt osztályok számát, amely összesen nyolc osztálykategóriát jelentett. A felméréskor a teljes tesztterületen elhelyezkedő természetes és mesterséges képződmények is felmérésre kerültek. Ezek meghatározása után közvetlenül lehatároltuk a konkrét kutatási területet, így végül a vizsgálatainkba bevont objektum típusok közé a következő kategóriák kerültek beállításra: • kukorica, • tritikálé, • búza, • napraforgó, • műveletlen terület, • erdő, • műút (aszfalt), • földút. A 2007.05.21-i monitorozás alkalmával rögzítésre kerültek a vegetációk hozzávetőleges borítottságai. Az első hiperspektrális légifelmérés időpontjában találkozhattunk olyan mintaterületekkel, ahol a növényállomány még a kelés fázisában volt, így e területek nagymértékben még talajfedettséget mutattak. Két vegetáció a kukorica és a napraforgó esetében tapasztaltuk ezt az állapotot (20/a., 20/b. ábra).
20. ábra A kukorica (a. - bal oldali kép) és napraforgó (b. - jobb oldali kép) állományok a várvölgyi tesztterületen (2007.05.21)
A 2007.06.19-én végzett hiperspektrális felvételezés időpontjában már előrehaladott fejlettségű vegetációkat láthattunk e két állomány esetében, viszont bizonyos kultúráknál (pl. tritikálé) már a betakarítást követő állapotot tapasztaltuk. A felszínborítási kategóriák megállapítása során természetesen ezeket az információkat nem hagytuk figyelmen kívül, és ennek megfelelően végeztük el az osztályba sorolásokat. A tanító és ellenőrző területek felméréshez Garmin típusú kézi GPS készüléket alkalmaztunk. A koordináták WGS’84 koordinátarendszerbe kerültek rögzítésre. A 74
pontosabb adatfelvételezéshez az intézményünk által 2008-ban beszerzésre kerülő DGPS készülékkel ismételten elkészítettük a tesztterületünk lehatárolását (Busznyák et al., 2008). Ezzel a terepi bejárással az egyes parcellák határvonalait dm pontosan lemértük, és a terület nagyságát is konkrétan meghatároztuk. További ellenőrzésként a hagyományos mérőszalagos módszerrel is kimérésre kerültek az egyes területek. A légifelvételezések során alkalmazott GPS/INS rendszer pontatlanságát már korábban leírtuk. A terepen kézi készülékkel felvett GPS pontok valamint a GPS által rögzített bejárt útvonal (tracklog) adatai nem kerültek felhasználásra a légifelvételek georeferálásának pontosításához, hiszen pontosságuk jelentősen elmaradt a DGPS adatokétól, a DGPS adatok viszont felhasználásra kerültek. Kutatásaink módszertani jellegéből adódóan elsődleges célunk nem a helyhez kötött kvantitatív tulajdonságok meghatározása, hanem a pontos referencia adatokat gyűjtése volt,
a
hiperspektrális
légifelvételek
kvalitatív
tulajdonságainak
módszertani
kiértékeléséhez. Sajnos a referencia spektrumok felvételéhez nem állt rendelkezésünkre terepi spektrofotométer (az országban sehol sem rendelkeztek ilyen berendezéssel a felvételezéseink időpontjában), így a osztályozásokat nem a terepen felvett endmemberek alapján végeztük el. A földhasználati kategóriák beazonosításához a légifelvételeken felvett tanítóterületeket használtuk fel. A Várvölgyön folytatott vizsgálataink során talaj- és növénymintákat is gyűjtöttünk. Ezek kiértékeléséből származó eredmények, a légifelvételek térbeli eltolódása miatt, távérzékelési szempontból értékelhetetlenekké váltak. A mért adatokat jegyzőkönyv formájában rögzítettük (15-16. sz. mellékletek), és a mérés menetéhez kapcsolódó analóg és digitális állományokat mellékeltük (Kozma-Bognár et al., 2008b). A növényállományok monitorozása során a tanulmányozott területről egyéb adatokat is felvettünk, mint pl. meteorológiai adatok (21/a., 21/b. ábra): •
2007. május 21. Felhős időjárás, csapadék nem volt, az átlaghőmérséklet 19,4 °C, a relatív páratartalom 77 %, a szélsebesség 5,1 m/s.
•
2007. június 19. Napos időjárás, csapadék nem volt (előző nap 23,3 mm csapadék esett), az átlaghőmérséklet 23 °C, a relatív páratartalom 75 %, a szélsebesség 12,0 m/s.
75
21. ábra Terepi adatgyűjtés a várvölgyi tesztterületen (2007.05.21.) az 1. tábla előtt (a. - bal oldali kép), a hiperspektrális légifelvételezést végző repülőgép a tesztterület felett (b. - jobb oldali kép)
A terepi méréseink nemcsak magukat a méréseket és a jegyzőkönyvek hitelesítését foglalták magukba, hanem a gyűjtött adatok feldolgozását, annak értékelését, és szükség esetén pótlását, majd véglegesítését is.
3.4. Spektrális fraktáldimenzió alapú vizsgálatok 3.4.1. Spektrális fraktáldimenzió mérése A hiperspektrális feldolgozás teljes feldolgozási láncát végigkövetve az egyes munkaszakaszok után kiszámítottuk a spektrális fraktáldimenzió értékeket, az SFD Informatika Kft. egyedi fejlesztésű mérőprogramjának segítségével. Annak függvényében, hogy a kiértékelés a feldolgozás mely fázisát érintette, vagy a teljes felvételezési sávon vagy csak a kivágott tesztterületeket ábrázoló területeken mértünk SFD értékeket. Az előfeldolgozás problémaköréhez tartozó korrekciók változásait a teljes felvételekre számított SFD értékek nyomon követésével biztosítottuk. A osztályozás alkalmával az egyes növényállományokat tartalmazó felvételek kerültek kiértékelésre és csak a kimaszkolt területekre számítottunk SFD értékeket. Az egyes felszínborítási kategóriákra elkészítettük, a hagyományosnak tekinthető reflektancia görbék mellett, az „SFD ujjlenyomataikat” is. Az SFD ujjlenyomat a hullámhossz függvényében ábrázolt SFD értékeket mutatja be, az egyes objektumokra vagy a teljes képre számítva.
A
spektrális
fraktáldimenzió
(SFD
hivatalos
weboldal)
egy,
az
általános
fraktáldimenzióból (Mandelbrot, 1983; Peitgen és Saupe, 1988; Encarnacao et al.,1992 ) származtatott szerkezetvizsgálati eljárás, amely a fraktálok egy újszerű alkalmazását jelenti. Az SFD a térbeli szerkezeten kívül a spektrális sávok színszerkezetének mérésére is 76
alkalmas, és elegendő információt nyújt számunkra a színek, árnyalatok fraktál tulajdonságaira vonatkozóan is (Berke, 2005b, 2005c; Berke, 2006; Berke, 2007a; Berke, 2008). Berke leírásának megfelelően a spektrális fraktáldimenzió definíciója a következő (Berke, 2004b; 2004c):
LS 2 LS 1 SFD = S log S 1 SS 2 log
(10)
ahol, LS1 és LS2: az N-dimenziós színtérben mért spektrális hosszúságok, SS1 és SS2: a használt spektrális mérték nagysága, azaz a spektrális felbontás. A gyakorlatban az N több értéket is felvehet, a 7. táblázatban bemutatásra kerül néhány gyakorlati alkalmazáshoz tartozó dimenzió. 7. táblázat Néhány gyakorlatban alkalmazott többsávos felvétel dimenziószáma (Berke, 2004c)
A
N érték
Alkalmazások
1
fekete-fehér kép
3
színes megjelenítők
4
színes nyomtatók
7
Landsat ETM+
6, 8, 10, 12
fotónyomtatók
32
DAIS7915 VIS, NIR
60
COIS VNIR szenzor
79
DAIS7915 összes szenzor
126
HyMap szenzor
254
AISA Hawk szenzor
498
AISA Dual szenzor
spektrális
felbontás
mértékének
a
gyakorlatban
megfeleltethetjük
a
bit
információelméleti fogalmát (Si = 1, …, Si = 16, ahol i = 1 vagy i = 2). Tipikus spektrális felbontások: •
színtrevágott kép (1 bit),
•
szürkeárnyalatos kép (2-32 bit),
•
színes kép (8-32 bit). 77
Mindezekből következően a mérési módszer Berke szerint az alábbi (Berke 2004b; 2004c): 1.
Meghatározzuk, melyik színtérben van a digitális képünk
2.
Képezzük a fenti térben a spektrális hisztogramot
3.
Spektrális tengelyenként megfelezzük a képet
4.
Megvizsgáljuk, hogy van-e az adott N-dimenziós térrészben (N dimenziós spektrális boksz-ban) értékes képpont
5.
Letároljuk azon spektrális dobozok számát, amelyben volt értékes képpont
6.
Ismételjük a 3.-5. pontokat addig, amíg az egyik (legkisebb) spektrális oldalhosszúság egy (bit) nem lesz.
A dimenzió kiszámításához (két vagy több képsáv esetén) a spektrális fraktáldimenzió definíciója alkalmazható a mért adatokra, mint függvényre az alábbiak szerint:
S −1
log(BM j ) j =1 log(BTj )
n× ∑ SFDmérhető =
S −1
(11)
ahol, n: a képrétegek vagy képcsatornák száma, S: a spektrális felbontás bitben, BMj: értékes képpontot tartalmazó spektrális dobozok száma j-bit esetén, BTj: összes lehetséges spektrális dobozok száma j-bit esetén. A lehetséges spektrális dobozok száma j-bit esetén az alábbiak szerint számítható:
BTj = (2 S ) n
(12)
A (20) és (21) összefüggések közvetlenül alkalmazhatók a számítások során, amennyiben a spektrális felbontás azonos minden rétegre vagy csatornára, ennek jelölése [SFD Equal Spectral Resolution
(SFDESR)]: S −1
n∑ SFDESR =
j =1
78
log( BM j ) log(( 2 S ) n ) S −1
(13)
Eltérő spektrális felbontások esetén a mérésre alkalmas spektrális fraktáldimenzió az alábbiakban adható meg [SFD Different Spectral Resolution (SFDDSR)]: (min(Si ))−1
n
∑ j =1
SFDDSR =
log(BM j ) n
( ∑ Sk ) log(2) k =1
(min(Si )) −1
(14)
ahol, Si: a spektrális felbontása az i-edik rétegnek vagy csatornának bitben. A módszer által mért SFD eredmények invariánsak az azonos árnyalatú képpontok eltérő geometriai elhelyezkedésére, amennyiben az egyes árnyalatok száma változatlan. 3.4.2. Spektrális fraktáldimenzió alkalmazási lehetőségei A 1980-as években nagy reményeket fűztek a törtdimenziós matematikai konstrukciókra épülő matematikai eljárások gyakorlati alkalmazásához. A fraktáldimenzió bevezetésével kezdetben a folyók és partszakaszok hosszának meghatározása, a kaotikus jelenségek (pl. földrengés, tornádó) szimulációja, a valós folyamatok modellezése, az anyagszerkezet vizsgálatok területein születtek eredmények. Később a vizuális informatikán belül a számítógépes képfeldolgozás, adattömörítés és osztályozás, számítógépes animáció területein értek el jelentősnek mondható eredményeket. A 2004. évben bevezetésre került, Dr. Berke József által spektrális fraktáldimenzióként elnevezett matematikai fogalom, egy fraktálszerkezetre épülő vizsgálati módszer. Az első lehetséges felhasználási lehetőségeivel az alkalmazott képfeldolgozás egyes területein találkozhatunk (Berke, 2004a; Berke és Busznyák, 2004; Busznyák és Berke, 2004; Berke, 2005a; Berke, 2010): •
nádgomba kórokozó vizsgálata,
•
fűrészelt falapok mintázatának vizsgálata,
•
kultúrnövények magvainak vizsgálata,
•
herbiciddel kezelt csemegekukorica vizsgálata,
•
levélkárosodás vizsgálata,
•
képtömörítő eljárások pszichovizuális vizsgálata,
•
3D szimuláció.
Az SFD-nek, mint mértéknek a matematikai levezetésével Berke tovább bővítette az SFD alkalmazási lehetőségeit: burgonyagumó és chips minősítés; növényi részek károsodásának időbeli vizsgálata; IVR alapú 3D valós felszínű szimuláció (Berke et al., 2005; Berke et al., 79
2006a; 2006b; Horváth et al., 2006). Az SFD számításával mind a szerkezetre, mind az árnyalatokra hasznos információt kaphatunk, ezért a digitális képek vizsgálata során is (pl. nyomtatás, színtani vizsgálatok, stb.) kiváló jellemző paramétere lehet az alapadatoknak. A távérzékelés területén a többsávos felvételek (légi- és űrfelvételek) spektrális tulajdonságainak mérésében és együttes feldolgozásában is szerepet játszik (KozmaBognár, 2010b) az SFD. Megállapításra került, hogy az SFD minden olyan osztályozási feladat során alkalmazható lehet, amely mérték alapú. Kifejlesztésre kerültek olyan számítógépes algoritmusok, amelyek során az SFD más mértékekkel együtt is kiszámítható. Az SFD alapú osztályozási módszerek, tetszőleges dimenziószám esetén, gyakorlatban alkalmazható eredményeket adnak. A multi- és hiperspektrális képek számítógépes osztályozása során szignifikáns paraméterként tekinthető az SFD. Ezen tulajdonságait felhasználva a 2010. évi kolontári vörösiszap katasztrófa során készült légifelvételezések elemzése idején hasznos és megbízható információkkal szolgált a pillanatnyi állapot felmérésében (Berke et al., 2011b). Jelenleg az alábbi fő szakterületen folynak eredményes SFD alapú kutatás-fejlesztési és gyakorlati alkalmazások: -
Légifelvételek spektrális tulajdonságainak mérése
-
Növényi magvak beazonosítása
-
SFD alapú osztályozási eljárások
-
Érzékelők jellemzőinek meghatározása.
3.5. Vörös-él inflexiós pontra vonatkozó vizsgálatok A hiperspektrális képalkotás előtérbe kerülésével megszületett új generációjú vegetációs indexek (Broge és Mortensen, 2002) a spektrális reflektancia görbék alakját és relatív helyzetét írják le. A vizsgálataink során a reflektancia görbékhez hasonlóan az SFD spektrumgörbék jellegzetes szakaszait is megvizsgáltuk. A vegetációk elemzése során a spektrális visszaverődési görbe nevezetes pontja a vörös-él inflexiós pont (Red Edge Inflexion Point = REIP), amely kiemelt jelentőségű a fotoszintetikusan aktív vegetációk kvantitatív vizsgálatai során. Fontos szerepet játszik több kutatási területen is: az ökológiai zavarok, a növény- és termés-előrejelzés, a biomassza becslés (Filella és Penuelas, 1994), a fotoszintézis vizsgálatok, a növényi stressz hatások (Liu et al., 2004) vizsgálata. A REIP érzékeny az abiotikus és a biotikus növényi 80
stressz hatásokra. Megbízható és érzékeny indikátora a klorofilltartalom változásának, amennyiben a növényi vegetáció esetében a klorofill koncentrációja csökken, a vörös-él eltolódik a rövidebb hullámhossz felé, ezért „blue shift”-nek is szokták nevezni (Curran et al., 1995). Az elcsúszás mértékét fejezi ki a vörös-él index (Red edge index), amelyből következtethetünk pl. a növény egészségi állapotára, stressz tűrő képességére vagy a fertőzöttség mértékére. A vörös-él pontos lehatárolása nem könnyű feladat, mivel helyzetének vagy lefutásának meghatározása jelentősen függ a felhasznált csatornák számától (Harris et al., 2005). A vörös-él pozíciónak (Red Edge Position = REP, a REIP-hez tartozó hullámhossz) nincs rögzített elhelyezkedése, a legtöbb szakértő a 690–720 nm ± 50 nm-es vörös-él spektrumszakaszon belül definiálja. Az inflexiós pont meghatározása a függvény vizsgálatok segítségével matematikailag jól leírható probléma, amelyre a szakirodalomban több módszert is találhatunk. Az egyik legegyszerűbb igen elterjedt megoldás a Guyot és Baret által 1988-ban bevezetett lineáris interpolációs módszer (Guyot és Baret, 1988), amely a vörös-él szakaszának minimális és maximális pontja közötti egyenes felezőpontjánál definiálja a REIP-et (Clevers et al., 2001). A reflektancia görbék elsőrendű deriváltjának függvény illesztéséből is állapítottak meg vörös-él pozíciókat. A fordított Gauss eloszlású görbeillesztés középpontjaként értelmezi Bonham-Carter a REIP értékét (Bonham-Carter, 1988). Lagrange interpoláció alkalmazását javasolja Dawson és Currant (Dawson és Curran, 1998), és polinomiális illesztési módszert választottak Pu és munkatársai (Pu et al., 2003). A görbe első deriváltjának maximumánál lévő hullámhossznál lokalizálja az inflexiós pontot Mutanga és Skidmore (Mutanga és Skidmore, 2007). Hátránya, hogy a derivált függvénynek több maximuma is lehet, ezért számos esetben helytelen eredményt kaphatunk. A többi fent említett módszer is sok bizonytalanságot rejt magában, mivel sok esetben csak multispektrális alkalmazásoknál működnek megfelelően. Ebből kifolyólag egyes szakemberek kísérletet tettek ezen eljárások továbbfejlesztésére vagy hibrid módszerek kifejlesztésére ( Jung, 2005).
Az AISA Dual hiperspektrális adathalmaz 640 és 770 nm közötti tartományában 27 darab csatornával rendelkeztünk (8. táblázat), így olyan módszer elvégzését tűztük ki célul, amely a hiperspektrális technológia nyújtotta többletinformációk felhasználásával pontosabb meghatározást tesz lehetővé a REIP esetén. Kutatásaink során az eddig meghatározott eljárásokon felül egy új, SFD spektrumgörbe alapú vörös-él számítási eljárást dolgoztunk ki. 81
8. táblázat vörös-él szakaszba eső spektrális hullámhossz értékek AISA Dual érzékelőnél
Sorszám 1 2 3 4 5 6 7 8 9
Hullámhossz 644,580017 649,22998 653,890015 658,539978 663,190002 667,840027 672,48999 677,140015 681,789978
Sorszám 10 11 12 13 14 15 16 17 18
Hullámhossz 686,440002 691,090027 695,73999 700,409973 705,070007 709,73999 714,400024 719,070007 723,72998
Sorszám 19 20 21 22 23 24 25 26 27
Hullámhossz 728,400024 733,070007 737,72998 742,400024 747,059998 751,76001 756,52002 761,280029 766,049988
A REIP új számítási módszerének kialakítása során figyelembe vettük a szakirodalmi ajánlásokat. Az összefüggés meghatározásánál feltételként állítottuk, hogy a reflektancia adatokból kiindulva az SFD felhasználásával egy egyszerű matematikai formula alapján számítható módszert hozzunk létre. Elsőként a referencia adatok alapján kiválasztottuk azokat a területeket, amelyek biztosan egészséges állományokat ábrázoltak, majd elkészítettük ezen növénykultúrák SFD görbéit. Az SFD ujjlenyomatok vörös-él szakaszának vizsgálatával és az általunk létrehozott formulával (17) kiszámítottuk a vörösél inflexiós pontot (Kozma-Bognár, 2010b; Kozma-Bognár és Berke, 2010). A kapott eredményt a gyakorlatban használt két alapvető irodalmi számítási módszerrel is összehasonlítottuk. A REIP kiszámítása Clevers és munkatársai szerint (Clevers et al., 2002): λre = 700 + (740-700) [(Rre - R700)/( R740 - R700)]
(15)
ahol, λre: inflexiós ponthoz tartozó hullámhossz, Rre: (R670+R780)/2. A REIP kiszámítása Mutanga és Skidmore szerint (Mutanga és Skidmore, 2004): λre = 695 + (742-695) [(Rre - R695)/(R742-R695)]
(16)
ahol, Rre: (R663+R788)/2, Mindkét képlet esetében: Rre: inflexiós pont reflektanciája, Rλ: reflektancia a λ hullámhosszon. A mérések során a fenti két összefüggés (Clevers valamint Mutanga és Skidmore) reflektancia és SFD alapú számításait is elvégeztük. Ezeken felül két adott spektrális tartományban (640-770 nm és 690-720 nm) az SFD értékek lokális minimumai alapján végzett számításokat is megvalósítottunk, így összesen hét mérést is készítettünk.
82
4. EREDMÉNYEK 4.1. Zajos sávok meghatározása SFD ujjlenyomatok alapján A vizsgálataink során az első és a második légifelvételezés adataiból kiválasztottuk azokat a repülési sávokat (1. és 7. repülési sáv), amelyeket megfelelőnek tartottuk vizsgálataink elvégzéséhez. A zajos sávok meghatározásában a teljes repülési sávokat vettük figyelembe. Az 1. repülési sáv (1852 x 3293 pixel - 5,8 MB/sáv), és a 7. repülési sáv (1203 x 3898 pixel - 4,5 MB/sáv) külön-külön 359 spektrális felbontású raszteres felvételt foglalt magába. A nagy csatornaszámból adódóan több olyan spektrális sávot is találtunk, amelyek különböző típusú zajjal voltak terheltek. Az AISA Dual felvételeken vizuális interpretáció alapján három zajtípust különítettünk el egymástól (Kozma-Bognár, 2008): •
érzékelő okozta zaj,
•
légköri zaj,
•
geometriai zaj.
Az érzékelő okozta zaj a vizsgált felvételeken sötét illetve világos csíkként jelent meg (22/a., 22/b., 22/c. ábra). Mindkét felvételezés egy-egy repülési sávjának vizuális tapasztalati úton történő vizsgálatával a következő csatornákat találtuk érzékelő okozta zajjal terheltnek: 124, 142, 146-148, 150, 153, 168, 171, 174-175, 183, 191-198, 201, 206, 249, 251, 253, 255-282, 284, 287, 291, 299-300, 313, 341-359. Választásunk összesen 78 csatornát érintett.
22. ábra AISA Dual felvételen az érzékelő okozta zajtípusok, 146. sáv (a. - bal oldali kép), 147. sáv (b. középső kép), 183. sáv (c.- jobb oldali kép), a 2007.05.21-én készült felvételen világos (146., 147. sávok) vagy sötét (183. sáv) csíkként jelentek meg
83
A sávok elsődleges vizuális vizsgálata során kiderült, hogy az Eagle szenzor esetében szinte teljesen homogén, zajmentes csatornákat láthatunk, viszont a Hawk szenzor felvételeinél megtalálhatóak voltak az érzékelő hibájából adódó zajok. A hiba eredményeként jelentkező erős kontraszttal rendelkező pixelértékek az egyes spektrális sávokban azonban nem egyformán jelentkeztek. A felvétel több geometriai pontján is tapasztaltuk e zajtípust (22/a., 22/c. ábra), bizonyos sávok esetében előfordult az is, hogy egyszerre több helyen is észlelhető volt (22/b. ábra) ez a jelenség. Az érzékelő hibájának zaját egyes szakirodalmak a repülőgép okozta vibrációval magyarázzák (Strobl et al., 1996). Kutatási eredményeink jelenleg azt támasztják alá, hogy ez a fajta zaj nem ilyen eredetű, mivel esetünkben csak az egyik érzékelő (Hawk) felvételein volt észlelhető. Az érzékelő saját zajára vonatkozó referencia adatokat tartalmazó Dark állomány vizsgálata megerősítette feltevésünket. Erre a zajtípusra jellemző csíkozottság periodikus módon jelentkezett, így szűrésére Fast Fourier Transformation-t alkalmaztunk a felvételeken. Az érzékelőre jellemző zaj képen történő geometriai elhelyezkedésének változása nem minden esetben érintette a vizsgált tábláinkat, ezért a további elemzéseink során nem használtuk fel ezeket az FFT-vel korrigált felvételeket. Az érzékelő zajától - amely csak a felvétel bizonyos részein helyezkedik el - eltérően, az atmoszférikus zaj az egész felvételen megjelenik. A légifelvételek vizuális interpretációja alapján hét atmoszférikus zajjal terhelt sávcsoportot és azon belül összesen 77 csatornát határoztunk meg: 1-8, 116-126, 184-198, 256-265, 268-273, 275-281, 341-359. A felsorolásunkban azokat a csatornákat írtuk le, amelyek mindkét felvételezés során zajosnak voltak tekinthetőek. Néhány esetben tapasztaltunk eltérést a két repülési időszak között, de általánosságban elmondható, hogy szinte teljesen azonos csatornákat láttunk atmoszférikus zajjal terheltnek. A spektrális tartományok közül a légköri ablakokban elhelyezkedőek alkalmasak távérzékelésre. Szakirodalmi adatok alapján (Sabins, 1987) kiválasztottuk azokat a csatornákat is, amelyekben a légköri hatások befolyása erőteljesen jellemző, így korlátozzák a megfelelő felvételek elkészítését. A következők sávok voltak ezek: 176-207, 256-287. Találtunk olyan atmoszférikus zajt tartalmazó csatornákat is, amelyek légköri ablakokon belül helyezkedtek el (1-8, 116-126, 341-359). A 23. ábra egy zajmentes AISA Dual felvételt (254. sáv), a 24. ábra pedig légköri zajjal terhelt (273. sáv) felvételt ábrázol, geometriai és radiometriai korrekciók után, amelyeket a CaliGeo szoftverrel végeztünk el. A 2007.06.19-én készült zajmentes felvételen jól elkülöníthetőek a földhasználati, művelési módok, jól észrevehetőek a mezőgazdasági táblák határai, a talajművelés iránya, viszont a zajos sáv esetében mindez nem kivehető. 84
23. ábra Geometriai és radiometriai korrekciók utáni zajmentes AISA Dual felvétel (254. sáv) a várvölgyi tesztterületről (2007.06.19.)
24. ábra Geometriai és radiometriai korrekciók utáni légköri zajjal terhelt AISA Dual felvétel (273. sáv) a várvölgyi tesztterületről (2007.06.19.)
Az egyes zajok mérhető hatásainak megítélésére olyan vizsgálatokat terveztünk, melyek nem elsősorban a klasszikus intenzitásértékek statisztikai (hisztogram elemzés, variancia alapú vizsgálatok) vizsgálatára épültek, hanem a tényleges színszerkezet vizsgálatára. A fenti indokok alapján, SFD alapú görbéket állítottunk elő, hogy megvizsgáljuk az egyes korrekciók elvégzését követően, mennyire van hatással adott korrekció a felvétel színszerkezetére. A vizsgálat teljességére törekedtünk, ezért az előfeldolgozás légköri korrekcióját megelőző folyamataira is kiterjesztettük elemzéseinket. A 25. ábrán láthatóak a radiometriai, geometriai és atmoszférikus korrekciót követő eredményképpen számított SFD görbék. A radiometriai és geometriai korrekciók elvégzése után kapott SFD ujjlenyomatok szinte teljesen megegyeznek a módosítás előtti nyers felvételek értékeivel.
85
Teljes hiperspektrális felvétel SFD ujjlenyomatai 16 bites képsávok alapján (AISA Dual, 2007.05.21., Várvölgy) 0,9 0,8 0,7
SFD érték
0,6 0,5 0,4 0,3 0,2 0,1 0,0
Hullámhossz (nm) 2007. 05. 21. QUiCK SFD értékek ( radiometriai, geometriai és atmoszférikus korrekció után) 2007. 05. 21. georect SFD értékek (radiometriai és geometriai korrekció után) 2007. 05. 21. unrect SFD értékek (korrekció előtti, nyers kép)
25. ábra A korrigálatlan (sárga) radiometriailag, geometriailag korrigált (piros) és atmoszférikusan (QUICK) korrigált (kék) eredményképek SFD ujjlenyomatai
A atmoszférikus korrekció elvégzése után már észrevehető változás következett be a felvételek színszerkezetében. A görbe (kék színnel jelölve az ábrán) alapvető jellemzői részben változtak, az atmoszférikus korrekció után a képek SFD értékei megnőttek, újabb csúcsok jelentek meg a 256-287. sávokban, változtak a görbe egyes pontjainak meredekségei, lokális minimum és maximum pontjai, amely egyértelműen a QUICK eljárásnak tudható be. Több esetben is, 264., 272-277. közötti sávoknál a szűrés utáni képeken minden információ elveszett (a képek teljesen sötétek, SFD értékük nulla) úgy, hogy a zajszűrés előtti képek nem voltak teljesen sötétek (SFD értékük 0,04-0,05 között változott), valamint vizuálisan szemlélve is felismerhetők voltak a felszíni objektumok. Megítélésünk szerint a QUICK eljárás hatása spektrális tartományonként változó megbízhatóságú eredményt ad, ezért használatát - számos szakirodalmi hivatkozással egyetértve (Chang, 2007a; Varshney és Arora, 2004) - erősen korlátozott feltételek mellett javasoljuk csak.
Az adatfeldolgozás során automatikusan kizárásra kerülnek a különböző módszerekkel kiválasztott zajjal terhelt csatornák. Kutatásaink kiterjedtek arra is, hogy a zajos sávok milyen információtartalommal rendelkeznek. Az SFD görbék alapján kiválasztottuk a zajos 86
csatornákat, abból az okból, hogy megállapítsuk melyek bírnak olyan rossz jel/zaj aránnyal, hogy a vizsgálati körünkből kivegyük őket. A zajjal terhelt sávok esetében a képi információ rendkívül alacsony, így a zajos sávok eldöntésére az SFD értékeket is figyelembe vettük. Azoknál a sávoknál, ahol a képi információ és az SFD is alacsony értékeket mutatott, azt a zajos sávok közé soroltuk és kihagytuk a további elemzésekből. Amennyiben az alacsony képi információ magas SFD értékkel párosult, azt feltételeztük, hogy releváns adatokat tartalmaz, így azok a sávok bevonásra kerültek a vizsgálatainkba. Megállapítottuk, hogy a teljes képen jelentkező zaj hatására (pl. atmoszférikus hatás) a színszerkezet jelentősen romlik, azaz az SFD értékek jelentősen és ugrásszerűen csökkennek, esetleg oszcillálnak. Az SFD görbe vonalába beleillő, az aktuális görbületet mutató hullámhosszoknál lévő csatornák nem terheltek zajjal, viszont a görbe lefutásában és meredekségében bekövetkezett hirtelen változások zaj jelenlétére utaltak. A fent említett kritériumok alapján 59 csatornát emeltünk ki a következő tartományokban: 1-5, 123-126, 146-152, 184-198, 256-281, 358-359. Mindez jól látható a 2007.06.19-i felvétel alapján készült SFD ujjlenyomatból (26. ábra) is. A teljes hiperspektrális kép SFD értékeit reprezentáló görbék jellegének elemzésével egyértelművé vált, hogy SFD számítások alapján közvetlenül következtetni lehet a zajos sávokra. Teljes hiperspektrális felvétel SFD ujjlenyomata 16 bites képsávok alapján (AISA Dual, 2007.06.19., Várvölgy) 1 0,9
SFD érték
0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1
Csatornaszám
16 bit
26. ábra AISA Dual (2007.06.19.) légifelvételen történő SFD mérések eredményei a zajos sávok megállapításához, ahol a görbe lefutásában és meredekségében bekövetkezett hirtelen változások a zaj jelenlétére utalnak
87
4.2. Földhasználati módok meghatározása SFD ujjlenyomatok alapján A 2007. évi AISA Dual felvételeken a referencia adatokat figyelembe véve 9 táblát tanulmányoztunk, amelyek esetében 5 különböző vegetáció típust tudtunk elkülöníteni: kukorica, tritikálé, búza, napraforgó, műveletlen terület. Vizsgálataink alá vontunk egyéb objektumokat is, mint a műutat és az út mellett húzódó főként akácfával borított erdősávot. Az összes elemezni kívánt objektumra sávonként kiszámítottuk az SFD értékeket. A SFD szerkezeti paraméter sávonkénti mérésével elkészítettük a hullámhossz alapú spektrális, 16 bites görbéket, ujjlenyomatokat (Kozma-Bognár et al., 2008a) kukoricára, tritikáléra, búzára, napraforgóra, (27. ábra), műveletlen területre, erdőre és műútra (28. ábra).
Kukorica, napraforgó, búza és tritikálé 16 bites SFD ujjlenyomata (AISA Dual, 2007. 06. 19-i felvétel alapján) 0,9 0,9 0,9
SFD érték
0,9 0,8 0,8 0,8 0,8 0,8
Hullámhossz (nm) Kukorica SFD 16 bit
Napraforgó SFD 16 bit
Búza SFD 16 bit
Tritikálé SFD 16 bit
27. ábra 16 bit alapú SFD ujjlenyomatok kukorica, napraforgó, búza és tritikálé esetén AISA Dual 2007.06.19-i adatok alapján a hullámhossz függvényében (kukorica – fekete, napraforgó – kék, búza – lila, tritikálé – sárga)
A 27. ábra (valamint az mért adatok) alapján észrevehetően elkülöníthetők az egyes objektumok (növénykultúrák), megállapíthatók a további vizsgálatokhoz leginkább alkalmas spektrális sávok, tartományok. Bizonyos hullámhossz tartományokban a mesterséges objektum (műút) is könnyen elválasztható a növényzettől, valamint a műveletlen területtől és az erdőtől egyaránt (28. ábra.)
88
Műveletlen terület, erdő és út 16 bites SFD ujjlenyomata (AISA Dual, 2007. 06. 19-i felvétel alapján) 0,9 0,9 0,9
SFD érték
0,9 0,8 0,8 0,8 0,8 0,8
Hullámhossz (nm) Műveletlen terület SFD 16 bit
Erdő SFD 16 bit
Út
28. ábra 16 bit alapú SFD ujjlenyomatok műveletlen terület, erdő és műút esetén AISA Dual felvétel 2007.06.19-i adatai alapján a hullámhossz függvényében (műveleten terület –lila, erdő – zöld, műút – fekete)
Az AISA Dual felvételek 10-14 bit hasznos információt tartalmaznak (saját mérések). Számos esetben találkoztunk olyan elemzésekkel, ahol ezen tényt a szakemberek nem vették figyelembe és 8 bites bemenő adatként értékelték ki a felvételeket. Ismert tény, hogy bizonyos képformátumok (jpeg, bmp, egyes tiff változatok, stb.) csak 8 bites adatokat tudnak kezelni illetve számos rutin, függvény csak 8 bites adaton hajt végre pontos számításokat. A kutatók, szakemberek téves következtetésekre juthatnak akkor is, amennyiben 8 bitnél nagyobb adatmélységű információkat a megszokott 8 bites eljárásokkal dolgoznak fel.
Azzal a határozott céllal, hogy feltárjuk a fenti hiányosságokból eredő esetleges problémákat, pontatlanságokat, a teljes képre vonatkoztatva elkészítettük a felvételek 8 és 16 bites változatainak SFD ujjlenyomatait is. A 29. ábrán összesítve látjuk az egyes csatornákhoz tartozó különböző színmélységű felvételek SFD értékeiből létrehozott görbéket (Kozma-Bognár et al., 2008a).
89
Teljes hiperspektális felvétel 8 és 16 bites SFD ujjlenyomatai(AISA Dual, 2007.06.19., Várvölgy) 1 0,9 0,8
SFD érték
0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 1
13 25 37 49 61 73 85 97 109 121 133 145 157 169 181 193 205 217 229 241 253 265 277 289 301 313 325 337 349
Csatornaszám 8 bit
16 bit
29. ábra A teljes AISA Dual kép (Várvölgy, 2007.06.19.) spektrális SFD 8 bit (sárga) és 16 bit (kék) alapú ujjlenyomata a sávsorszámok függvényében
Az eltérő színmélységű (8 és 16 bit) felvételek SFD értékeiben jelentős eltérések tapasztalhatók. Amennyiben a feldolgozó programok csak 8 bites adatokat kezelnek, a bemenő és ezáltal a kimenő információk is jelentősen eltérnek a valós értékektől. Az eredeti, magasabb színmélységű (10-14 bit) felvételek kínálta többletinformációk elvesznek, sőt néhány esetben az adatok torzítottak lesznek. A 8 és 16 bit alapú SFD görbék lefutását figyelve, észrevehető bizonyos csatornák esetében, hogy az alacsonyabb színmélységű felvételek SFD értékeiben nagyobb kiugrások jelentkeztek, mint a magasabb színmélységű esetben. A teljes képet tekintve mindez zajos csatornákra utalhat (151-161 közötti sávok), pedig a valóságban a képek zaj szempontjából megfelelőek. Így nemcsak információ veszteség léphet fel a 8 bit alapú képek elemzésekor, hanem téves következtetésekre is sor kerülhet, hiszen ezáltal olyan sávok is a zajjal terheltek közé lesznek sorolva, amelyek jel/zaj aránya az eredeti felvételeket tekintve elfogadhatóak. Mindez téves konklúzióra vezethet minden olyan elemzéskor, amelyek a görbén belüli korrelációt, varianciát is nézik. Ilyen számos képosztályozó eljárás, első vagy másodrendű index is. A fentiek alapján fontos feldolgozási szempontként emeljük ki, hogy hiperspektrális távérzékelés során szerzett képi információk feldolgozása az eredeti adatmélységben történjen (Kozma-Bognár et al., 2008a; Kozma-Bognár, 2010b).
90
Ismert tény, hogy nagy színmélységű képeket vizuális interpretációhoz, elektronikus megjelenítőkön nehéz hűen megjeleníteni. A probléma megoldására a képfeldolgozó rendszerek saját fejlesztésű, egyedi és védett, ezáltal nem publikált automatikus eljárásokat alkalmaznak (auto tone, auto contrast, auto color). Ezek közül talán az egyik legismertebb és leggyakrabban használt eljárás az automatikus kontraszt kiegyenlítés (ac).
Teljes hiperspektrális felvétel 16 bites képeinek SFD értékei a képsávok függvényében (AISA Dual,2007.06.19., Várvölgy) 3,50
SFD érték
3,00 2,50 2,00 1,50 1,00 0,50 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
Rétegek száma (db) AISA Várvölgy 2007.06.19. 2-7 részlet
AISA 2007.06.19. Várvölgy 2_7 részlet autokontraszt
30. ábra A teljes AISA Dual 16 bites kép (Várvölgy, 2007.06.19.) SFD értékei a bemenő sávok számának növelésével a vizsgált területre kontraszt kiegyenlítéssel (sárga) és anélkül (lila)
Megvizsgáltuk, hogy az információk feldolgozására milyen hatással lehet az ac, vagyis az automatikus kontraszt kiegyenlítés (30. ábra). Az ac jelentősen megnöveli a színszerkezet változatosságát, az első 26 sáv együttes használatakor az SFD érték 1,98-ról 3,14-re változik (a különbség 1,16). Ezen különbség RGB kompozit képeken, ahol csak három sáv kerülhet megjelenítésre (ilyen az összes vizuális interpretációra alkalmas színes, elektronikus megjelenítő) alig mutatkozik (az első három sáv esetén a különbség D3 = 1,89-1,29 = 0,6). Mivel az SFD érték logaritmikus skálán mér, ezért a tényleges különbség 101,16-0,6 = 3,63, azaz több mint 3,5-szeres már az első 26 sáv együttes feldolgozása után is. A teljes 359 sávra vonatkozó különbség a görbe alapján becsülhető: az utolsó 10 sáv esetén az SFD értékek különbsége már nem változik jelentősen, vagyis közel 4-szeres érték várható 359 sávra.
Elfogadható időn belüli számítása megítélésünk szerint jelenleg
szuperszámítógép kapacitását igényelné. A megjelenítőkön tapasztalható ac hatás tehát jelentősen elmarad az adatokon ténylegesen bekövetkező változásokon, ami az automatikus kontraszt kiegyenlítéssel javított képeken 91
nagymértékű változásokat eredményezhet, így az információk is módosulhatnak bármilyen további feldolgozás során. Elemzéseink kitértek az egyes sávok külön-külön történő elemzéseire is (31. ábra). A görbe alapján egyértelműen megállapítható, hogy az ac a valós adatok számos pontján a görbe jellegzetességeit eltünteti, azokat összemossa, kiegyenlíti, vagyis a korábban is jelzett abszolút értékekre, varianciákra épülő elemzéseket meghamisíthatja. Mindezek ismét megbízhatatlanná tehetik a végső következtetéseket, interpretációkat, amelyek vizuális és mért adatokra is épülnek. Teljes hiperspektrális felvétel 16 bites SFD ujjlenyomatai kontraszt kiegyenlítés összehasonlító méréseihez (AISA Dual, 2007.06.19., Várvölgy)
1 0,9 0,8
SFD érték
0,7 0,6 0,5 0,4 0,3 0,2 0,1 1
13 25 37 49 61 73 85 97 109 121 133 145 157 169 181 193 205 217 229 241 253 265 277 289 301 313 325 337 349
Csatornaszám 16 bit ac
16 bit
31. ábra A teljes AISA Dual 16 bites kép (Várvölgy, 2007.06.19.) SFD ujjlenyomata a vizsgált területre kontraszt kiegyenlítéssel (sötétkék) és anélkül (világoskék)
Javasoljuk, hogy a vizuális interpretációkra épülő feldolgozások megbízhatóságának eldöntésére a bemenő adatokon történjen SFD alapú szerkezetvizsgálat, amely kiterjed a teljes spektrális tartomány sávonkénti, valamint együttes vizsgálatára is.
4.3. Optimális sávok kiválasztása SFD ujjlenyomatok alapján A hiperspektrális képalkotó rendszerek felvételei a zaj mellett, erősen redundánsak. A redundáns információ kezelésével a legtöbb felhasználó a feldolgozás során akkor találkozik, ha a teljes képen végez nagy számítási kapacitású műveleteket, mivel ilyen esetekben a feldolgozás időtartama jelentősen megnő. Ugyanez a probléma jelentkezik a 92
szolgáltatók részéről is, hiszen a kész felvételek megrendelő számára történő átadása előtt, megfelelő minőségű és megbízhatóságú precíz előfeldolgozási műveleteket (atmoszférikus korrekció, MNF) szükséges végrehajtani, amelyek nagy számítási kapacitással járnak. Esetünkben a 359 csatorna bizonyos sávjai között szoros összefüggés volt tapasztalható, melyekre a szakirodalom különböző adatcsökkentő eljárásokat ajánl, mint pl. a főkomponens analízis, az egyes csatornák közötti korreláció kiszűrésére. Ezek közül számos eljárás tényleges képi adatcsökkentést nem tartalmaz, csupán tájékoztat arról, hogy adott valószínűség mellett, a tényleges adattartalom hány darab független sávval (komponenssel) írható le (PCA alapú módszerek). Azonban, hogy melyek ezek a sávok, arra már nem adnak információt vagy a kapott információ erősen a bemenő adat függvénye (pl. függ a zajos sávok arányától, azok súlyától). Végül is egy „ördögi körnek” tekinthető, hiszen akkor tudok hatékony előfeldolgozást megvalósítani, ha már végeztem zajos sávok eltávolítását célzó adatszelekciót, amelyet erősen befolyásol a zajos sávok ismerete, amelyet pedig az adatszelekció során kívánok meghatározni. A problémakör megoldására megítélésünk szerint, olyan adatfeldolgozó módszert, eljárást célszerű alkalmazni, mely nem vagy kevésbé érzékeny a bemenő adatokra. Ilyen eljárás az SFD alapú szerkezetvizsgálat, amelynek megfelelő alkalmazásával a zajra vonatkozóan eredményeket értünk el (előző fejezet) és jelen problémakörre is megoldási javaslattal tudunk szolgálni. A növénykultúránként és sávonként mért SFD értékeket (több minta esetén azok matematikai átlagát) csökkenő számsorrendbe rendeztük a csatornaszámok függvényében. Öt növénykultúra esetén mindez öt rendezett oszlopot jelent, ahol a sorrendbe egymás mellett lévő értékek különbségeit képeztük, majd ezen különbségi értékeket összeadtuk. A 32. ábrán mindezt kékkel (2007.05.21-i felvétel) és pirossal (2007.06.19-i felvétel) jelöltük és elneveztük „rendezett minták SFD különbségeinek az összege”-nek. Majd megkerestük az így kapott görbén a lokális maximum értékhez tartozó csatornaszámokat, amelyek az optimális csatornákat képezik az adott felvételen, adott növénykultúrák esetén. A 2007.06.19-i görbén 21 lokális maximumhelyet találtunk a fentiek szerint öt növénykultúra esetén (kukorica, búza, tritikálé, napraforgó, műveletlen terület), melyek az alábbiak voltak: 2, 26, 49, 55, 62, 78, 83, 90, 98, 114, 122, 138, 166, 201, 215, 272, 285, 293, 301, 327, 350. A módszer automatizálható, ismert bemenő adatként csupán a növénykultúrák ROI adataira van szükség. A hiperspektrális felvételek egymás mellett elhelyezkedő csatornái általában közel azonos információkat hordoznak vagyis korrelálnak, ezért a kapott lokális maximumhelyeknél 93
feltételként állítottuk, hogy azokat a csatornákat nem vesszük figyelembe, amelyek legalább két sávköz távolságán belüliek. Megítélésünk szerint ezen sávok alkalmazása a legcélszerűbb a kiértékelés további szakaszaiban (pl. osztályozás). További alternatív szempontként a 359 csatorna közül kiválasztottunk hatot, és elneveztünk minimális optimális csatornáknak. Mindezt azért tettük, mivel a hagyományos adatfeldolgozó eljárások kidolgozásánál a Landsat TM adatait vették alapul, amely 7 spektrális csatornát tartalmaz. Ezek közül egy felbontása jelentősen eltért a másik hattól (6. sáv), így a legtöbb multispektrális feldolgozási módszert 6 csatornára optimalizálták. A SFD ujjlenyomatok alapján a következő hat csatornát ítéltük optimálisnak a legtávolabbi sávok közötti lokális maximumok alapján: •
2007.05.21-i felvételeken:
33, 72, 122, 179, 255, 321.
•
2007.06.19-i felvételeken:
65, 71, 128, 167, 243, 288.
A 32. ábrán a hullámhosszokhoz tartozó csatornaszámok függvényében jól kivehetőek a lokális maximumhelyek. Mivel a zaj kiugró értékként mutatkozik meg az SFD görbék lefutásában, ezért az ábrán feltüntetett SFD ujjlenyomatokból a zajosnak ítélt csatornákat kivettük.
Növekvő sorrendbe rendezett SFD különbségeinek összege (AISA Dual, 2007.05.21. és 2007.06.21., Várvölgy) 0,4 0,4 0,3 0,3 0,2 0,2 0,1 0,1 0,0 1
16
31
46
61
76
91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346
Csatornaszám AISA 2007. 05. 21.
AISA 2007. 06. 19.
32. ábra Növénykultúránként és sávonként mért SFD értékek rendezése a különbségi értékek összege alapján, optimális sávok eldöntéséhez (2007.05.21. - kék, 2007.06.21. - piros)
94
Kiszámítottuk a szórásösszegeket is (33. ábra) azzal a célzattal, hogy több egymás mellett lévő csatorna értékeinek egyezősége esetén a legkisebb szóráshoz tartozó csatornát válasszuk ki. Így a módszer teljesen automatizálhatóvá válik. Növekvő sorrendbe rendezett SFD különbségeinek összege szórással (AISA Dual, 2007.06.19., Várvölgy) 0,4 0,3 0,3 0,2 0,2 0,1 0,1 0,0 1
13 25 37 49 61 73 85 97 109 121 133 145 157 169 181 193 205 217 229 241 253 265 277 289 301 313 325 337 349
Csatornaszám AISA 2007. 06. 19.
Szórás 2007. 06. 19.
33. ábra Növénykultúránként és sávonként mért SFD értékek rendezése a különbségi értékek összege piros) és azok szórásai (sárga), optimális sávok eldöntéséhez
A fentiek alapján optimálisnak ítélt csatornák információtartalmának megbizonyosodása céljából, az így kapott sávokat bemenő adatként használtuk fel a spektrális szögek módszerével történő osztályozás végrehajtásához. Emellett más adatszám csökkentő eljárások alapján meghatározott csatornákat is megmértük és összehasonlító elemzéseket végeztünk találati pontosság alapján. Az optimális csatorna kiválasztási eljárások összehasonlításához a különböző módszerek során inputként előálló adatokon hajtottuk végre a fent említett felszínkategóriák beazonosítását. Az eredmények minél pontosabb meghatározása céljából ugyanazon SAM osztályozó modullal dolgoztunk. Ezt követően értékeltük, hogy melyik dimenziószám csökkentő művelet eredménye jellemzi leginkább a vizsgált növénykultúráinkat. Az osztályozott képek eredményei alapján hibamátrixot készítettünk (17. sz. melléklet) és kiszámítottuk a találati pontosságokat az egyes növényállományokra vonatkozóan (34. ábra), valamint az öt növénykultúra átlagára (35. ábra), azaz hét módszerrel előkészített bemenő adatsorra (teljes kép -359 sáv; légköri ablak alapú - 295 sáv; SFD alapú optimális sávok - 6 sáv; SFD alapú zajos sávok nélküli kép - 300 sáv; SFD alapú zajos sávok - 59 sáv; MNF szűrt optimális sávok - 25 sáv; MNF szűrt teljes kép - 359 sáv).
95
Hiperspektrális osztályozó eljárás (SAM) találati pontossága (AISA Dual 2007.06.19., Várvölgy) 110,0 Találati pontosság (%)
100,0 90,0 80,0 70,0 60,0 50,0 40,0 30,0 Teljes kép
Légköri ablak
SFD alapú optimális sávok
SFD alapú zajos sávok
SFD alapú zajos sávok nélküli kép
MNF szürt teljes kép
MNF szűrt optimális kép
Bemenő adat típusa Kukorica
Búza
Napraforgó
Tritikálé
Műveletlen terület
34. ábra Optimális csatornák kiválasztására kidolgozott módszer hatékonyságának ellenőrzése (SAM osztályozás találati pontossága növénykultúrák esetén, hibamátrix alapján)
Hiperspektrális osztályozó eljárások találati pontosságának átlaga öt növénykultúra esetén Találati pontosság (%)
(AISA Dual 359 sávú képen - 2007.06.19.,Várvölgy) 95,0
89,7
89,7
90,3
90,1
89,7
SFD alapú zajos sávok nélküli kép
MNF szürt teljes kép
87,7
90,0 85,0 80,0 75,0 70,0 65,0
61,2
60,0 Teljes kép
Légköri ablak
SFD alapú optimális sávok
SFD alapú zajos sávok
MNF szűrt optimális kép
Bemenő adat típusa Öt növény - kukorica, búza, napraforgó, tritikálé, műveletlen terület 35. ábra Hiperspektrális osztályozó eljárások találati pontosságának átlaga öt növénykultúra esetén a bemenő adatok összetétele alapján
Az irányított osztályozás eredménye ismert módon erősen függhet a felhasználó által választott mintaterülettől. Minden osztály esetében két-két mintaterületet jelöltünk ki úgy, hogy ezeket közel homogén részekről választottuk ki, ezzel segítve a hagyományos módszerek pontosságának növelését.
96
A kapott eredmények alapján egyértelműen megállapítható, hogy az SFD értékekre épülő módszerekkel kiválasztott optimális sávok növénykultúrákra összesített találati pontossága a legmagasabb. Megjegyezzük, hogy a gyakorlatban leginkább elfogadott és alkalmazott zajszűrési módszer (MNF) elvégzése utáni bemenő teljes képen a találati pontosság azonos volt a szűrés nélküli kép találati pontosságával. Mindez azzal magyarázható, hogy az MNF zajszűrő hatása AISA Dual felvételeknél az általunk vizsgált képen egy-egy sáv esetén ugyan vizuálisan látható volt, ugyanakkor a találati pontosság szempontjából invariáns lett. Az eredmények hibamátrix alapján kerültek kiszámításra, melyet az osztályozó program számít valószínűségi értékek alapján. Mindez adott (esetünkben ez közel 90 %) valószínűséggel mutatja a várható eredményeket, de nem teljes bizonyossággal. A lényegesen nagyobb valószínűség érdekében olyan osztályozási módszert választottunk, amely már ezen valószínűségi adatoktól független. Itt már külön nem is jelezzük az MNF alapú méréseket, mivel értékei azonosak voltak a 359 sávra végzett mérésekkel.
4.4. Hiperspektrális osztályozó eljárások összehasonlítása Hiperspektrális felvételeken alkalmazható osztályozó eljárások vizsgálata során a spektrális fraktálszerkezet alapján történő zajos, minimális optimális, maximális optimális sávok kiválasztásának eredményessége került ellenőrzésre az egyes osztályozási módszerek találati pontosságának meghatározásával, valamint annak diszkussziójával. Öt tanító alapú osztályozási módszert vettünk figyelembe, melyek kijelölésénél az alapvető cél, olyan metrikák bevonása volt, amelyek elsősorban multispektrális képek vizsgálatához kerültek
kifejlesztésre,
ugyanakkor
egyedi
hiperspektrális
adatok
osztályozására
kifejlesztett módszerekkel történő összehasonlításra is lehetőséget adnak. További szempont volt az is, hogy a leggyakrabban használt hiperspektrális adatfeldolgozó szoftverek eljárásai is kerüljenek tanulmányozásra, hiszen a felhasználók, szakemberek elsősorban ezek alkalmazásával találkozhatnak. A fenti szempontok alapján az alábbi öt metrikára épülő osztályozási módszer került kiválasztásra: •
Parallelepiped (PA)
•
Minimum distance (MD)
•
Mahalanobis (MA)
•
Maximum likelihood (ML)
•
Spectral Angle Mapper (SAM) 97
Az osztályozás bemenőő paramétereinek felvétele során, kilenc tábláról vettünk táblánként egy-egyy független mintát (ROI-t), (ROI melyeket az osztályozás elvégzésekor is független paraméternek tekintettünk (36. (3 ábra).
36.. ábra A mintaterületek (ROI-k) (ROI alapvető jellemzőit bemutató táblázat,, melyben a sorszámmal ellátott minták öt osztályt alkottak, mivel négy esetben (1. és 3. tábla tábla kukorica, 2. és 5. tábla tritikálé, 4. és 6. tábla búza, 7. tábla műveletlen űveletlen terület, 8. és 10. tábla napraforgó) két-két két két tábla is ugyanazt a növénykultúrát tartalmazta
A valóságban a kilenc minta öt osztályt alkotott, mivel négy esetben (1. és 3. tábla tá kukorica, 2. és 5. tábla tritikálé, 4. és 6. tábla búza, 7. tábla műveletlen műveletlen terület, 8. és 10. tábla napraforgó) két-két két tábla is ugyanazt a növénykultúrát tartalmazta (37/a.,37/b. ( ábra). További három mintát is felvettünk (erdősáv, ( aszfaltos műút, földút), ), melyek ugyan nem képezték vizsgálatunk tárgyát, de a korábbi kilenc minta területei között megtalálhatóak megtalálható voltak.
37. ábra Az osztályozásra előkészített, őkészített, méretezett terület eredeti (CaliGeo) színkompozit felvétele (a. ( bal oldali kép), ), valamint va a felvett mintaterületek, ROI-k (b. - jobb oldali kép) kép
98
A következő két oldalon feltüntetett ábrák az osztályozás egyes eredményeit tartalmazzák, ahol az adott metrika alapján osztályozott felvételek egymás mellett kerültek ábrázolásra. A metrikák elnevezése mellett minden esetben feltüntettük mely bemenő adatsorra vonatkoztatva kaptuk az adott eredményképeket: bal oldali kép – a teljes 359 csatorna alapján, a középső kép - SFD alapján kiválasztott zaj nélküli 300 csatorna alapján, a jobb oldali kép – 6 optimális csatorna alapján került osztályozásra (38. - 42. ábrák).
38. ábra Mahalanobis metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)
39. ábra Maximum likelihood metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)
99
40. ábra Minimum distance metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)
41. ábra Parallelepiped metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)
42. ábra SAM metrika alapján osztályozott eredményképek (teljes felvétel alapján - bal oldali kép; zaj nélküli felvétel alapján - középső kép; 6 optimális csatorna alapján - jobb oldali kép)
100
Az SFD spektrumgörbék alapján 6 minimális és 21 maximális optimális csatorna is meghatározásra került. A 21 csatorna alapján végzett osztályozások eredményei összefoglaló jelleggel a 43. és a 44. ábrákon láthatóak. A találati pontosságok az eredményképeken történt mérések alapján kerültek kiszámításra. Az egyes ROI-kon belül, a ROI intenzitásértéke alapján meghatároztuk a helyesen osztályozott pixelek számát, melyet az adott ROI teljes képpontjainak számával elosztva, majd százzal szorozva megkaptuk százalékban a találati pontosságokat.
43. ábra A 21 sáv Maximum likelihood (középső kép) és SAM (jobb oldali kép) metrika alapján osztályozott eredményképei. A bal oldali kép a 21 sávból választott, osztályozatlan felvétel
44. ábra A 21 sáv Parallelepiped (bal oldali kép), Minimum distance (középső kép) és Mahalanobis (jobb oldali kép) metrika alapján osztályozott eredményképei
101
Az eredményeket bemutató táblázatokban a százalékos találati pontosságok kerültek feltüntetésre, kékkel kiemelve egy adott metrika és minta esetén kapott legnagyobb találati pontosságot. Piros színnel jelöltük egy adott növénykultúra esetén az öt osztályozási eljárás számtani átlaga alapján megadott legnagyobb találati pontosságot (9. táblázat). Az összesített eredmények a 10. táblázatban találhatóak. Az átlag jelzésű sorban szerepel az összes mintára és mind az öt metrika alapján átlagolt találati pontosság, míg az összesen oszlopban az egyes metrikák összesített találati pontosságát adtuk meg, pirossal jelezve a legnagyobb értékeket. 9. táblázat Az osztályozások találati pontosságát mintaterületek és a választott metrikák alapján bemutató táblázat (kékkel szedve egy adott metrika és növénykultúra esetén a maximális értéket, pirossal szedve a növénykultúránként az egyes metrikák összesített találati pontosságának legnagyobb értékét)
A eredmények kiértékelése során egyértelműen megállapítható, hogy az általunk javasolt SFD ujjlenyomatok egyes görbéi alapján meghatározott zaj nélküli, minimális és maximális optimális csatornák alapján történő osztályozás bármely metrika választása esetén kukorica, búza, műveletlen terület és napraforgó növénykultúrákra nagyobb találati pontosságot eredményezett, mint a teljes, 359 sáv alapján osztályozott felvétel vonatkozásában (9. táblázat kékkel jelölt értékek). Tritikálé osztályozásánál négy metrika (MA, ML, SAM és MD) esetén kaptunk hasonló eredményt. Egyetlen metrika (PA) esetében tapasztaltunk csak a teljes 359 sáv alapú osztályozásra legnagyobb találati pontosságot, ekkor mértük egyben a teljes osztályozási eredmények legkisebb találati 102
pontosságát is (21,20 % és 32,00 %). Összességében is a PA adta a legkisebb találati pontosságot (69,91 %) az öt osztályozási eljárás közül, ami egyértelműen magyarázható azzal, hogy a PA nem speciálisan hiperspektrális képek osztályozására került kifejlesztésre. 10. táblázat Az osztályozások minden növénykultúrára összesített találati pontossága (kékkel szedve egy adott metrika esetén a maximális értéket, pirossal szedve a bemenő adatok összetételére vagy metrikára számított találati pontosságok átlagának legnagyobb értékét)
ÁTLAGOS TALÁLATI PONTOSSÁG Osztályozás típusa
Teljes kép (359 sáv)
SFD Zaj nélkül (300 sáv)
SFD Optimális (6 sáv)
SFD Optimális (21 sáv)
ÖSSZESEN
Mahalanobis
96.21
98.61
86.09
92.74
93.41
Maximum likelihood
98.16
98.49
96.08
97.71
97.61
SAM
75.91
76.66
75.23
74.40
75.55
Parallelepiped
65.35
73.45
68.00
72.84
69.91
Minimum distance
80.61
80.56
82.68
79.46
80.83
ÁTLAG
83.40
85.56
81.61
83.43
A osztályozások közül egyértelműen az ML teljesített a legjobban (97,61 %), ami egyezik a legtöbb multispektrális felvételeknél publikált irodalmi adatokkal (Chang, 2007b; Schowengerdt, 2007), bár hiperspektrális felvételek esetén a jelentős zajterheltség miatt mindez nem volt egyértelműen bizonyított. Érdekesség, hogy a legnagyobb egyedi összesített találati pontosságot a Mahalanobis osztályozás zaj nélküli képe esetén kaptuk (98,61 %). A disszertáció szempontjából további lényeges megállapítás az osztályozások találati pontosságát illetően az, hogy az SFD alapján zajosnak minősített sávok eltávolítása után 300 csatorna osztályozásakor több mint 2 %-al nagyobb (2,16 %) találati pontosságot mértünk, mint az összes csatorna használata során. Az eredmény kiemelkedő abból a szempontból is, hogy magas találati pontosság esetén kaptuk ezen jelentős pontosság növekedést, amely ismerve a szakirodalmi adatokat jelentős javulásnak nevezhető. A 21 sáv alapú osztályozás ugyanazt az (minimálisan jobb) eredményt adta mint a teljes 359 sáv, ami esetünkben azért rendkívüli, mivel 21 sáv alapján történő osztályozás lényegesen kisebb futási idővel jár, mint a 359 sáv alapú osztályozás. A 6 sáv alapú osztályozás találati pontossága pedig alig maradt el (1,79 %-al) a teljes 359 sáv pontosságától, amely a futási idők közel két nagyságrendbeli eltérésének ismeretében, nagy számításigényű felvételek osztályozása esetén kiváló eredménynek számít. 103
4.5. Vörös-él inflexiós pont meghatározása A vörös-él él inflexiós pontjának tapasztalati úton történő történ meghatározásához összehasonlító összehaso elemzéseket végeztünk. A vizsgálatokhoz felhasználtuk Clevers és munkatársai valamint Mutanga és Skidmore által javasolt összefüggéseket (Clevers et al., 2002; Mutanga és Skidmore, 2004), és ezek SFD és reflektancia alapú számítási egyenleteit egyenlet (15), (16). A számítások során bemenőő adatként a korábbi esetekben is alkalmazott, geometriailag és radiometriailag korrigált AISA Dual felvételek reflektancia értékeit használtuk. A REIP értékektőll elvárható, hogy adott időpontban id pontban készített felvétel esetén a különböző különbö mintaterületről, l, egészséges vegetációk esetén a reflektancia adatok alapján számított értékek ugyanazon pontot határozzák meg, meg azaz a számított REIP értékek szórása lehetőleg lehet minimális
legyen.
A
szakirodalomban
alkalmazott
és
vizsgálatainkba
bevont
összefüggések efüggések ezen feltételt kevésbé, kevésbé vagy egyáltalán nem teljesítik. Mindez jól látható a 45. ábra adatai alapján.
REIP érték /nm/
Reflektancia és SFD alapú REIP értékek összehasonlítása
780,00 760,00 740,00 720,00
Műveletlen veletlen terület Búza Tritikálé Napraforgó Kukorica Erdő
700,00 680,00
REIP módszer Erdő
Kukorica
Napraforgó
Tritikálé
Búza
Műveletlen űveletlen terület
45. ábra Vörös-él inflexiós xiós pont meghatározás AISA Dual felvételeken SFD ujjlenyomatok és reflektancia adatok felhasználásával hat olyan osztályozási kategória alapján, ahol a REIP számítás értelmezhető
Megpróbáltunk a fenti feltételnek megfelelő, megfelel SFD értékekre épülőő tapasztalati összefüggést létrehozni.. Így összesen hét különböző különböz számítási módszer alapján meghatározott REIP érték ék állt rendelkezésünkre az összehasonlításhoz.
104
AISA Dual felvételeken történő növényi vegetációt érintő méréseink során, két olyan a szakirodalomban leginkább elterjedt spektrális tartományt is külön-külön megvizsgáltunk (640-770 nm valamint a 690-720 nm közötti tartományok), ahol az SFD alapú ujjlenyomatokon történő lokális minimum (46. ábra) keresésével közvetlenül is megállapítható a vörös-él inflexiós pont (Kozma-Bognár és Berke, 2009; Kozma-Bognár és Berke, 2010).
Vörös-él meghatározás 16 bites SFD ujjlenyomatok alapján (AISA Dual, 2007.06.19., Várvölgy) 0.9 0.895 0.89
SFD érték
0.885 0.88 0.875 0.87 0.865 0.86 0.855 0.85
Hullámhossz /nm/ Kukorica SFD 16 bit
Napraforgó SFD 16 bit
Búza SFD 16 bit
Tritikálé SFD 16 bit
Műveletlen terület SFD 16 bit
Erdő SFD 16 bit
46. ábra Vörös-él inflexiós pont meghatározása 16 bites SFD görbéken AISA Dual felvételeken lokális minimum helyek alapján (kukorica – fekete, tritikálé – zöld, napraforgó – kék, műveletlen terület piros, búza – lila, erdő –sárga)
Vizsgálataink alátámasztották azon megállapítást, hogy a spektrális tartomány szűkítése jelentősen csökkenti a REIP értékek bizonytalanságát, amennyiben megfelelően magas a felvétel spektrális felbontása, azaz a lehető legtöbb csatornaszámú felvétel áll rendelkezésünkre. A jelenleg forgalomban lévő légi hiperspektrális felvételező eszközök (9. sz. melléklet) közül az AISA Dual ezen szempont alapján az egyik legjobb választásnak tekinthető. A 11. táblázatban elkülönítettük a kultúrnövényeket az erdőtől (facsoport) és külön-külön elvégeztük a szórások számítását is. Az adatokból jól kivehető, hogy a szerkezetvizsgálat alapú módszerek közül az SFD lok. min. 640-770 nm, az SFD lok. min. 690-720 nm, az SFD-Mutanga-Skidmore és az SFD-Clevers REIP értékek szórása általában nagyobb, mint az irodalmi Mutanga-Skidmore és a Clevers képletek (15, 16) alapján mért értékek akkor, 105
ha az erdő REIP értékeivel is számolunk. Amennyiben az erdőt nem tekintjük, a legstabilabb értékeket (kékkel szedve) az SFD lok. min. 690-720 nm produkálta. Az összes növény REIP adatait megvizsgálva (nem csak a kultúrnövényeket) látható, hogy az általunk tapasztalati mérések alapján javasolt (17) összefüggés adta a legstabilabb értéket úgy, hogy az egyébként is alacsony szórása tovább csökken, míg a legtöbb módszer (Clevers kivételével) esetén a szórás nőtt.
11. táblázat Vörös-él inflexiós pont meghatározása AISA Dual (2007.06.19.) felvételeken 16 bites SFD görbék és reflektancia adatok alapján növénykultúránként az egyes REIP számítási módszerek függvényében (dőlten szedve a táblázat értékeire számított szórásokat) REIP-SFDSFDSFD lok. min. SFD lok. min. MutangaSFDBerkeClevers Mutanga640-770 nm 690-720 nm Skidmore Clevers Kozma-Bognár Skidmore Kukorica
716,29
719,07
719,07
717,19
720,89
730,31
725,11
Napraforgó
716,26
719,07
719,07
714,80
718,49
729,43
729,42
Búza
716,89
761,28
719,07
714,41
723,78
733,87
749,65
Tritikálé
715,93
719,07
719,07
716,18
718,98
728,20
727,50
Műveletlen terület
715,75
719,07
719,07
711,10
717,36
783,23
777,74
SZÓRÁS erdő nélkül
0,44
18,88
0,00
2,31
2,51
23,70
22,31
Erdő
716,36
686,44
691,09
718,51
721,88
709,05
711,52
SZÓRÁS erdővel
0,39
23,80
11,42
2,58
2,39
24,89
23,49
Javasoljuk, hogy AISA Dual, vagy AISA Eagle légifelvételek alapján számított SFD hiperspektrális spektrumgörbéken a 690-720 nm közötti spektrális tartomány szélső pontjaiban vett SFD értékek számtani átlaga alapján, az alábbi (17) összefüggés (KozmaBognár és Berke, 2009; Kozma-Bognár és Berke, 2010) segítségével történjen a vörös-él inflexiós pont meghatározása (46. ábra és 11. táblázat): λre = 690 + 30x{(SFD690+SFD720)/2} ahol, λre: inflexiós ponthoz tartozó hullámhossz, SFD690: SFD érték a 690 nm hullámhosszon, SFD720: SFD érték a 720 nm hullámhosszon. 106
(17)
A javasolt összefüggés megbízhatóbb REIP meghatározást tesz lehetővé. Megtakarítható a korábbi mérésekhez szükséges radiometriai, geometriai előfeldolgozás és a zajszűrés (amelyek a korábbi feldolgozások jelentős részét kitöltötték) egy része is, mivel az SFD alapú ujjlenyomatok és a javasolt összefüggés ezekre kevésbé érzékeny. Segítségével költségtakarékosabb és hatékonyabb feldolgozási eljáráshoz juthatunk.
További ellenőrzés céljából, három mérőkamerával (CANON 30D, CANON 30DIR, HEXIUM FIR) saját repülési felvételeink felhasználásával végeztünk a (17) összefüggésre vonatkozóan méréseket. A látható tartományú, a közeli infravörös tartományú és hőtartományú kamerával készült felvételeken (összesen hét sáv) történő méréseink alapján megállapítható, hogy növényi vegetáció esetén, a 660-820 nm közötti tartományban az SFD alapú spektrumokon, ujjlenyomatokon a lokális minimum 780 nm (47. ábra). Mindez elsősorban az eltérő típusú érzékelőkre és a multispektrális adatokra vezethető vissza. Vagyis az általunk ismertetett SFD alapú vizsgálatok ugyan lehetővé teszik az eltérő terepi és spektrális felbontású felvételek feldolgozását, megítélésünk szerint azonban a (17) egyenlet során javasolt összefüggés hiperspektrális adatokon mért SFD értékek alapján használható. Multispektrális esetben azonban nem, hiszen a kamerák által szolgáltatott adatok alapján a vörös-él átmenet kellő spektrális pontossággal nem volt reprodukálható. Növénykultúrák multispektrális SFD spektruma 8, 16 bites képsávok alapján (2008. 07. 02., Várvölgy)
1
SFD érték
0,9 0,8 0,7 0,6 0,5 0,4 0,3 480
540
660
740
750
780
820
860
10000
Hullámhossz /nm/ búza
tritikálé
napraforgó
műveletlen terület
47. ábra Vörös-él inflexiós pont meghatározása látható, közeli infravörös és hőtartományban készült kézi kamerák multispektrális felvételein SFD görbék alapján (búza – kék, tritikálé – lila, napraforgó – fekete, műveletlen terület – piros)
107
5. KÖVETKEZTETÉSEK ÉS JAVASLATOK A
jelenleg
alkalmazott
információ-technológiai
fejlesztések
a
hiperspektrális
távérzékelésben is jelentős szerephez jutnak. Az eszközökben bekövetkezett gyors ütemű technikai újításokhoz viszonyítva, jelentős lemaradások tapasztalhatóak a képi adatok feldolgozása területén. A fejlesztéseknek köszönhetően, a többletinformációk kinyerésének céljából, indokolttá vált a feldolgozási módszerek újragondolása, pontosítása, valamint a gyakorlati alkalmazások kibővítése.
Az általam alkalmazott, spektrális fraktáldimenzió alapú adatfeldolgozási eljárás, a hiperspektrális felvételek elemzési módszereinek újszerű megválasztását teszi lehetővé. A módszer egy olyan fraktálokra visszavezethető eljárás, amely: •
figyelembe veszi az intenzitást,
•
tetszőleges kép(sávra) használható,
•
invariáns számos körülményre,
•
nem igényel előfeldolgozást, szegmentálást, valamint
•
szerkezeti és nem csak morfológiai vagy morfometriai jellegű.
Az általános fraktáldimenzióból származtatott szerkezetvizsgálati eljárás, a felvételekre vonatkozóan nemcsak a térbeli szerkezetnek, hanem a spektrális sávok színszerkezetének mérésére is alkalmas. Elegendő információt ad a színek, árnyalatok szerkezeti tulajdonságaira vonatkozóan. Többdimenziós színtérben is alkalmazható, így a hiperspektrális adatkocka nagy mennyiségű és komplex adatsorát is kezelni tudja. Segítségével a magasabb színmélységű felvételek is feldolgozhatóak, ezáltal növelhető a nagy spektrális felbontás kínálta hasznos információk kinyerése.
Az SFD alapú feldolgozási eljárás közvetlenül a távérzékelő berendezések képi adatainak szerkezetén végzett számításokra épül, nem feltétlenül igényli kiegészítő légi vagy terepi sugárzásmérők alkalmazását, mégis számos esetben jól alkalmazható információkkal szolgál. Más klasszikus szerkezeti paraméterekkel ellentétben az SFD alapú szerkezeti adatok kevésbé érzékenyek a terepi, atmoszférikus vagy egyéb korrekciós tényezőkre, hiszen logaritmikus számításokra épülnek. Kutatásaim során kifejlesztettem olyan ujjlenyomatokat, amely a terepi beazonosításon kívül, csak képi információk felhasználásával számíthatók, elkerülve ezzel a fent említett korrekciók hiányából vagy pontatlanságából
eredő
hátrányokat.
Létrehoztam 108
olyan
SFD
spektrumgörbéket,
amelyekkel
a
reflektancia
görbékhez
hasonlóan
leírhatóak,
jellemezhetőek,
beazonosíthatóak és térképezhetőek az egyes felszíni formák. Az SFD görbék felhasználásával az egyes felszínborítási kategóriák megbízhatóbb elkülönítésén kívül, a zajos sávok meghatározását is elvégezhetjük. A mért értékeket figyelembe véve kiválaszthatunk olyan spektrális sávo(ka)t, amelyek további hagyományos módszerekkel is feldolgozhatóak.
A gyakorlatban jelenleg ismert eljárások nagy része nem alkalmazható több száz képi információt hordozó réteg értékelésére vagy a feldolgozás során kapott eredmény pontossága nem felel meg az igényeknek (pl. 16 bites helyett 8 bites bemenő adat kerül feldolgozásra), egyes esetekben a valóságnak. Az SFD alapú adatfeldolgozó módszerek szinte minden esetben alkalmasak több száz sávos integrált vizuális adatok kiértékelésére, akár személyi számítógépes környezetben, és megfelelő adatpontossággal a 16 bites bemenő adatok vonatkozásában is. Az általam alkalmazott matematikai eljárásokkal és a hozzájuk kidolgozott feldolgozási módszerekkel tovább javítható az osztályba sorolás eredménye 16/32 bites hiperspektrális adatok esetén. A megoldás, a módszer eddigiektől alapvetően eltérő jellemzőiben rejlik.
További előnyként tapasztalható, hogy a jelenleg használt módszerekkel szemben, az általam kidolgozott eljárások kevésbé érzékenyek a költségeket és feldolgozási időt növelő előfeldolgozásokra, így esetenként nem is igénylik azokat. Ezáltal jelentős költségek takaríthatók meg vagy fordíthatók más (feldolgozási, fejlesztési) célokra. Az SFD spektrumgörbék használatával egy tapasztalati összefüggést is javaslok, a vegetációs indexek közül a vörös-él inflexiós pont meghatározásához, amely a jelenleg használt számítási módszerekhez hasonlóan, könnyen számítható eredményt ad, viszont megbízhatósága nagyobb. Az így elért eredmények bevezetése a hiperspektrális távérzékelési adatok feldolgozásában hatékony innovációként jelenhet meg. Ennek egyik fő oka, hogy az SFD alapú szerkezeti célú, vizuális adatfeldolgozási módszer alkalmazásával kiküszöbölhetjük a hiperspektrális felvételekhez jelenleg használt képfeldolgozási eljárások pontatlanságából eredő hátrányok jelentős részét.
109
Jövőbeni kutatási irányok A hiperspektrális távérzékelés felhasználásának jelentőségét a világ vezető gazdasági közösségei felismerték, támogatják. A technológiát fejlesztő kutatóintézetek a korábbi multispektrális technológiákról mára már áttértek a hiperspektrális eszközök, eljárások fejlesztésére. A nemzetközi műszaki-tudományos fejlesztési trendek alapján arra következtethetünk, hogy a jövőre vonatkozóan a hiperspektrális információtartalmak még tovább fognak bővülni. Olyan felvevő rendszerek jelennek meg, amelyek már a jelenlegi 16 bites adatok mellett a 32 bites adatok előállítását is célul tűzik ki. Ugyanakkor tudjuk, hogy még a jelenlegi 12-14 bit mélységű adatok feldolgozása sem megoldott teljes körűen.
Az új technológiákhoz kapcsolódó másik - megoldásra váró - probléma a nagy adatmennyiség kezelése. Ezek az információk több száz képréteg, illetve nagy geometriai felbontás formájában jelentkeznek. A jelenleg alkalmazott szoftverek és hardverek ilyen fokú integráltsággal és komplexitással rendelkező adatok kiértékelésére egyáltalán nem (valós idejű feldolgozás hiánya) vagy bizonyos feltételek (jelentős információvesztéssel járó adatredukció vagy szuperszámítógépes adatfeldolgozás) mellett alkalmasak csak. A multispektrális adatfeldolgozások során kifejlesztett és alkalmazott eljárások, algoritmusok nem, vagy erősen korlátozott formában használhatóak csak hiperspektrális adatok esetén. A hatékony adatkiértékelési technikák kidolgozásához néhol jelenleg is használnak szuperszámítógépeket, amelyek jelentősen emelik a fejlesztési költségeket. Természetesen általános bevezetésük számos jövőbeli műszaki fejlesztés függvénye is, így megjelenésük bizonytalan, ugyanakkor elengedhetetlen a hatékony alkalmazás szempontjából.
Összességében várható, hogy a szenzorok és az egyéb kapcsolódó technológiák fejlődése révén még inkább növekedni fog a felhasználók köre. A nagy gazdasági és politikai szereplők mellett, kisebb gazdasági vállalkozások is alakulnak a hiperspektrális technológia gyakorlati felhasználásaira. A jelenlegi alkalmazási területekhez képest még több szakterület munkáját fogja kielégíteni és így tovább bővülnek a többletinformációk adta széleskörű lehetőségek is.
110
6. ÚJ TUDOMÁNYOS EREDMÉNYEK 1. tézis Teljes hiperspektrális kép spektrális fraktáldimenziójának számításával, majd a kapott értékek sávsorszám vagy hullámhossz függvényében történő ábrázolásával létrehozott SFD görbék (ujjlenyomatok) jellegének (görbületben, meredekségben bekövetkező hirtelen változások, oszcillációk) elemzésével a sávkorlátos zajos sávok megkereshetők.
2. tézis Vizuális interpretáció során gyakran alkalmazott, a vizuális megjelenítést segítő előfeldolgozások megbízhatóságának eldöntésére javaslom, hogy a bemenő adatokon történjen az eredeti adatok sávonkénti színmélységét elérő vagy meghaladó, SFD alapú szerkezetvizsgálat, amely kiterjed a teljes spektrális tartomány sávonkénti és a hiperspektrális adatkocka együttes elemzésére.
3. tézis Hiperspektrális képi adatokon található felszíni objektumok jellemző SFD görbéinek lokális maximumhelyeihez tartozó sávok nagy pontossággal reprezentálják a képi adat össz-információtartalmát, esetenként megbízhatóbb adatszelekciót jelentenek a sajátérték számításokra épülő más matematikai módszereknél.
4. tézis Az általam javasolt SFD ujjlenyomatok görbéi alapján meghatározott zaj nélküli sávok alapján történő osztályozás, öt metrika (PA, MA, ML, SAM és MD) választása esetén kukorica, búza, műveletlen terület és napraforgó növénykultúrákra nagyobb találati pontosságot eredményezett, mint a teljes 359 sáv alapján osztályozott kép.
5. tézis Az SFD alapján kiválasztott zaj nélküli, optimális csatornák adatai alapján végzett osztályozás szinte minden vizsgált metrika (PA, MA, ML, SAM és MD) esetén nagyobb találati pontosságot eredményez, mint a teljes sáv alapján, jelentősen kisebb számítási kapacitás felhasználásával.
111
6. tézis AISA Dual vagy AISA Eagle légifelvételek alapján számított SFD hiperspektrális spektrumgörbéken a 690-720nm közötti spektrális tartomány szélső pontjaiban vett SFD értékek alapján az alábbi összefüggés segítségével történő vörös-él inflexiós pont meghatározása az ismert módszereknél megbízhatóbb eredményt ad: λre = 690 + 30x{(SFD690+SFD720)/2}
112
7. THESIS 1. Thesis Frequency limited noisy bands can be detected by analysing (curvature, gradient, oscillation) the Spectral Fractal Dimension (SFD) curve or "fingerprint" (function of SFD values by number of band or wavelength) of calculated SFD of the full-size hyperspectral image.
2. Thesis To determine the reliability of the pre-processing of visualization method often used for visual interpretation an SFD based structural comprehensive test (full or partial spectral bands) is suggested on input data. Test includes the investigation of the full spectral range by bands, the combined bands and should be equivalent or higher depth of input image data in bit.
3. Thesis Local maximum of the SFD curve at terrain objects on hyperspectral images accurately represent the total information content of images. In some cases these bands provide more reliable data selection than other eigenvalue based mathematical methods.
4. Thesis The image classification methods (PA, MA, ML, SAM and MD) using bands (excluded noisy bands) of the suggested SFD curves in terms of result accuracy were higher in maize, wheat, sunflower and non-cultivated land canopies than using the total 359 bands.
5. Thesis The image classification methods (PA, MA, ML, SAM and MD) using excluded noisy bands and optimal bands of the suggested SFD curves in terms of result accuracy were higher hit accuracy than using the total 359 bands with significantly smaller computational performance. 113
6. Thesis Using the SFD values of the end points of 690-720 nm spectral range, based on SFD curves of AISA Dual or AISA Eagle aerial hyperspectral images, the definition of the rededge inflection point gave more reliable results than other known methods in context with the following formula: λre = 690 + 30x{(SFD690+SFD720)/2}
114
ÖSSZEFOGLALÓ A hiperspektrális érzékelők által szolgáltatott adatok mennyisége és komplexitása rendkívül nagy, ezért elemzésükhöz megfelelő szintű hardver és szoftver eszközháttérrel kell rendelkezni. A képalkotás során létrehozott adattömeg több száz GB információt és spektrális csatornát tartalmaz. A magas csatornaszám és a csatornák közötti szoros összefüggések miatt a feldolgozásukhoz jelentős számítási kapacitás és időráfordítás szükséges. Kutatásaim célja a földhasználati kategóriák során fellépő elemzési problémák feltárása mellett, a zajjal terhelt sávok egzakt módszer alapján történő szelekciója, a teljes információtartalmat hűen reprezentáló, de jelentősen (minimum egy nagyságrenddel) kisebb mennyiségű optimális sávok kiválasztásának kidolgozása és gyakorlatban történő felhasználása volt. A disszertációmban először a hiperspektrális távérzékelés történeti hátterét ismertettem, külön alfejezetben kiemelve a hazai eseményeket. Az elektromágneses sugárzás fizikai tulajdonságai
közül
a
távérzékelés
folyamatát
meghatározó
tudományos
alapösszefüggéseket mutattam be, a sugárforrástól kezdve a detektorig. Definiáltam a hiperspektrális felvétel fogalmi körét, valamint csoportosítottam a jelenlegi gyakorlatban leginkább alkalmazott hiperspektrális szenzorokat, megfogalmazva a kapcsolódó térbeli, spektrális radiometriai és időbeli felbontások jellemzőit. Felvázoltam a légifelvételek készítésének tervezési és végrehajtási feladatait, valamint a földi referencia gyűjtések főbb lépéseit. Részletesen foglalkoztam a teljes hiperspektrális adatfeldolgozás legfontosabb munkafolyamataival az előfeldolgozástól, a képelemzésen át egészen az eredmények kiértékeléséig. A szakirodalmi források felhasználásával néhány nemzetközi főként mezőgazdasági és környezetvédelmi alkalmazási területet tekintettem át. A magyarországi alkalmazások esetében törekedtem arra, hogy minden hazai kutatócsoport munkájába betekintést adjak. Az anyag és módszer fejezetben bemutattam a várvölgyi kutatási helyszínünk alapvető vizsgálati sajátosságait, a 2007. évben itt történt hiperspektrális légi- és földi felvételezések fontosabb adatait. Ismertettem a felvételezések során alkalmazott AISA Dual hiperspektrális érzékelő rendszer technikai paramétereit, a felvételezések lebonyolításának tevékenységeit és az elkészült adatsorokat. Részletekbe menően végigvezettem a szűk tartományú referencia spektrumok által definiált csatornák feldolgozási láncának egyes műveleteit. 115
Az előfeldolgozás során felmerült problémákat (radiometriai, geometriai és atmoszférikus korrekciók) meghatározva bemutattam, hogy milyen hullámhossz független, teljes spektrális felvételezési sávot érintő eljárásokkal növelhetők a hiperspektrális adatkockából kinyerhető információk. A hiperspektrális adatkocka zajcsökkentésével illetve a rossz jel/zaj arányú felvételek meghatározásával és feldolgozásból történő kihagyásával javítható a földhasználati módok beazonosításának megbízhatósága. A kiértékelés szempontjából valóban rossz jel/zaj arányú felvételek kiválasztásához új, SFD alapú vizsgálati eljárást alkalmaztam. A felvételekből számított SFD értékek hullámhossz függvényében ábrázolt görbéinek a felhasználása hatékony eszköznek bizonyult a zajjal terhelt spektrális csatornák megállapításánál. A 359 spektrális csatornából álló adatkocka redundáns és korreláló dimenzióinak tanulmányozásával megállapítottam az optimálisnak tekinthető sávokat, mellyel leginkább jellemezhetőek a földfelszíni objektumok. Több csatorna kiválasztási lehetőség összehasonlító elemzése azt mutatta, hogy az azonos osztályozási módszerrel (SAM) elvégzett beazonosítás, akkor adja a legmagasabb találati pontosságot (90,3 %), amikor az SFD alapú optimális sávok kerülnek inputként betöltésre. A
mezőgazdasági
hasznosítás
alatt
álló
kisparcellás
növénykultúrák
homogén
mintaterületeinek ellenőrzött osztályba sorolását végeztem el. A vizsgálatba bevont területek maszkolásával, a nem hasznosítható képpontok lehatárolásával az osztályozás pontosságát kívántam növelni. A hiperspektrális felvételeken alkalmazható osztályozó eljárások vizsgálata során a spektrális fraktálszerkezet alapján történő zajos, minimális optimális, maximális optimális sávok kiválasztásának eredményét ellenőriztem. Az osztályozási eljárások közül egyértelműen a legnagyobb valószínűség módszere (ML) teljesített a legjobban (97,61 %) a földhasználati becslések során. A vegetációs indexek közül a görbeértékelésen alapuló vörös-él inflexiós pont általam kifejlesztett SFD ujjlenyomat alapú leírására került sor. A tapasztalati úton történő meghatározáshoz
összehasonlító
elemzéseket
végeztem.
Méréseim
alapján
megállapítottam, hogy a 690-720 nm közötti spektrális tartomány szélső pontjaiban vett SFD értékek alapján közvetlenül meghatározható a vörös-él inflexiós pont. A REIP kiszámításához egy zárt formulát (17) adtam meg, amely az ismert módszerekhez viszonyítva megbízhatóbb eredményt mutatott.
116
KÖSZÖNETNYILVÁNÍTÁS Ezúton szeretnék köszönetet mondani témavezetőmnek Dr. Anda Angélának, aki megteremtette annak lehetőségét, hogy elegendő időt fordíthassak kutatásaimra. Hasznos tanácsaival,
észrevételeivel
megfelelő
utat
mutatott
számomra
a
disszertáció
elkészüléséhez.
Külön köszönettel tartozom Dr. Berke Józsefnek a külső konzulensi feladatok ellátásáért. Szakmai iránymutatásaival, célszerű meglátásaival és kellő türelemmel segítette a kutatási munkáimat. A szakterületen elért eredményeim nagyfokú támogatásával hozzájárult ahhoz, hogy bekapcsolódhattam a tudományos élet hazai és nemzetközi vérkeringésébe.
Köszönet
illeti
továbbá
a
Földművelésügyi
és
Vidékfejlesztési
Minisztérium
Mezőgazdasági Gépesítési Intézet és a Debreceni Egyetem Agrár- és Műszaki Tudományok Centrum Víz- és Környezetgazdálkodási Tanszék akkori munkatársait a témában nyújtott hasznos információkért, valamint Dr. Tamás Jánost a hiperspektrális légifelvételezések megvalósításában nyújtott segítségért.
Mindemellett köszönetet mondanék még Varga János pilótának a légifelvételezések során gyűjtött hasznos és élmény teli pillanatokért.
Végül, de nem utolsó sorban köszönöm a Meteorológia és Vízgazdálkodás Tanszék munkatársainak a támogató segítségét, valamint szüleimnek, családtagjaimnak és barátaimnak a bíztatását, akik a dolgozat elkészítésében mindvégig mellettem álltak.
117
AZ ÉRTEKEZÉS TÉMAKÖRÉBEN MEGJELENT TUDOMÁNYOS KÖZLEMÉNYEK Könyvfejezet: Kozma-Bognár, V. 2010. Hiperspektrális adatfeldolgozás. In: Berke, J. (szerk.) Digitális képfeldolgozás és alkalmazásai (DIGKEP v7.0). Elektronikus és nyomtatott tankönyv. Kvark Számítástechnikai Bt., Keszthely. ISBN:978-963-06-7825-4. Berke, J., Kozma-Bognár, V. 2010. Távérzékelés alapjai. In: Berke, J. (szerk.) Digitális képfeldolgozás és alkalmazásai (DIGKEP v7.0). Elektronikus és nyomtatott tankönyv. Kvark Számítástechnikai Bt., Keszthely. ISBN:978-963-06-7825-4. Berke, J., Kozma-Bognár, V. 2010. Terepi mérés – interaktív jegyzőkönyv. In: Berke, J. (szerk.) Digitális képfeldolgozás és alkalmazásai (DIGKEP v7.0). Elektronikus és nyomtatott tankönyv. Kvark Számítástechnikai Bt., Keszthely. ISBN:978-963-067825-4.
Tanulmány: Kozma-Bognár, V. 2010. Hiperspektrális felvételek új képfeldolgozási módszereinek alkalmazási lehetőségei. Agrárinformatikai tanulmányok I. Magyar Agrárinformatikai Szövetség.
Elektronikus
változat.
pp.
41-70.
ISBN
978-615-5094-01-9.
http://tamop.magisz.org/poldoc/docstore/tanulmany/AT-I.pdf .
Lektorált szakfolyóiratok: Magyar nyelvű: Berke, J., Kozma-Bognár, V., Kovács, Zs. 2009. Képi információk spektrális szerkezetének vizsgálata. Informatika. XI. évfolyam 2. szám 2009. pp. 14-18. ISSN: 1419-2527. Idegen nyelvű: V. Kozma-Bognár, J. Berke. 2010. New Evaluation Techniques of Hyperspectral Data. Journal of Systemics, Cybernetics and Informatics. Number 5. Volume 8. pp. 49-53. ISSN: 1690-4524. http://www.iiisci.org/journal/sci/Contents.asp?var=&next=ISS8805.
118
V. Kozma-Bognár, J. Berke. 2009. New Applied Techniques in Evaluation of Hyperspectral Data. Georgikon for Agriculture. Number 1. Volume 12. pp. 25-48. ISSN: 0239 1260. V. Kozma-Bognár. 2007. The application of Apple systems, Journal of Applied Multimedia.
Number
3.
Volume
2.
pp.
61-70.
ISSN:1789-6967.
http://www.jampaper.eu/Jampaper_E-ARC/No.3_II._2007_files/JAM070302e.pdf .
Konferencia kiadványok (teljes terjedelemben megjelent): Magyar nyelvű: Berke, J., Kozma-Bognár ,V., Tomor, T. 2012. Entrópia alkalmazása a térinformatikában. Térinformatikai Konferencia és Szakkiállítás „Az elmélet és gyakorlat találkozása”. In: Lóki J. (szerk.) konferencia kiadvány. Debrecen, 2012. május 24–25. pp. 61-66. ISBN: 978-963-318-218-5. Kozma-Bognár, V., Berke, J. 2009. Új értékelési módszerek fejlesztése és alkalmazása multi- és hiperspektrális adatokon. 7. KÉPAF 2009 Konferencia. In: Csetverikov D, Szirányi
T
(szerk.)
konferencia
kiadvány.
Budapest,
2009.
január
28-30.
http://vision.sztaki.hu/~kepaf/kepaf2009_CD/files/118-3-Cikk_KEPAF2008_KozmaBognar_Berke_vegleges.pdf . Kozma-Bognár V. 2008. Hiperspektrális felvételek mezőgazdasági és környezetvédelmi célú felhasználásának lehetőségei a Keszthelyi térségben. Informatika a felsőoktatásban 2008 Konferencia. In: Pethő, A., Herdon, M. (szerk.) konferencia kiadvány. Debrecen, 2008. augusztus 27-29. pp. 166. teljes terjedelemben a CD kiadványban. ISBN 978963-473-129-0. http://www.agr.unideb.hu/if2008/dok/absztrakt.pdf . Kozma-Bognár, V. 2008. Többsávos légifelvételezés gyakorlati megvalósításának lehetőségei,
különös
tekintettel
a
hiperspektrális
felvételek
készítésére
és
feldolgozására. XIV. Ifjúsági Tudományos Fórum. CD kiadvány. Keszthely, 2008. április 3. ISBN: 978-963-9639-24-9. Kozma-Bognár, V. 2006. Hiperspektrális adatok fraktálszerkezetének alkalmazása különböző vegetációkra. XII. Ifjúsági Tudományos Fórum. CD kiadvány. Keszthely, 2006. április 20.
119
Idegen nyelvű: V. Kozma-Bognár, J. Berke. 2009. New Evaluation Techniques of Hyperspectral Data. In: Proceedings of the 13th World Multi-Conference on Systemics, Cybernetics and Informatics.. Callaos, N., Chu, H.S., Eshraghian, K., Lesso, W., Zinn, C.D. (ed.). Orlando. Florida, USA, 10-13 July 2009. pp. 143-147. ISBN: 978-1-934272-62-6.
Konferencia kiadványok (absztrakt kötetben megjelent): Idegen nyelvű: Kozma-Bognar, V. Berke, J. Martin, G. 2012. Application possibilities of aerial and terrain data evaluation in particulate pollution effects. In: Abstracts volumes of the European Geosciences Union General Assembly 2012. Vienna, Austria, 22 – 27 April 2012. Vol. 14, EGU2012-3063.
Konferencia előadások: Magyar nyelvű: Tomor, T., Berke, J., Kozma-Bognár, V., Enyedi, P. 2011. Bioenergetikai térinformatikai fejlesztés a gyöngyösi kistérség területén. 9. Fény-Tér-Kép 2011 Konferencia. Gyöngyös, 2011. október 13-14. Berke, J., Kováts, L.D., Kozma-Bognár, V., Nagy, T. 2011. A vörösiszap katasztrófa termális, közeli infravörös és látható tartományú felméréseinek eredményei. 9. FényTér-Kép 2011 Konferencia. Gyöngyös, 2011. október 13-14. Berke, J., Bíró, T., Burai, P., Kováts, L.D., Kozma-Bognár, V., Nagy, T., Németh, T., Tomor, T. 2011. A vörösiszap katasztrófa légifelvételezése /tervezés, kivitelezés és hasznosulás/,
Nemzetközi
Báthory–Brassai
Gazdasági,
Műszaki
és
Természettudományi Konferencia. Balatonlelle, 2011. július 1-2. Kozma-Bognár, V., Kovács, Zs., Berke, J. 2009. Interaktív gondolatok a bitek árnyékában. 7. Fény-Tér-Kép Konferencia. Dobogókő, 2009. november 12-13. Kozma-Bognár, V., Kovács, Zs., Berke, J. 2008. 8 bit vagy 16 bit /Mit nézzünk és mit értékeljünk?/. 6. Fény-Tér-Kép Konferencia. Dobogókő, szeptember 18-19.
120
Idegen nyelvű: Berke, J., Kozma-Bognár, V. 2008. Fernerkundung und Feldmessungen im Gebiet des KisBalaton I. Moorschutz im Wald / Renaturierung von Braunmoosmooren. Lübben, 22.23. Mai 2008. Berke, J., Kozma-Bognár, V., Kováts, L.D., Nagy, T. 2011. Results of the Thermal, Near Infrared and Visible Remote Sensing Data Investigation of Red Sludge Catastrophe, International Conference on Emergency Management Technology. BudapestVeszprém-Szekszárd,23-25May 2011.
121
IRODALOMJEGYZÉK AISA - Airborne Hyperspectral Imaging System leírás. Online letöltés: 2012.06.08. http://www.channelsystems.ca/SpectralImaging-AISA.cfm. AISA
Dual hiperspektrális érzékelő leírás. Online letöltés: 2012.06.08. http://www.spectralcameras.com/files/AISA/Dual_datasheet_ver1-2012.pdf .
Amiri, R., Beringer, J., Isaac, P. 2011. Narrowband spectral indices for the estimation of chlorophyll along a precipitation gradient. 3rd WHISPERS Workshop on Hyperspectral Image and Signal Processing: Evalution in Remote Sensing. Lisbon, Portugal, 6-9 June 2011. Anda, A. 2010. A napsugárzás és szerepe. In: Anda, A., Kocsis, T. (szerk) Agrometeorológiai és klimatológiai alapismeretek. Mezőgazda Kiadó. Budapest. ISBN:978-963-286-598-0. Anda, A. 1993a. Az infravörös termometria alkalmazása növényi vízforgalom meghatározására. Kandidátusi értekezés, MTA. Budapest (Honosítva PhD-vá). Anda, A. 1993b. Surface Temperature as an Important Parameter of Plant Stand. Időjárás. Vol. 97. No.4 pp. 259-269. Aronoff, S. 2005. Remote Sensing for GIS Managers. ESRI Press, Redlands. Apan, A., Held, A., Phinn, S., Markley., J. 2004. Detecting sugarcane “orange rust” disease using EO--1 Hyperion hyperspectral imagery. International Journal of Remote Sensing. 25(2). pp. 489–498. Aster
Spectral Library hivatalos http://speclib.jpl.nasa.gov/ .
weboldal.
Online
letöltés:
2012.07.12.
Bakos, K.L. 2010. Hiperspektrális távérzékelési technikák és fejlett térinformatikai technológiák alkalmazása természet- és tájgazdálkodásban, valamint ökológiai célú vizsgálatok során. Kárpát-medencei Doktoranduszok Nemzetközi Konferenciája. Gödöllő, 2010. május 27-28. Bates, R.H.T., McDonnell, M.J. 1986. Image Restoration and Reconstruction. Oxford University Press. New York. Baumann, P.R. 2001. History of Remote Sensing, Aerial Photography. Online letöltés: 2012.07.10. http://www.oneonta.edu/faculty/baumanpr/geosat2/RS%20History%20I/RS-HistoryPart-1.htm . Belényesi, M., Kristóf, D., Magyari, J. 2008. Távérzékelés a környezetgazdálkodásban. Szent István Egyetem, Mezőgazdaság- és Környezettudományi Kar, Környezet- és tájgazdálkodási Intézet. Gödöllő. Berke, J. 2010. Using Spectral Fractal Dimension in Image Classification, Innovations and Advances in Computer Sciences and Engineering, Springer Science and Business Media B.V. DOI: 10.1007/978-90-481-3658-2_41. Berke, J. 2008. Using Spectral Fractal Dimension in Image Classification. Computing Sciences and Software Engineering. Nr. 81.
122
Berke, J. 2007a. Measuring of Spectral Fractal Dimension. Journal of New Mathematics and Natural Computation. Print ISSN: 1793-0057, Online ISSN: 1793-7027, 3/3: 409-418, DOI: 10.1142/S1793005707000872. Berke, J. 2007b. Spektrális fraktálszerkezet alapú osztályozás. Magyar Képfeldolgozók és Alakfelismerők Országos konferenciája. Debrecen, 2007. január 25-27. pp. 113-121. Berke, J. 2006. Measuring of Spectral Fractal Dimension, Advances in Systems, Computing Sciences and Software Engineering. Springer pp. 397-402. ISBN 10 14020-5262-0, DOI: 10.1007/1-4020-5263-4. Berke, J. 2005a. Applied spectral fractal dimension. Joint Hungarian-Austrian Conference on Image Processing and Pattern Recognition. Veszprém, 11-13 May 2005. pp. 163170., ISBN 3-85403-192-0. Berke, J. 2005b. Measuring of Spectral Fractal Dimension. Proceedings of the International Conferences on Systems, Computing Sciences and Software Engineering. Nr. 62. Berke, J. 2005c. Spectral fractal dimension. Proceedings of the 4th WSEAS International Conference on Telecommunications and Informatics. Prague, Czech Republic, 14-15 March 2005. pp. 23-26. ISBN 960-8457-11-4. Berke, J. 2004a. Real 3D terrain simulation in agriculture. 1st Central European International Multimedia and Virtual Reality Conference. Veszprém, 6-8 May 2004. Vol.1, 2004. pp.195-201. Berke, J. 2004b. The Structure of dimensions: A revolution of dimensions (classical and fractal) in education and science. 5th International Conference for History of Science in Science Education, Keszthely, 12 – 16 July 2004. Berke, J. 2004c. Fraktáldimenzió szerepe a képfeldolgozásban. Magyar Képfeldolgozók és Alakfelismerők Országos konferenciája. Miskolc-Tapolca, 2004. január 28-30. Berke, J., Busznyák, J. 2004. Psychovisual Comparison of Image Compressing Methods for Multifunctional Development under Laboratory Circumstances. WSEAS Transactions on Communications. I/3:161-166., ISSN 1109-2742, SCImago: 0,034. Berke, J., Kozma-Bognár, V. 2010a. Távérzékelés alapjai. In: Berke, J. (szerk.) Digitális képfeldolgozás és alkalmazásai (DIGKEP v7.0). Elektronikus és nyomtatott tankönyv. Kvark Számítástechnikai Bt., Keszthely. ISBN:978-963-06-7825-4. Berke, J., Kozma-Bognár, V. 2010b. Terepi mérés – interaktív jegyzőkönyv. In: Berke, J. (szerk.) Digitális képfeldolgozás és alkalmazásai (DIGKEP v7.0). Elektronikus és nyomtatott tankönyv. Kvark Számítástechnikai Bt., Keszthely. ISBN:978-963-067825-4. Berke, J., Polgár, Zs., Nagy, T. 2006b. Új lehetőségek a vizuális információszerzés és feldolgozás mezőgazdasági alkalmazására. Informatika, LSI. ISSN: 1419-2527. Berke, J., Kozma-Bognár, V., Kováts, L.D., Nagy, T. 2011c. Results of the Thermal, Near Infrared and Visible Remote Sensing Data Investigation of Red Sludge Catastrophe. International Conference on Emergency Management Technology. BudapestVeszprém-Szekszárd, 23-25 May 2011. Berke, J., Hegedűs, Gy. Cs., Kelemen, D., Szabó, J. 2004. Digitális képfeldolgozás és alkalmazásai. ISBN: 963 00 5744 1.
123
Berke, J., Polgár, Zs., Horváth, Z., Nagy, T. 2006a. Developing on Exact Quality and Classification System for Plant Improvement, Journal of Universal Computer Science. XII/9. pp. 1154-1164. ISSN: 0948-695X. Berke, J., Fischl, G., Gergely, L., Polgár, Zs., Dongó, A. 2005. Egzakt minősítő és osztályozó rendszer fejlesztése növénynemesítési és növénykórtani vizsgálatokhoz. Informatika a felsőoktatásban. Debrecen, 2005. augusztus 24.-26. Berke, J., Bíró, T., Burai, P., Kováts, L.D., Kozma-Bognár, V., Nagy, T., Németh, T., Tomor, T. 2011b. A vörösiszap katasztrófa légifelvételezése /tervezés, kivitelezés és hasznosulás/. Nemzetközi Báthory–Brassai Gazdasági, Műszaki és Természettudományi Konferencia. Balatonlelle, 2011. július 1-2. Berke, J., Bíró, T., Burai, P., Hoffman, I., Józsa, J., Kováts, L.D., Kozma-Bognár, V., Nagy, T., Németh, T., Tomor, T., Tóth, F. 2011a. A vörösiszap katasztrófa telemetriai adatfeldolgozásának eredményei. Informatika a felsőoktatásban. Debrecen, 2011. augusztus 24-26. pp. 849-854, ISBN 978-963-473-461-1. Bernard-Michel, C., Doute, S., Fauvel, M., Gardes, L., Girard, S. 2009. Retrieval of Mars surface physical properties from OMEGA hyperspectral images using regularized sliced inverse regression. Journal of Geophysical Research. Vol. 114, E06005, DOI:10.1029/2008JE003171. Bíró, T. 2012. A Károly Róbert Főiskola oktatási és kutatási tevékenysége. XVIII. Multimédia az oktatásban konferencia. Gyöngyös, 2012. július 12-13. Bíró, T. 2011. Távérzékelési technikák a katasztrófavédelemben. International Conference on Emergency Management Technology. International Conference on Emergency Management Technology. Budapest-Veszprém-Szekszárd, 23-25 May 2011. Bíró, T. 2010. Kutatás-fejlesztés a biomassza-felmérés és a biogáz-előállítás területén. III. Megújuló Energia Fórum – Biomassza. Budapest, 2010. február 12. Bíróné Kircsi, A. 2009. Meteorológiai műszerek. Online letöltés: 2012.06.02. http://meteor.geo.klte.hu/hu/doc/metmuszer_200910_01.pdf . Blaschke, T., Lang, S., Lorup, E., Strobl, J., Zeil, P. 2000. Objekt-oriented image processing in an integreted GIS/remote sensing environment and perspectives for environmental applications. In: Cremers, A., Greve, K. (eds.): Environmental Infromation for Planning, Politics and the Public II. Metropolis-Verlag. Marburg. pp. 555-570. Bonham-Carter, G.F. 1988. Numerical procedures and computer-program for fitting an inverted Gaussian model to vegetation reflectance data. Computers and Geosciences. 14. pp. 339–356. Borengasser, M., Hungate, W.S., Watkins R. 2008. Hyperspectral Remote Sensing: Principles and Applications. Taylor and Francis Group New York. ISBN 978-156670-654-4. Broge, N. H., Mortensen, J. V. 2002. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data. Remote Sensing of Environment. Vol. 80. pp. 45–57. Brook, A., Ben-Dor, E. 2010. The advantages of boresight effects in hyperspectral data analysis. In: Wagner W., Székely, B. (eds.): ISPRS TC VII Symposium – 100 Years ISPRS, Vienna, Austria, 5–7 July 2010, IAPRS, Vol. XXXVIII, Part 7B. 124
Brown, C. A., Brown, M. G. 2001. Florida Citrus Outlook for 2003–2004 Season. Florida Citrus Commission. Lakeland, Florida. 20 March 2001, pp. 25. Brown, A.J., Walter, M.R., Cudahy, T.J. 2005. Hyperspectral imaging spectroscopy of a Mars analogue environment at the North Pole Dome, Pilbara Craton, Western Australia. Australian Journal of Earth Sciences. Vol 52. pp. 353-364. Buiten, H.J. 1993. General Aspects of Imaging and Recording of Remote Sensing Data. In: Buiten, H.J., Clevers, J.G.P.W. (eds.): Land Observation by Remote Sensing – Theory and Applications. Overseas Publishers Association, Amsterdam. pp. 63-82. Burai, P. 2007. Távérzékelési módszerek összehasonlító elemzése mezőgazdasági mintaterületeken. Doktori (PhD) értekezés. Debreceni Egyetem, Agrártudományi Centrum, Mezőgazdaságtudományi Kar, Víz- és Környezetgazdálkodási Tanszék. Debrecen. Burai, P. 2006a. Földhasználat-elemzés és növény-monitoring különböző adattartalmú és térbeli felbontású távérzékelt felvételek alapján. Agrártudományi Közlemények, 2006/22. különszám. Burai, P. 2006b. Első magyarországi légi hiperspektrális képalkotó rendszer AISA Dual. 4. Fény-Tér-Kép Konferencia. Dobogókő, 2006. október 12-13. Burai, P., Pechmann, I. 2005. Különböző spektrális felbontású távérzékelt adatforrások alkalmazási lehetőségei az agrár-környezetvédelemben. Agrárközlemények, Acta Agraria Debreciensis. 2004/13, pp. 123-126. Burai, P., Tamás, J. 2004. Hyper- and multispectral remote sensing technologies in precision agricultural water management. III. Alps-Adria Scientific Workshop Dubrovnik, Croatia, 1-6 March 2004. pp. 54-57. Burai, P., Lénárt, Cs., Tamás, J. 2008b. Evaluation of the Accuracy of the AISA Dual hyperspectral system in Hungary. 28th EARSeL Symposium and Workshops. Remote Sensing for a Changing Europe. Istanbul, Turkey, 2-5 June 2008. pp.53-55. Burai, P., Nagy, A., Lénárt, Cs., Tamás, J. 2009. Parlagfű (Ambrosia artemisiifolia) térképezés AISA hiperspektrális felvételek alkalmazásával. V. Erdei Ferenc Tudományos Konferencia. Kecskemét, Magyarország, 2009. szeptember 3-4. ISBN:978-963-7294-73-0. Burai, P., Lénárt, Cs., Kovács, E., Nagy, A., Tamás, J. 2008a. Hiperspektrális légi távérzékelt adatok és laboratóriumi spektrofotometriás klorofilltartalom összefüggésvizsgálata. VIII. Magyar Biometriai és Biomatematikai Konferencia. Budapest, 2008. július 1-2. pp. 37. Busznyák, J., Berke, J. 2004. Képtömörítő eljárások pszichovizuális összehasonlítása laboratóriumi körülmények között – MAMIKA, Magyar Képfeldolgozók és Alakfelismerők Országos konferenciája. Miskolc-Tapolca, 2004. január 28-30. Busznyák, J., Nagy, G. és Berke, J. 2008. Georgikon GNSS bázisállomás üzembehelyezésének tapasztalatai. Informatika a Felsőoktatásban 2008 Konferencia, Debrecen, 2008. augusztus 27-29. ISBN 978-963-473-129-0. Büttner, Gy. 2004. Környezetállapot értékelés távérzékelés segítségével, informatikai vonatkozások. Környezetállapot értékelés Program, Munkacsoport tanulmányok 2003-2004., pp. 1. Online letöltés: 2012.07.02. http://www.kep.taki.iif.hu/file/Buttner_Corine.doc . 125
Büttner, Gy. 1990. Digitális légifelvételezési kampány a Szigetközben. Földfelszíni és meteorológiai megfigyelések a világűrből. pp. 105-112. Chang, C.-I. 2007a. Hyperspectral data exploitation theory and applications. John Wiley and Sons. Hoboken. New Jersey. ISBN: 978-0-471-74697-3 Chang, C.-I. 2007b. Hyperspectral Imaging: Signal Processing Algorithm Design and Analysis. John Wiley and Sons. Hoboken. New Jersey. Chang, C.-I. 2003. Hyperspectral Imaging: Techniques for Spectral Detection and Classification. Kluwer Academic/Plenum Publishers. New York. Clark, M.L:, Roberts, D.A., Ewel, J.J., Clark D.B. 2001. Estimation of tropical rain forest aboveground biomass with small-footprint lidar and hyperspectral sensors. Remote Sensing of Environment. Vol. 115 Nr. 11. pp. 2931-2942. DOI: 10.1016/j.rse.2010.08.029. Clark, R.N., T.V.V. King, C. Ager, and G.A. Swayze. 1995. Initial vegetation species and senescence/stress mapping in the San Luis Valley, Colorado using imaging spectrometer data. Summitville Forum ’95. Denver, Colorado, 17-20 Jan 1995. pp. 64–69. Clark, R.N., Swayze, G.A., Gallagher, A.J., King, T.V.V., Calvin, W.M. 1993. The U. S. Geological survey, digital spectral library. Version 1: 0.2 to 3.0 micronc. pp. 93-592. Clevers, J., Kooistra, L. 2011. Using hyperspectral remote sensing data for retrieving total canopy chlorophyll and nitrogen content. 3rd WHISPERS Workshop on Hyperspectral Image and Signal Processing: Evalution in Remote Sensing. Lisbon. Portugal. 6-9 June 2011. Clevers, J.G.P.W., de Jong, S.M., Ephama, G.F., Van der Meer, F., Bakker, W.H., Skidmore, A.K. 2001. MERIS and the red-edge position. International Journal of Applied Earth Observation and Geoinformation. Vol. 3. pp. 313–320. 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). pp. 3169–3184. Congalton, R.G., Green, K. 1993. A practical look at the sources of cofusion in error matrix generation. Photogrammetric Engineering and Remote Sensing. Vol. 59. pp. 529-537. Curran, P.J., Windham, W.R., H.L. Gholz. 1995. Exploring the Relationship Between Reflectance Red Edge and Chlorophyll Concentration in Slash Pine Leaves. Tree Physiology. Vol. 15. pp. 203-206. Czimber, K. 2001. Geoinformatika, Raszteres adatmodell, távérzékelés. Elektronikus http://www.geo.ujegyzet. Online letöltés: 2012.07.18. szeged.hu/~joe/fotogrammetria/GeoInfo/geoinfo2.htm#TOC314 . Czimber, Gy., Reisinger, P. 2006. A gyomfelvételezés hagyományos és újabb módszerei a környezetkímélő és takarékos gyomszabályozásért. Agro Napló 2006/4. pp. 12-13. Csató, É. 2000. Műholdak térképészti alkalmazása. Doktori PhD értekezés. Eötvös Loránd Tudomány Egyetem, Természettudományi Kar, Térképtudományi Tanszék. Budapest.
126
Csorba, Á., Keresztúri, Á. 2009. A marsi Terby-kráter litológiai elemzése multi és hiperspektrális adatok felhasználásával. XL. Ifjú Szakemberek Ankétja. Keszthely, 2009. március 27-28. Csornai, G., Dalia, O. 1991. Távérzékelés. Főiskolai jegyzet. Erdészeti és Faipari Egyetem Földmérési és Földrendezői Főiskolai Kar. Székesfehérvár. Dabi, G., M. Tóth, T., Schubert, F. 2006. Szintektonikus kalcit zonációjának vizsgálata hiperspektrális felvételek értékelésével. X. Geomatematikai Ankét. Mórahalom, 2006. május 18-20. Dawson, T.P., Curran, P.J. 1998. A new technique for interpolating the reflectance red edge position. International Journal of Remote Sensing. Vol. 19. pp. 2133–2139. De Loor, G.P. 1993. Physical Characteristics of Remote Sensing Information. In: Buiten, H.J., Clevers, J.G.P.W. (eds.): Land Observation by Remote Sensing: Theory and Applications. Amsterdam: Overseas Publishers Association (OPA). pp. 43-62. Deákvári, J., Kovács, L. 2007. AISA hiperpsektrális távérzékelő rendszer ismertetése. ISBN: 10 (13) 00006. Online letöltés: 2012.07.12. http://www.fvmmi.hu/file/document/kut/800_aisa_leiras.pdf . Deákvári, J., Kovács, L., Fenyvesi, L., Burai, P., Lénárt, Cs. 2008a. Evaluation of the accuracy of the AISA Dual Hyperspectral System in Hungary. Hungarian Agricultural Engineering. 21/2008. pp. 12-15. ISSN 0864-7410. Deákvári J., Kovács L., Papp Z., Fenyvesi L., Tamás J., Burai P., Lénárt Cs. 2008b. Az AISA hiperspektrális távérzékelő rendszer használatának első eredményei. MTA AMB XXXII. Kutatási és Fejlesztési Tanácskozás. Gödöllő, 2008. január 22. pp. 4650. ISBN 978 963 611 452 7. Deli, Zs. 2010. A légi hiperspektrális távérzékelés. Szakdolgozat. Eötvös Loránd Tudományegyetem, Földrajz- és Földtudomány Intézet, Térképtudományi és Geoinformatikai Tanszék. Budapest. Detrekői, Á., Szabó, Gy. 2003. Térinformatika. Nemzeti Tankönyv Kiadó. Dickerhof, C., Echtler, H., Kaufmann, H., Berger, M., Schläpfer, D., Schaepman, M., Itten, K.I., Doutsos, T. 1998. Mineral Identification and Lithological Mapping on the Island of Naxos (Greece) using DAIS 7915 Hyperspectral Data. Proc. 1st Intl. EARSeL Workshop on Imaging Spectroscopy. Zürich, October 6-8, 1998. EARSeL Paris. pp. 357-364. Dövényi (szerk.) 2010. Magyarország kistájainak katasztere. Pannónia Print. ISBN: 978963-9545-29-8. Elachi, C, Van Zyl, J. 2006. Introduction to the Physics and Techniques of Remote Sensing. John Wiley and Sons, Inc., Hoboken, New Jersey. ISBN: 13 978-0-47147569-9. Encarnacao, J. L., Peitgen, H. O., Sakas, G., Englert, G. (ed.) .1992. Fractal Geometry and Computer Graphics. Springer – Verlag. Berlin Heidelberg. ENVI kézikönyv (ENVI user’s guide) 2004. Research System Inc. Online letöltés: 2012.07.20. http://aviris.gl.fcen.uba.ar/Curso_SR/biblio_sr/ENVI_userguid.pdf . Estes, J.E., Hemphill, J. 2005. Some Important Dates in the Chronological History of Aerial Photography and Remote Sensing. Online letöltés: 2012.07.10. http://www.geog.ucsb.edu/~jeff/115a/remotesensinghistory.html. 127
Európai Unió Tanácsa. 2003. 149/2003/EK belső rendelet. Online letöltés: 2012.07.12. http://eurlex.europa.eu/LexUriServ/LexUriServ.do?uri=CELEX:32003R0149:HU:NOT Farrand, W.H., Harsanyi, J.C. 1997. Mapping the distribution of mine tailings in the Coeur d’Alene River Valley, Idaho, through the use of a constrained energy minimization technique. Remote Sensing of Environment. Vol. 59. pp. 64−76. Feret, J-B., Asner, G.P., Jacquemoud, S. 2011. Regularization of discriminant analysis for the study of biodiversity in humid tropical forests. 3rd WHISPERS Workshop on Hyperspectral Image and Signal Processing: Evalution in Remote Sensing. Lisbon. Portugal. 6-9 June. 2011. Ferrier, G. 1999. Application of imaging spectrometer data in identifying environmental pollution caused by mining at Rodaquilar, Spain. Remote Sensing of Environment. 68. pp. 125−137. Filella, I., Peñuelas, J. 1994. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status. Remote Sensing. Vol. 15. pp. 14591470. Firtha, F. 2008. Trikromatikus és hiperspektrális képfeldolgozási módszerek élelmiszerek és termények vizsgálatára. Doktori (PhD) értekezés. Budapesti Corvinus Egyetem, Élelmiszertudományi Kar, Fizika-Automatika Tanszék. Budapest. Firtha, F., Fekete, A., Kaszab, T., Takács, P., Bernd, H., Herppich, W., Borsa, B., Kovács, L. 2006. Sárgarépa száradási folyamatának elemzése hiperspektrális képfeldolgozással. MTA-AMB 2006. évi Jubileumi Kutatási és Fejlesztési Tanácskozása. Gödöllő, 2006. január 20-21. Nr. 30. 1. kötet. pp.155-159. Flusser, J., Suk, T., Zitová, B. 2009. Moments and Moment Invariants in Pattern Recognition. John Wiley and Sons Inc. ISBN: 978-0-470-69987-4. Foody, G.M. 2002. Status of land cover classification accuracy assessment. Remote Sensing of Environmental. Vol. 80. pp. 185-201. Frombach, G., Ritvayné Szomolányi, M. 2008. Hiperspektrális távérzékelés – A jövő ígéretes eszköze. Országos Környezetvédelmi Konferencia és Szakkiállítás. Siófok, 2008. szeptember 16-18. Fung, T, Ledrew, E. 1987. Application of principal components-analysis to change detection. Photogramm Eng Remote Sensing. 53(12): pp. 1649–1658. Gao, F., Schaaf, C.B., Strahler, A.H., Jin, Y., Li, X. 2003. Detecting vegetation structure using a kernelbased BRDF method. Remote Sensing of Environment. Vol. 86. pp. 198-205. Gitelson, A. A., Merzlyak, M. N., Lichtenthaler., H. K. 1996. Detection of red-edge position and chlorophyll content by reflectance measurements near 700 nm. Journal of Plant Physiology. 148. pp. 501–508. Goetz, A.F.H., Vane, G., Solomon, J.E., Rock, B.N. 1985. Imaging spectrometry for earth remote sensing. Science. 228. pp. 1147. Gonzalez, R.C., Woods, R. E. 1992. Digital Image Processing. Addison-Wesley Publishing Company, Inc.
128
Gonzalez, R.C. 2003. Retrievel of aerosol properties using ATSR-2 observations and their Interpetation. PhD thesis. TNO Physics and Electronics Laboratory. Hague, Netherlands. Grahn, H.F., Geladi, P. 2007. Techniques and Applications of Hyperspectral Image Analysis. John Wiley and Sons Ltd. ISBN 978-0-470-01086-0. Guyot, G., Baret, F. 1988. Utilisation de la haute resolution spectrale pour suivre l'etat des couverts vegetaux. 4th International Colloquium “Spectral signatures of objects in remote sensing”. Aussois, France, 18-22 January 1988. pp. 279–286. DOI: 10,1080/10106048809354137. Gyulai, I. 2008. Távérzékelés – a fenntartható erőforrás – gazdálkodás eszköze. VIII. Környezettudományi Tanácskozás. Győr, 2008. november 7. Haboudane, D., Millera, J.R., Pattey, E., Zarco-Tejadad, P.J., Strachan, I.B. 2004. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment. Vol. 90. pp. 337–352. Halász, G., Temesi, T. 1999. Trendek a számítástechnikában. INCO. 1999/1. Online letöltés: 2012.07.08. http://www.inco.hu/inco1/innova/cikk3.htm . Hargitai, H. 2006. A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése. Doktori (PhD) értekezés. Eötvös Lóránd Tudományegyetem, Természettudományi Kar. Budapest. Hargitai, H., Kardeván, P., Horváth, F. 2006. Az első magyarországi képalkotó spektrométeres repülés és adatainak elemzése erdőtípusok elkülönítésére. Geodézia és Kartográfia. 2006/9. pp. 21-33. Hargitai, H., Vekerdy, Z., Ulanbek, T., Kardeván, P. 2004. Képalkotó spektrométeres távérzékelési kísérlet Magyarországon. Térinformatika. 2004/6. pp. 12-15. Harris, A., Bryant, R.G., Baird, A.J. 2005. Detecting near–surface moisture stress in Sphagnum spp. Remote Sensing of Environment. Vol. 97. pp. 371-381. Harsanyi, J.C., Chang, C.I. 1994. Hyperspectral Image Classification and Dimensionality Reduction: an Orthogonal Subspace Projection Approach. IEEE Trans. Geoscience and Remote Sensing. Vol. 32. pp. 779-785. Hay, A.M. 1988. The derivation of global estimates from a confusion matrix. International Journal of Remote Sensing. Vol. 9. pp. 1395-1398. Heckbert, P. 1991. Simulating Global Illumination Using Adaptive Meshing. PhD thesis. University of California, Berkeley. Heinrich, D., Hergt, M. 1994. Ökológia SH Atlasz. Budapest. Springer Hungarica. p. 284. Herold, M., Roberts, D.A., Gardner, M.E., Dennison, P.E. 2004. Spectrometry for urban area remote sensing – Development and analysis of a spectral library from 350 to 2400 nm. Remote Sensing of Environment. Vol. 91 pp. 304–319. Hord, R. M. 1986. Remote Sensing Methods and Applications. A Wiley-Interscience Publication John Wiley and Sons. New York. Horváth, Z., Kozma-Bognár, V., Hegedűs, G., Berke, J. 2006. Fractaltexture test in lawn combination classification with hyperspectral images. In: Proceedings of the 12th
129
European conference on Information Systems in Agriculture and Forestry (ISAF). CD-ROM Proceedings. Prague, Czech Republic. 16-17 May 2006. Huete, A.R. 1988. A soil-adjusted vegetation index (SAVI), Remote Sensing of Environment. Vol. 25. pp. 53-70. Hyperspectral Imaging Network (HYPER-I-NET) hivatalos weboldal. Online letöltés: 2012.07.02. http://hyperinet.multimediacampus.it/default.htm. Itten, K.I., Nieke, J. 2010. Hyperspectral Applications in Remote Sensing. Remote Sensing Laboratories Department of Geography. University of Zurich. Jain, A. 1989. Fundamentals of Digital Image Processing. Prentice-Hall Inc. London. ISBN: 0-13-336165-9. Jaquez, G., Marcus, W.A., Aspinnal, R.J., Greiling, D.A. 2002. Exposure assessment using high spatial resolution hyperspectral (HSRH) imagery. Journal of Geographical Systems. Vol. 4. pp. 15-29. Jay, S., Guillaume, M. 2011. Estimation of water column parameters with a maximum likelihood approach. 3rd WHISPERS Workshop on Hyperspectral Image and Signal Processing: Evalution in Remote Sensing. Lisbon, Portugal, 6-9 June 2011. Jensen, J. R., 1986. Introductory Digital Image Processing. Prentice-Hall, New Jersey. p. 379. Józsa, J. 2011. A vörösiszap kiömlésének modellezése és annak szerepe a megelőzési, védelmi és helyreállítási intézkedések támogatásában. International Conference on Emergency Management Technology. Budapest-Veszprém-Szekszárd, 23-25 May 2011. Jung, A. 2005. Spektrális információk alkalmazása a városklíma-kutatásban. Doktori (PhD) értekezés. Budapesti Corvinus Egyetem Kertészettudományi Kar. Jung, A., Tőkei, L., Kardeván, P. 2006. Application of airborne hyperspectral and thermal images to analyse urban microclimate. Applied Ecology and Environmental Research. Applied Ecology and Environmental Research. 5 (1). pp. 165-175. Jung, A., Kardeván, P., Tőkei, L. 2005. Detection of urban effect on vegetation in less build-up in Hungarian city by hyperspectral remote sensing. Physics and Chemistry of the Earth. Vol. 30. pp. 255-259. Kardeván, P. 1998. Magyarország Légi Felmérése. Tanulmány - Országos Műszaki Fejlesztési Bizottság. p. 123. Kardeván, P., Resinger, P., Tamás, J., Jung, A. 2004. A parlagfű (Ambrosia artemisiifolia L.) reflektancia spektrumainak meghatározása terepi mérésekkel. Magyar gyomkutatás és technológia 5 (1) pp 15-31. ISSN 1586-894X. Kardeván P., Jung, A., Deákvári, J., Szalay, D. K., Tolner, I. T., Kovács, L., Fenyvesi, L. 2010. A hiperspektrális távérzékelési technológia sajátosságai, és minőségbiztosított alkalmazásának hazai lehetőségei. XV. ESRI Magyarország Felhasználói Konferencia. Budapest, 2010. október 7. Kardeván, P. Vekerdy, Z., Róth, L., Sommer, S., 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. Oberpfaffenhofen, Germany, May 13-16 2003. 130
Kaszab, T., Firtha, F., Fekete, A., Herold, B., Herppich, W., Zude, M., Borsa, B., Kovács, L. 2007. Sárgarépa nedvességtartalmának becslése hiperspektrális képfeldolgozással. MTA-AMB Kutatási és Fejlesztési Tanácskozás kiadványa. Gödöllő, 2007. január 23. Nr. 30. pp. 84-88. Kemper, T., Sommer, S. 2002. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy. Environmental Science and Technology. Vol. 36. pp. 2742−2747. Kenyeres, Z., Sáringer-Kenyeres, T., Szabó, Sz. 2008. Csípőszúnyog-tenyészőhelyek térképezése. Élet és tudomány 2008/9. szám. Kerse, C.T. 2002. Mapping salinity using multispectral and hyperspectral data in Tabernas, Southeast Spain. Enschede, ITC. Kimes, D., Knyazikhin, Y., Privette, J., Abuelgasim, A., Gao, F. 2000. Inversion method for physically based models. Remote Sensing Reviews. Vol. 18. pp. 381-439. Koós, T. 2009. A geoinformációs támogatás korszerű elemei, avagy új színfoltok a geoinformációs támogatás palettáján. Hadmérnök. IV. Évfolyam 4. szám. Koponen, S., Pulliainen, J., Kallio, K., Hallikainen, M. 2002. Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data. Remote Sensing of Environment. 79(1). pp. 51–59. Kozma-Bognár, V. 2010a. Hiperspektrális adatfeldolgozás. In: Berke, J. (szerk.) Digitális képfeldolgozás és alkalmazásai (DIGKEP v7.0). Elektronikus és nyomtatott tankönyv. Kvark Számítástechnikai Bt., Keszthely. ISBN:978-963-06-7825-4. Kozma-Bognár, V. 2010b. Hiperspektrális felvételek új képfeldolgozási módszereinek alkalmazási lehetőségei. In: Herdon, M., Kapronczai, I. (szerk.): Agrárinformatikai tanulmányok I. pp. 41-70. Elektronikus változat: ISBN 978-615-5094-00-2 Ö, ISBN 978-615-5094-01-9. Kozma-Bognár V. 2008. Hiperspektrális felvételek mezőgazdasági és környezetvédelmi célú felhasználásának lehetőségei a Keszthelyi térségben. Informatika a felsőoktatásban 2008 Konferencia. Debrecen, 2008. augusztus 27-29. In: Pethő, A., Herdon, M. (szerk.) konferencia kiadvány. ISBN 978-963-473-129-0. Online letöltés: 2012.07.20. http://www.agr.unideb.hu/if2008/dok/absztrakt.pdf . Kozma-Bognár, V., Berke, J. 2010. New Evaluation Techniques of Hyperspectral Data. Journal of Systemics, Cybernetics and Informatics. Number 5. Volume 8. pp. 49-53. ISSN: 1690-4524. Online letöltés: 2012.07.20. http://www.iiisci.org/journal/sci/Contents.asp?var=&next=ISS8805 . Kozma-Bognár, V., Berke, J. 2009. New Applied Techniques in Evaluation of Hyperspectral Data. Georgikon for Agriculture. Number 1. Volume 12. pp. 25-48. ISSN: 0239 1260. Kozma-Bognár, V., Kovács, Zs., Berke, J. 2008a. 8 bit vagy 16 bit /Mit nézzünk és mit értékeljünk?/. 6. Fény-Tér-Kép Konferencia. Dobogókő, szeptember 18-19. Kozma-Bognár, V., Hermann, P., Bencze, K., Berke, J., Busznyák, J. 2008b. Possibilities of an Interactive Report on Terrain Measurement. Journal of Applied Multimedia. Number 2. Volume 3. pp. 33-43., ISSN: 1789-6967.Online letöltés 2012.07.20.: http://www.jampaper.eu/Jampaper_E-ARC/No.2_III._2008_files/JAM080202e.pdf.
131
Kőmíves, T., Béres, I., Reisinger, P., Lehoczky, É., Berke, J., Tamás, J., Páldy, A., Csornai. G., Nádor, G., Kardeván, P., Mikulás, J., Gólya, G., Molnár, J. 2006. A parlagfű elleni integrált védekezés új stratégiai programja. Magyar gyomkutatás és technológia 7:(1). pp. 5-51. Kraus, K. 1998. Fotogrammetria. Tertia. Budapest. p. 384. Kruse, F. A. 1994. Imaging Spectrometer Data Analysis - A Tutorial. International Symposium on Spectral Sensing Research. San Diego, United States of America, 1015 June 1994. Vol. I. pp. 44-54. Kruse, F.A., Lefkoff, A.B., Boardman, J.B., Heidebrecht, K.B., Shapiro, A.T., Barloon, P.J., Goetz, A.F.H. 1993. The Spectral Image Processing System - Interactive Visualization and Analysis of Imaging spectrometer Data. Remote Sensing of Environment. Vol. 44. pp. 145-163. Ládai, A.D. 2009. Adatvizsgálatok a térinformatikában. Doktori (PhD) értekezés. Budapesti Műszaki és Gazdaságtudományi Egyetem, Építőmérnöki Kar, Fotogrammetria és Térinformatika Tanszék. Budapest. Ládai A.D., Barsi, Á., Le Mouelic, S., Sotin, C., Combe, J.P. 2005. A Mars felszínének kőzettani vizsgálata hiperspektrális felvételek alapján. Geodézia és Kartográfia LVII:(7). pp. 14-18. Landgrebe D.A. 2003. Signal Theory Methods in Multispectral Remote Sensing. John Wiley and Sons. Inc. Hoboken. New Jersey. ISBN 0-471-42028-X. Landsat történetének hivatalos weboldal. http://landsat.gsfc.nasa.gov/about/history.html .
Online
letöltés:
2012.07.01.
Lawrence, R., Labus, M. 2003. Early detection of Douglas-fir beetle infestation with subcanopy resolution hyperspectral imagery. Western Journal of Applied Forestry. 18(3). pp. 202–206. Lawrence, K.C., Park, B., Windham, W.R., Mao, C. 2003. Calibration of a Pushbroom. Hyperspectral Imaging System for Agricultural Inspection. Transactions of the ASAE. 46(2). pp. 513-521. Lenárt, Cs., Burai, P., Smailbegovic, A., Biro, T., Katona, Zs., Andricevic, R. 2011. Multisensor integration and mapping strategies for the detection end remediation of th ered mud spill in Kolontár, Hungary: Estimating the thickness of the spill layer using hypersptectral imaging and LIDAR whispers. Workshop. Lisbon, Portugal, 6-9 June 2011. Lillesand, T.M., Kiefer, R.M., Chipman, J.W. 2004. Remote sensing and image interpretation. 5th ed. New York, John Wiley and Sons. p. 763. Liu, L., Wang J., Huang, W., Zhao, C., Zhang, B., Tong, Q. 2004. Estimating winter wheat plant water content using red edge parameters. Remote Sensing. Vol. 25. pp. 33313342. Lóki, J. 1996. Távérzékelés. Kossuth Egyetemi Kiadó, Debrecen. Luc, B., Deronde, B., Kempeneers, P., Debruyn, W., Provoost, S. 2005. Optimized Spectral Angle Mapper classification of spatially heterogeneous dynamic dune vegetation, a case study along the Belgian coastline. The 9th International Symposium on Physical Measurements and Signatures in Remote Sensing (ISPMSRS). Beijing, China, 17-19 October 2005. 132
Main, R., Cho, M.A., Mathieu, R., O'Kennedy, M.M., Ramoelo, A., Koch, S. 2011. An investigation into robust spectral indices for leaf chlorophyll estimation. ISPRS Journal of Photogrammetry and Remote Sensing. Volume: 66 Issue: 6 pp. 751-761. DOI: 10.1016/j.isprsjprs.2011.08.001. Manevski, K., Manakos, I., Petropoulos, G.P., Kalaitzidis, C. 2011. Discrimination of common Mediterranean plant species using field spectroradiometry. International Journal of Applied Earth Observation and Geoinformation. Vol. 13. pp. 922–933. Mandelbrot, B. B. 1983. The fractal geometry of nature. W.H. Freeman and Company. New York. Mezősi, G. 2009. A MAP2-től a szerver GIS-ig. Szegedi Tudományegyetem, Természeti Földrajzi és Geoinformatikai Tanszék. Szeged. Milics, G. 2008. A térinformatika és a távérzékelés alkalmazása a precíziós (helyspecifikus) növénytermesztésben. Doktori (PhD) értekezés. Pécsi Tudományegyetem, Természettudományi Kar. Pécs. Milics, G., Neményi, M. 2007. Adatgyűjtés műszaki és informatikai háttere. In: Németh, T., Neményi, M., Harnos, Zs. (szerk.): A precíziós mezőgazdaság módszertana. JATE Press-MTA TAKI, Szeged. (9). pp. 139-159. Milics, G., Csiba, M., Burai, P., Lénárt, Cs., Tamás, J., Neményi, M. 2008b. Szemtermés minőségi paraméterinek előrejelzése és térképezése hiperspektrális légfelvételezéssel és betakarítás során mért adatok alapján. MTA AMB XXXII. Kutatási és Fejlesztési Tanácskozás, Gödöllő, 2008. január 22. pp. 134-138. Milics, G., Burai, P., Lénárt, Cs., Tamás, J., Papp, Z., Deákvári, J., Kovács, L., Fenyvesi, L., Neményi, M. 2008a. Comparison of multispectral and hyperspectral vegetation indices for prediction of yield and grain quality of spring barley in Hungary. In: Proceedings CD of International Conference on Agricultural Engineering (AgEng 2008). Hersonissos, Greece, 23-25 June 2008. pp. 13-14. Molenaar, M. 1993. Remote Sensing as an Earth Viewing system. In: Buiten, H.J., Clevers, J.G.P.W. (eds.): Land Observation by Remote Sensing – Theory and Applications. Overseas Publishers Association, Amsterdam. pp. 27-36. Montero, S.I.C., Brimhall, G.H., Alpers, C.N., Swayze, G.A. 2005. Characterization of waste rock associated with acid drainage at the Penn Mine, California, by groundbased visible to short-wave infrared reflectance spectroscopy assisted by digital mapping. Chemical Geology. 215 (1-4 SPEC. ISS.). pp. 453−472. Motta, G., Rizzo, F., Storer, J.A. 2006. Hyperspectral Data Compression. Springer Science+Business Media, Inc., New York, USA. ISBN: 0-387-28579-2. Moussaoui, S., Hauksd ́ottir, H., Schmidt, F., Jutten, C., Chanussot, J., Brie, D., Dout ́e, S., Benediksson, J.A. 2008. On the decomposition of Mars hyperspectral data by ICA and Bayesian positive source separation. Neurocomputing. Vol. 71. Issue 10-12. pp. 2194-2208. Mucsi, L. 2004. Műholdas távérzékelés. Libellus. Szeged. ISBN:963 214 903 3. Mucsi, L., Tobak, Z., Van Leeuwen, B., Szatmári, J., Kovács, F. 2008a. Analyses of spatial and temporal changes of the urban environment using multi- and hyperspectral data. Remote Sensing – New Challenges of High Resolution - EARSeL Symposium 2008. Bochum, Germany, 5-7 March 2008. pp. 275-286. ISBN 978-3-925143-79-3 133
Mucsi, L., Tobak, Z., Van Leeuwen, B., Szatmári, J., Kovács, F. 2008b. Combined multiand hyperspectral analysis of spatial and temporal changes of the urban environment. 11th AGILE International Conference on Geographic Information Science. Girona, Spain, 5-8 May 2008. Muller, J. P. 1988. Digital Image Processing in Remote Sensing. Taylor and Francis. London and Philadelphia. Mutanga, O., Skidmore, A.K. 2007. Red edge shift and biochemical content in grass canopies. Isprs Journal of Photogrammetry and Remote Sensing. Vol. 62. pp. 34–42. 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. Vol. 90. pp. 104–115. Myneni, R.B., Hall, F.G. Sellers, P.J. Marshak A.L. 1995. The interpretation of spectral vegetation indexes. IEEE Transactions on Geoscience and Remote Sensing. Vol. 33. pp. 481-486. Nagy, A. 2007. Hiperspektrális technológiák alkalmazhatósága in situ fitoremediáció megalapozására. A jövő tudósai, a vidék jövője doktoranduszok konferenciája. Debrecen, 2007. november 21. Nagy, A., Tamás, J. 2008. Hiperspektrális technológiák alkalmazhatósága in situ fitoremediáció megalapozására. Acta Agraria Debreciensis. Vol. 30. pp. 71-78. Nagy, A., Tamás, J. 2007. Szennyezett területek hiperspektrális felmérése. EURODEMO Workshop és MOKKA Konferencia. Budapest, 2007. június 14-15. pp. 50. Nagy, A., Tamás, J., Nagy, I. 2009. Őszibarack ültetvények lombozatának vizsgálata hiperspektrális adatok alapján. LI. Georgikon Napok. Keszthely, 2009.október 1-2. pp. 643-652. Nagy, A., Kovács, E., Kovács, E., Tamás, J. 2006. Heavy Metal Pollution Mapping of Abandoned Mining Site by Airborne Hyperspectral Image Analysis. Cereal Research Communications. Vol. 34. pp. 53-57. Nagy, A., Tamás, J., Burai, P., Lénárt, Cs. 2008. Hiperspektrális távérzékelés szerepe. Informatika a Felsőoktatásban Konferencia. Debrecen, augusztus 27-29. Nagy, K. 2001. Max Planck és a százéves kvantumhipotézis Fizikai Szemle 2001/2. pp. 37. Nagy, S. 2004. A gyomfelvételezési módszerek fejlesztése a precíziós gyomszabályozás tervezéséhez. Doktori (PhD) értekezés. Nyugat-magyarországi Egyetem, Mezőgazdaság- és Élelmiszertudományi Kar, Növényvédelmi Tanszék. Mosonmagyaróvár. NASA Mars Exploration http://mars.jpl.nasa.gov/.
Program
leírás.
Online
letöltés:
2012.07.12.
Neidert, D., Kristóf, D., Solt, Sz., Fehérvári, P., Palatitz, P. 2007. Kék vércse élőhely térképezés nagy felbontású űrfelvételek alkalmazásával a Vásárhelyi-pusztákon. IV. Magyar Természetvédelmi Biológiai Konferencia − műhelytalálkozó. Tokaj, 2007. március 29-31. Neményi, M., Milics, G. 2007. Precision agriculture technology and diversity. Cereal Research Communications, Vol. 35, Nr. 2. pp. 829-832.
134
Neményi, M., Tamás, J., Fenyvesi, L., Milics, G. 2010. A távérzékelés alkalmazása a biomassza és a vízkészletek mennyiségének, valamint minőségének megállapításánál. KLÍMA-21 FÜZETEK. Vol. 59. pp. 51-60. Neményi, M., Józsa, J., Anton, A., Bíró, T., Berke, J., Burai, P., Jordán, Gy., Fenyvesi, L., Milics, G. 2011. Az átfogó környezet-monitoring első lépései 2010. október 4. után. Vörösiszap katasztrófa: következmények és tapasztalatok konferencia. Budapest, 2011. március 1. Németh, T. 2011. Vörösiszap katasztrófa. 2. Nemzetközi Báthory–Brassai Gazdasági, Műszaki és Természettudományi Konferencia. Balatonlelle, 2011. július 1-2. Németh, T., Neményi, M., Harnos, Zs. 2007. A precíziós mezőgazdaság módszertana. Jate Press - MTA TAKI, Szeged. Nieke, J., Reusen, I. 2007. A New Method to Retrieve the Data Requirements of the Remote Sensing Community – Exemplarily Demonstrated for Hyperspectral User Needs. Sensors Vol. 7. Issue 8. ISSN 1424-8220. Nixon, M., Aguado, A. 2008. Feature Extraction and Image Processing. Academic Press. ISBN: 978-0-1237-2538-7. O’Donnell, H. 2002. Farsight. Research at Chelsea, Chelsea College of Art and Design. 2001/02. Osorio, D. C. 2005. Eye design for coding natural spectra. AIC 2005 Conference. Granada, Spain, 8-13 May 2005. Padányi-Gulyás, G., Stibrányi, M., Mesterházy, G. 2011. ARMSRACE - régészeti célú távérzékelés a Sárvíz völgyében. Fény-Tér-Kép 2011 Konferencia. Gyöngyös. 2011. október 13-14. Paine, D. P., Kiser, J.D. 2003: Aerial Photography and Image Interpretation. John Wiley and Sons Inc. New Jersey. ISBN: 0-471-20489-7. Palatitz, P. 2012. A kék vércse (Falco vespertinus) védelmének tudományos megalapozása. Doktori (PhD) értekezés. Szent István Egyetem, Mezőgazdaság- és Környezettudományi Kar. Gödöllő. Patel, N. K., Patnaik, C., Dutta, S., Shekh, A. M., Dave, A. J. 2001. Study of crop growth parameters using airborne imaging spectrometer data. International Journal of Remote Sensing. 22(12). pp. 2401–2411. Peitgen, H-O., Saupe, D. 1988. The Science of fractal images. Springer-Verlag. New York. Péczely, Gy. 1979. Éghajlattan. Budapest. Nemzeti Tankönyvkiadó. p. 336. Pechmann, I., Tóth, T., Tamás, J., Kardeván, P., Róth, L., Burai, P., Katona, Zs. 2003. Eltérő talajsótartalmú növényzeti foltok elkülönítése hiperspektrális technológiáva, In: Gaál Z., Máté F. Tóth G. (szerk.) Földminősítés és földhasználati információ konferencia kiadványa. Keszthely, 2003. december 11-12. Planck, M. 1902. Über die Verteilung der Energie zwischen Aether und Materie. Annalen der Physik 1902. Band 314, Heft 11, S. 629-641. Planck, M. 1901. On the Law of Distribution of Energy in the Normal Spectrum. Annalen der Physik. Vol. 4. pp. 553-560.
135
Polder, G., Van Der Heijden, G.W.A.M. 2001. Multispectral and hyperspectral image acquisition and processing. In: Proceedings of SPIE (Eds.: Q. Tong, Y. Zhu, Z. Zhu). pp. 4548. Pu, R.L., 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. pp. 916–921. Reisinger, P. 2006. Allergenic weed control by GIS and remote sensing technology. Cereal research Communication. Vol. 34. No. 1. pp. 8-11. Richards, J.A. 1999, Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin. p. 240. Richards, J.A, Jia, X. 2006. Remote Sensing Digital Image Analysis. 4th Edution. SpringerBerlin Heidelberg, NewYork. ISBN-10 3-540-25128-6. Rivard, B., Feng, J., Bushan, V., Lipsett, M. 2011. Infrared reflectance hyperspectral features of Athabasca oil sand ore and froth. 3rd WHISPERS Workshop on Hyperspectral Image and Signal Processing: Evalution in Remote Sensing. Lisbon, Portugal, 6-9 June 2011. Ritvayné Szomolányi, M., Frombach, G. 2007. Távérzékelés, a jövő ígéretes eszköze. EURODEMO Workshop és MOKKA Konferencia. Budapest, 2007. június 14-15. pp. 46. Róth, L. 2007. A hiperspektrális technológia katonai alkalmazása. Katonai Geoinformációs Konferencia. Budapest, 2007. december 13. Sabins, F.F. 1987. Remote Sensing. Principles and Interpretation. W. H. Freeman and Co. Los Angeles. ISBN 0-7167-1793-X. Sampson, P. H, Zarco-Tejada, P. J., Mohammed, G. H., Miller, J. R., Noland, T. L. 2003. Hyperspectral remote sensing of forest condition: Estimating chlorophyll content in tolerant hardwoods. Forest Science. 49(3). pp. 381–391. Schenk, P., Hargitai, H., Wilson, R., McEwen, A., Thomas, P. 2001. The Mountains of Io: Global and geological perspectives from Voyager and Galileo. Journal Geophysics. Res.–Vol. 106. E12. pp. 33201- 33222. Schmitz, R. F., Gibson, K. E. 1996. Douglas-fir Beetle. USDA Forest Service Forest Insect and Disease Leaflet 5. R1-96-87, Washington, D.C. Scholten, J. L., Klein, M. E., Steemers, A. G. 2004. Hyperspectral imaging – concepts and potential in paper and writing durability research. Ljubljana, Slovenia. pp. 17-19. Schott, J. 2006. Remote Sensing: The Image Chain Approach, 2nd edition. Oxford University Press. New York. Schowengerdt, R.A. 2007. Remote Sensing Models and Methods for Image Processing. Elsevier. ISBN 13: 978-0-12-369407-2. Serranti, S., Gargiulo, A., Bonifazi, G. 2011. Hyperspectral imaging based platforms for particulate solids characterization, inspection and quality control. Case studies: Application to polyolefines recycling. 3rd WHISPERS Workshop on Hyperspectral Image and Signal Processing: Evalution in Remote Sensing. Lisbon. Portugal, 6-9 June 2011. SFD hivatalos weboldal. Online letöltés: 2012.07.08.www.digkep.hu\sfd\index.htm. 136
Shippert, M.M., Walker, D.A., Auerbach, N.A., Lewis, B.E. 1995. Biomass and leaf-area index mapsderived from Apsot images for Toolik Lake and Imnavit Creek areas, Alaska. Polar Record. Vol. 31. pp. 147-154. Sik, A. 2011. GIS a bolygón, ahol a vörösiszap mindennapos. Fény-Tér-Kép konferencia, Gyöngyös, 2011. október 13. Sik, A., Kereszturi, Á., Hargitai, H. 2005. A víz és a jég szerepe a Mars felszínfejlődésében. Földrajzi Közlemények. CXXIX (LIV)/3-4. pp. 159-176. Specim Spectral Imaging Ltd. hivatalos weboldal. Online letöltés: 2012.07.23. http://www.specim.fi/ Stömbeck, N, Pierson, D.C. 2001. The effects of variability in the inherent optical properties on estimations of chlorophyll a by remote sensing in Swedish freshwaters. The Science of the Total Environment. 268(2001). pp.123-137. Strobl, P., Richter, R., Mueller, A., Lehmann, F., Oertel, D., Tischler, S., Nielsen, A. 1996. DAIS System Performance, First results of the 1995 Evaluation Campaigns. In Proccedings 2nd International Airborne Remote Sensing Conference and Exhibition. San Francisco. 2: pp. 109-117. Stümer, W., Köhl, M. 2005. Kombination von terrestrischen Aufnahmen und Fernerkundungsdaten mit Hilfe der k-nächste-Nachbarn-Methode zur Klassifizierung und Kartierung von Wäldern. Photogrammetrie-Fernerkundung-Geoinformation. Vol. 1. pp. 23–36. Sváb, J. 1973. Biometriai módszerek a kutatásban. Mezőgazdasági Kiadó. Budapest. Szalay, K.D., Tolner, I.T., Deákvári, J., Kovács, L., Kardeván, P., Fenyvesi, L. 2010. The potential of using and expanding the hyperspectral applications in Hungary. 7th International Conference of PhD Students. Miskolc, 8-13 August 2010. pp. 59-62. ISBN: 978-963-661-935-0 ISBN: 978-963-661-936-7. Szatmári, J., Bódis, K. (szerk.) 2004: Fotogrammetria: Térinformatika döntés előkészítőknek és döntéshozóknak. Phare HU00008-02-01-0023 képzési program. CD kiadvány. Tamás, J. 2010. New evaluation method to detect physiological stress in fruit trees by airborne hyperspectral image spectroscopy. International Journal of Horticultural Science. 16:(1) pp. 37-40. Tamás, J., Róth, L. 2008. Hiperspektrális adatfeldolgozási és megjelenítési lehetőségek. 6. Fény-Tér-Kép konferencia. Dobogókő, 2008. szeptember 18-19. Tamás, J., Szabó, Z. 2010. Hyperspectral evaluation of the pear trees on the basis of the genetic collection of different species. ISPRS TC VII. Vienna, Austria, 5-7 July 2010. Tamás, J., Lenárt, Cs., Burai, P. 2009a. Evaluation of applicability of airborne AISA Dual hyperspectral imaging system to map environmental conditions in orchards. International Commission of Agricultural and Biological Engineers. Rosario, Argentina. 1-4 September 2009. Tamás, J., Nagy, A., Szabó, Z. 2010. Körte fajták génbanki állományára alapozott hiperspektrális értékelése. LII Georgikon Napok. Keszthely, 2010. szeptember 30október 1.
137
Tamás, J., Lénárt, Cs., Burai, P., Fenyvesi, Z., Deákvári, J., Kovács, L. 2009b. Evaluation of spatial accuracy of biomass spectral datacubes based on AISA Dual flight campaings. Analele Universitáti din Oradea Fasciclua Protectia Mediului. Vol. 14. pp. 375-381. Tamás, J., Riczu, P., Nagy, G., Nagy, A., Fórián, T., Szőllősi, N., Fehér, J., Rahner, S., Heilmeier, H., Hunyadi, G., Jancsó, T. 2011. Integrated hyperspectral and LIDAR technology to evaluate the condition of the 'Debrecen-hajdúböszörményi tölgyesek' (Debrecen-hajdúböszörményi oak forests) Natura 2000 site. Steppe Oak Woods and Pannonic Sand Steppes Conference. Kecskemét, 6-8 October 2011. Temesi, T. Berke, J. 2010. Szuperszámítógépek alkalmazása a képfeldolgozásban. In: Berke, J. (szerk.) Digitális képfeldolgozás és alkalmazásai (DIGKEP v7.0). Elektronikus és nyomtatott tankönyv. Kvark Számítástechnikai Bt., Keszthely. ISBN:978-963-06-7825-4. Thenkabail, P., Smith, R., Depauw, E. 2002. Evaluation of narrowband and broadband vegetation indices for determining optimal hyperspectral wavebands for agricultural crop characterization. Photogrammetric Engineering and Remote Sensing. Vol. 68. pp. 607–621. Thenkabail, P.S., Enclonab, E.A., Ashtonb, M.S., Van Der Meer, B. 2004. Accuracy assessments of hyperspectral waveband performance for vegetation analysis applications. Remote Sensing of Environment. Vol. 91. pp. 354–376 Thenkabail, P.S., Roland, B, Smith, R.B., Pauw, E.D. 2000. Hyperspectral Vegetation Indeces and Their relationships with Agricultural Crop Characteristics. Remote Sensing of Environment. Vol. 71. pp. 158-182. Thomas I.L., Benning, V. M., Ching, N. P. 1987. Classification of Remotely Sensed Images. Adam Hilger. Britol. Thomson, A. J., Goodenough, D. G., Barclay, H. J., Lee, Y. J., Sturrock, R. N. 1996. Effects of laminated root rot (Phellinus weirii) on Douglas-fir foliar chemistry. Canadian Journal of Forest Research. Vol. 26. pp. 1440–1445. Tolner, I. 2011. Hazai esettanulmányok az AISA Dual hiperspektrális légi rendszer alkalmazásáshoz XVI. Fiatal Műszakiak Tudományos Ülésszaka. Kolozsvár, Románia, 2011. március 24–25. pp. 345-348. Tolner, I., Deákvári, J., Kovács, L., Szalay, D.K., Papp, Z., Kardeván, P., Fenyvesi, L. 2010. Hiperspektrális információk alkalmazási lehetőségei a mezőgazdasági technológiában. Térinformatikai konferencia és szakkiállítás. Debrecen. 2010. június 10-11. pp. 67. ISBN: 978-963. Tomor, T. 2012. A Károly Róbert Főiskola oktatást és kutatást segítő távérzékelési infrastruktúrájának fejlesztése. XVIII. Multimédia az oktatásban konferencia. Gyöngyös, 2012. július 12-13. Tomor, T., Burai, P., Lénárt, Cs., Láposi, R. 2011. Környzetei objektumok tematikus térképezése hiperspektrális légi távérzékeléssel. Kutatási összefoglaló. Gyöngyös. USGS Digital Spectral Library hivatalos weboldal. Online letöltés: 2012.07.20. http://speclab.cr.usgs.gov/spectral-lib.html . Van der Meer, F.D., De Jong, S.M. 2001. Imaging Spectrometry - Basic Principles and Prospective Applications. Kluwer Academic Publishers Dordrecht. ISBN: 1-40200194-0 138
Varshney, P. K., Arora, M. K. 2004. Advanced Image Processing Techniques for Remotely Sensed Hyperspectral Data. Springer Berlin Heidelberg. New York. ISBN: 3-54021668-5. Vekerdy, Z., Kardeván, P., Róth, L., Jordán, Gy., László, F. 2002. Hiperspektrális kísérleti mérések Magyarországon. GEO 2002 Magyar Földtudományi Szakemberek VI. Világtalálkozója. Sopron, 2002. augusztus 21–25. Verőné Wojtaszek, M. 2010. Földhasználati tervezés és monitoring 3.: Távérzékelés, mint földhasználati adatforrás. Nyugat-magyarországi Egyetem Geoinformatikai Kari jegyzet. Székesfehérvár. Virág, I., Szalay, K., Szőke, C., Milics, G., Marton, L., Neményi, M. 2011. Analysing symptoms of Fusarium ear rot on maize (Zea mays L.) using an ex situ hyperspectral examination method. Acta Agronomica Hungarica. 59:(3) pp. 231-240. Visiné Rajczi, E., Király, G. 2011. Soproni zöldterületek ökológiai jellemzése klorofilltartalom alapján: Városok öko-környezetének komplex vizsgálata a nyugatDunántúli régióban. Szakmai fórum. Székesfehérvár, 2011. november 4. Williams, A.P., Hunt, E.R. 2002. Estimation of leafy spurge cover from hyperspectral imagery using mixture tuned matched filtering. Remote Sensing of Environment. Vol. 82. pp. 446–456. Williams D. J., Rybicki, N. B., Lombana, A. V., O’Brien, T. M., Gomez, R. B. 2003. Preliminary investigation of submerged aquatic vegetation mapping using hyperspectral remote sensing. Environmental Monitoring and Assessment. 81(1–3). pp. 383–392. Winkler, P. 2001. Magyarország légifényképezése 2000. Geodézia és Kartográfia. Online letöltés: 2012.07.02. http://www.fomi.hu/honlap/magyar/szaklap/2001/07/4.htm . Woolfson, M.M. 2012. The Fundamentals of Imaging. Imperial College Press. London. ISBN-13 978-1-84816-684-4. Wu, Y. Z., Chen, J., Ji, J. F., Tian, Q. J., Wu, X. M. 2005. Feasibility of reflectance spectroscopy for the assessment of soil mercury contamination. Environmental Science and Technology. 39(3). pp. 873−878. Ye, X., Sakai, K. 2011. Application of airborne hyperspectral imagery to estimating fruit yield in citrus. 3rd Workshop on Hyperspectral Image and Signal Processing: Evaluation in Remote Sensing. Lisbon. Portugal. 6-9 June. 2011. Yuan, D. 1997. A simulation comparison of three marginal area estimators for image clssification. Photogrammetric Engineering and Remote Sensing. Vol. 63. pp. 385392. Zheng, L., Tong, Q., Zhang,B., Li, X., Liu, J. 2001. Urban sensing by hyperpsectral data. Proc. ACRS 2001 - 22nd Asian Conference on Remote Sensing. Singapore, 5-9 November 2001. pp. 754–759. Zilinyi, V. 1995. Természetes felszínek spektrális reflexiós tulajdonságai, és hasznosításuk az optikai távérzékelés interpretációjában. Doktori (PhD) értekezés. Debreceni Agrártudományi Egyetem, Mezőgazdaságtudományi Kar. Debrecen.
139
MELLÉKLETEK 1. számú melléklet A távérzékelés alapvető fizikai törvényei
A fekete test minden sugárzást teljes mértékben elnyel egy adott, de tetszőleges hőmérsékleten, és az összes elnyelt sugárzást maradéktalanul vissza is sugározza, így az elnyelt és a kibocsátott sugárzás aránya állandó, nem függ az anyagi minőségtől. Max Planck német fizikus 1900-ban fedezte fel (Planck, 1901; Nagy, 2001), hogy az energia diszkrét csomagokban (kvantumokban) adható le/vehető fel. A sugárzás nem vehet fel tetszőleges értéket, hanem egy adott energiaadag egész számú többszöröse lehet, ezért egy energiakvantum értéke csak a frekvenciától függ, vagyis egy részecske energiája a sugárzás frekvenciájának és a Planck állandó szorzatával egyenlő (Planck, 1902):
E = h*ν
(18)
ahol, E: energia (J), h: Planck-állandó (6,625x10-34Js), ν: frekvencia (Hz). A kvantumos elektromágneses hullámelmélet alapján [E = hc/λ, ahol c = fénysebesség (3x108 m/s, vákuumban) és λ = hullámhossz] egy kvantum energiája fordítottan arányos a hullámhosszával, tehát az energiamennyiség annál kisebb, minél nagyobb a hullámhossz. Az abszolút fekete test által kibocsátott sugárzásnak a hullámhossz szerinti energiaeloszlását definiálja a Planck-féle sugárzási törvény: egy T hőmérsékletű, abszolút fekete test egységnyi felületéről, adott idő alatt kibocsátott λ hullámhosszúságú sugárzás energiája (Planck, 1902):
(19) ahol, c: fénysebesség (299 792 458 m/s), h: Planck-állandó (6,62606957x10-34 Js), k: Boltzmann-állandó (k = 1,380 6504(24)·10−23 J/K). A Planck-féle sugárzási törvény segítségével írható le a fekete test hullámhosszfüggése (Planck-görbe), melynek frekvencia szerinti határozott integrálja adja a teljes kibocsátott sugárzási teljesítményt. A kibocsátott teljes energiamennyiség annál nagyobb, minél nagyobb a sugárforrás hőmérséklete. A Stefan–Boltzmann féle sugárzási törvény szerint 140
egy fekete test által kisugárzott fajlagos energia (emittancia) arányos a sugárzó test abszolút hőmérsékletének negyedik hatványával: R = σT4
(20)
ahol, R: emittancia (W/m2), σ: Stefan-Boltzmann állandó (5,6697x10-8 W/m2K-4), T: abszolút hőmérséklet (K). Az elektromágneses sugárzás hullámhossz-eloszlása tehát csak az abszolút hőmérséklettől függ, a test anyagától nem, ezért hőmérsékleti sugárzásnak is nevezik. A valós anyagok emissziós és abszorpciós képessége anyagfüggő, azonban ezen két mennyiség hányadosa anyagi minőségtől független állandó (Kirchhoff törvény), (Schowengerdt, 2007):
E(ν , T) =
ahol,
e(ν ,T) a(ν ,T)
(21)
e(ν ,T) : a T hőmérsékletű test egységnyi felülete által egységnyi idő alatt egységnyi
tartományban
kisugárzott
elektromágneses
energiája
(teljesítménysűrűség/frekvencia),
a(ν , T) : a T hőmérsékletű test a ráeső elektromágneses energia hányad részét nyeli el egységnyi frekvenciatartományban (dimenziótlan). A Wien-féle eltolódási törvény alapján a fekete test sugárzási görbéje az alábbi összefüggés szerint függ a fekete test hőmérsékletétől: λmaxT = A
(22)
ahol, λmax: maximális energiahozamú spektrális sugárzás hullámhossza (µm), T: abszolút hőmérséklet (K), A: állandó, 2898 µmK. A maximális energiájú spektrális sugárzáshoz tartozó hullámhossz (Planck görbe maximuma) és az abszolút hőmérséklet szorzata állandó, ezek szerint az abszolút hőmérséklet növekedésével ez a maximum a rövidebb hullámok felé tolódik el (48. ábra).
141
A gyakorlatban (jó közelítéssel igaz, hogy) a kibocsátott sugárzási energia maximumát az objektum hőmérséklete befolyásolja (De Loor, 1993). Egy 6000 K hőmérsékletű fekete test (hasonló sugárzó forrás a Nap) a maximális spektrális energiáját a látható tartományban kb. 0,5 µm hullámhossz esetén bocsátja ki. A földfelszín
áltagos
hőmérséklete
300K, ennél a hőmérsékletnél a sugárzási görbe 9,7 µm-nél éri el a maximumát, ez a termális infravörös csúcs,
amely
csak
speciális
szenzorokkal (Berke és KozmaBognár, 2010a) érzékelhető.
48. ábra Különböző hőmérsékletű testek sugárzási görbéi (Buiten, 1993)
2. számú melléklet A elektromágneses spektrum tartományai (Sabins, 1987) Hullámhossz tartomány megnevezése
Hullámhossz tartomány
gamma sugárzás
< 0,03 nm
röntgen sugárzás
0,03-3,0 nm
ultraibolya sugárzás
0,03-0,4 µm fotózásra alkalmas ultraibolya sugárzás
0,3-0,4 µm
látható fény
0,4-0,7 µm
infravörös
0,7-100 µm visszavert infravörös
0,7-3,0 µm
termális infravörös
3,0-5,0 µm, 8,0-14,0 µm
mikrohullámú
0,1-30 cm
sugárzás radar
0,1-30 cm
rádió hullámok
> 30 cm
142
3. számú melléklet A légkör sugárzáscsökkentő hatása
A légkör sugárzáscsökkentő hatása a következő fizikai törvényekkel írható le (Gonzalez, 2003): I = I0 * exp(-σext * L)
(23)
ahol, I0 : a beeső sugárzás intenzitása (W/m2), I: a sugárzás intenzitása, miután L hosszúságú utat megtett a légkörben (W/m2), σext : az extinkciós együttható, amely a távolságegységenkénti intenzitásveszteséget fejezi ki.
Az extinkciós együtthatóban egyaránt szerepelnek az aeroszolok (a) és a gázok (g) okozta elnyelési (e) és szórási (s) hatások: σext(λ) = σae(λ) + σas(λ) + σge(λ) + σgs(λ)
(24)
ahol, az alsó indexben szereplő betűk közül az első az aeroszolokra illetve gázokra, a második az elnyelésre illetve a szórásra utalnak.
4. számú melléklet Légköri szóródások típusai
-
A Rayleigh-szóródás esetében a részecskék (pl. nagyobb molekulák, egyes
aeroszolok, vulkánkitörések elemei) átmérője lényegesen kisebb, mint a sugárzás hullámhossza. Ilyen méretű légköri anyagok az ipari és közlekedési eredetű részecskék valamint a tüzelőanyagok elégetésekor keletkező égéstermékek is. A Rayleigh-szóródás intenzitása a hullámhossz negyedik hatványával fordítottan arányos, ezért sokkal intenzívebb a rövidebb hullámhosszak szóródása, mint a hosszabb hullámhosszaké. Ez a típusú szóródás okozza a műholdképek homályosságát (valamint az égbolt kék színét), ami a kép élességének csökkenésében, a kontraszt romlásában nyilvánul meg. A különösen nagy magasságokban készített színes légi- és űrfelvételeknél, kékes-szürke árnyalata lesz a képnek. Ezek kiszűrése történhet a felvételkészítés során illetve utólagos szoftveres feldolgozással is.
143
-
A Mie-szóródás akkor lép fel, ha a részecskék átmérője nagyobb ill. azonos (pl.
vízgőz, finom porrészecskék és egyes makromolekulák) a sugárzás hullámhosszával. A Mie-szóródás is hullámhosszfüggő, azonban kevésbé, mint a Rayleigh-szóródás. Hatása inkább a nagyobb hullámhosszak esetén érezhető. A Mie-szóródás már csekély felhőzet esetén is jelentős lehet. A szóródás teljes mértékű, tökéletes korrekciója nem lehetséges. A gyakorlatban a feldolgozó szoftverekben alkalmazott, gyakran egyedi korrekciós modellek (pl. ATCOR, FLAASH, Quick, stb.) használatával csökkenthető hatása.
-
A nem-szelektív szóródás, a harmadik típusú szóródás, akkor jön létre, ha a
részecske átmérője sokkal nagyobb (pl. felhőt alkotó vízcseppek átmérője általában 5 és 100 mikron között változik), mint a sugárzás hullámhossza. Mivel ez a szóródás nemszelektív
a
hullámhosszal
kapcsolatban,
az
ebbe
a
mérettartományba
eső
felhőelemek/vízcseppek a látható fény összetevőit (a kék, a zöld és a vörös fényt) teljesen egyenlő mértékben szórják, ezért fehér színű a felhő és a köd. Mindez nem csupán a látható tartományra igaz, hanem az UV-ra és infravörös tartományra is (Berke és KozmaBognár, 2010a).
5. számú melléklet Távérzékelési szempontból fontos légköri ablakok (Buiten, 1993)
144
6. számú melléklet A sugárzási folyamat modellezése
A sugárzási folyamatot leíró általános BxDF függvény tartalmaz egy beeső sugárzást és egy kimenő (visszavert és/vagy áteresztett) sugárzást, a felület (esetünkben a földfelszín) minden egyes pontjára. A beeső és a visszaverődő hullám haladási iránya azonos szöget zár be a beesési merőlegessel, tehát a modell tükrös reflexiót feltételez. A BxDF általános függvényt számos esetben nevezik BSDF-nek (Bidirectional Scattering Distribution Function). A BSSRDF (Bidirectional Surface Scattering Reflectance Distribution Function) megadja a kapcsolatot a kimenő radiancia és a beeső fluxus között olyan esetben is, amikor a beeső sugárzás behatol az objektumba, majd arról ismét kijutva a detektorba kerül. A BSSRDF egyszerűsített változata a BRDF (Bidirectional Reflectance Distribution Function), amely esetén nincs anyagba történő behatolás, csupán beeső és visszaverődő sugárzás (Schott, 2006). A BRDF meghatározza, hogy egy felszín minden egyes pontja, különböző megvilágítási irányok esetén különböző irányokba mennyi sugárzást ver vissza:
f r (ωi , ωo ) =
dLr (ωo ) dLr (ωo ) = dEi (ωi ) Li (ωi ) cosθi dωi
(25)
ahol, L : a radiancia [W/(m2·steradian)], θi: szög az ωi és a felület n normálvektora között mért szög (zenitszög). A függvény empirikus meghatározása multianguláris (több szög alatt végzett) távérzékelési módszerekkel érhető el. A BRDF modelleket a felszíni tulajdonságok alapján történő közelítésekre (számítógépes szimulációkra) dolgozták ki (Kimes et al., 2000; Gao et al., 2003).
7. számú melléklet A távérzékelés során alkalmazott légi- vagy űreszközök érzékelőit érő sugárzások
Az 5. sz. összefüggés alapján számított detektort érő reflektált vagy visszavert sugárzás és a detektort érő emittált vagy kibocsátott sugárzás az alábbi három-három részre bontható tovább: 1.
Az érzékelőket érő reflektált sugárzás és összetevői (49/a. ábra): Lsλ (x, y) = Lsuλ (x, y) + Lsdλ (x, y) + Lspλ (x, y) 145
(26)
ahol, Lsλ (x, y): detektort érő összes reflektált sugárzás [W/m2], Lsuλ (x, y): a földfelszín közvetlen reflexiójából származó sugárzás [W/m2] (A. ábra),
2.
Lsdλ (x, y): a földfelszínről érkező szórt sugárzás [W/m2] (B. ábra), Lspλ (x, y): a légkörből érkező szórt sugárzás (C. ábra). Az érzékelőket érő emittált (kibocsátott) sugárzás és komponensei (49/b. ábra): Leλ (x, y) = Leuλ (x, y) + Ledλ (x, y) + Lepλ (x, y)
(27)
ahol, Leλ (x, y): detektort érő összes emittált sugárzás [W/m2], Leuλ (x, y):a földfelszín közvetlen kibocsátásából származó sugárzás[W/m2] (E. ábra), Ledλ (x, y): a földfelszín által kibocsátott szórt sugárzás [W/m2] (F. ábra), Lepλ (x, y): a légkör által kibocsátott sugárzás [W/m2] (G. ábra).
49. ábra Detektorokat érő reflektált (a. - ABC) és emittált (b. - EFG) sugárzás összetevői (Schowengerdt, 2007)
8. számú melléklet Jelentősebb földi hiperspektrális érzékelők Szenzor
Csatornák száma (db)
Sávszélesség (nm)
Hullámhossz (nm)
512
1,4-2,0
350-2 500
512
1,4-2,0
350-2 500
512
1,4
350-1 050
GER 1500
512
1,5
350-1 050
GER 2600
640
1,5-11,5
350-2 500
GER 3700
704
1,5-9,5
350-2 500
GER Hi-RES
970
1,5-3,0
350-2 500
LICOR 1800 hordozható
NA
1-5
300-1 100
OKSI
NA
5-50
400-1 600
PIMA SP
NA
2-7
1 300-2 500
PP System Unispec
NA
3,7
300-1 100
ASD Fieldspec FR ASD Fieldspec JR ASD Fieldspec VNIR
146
9. számú melléklet Jelentősebb légi hiperspektrális érzékelők Szenzor
Hozzáférhetőség (év)/Szervezet
Csatornák száma (db)
Sávszélesség (nm)
Hullámhossz (nm)
Színmélység (bit)
288 256 48
6 100 NA
NA 12 NA
128
9,3-10,6
432-832 7 500-11 700 433-12 700 900-2 100 800-2 400
244
2,9
400-970
NA
244
2,3
400-970
12
200
3,3
400-1000
12
254
5,8
970-2 450
14
500
2,3; 5,8
400-2 450
14
84
48
8 000-12 000
14
400
NA
370-2 500
62
11,5
400-1 060
12
300
10
380-2 500
NA
158
30-100
400-12 000
NA
24
300-700
700-12 000
224
9,4-16
400-2 450
64
7
400-850
288
2,2
400-1 050
211
NA
430-12 000
16 10 bit -1994 12 bit 199514 12 bit 14 bit CASI 3 NA
1994/GER Corp.
79
16-2 000
498-12 300
15
1995/GER Corp. 1998 1995
152 31 210
8-600 NA 7,6-14,9
430-12 500 400-12 000 400-2 500
16 16 NA
1996/Integrated Spectronics 1991 1993 1993/SenSyTech 1999 Earth Search Sciences Inc. 1993 2002 1994/ Canadian Centre for Remote Sensing TRW Inc. 1994
126 71 50 102 128 100-200 128 160
15-20 20-800 31-517 20-350 10-500 11-18 5 10
450-2 500 450-12 200 529-14 521 430-12 700 460-12 500 440-2 543 440-850 850-2 450
12-16 12 12 12 12
22-120
10,3
1 230-2 380
NA
384 64
NA 10,12
380-2 450 420-870
NA 8
AAHIS AHI AHS
1994 1994 SenSyTech 1982-1985 AIS-1/2 1985-1987 1997/ AISA + Specim Spectral Imaging Ltd. 2002/ AISA Eagle Specim Spectral Imaging Ltd.
AISA Eaglet Specim Spectral Imaging Ltd. (UAV) 2003/ AISA Hawk Specim Spectral Imaging Ltd. 2006/ AISA Dual Specim Spectral Imaging Ltd. 2010/ AISA OWL Specim Spectral Imaging Ltd.
ARGUS ASAS
1987 továbbfejlesztve 1991/1992 2005/RUAG Space Ltd APEX 2007/ ARES Integrated Spectronics, DLR 1992 ASTER Sim. 1987/ AVIRIS NASA Jet Propulsion Lab 2001 AVIS-2 1989, 2002 CASI 3/ CASI ITRES Research Limited GER Corp. DAIS 21115
DAIS 7915 EPS-H EPS-A HYDICE HYMAP MAIS MAS MIVIS OMIS PROBE-1 ROSIS SASI SFSI TRWIS III VIFIS
147
NA
12 14
10. számú melléklet Jelentősebb műholdas hiperspektrális érzékelők Szenzor/Platform
Felbocsátás időpontja (év)
Térbeli felbontás (m)
CHRIS /ESA PROBA/
2001
18-36
62
5-12
410-1 050
EnMAP
2010
NA
220
NA
430-2 500
2002
250-1 000
36
10-220
380-1 200
2002
30
220
10
400-2 500
2002
300
15
NA
390-1 040
1999
250-1000
36
10-50
405-14 385
2000
30
256
NA
475-1 050
GLI /NASDA, ADEOS-II/ HYPERION /EO-1/ MERIS /ENVISAT/ MODIS /Terra (EOS)/ FTHSI (MightySat II)
Csatornák Sávszélesség Hullámhossz száma (db) (nm) (nm)
11. számú melléklet A hiperspektrális légifelvételezés tervezési és végrehajtási folyamata (Tomor et. al., 2011)
148
12. számú melléklet Hiperspektrális adatfeldolgozás folyamata (Hargitai, 2006)
149
13. számú melléklet Sármelléki repülőtér meteorológiai adatai a légifelvételezések időpontjaiban 2007. május 21. Időpont (óra)
Hőmérséklet (átlag °C)
Hőmérséklet (maximum °C)
Hőmérséklet (minimum °C)
Szélsebesség (m/s)
Páratartalom (%)
8
15,9
16,2
14,3
1,8
45,0
9
17,3
18,8
16,1
2,0
91,0
10
20,7
21,4
18,9
3,3
76,0
11
22,4
23,0
21,3
3,8
61,0
12
23,6
24,2
23,0
3,4
61,0
13
24,5
25,4
24,2
2,9
57,0
14
24,9
25,5
24,7
5,1
54,0
15
25,6
25,9
25,2
3,4
52,0
16
25,8
26,4
25,7
3,1
53,0
17
26,7
26,8
26,2
3,3
56,0
18
26,5
27,0
26,2
2,2
49,0
19
25,6
26,2
25,3
2,5
56,0
20
24,1
25,3
23,0
1,5
66,0
2007. június 19. Időpont (óra)
Hőmérséklet (átlag °C)
Hőmérséklet (maximum °C)
Hőmérséklet (minimum °C)
Szélsebesség (m/s)
Páratartalom (%)
8
19,2
19,9
18,2
5,8
89,0
9
22,1
23,2
19,8
1,9
77,0
10
24,1
24,7
23,1
3,1
64,0
11
25,2
25,6
24,5
3,9
63,0
12
26,4
27,2
25,5
3,9
57,0
13
27,8
28,1
26,9
3,4
48,0
14
28,1
28,4
27,7
3,7
50,0
15
28,7
29,3
28,3
3,5
42,0
16
29,5
29,8
28,9
2,8
44,0
17
28,3
29,2
28,3
3,1
51,0
18
28,6
28,7
27,9
1,5
55,0
19
28,6
28,7
27,8
1,7
50,0
20
28,3
28,7
27,8
1,1
53,0
150
14. számú melléklet AISA Dual sávkiosztása Csatornaszám
Hullámhossz
Csatornaszám
Hullámhossz
Csatornaszám
Hullámhossz
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 40 41 42 43 44 45 46 47 48 49 50 51 52 53
400,790009 405,079987 409,369995 413,660004 417,950012 422,239990 426,529999 430,820007 435,119995 439,559998 444,040009 448,519989 453,000000 457,480011 461,950012 466,429993 470,910004 475,390015 479,869995 484,350006 488,829987 493,309998 497,779999 502,260010 506,739990 511,220001 515,700012 520,179993 524,659973 529,140015 533,609985 538,090027 542,570007 547,090027 551,729980 556,369995 561,010010 565,659973 570,299988 574,940002 579,580017 584,219971 588,869995 593,510010 598,150024 602,789978 607,440002 612,080017 616,719971 621,359985 626,010010 630,650024 635,289978
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 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
639,929993 644,580017 649,229980 653,890015 658,539978 663,190002 667,840027 672,489990 677,140015 681,789978 686,440002 691,090027 695,739990 700,409973 705,070007 709,739990 714,400024 719,070007 723,729980 728,400024 733,070007 737,729980 742,400024 747,059998 751,760010 756,520020 761,280029 766,049988 770,809998 775,580017 780,340027 785,109985 789,869995 794,630005 799,400024 804,159973 808,929993 813,690002 818,450012 823,219971 827,979980 832,729980 837,479980 842,239990 846,989990 851,739990 856,500000 861,250000 866,000000 870,760010 875,510010 880,260010 885,010010
107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159
889,770020 894,520020 899,270020 904,030029 908,780029 913,539978 918,299988 923,070007 927,840027 932,609985 937,380005 942,150024 946,919983 951,690002 956,460022 961,229980 968,830017 975,119995 981,400024 987,690002 993,979980 1000,260010 1006,549988 1012,840027 1019,130005 1025,410034 1031,699951 1037,989990 1044,280029 1050,560059 1056,849976 1063,140015 1069,430054 1075,709961 1082,000000 1088,290039 1094,569946 1100,859985 1107,150024 1113,439941 1119,719971 1126,010010 1132,300049 1138,589966 1144,869995 1151,160034 1157,449951 1163,729980 1170,020020 1176,310059 1182,599976 1188,880005 1195,170044
151
Csatornaszám
Hullámhossz
Csatornaszám
Hullámhossz
Csatornaszám
Hullámhossz
160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215
1201,459961 1207,750000 1214,030029 1220,319946 1226,609985 1232,900024 1239,180054 1245,469971 1251,760010 1258,040039 1264,329956 1270,619995 1276,910034 1283,189941 1289,479980 1295,770020 1302,060059 1308,339966 1314,630005 1320,920044 1327,209961 1333,489990 1339,780029 1346,069946 1352,349976 1358,640015 1364,930054 1371,219971 1377,500000 1383,790039 1390,079956 1396,369995 1402,650024 1408,939941 1415,229980 1421,510010 1427,800049 1434,089966 1440,380005 1446,660034 1452,949951 1459,239990 1465,530029 1471,810059 1478,099976 1484,390015 1490,680054 1496,959961 1503,250000 1509,540039 1515,819946 1522,109985 1528,400024 1534,689941 1540,969971 1547,260010
216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271
1553,550049 1559,839966 1566,119995 1572,410034 1578,699951 1584,979980 1591,270020 1597,560059 1603,849976 1610,130005 1616,420044 1622,709961 1629,000000 1635,280029 1641,569946 1647,859985 1654,150024 1660,430054 1666,719971 1673,010010 1679,290039 1685,579956 1691,869995 1698,160034 1704,439941 1710,729980 1717,020020 1723,310059 1729,589966 1735,880005 1742,170044 1748,459961 1754,739990 1761,030029 1767,319946 1773,599976 1779,890015 1786,180054 1792,469971 1798,750000 1805,040039 1811,329956 1817,619995 1823,900024 1830,189941 1836,479980 1842,760010 1849,050049 1855,339966 1861,630005 1867,910034 1874,199951 1880,489990 1886,780029 1893,060059 1899,349976
272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327
1905,640015 1911,930054 1918,209961 1924,500000 1930,790039 1937,069946 1943,359985 1949,650024 1955,939941 1962,219971 1968,510010 1974,800049 1981,089966 1987,369995 1993,660034 1999,949951 2006,229980 2012,520020 2018,810059 2025,099976 2031,380005 2037,670044 2043,959961 2050,250000 2056,530029 2062,820068 2069,110107 2075,399902 2081,679932 2087,969971 2094,260010 2100,540039 2106,830078 2113,120117 2119,409912 2125,689941 2131,979980 2138,270020 2144,560059 2150,840088 2157,129883 2163,419922 2169,709961 2175,989990 2182,280029 2188,570068 2194,850098 2201,139893 2207,429932 2213,719971 2220,000000 2226,290039 2232,580078 2238,870117 2245,149902 2251,439941
152
Csatornaszám
Hullámhossz
Csatornaszám
Hullámhossz
Csatornaszám
Hullámhossz
328 329 330 331 332 333 334 335 336 337 338
2257,729980 2264,010010 2270,300049 2276,590088 2282,879883 2289,159912 2295,449951 2301,739990 2308,030029 2314,310059 2320,600098
339 340 341 342 343 345 346 347 348 349 350
2326,889893 2333,179932 2339,459961 2345,750000 2352,040039 2364,610107 2370,899902 2377,189941 2383,469971 2389,760010 2396,050049
351 352 353 354 355 356 357 358 359
2402,340088 2408,620117 2414,909912 2421,199951 2427,479980 2433,770020 2440,060059 2446,350098 2452,629883
153
15. számú melléklet Terepi jegyzőkönyv (Várvölgy, 2007.05.21.)
16. számú melléklet Terepi jegyzőkönyv (Várvölgy, 2007.06.19.)
154
17. számú melléklet Hiperspektrális osztályozó eljárás (SAM) találati pontosságai AISA Dual felvételeken (Várvölgy, 2007.06.19.)
1. tábla
KUKORICA SFD SFD Teljes kép Légköri ablak optimális sávok zajos sávok (359 sáv) (295 sáv) (6 sáv) (59 sáv)
SFD zajos sávok nélkül (300 sáv)
MNF szűrt teljes kép (359 sáv)
MNF szűrt optimális kép (25 sáv)
L:0
fekete
0
0
19
5
0
0
5
L:28
sötét kék
0
0
0
7
0
0
0
L:76
piros
57
57
8
471
60
57
9
L:150
zöld
1414
1411
1495
1042
1406
1414
1432
L:179
világos kék
119
122
68
65
124
119
144
sárga
0
0
0
0
0
0
0
1590
1590
1590
1590
1590
1590
1590
88.9
88.7
94.0
65.5
88.4
88.9
90.1
L:227 Összes pixelszám
Találati pontosság
2. tábla
TRITIKÁLÉ SFD SFD Teljes kép Légköri ablak optimális sávok zajos sávok (359 sáv) (295 sáv) (6 sáv) (59 sáv)
SFD zajos sávok nélkül (300 sáv)
MNF szűrt teljes kép (359 sáv)
MNF szűrt optimális kép (25 sáv)
L:0
fekete
443
443
363
19
443
443
450
L:28
sötét kék
41
42
90
201
41
41
30
L:76
piros
3171
3170
3077
2580
3171
3171
3172
L:150
zöld
42
42
35
724
42
42
45
L:179
világos kék
0
0
0
173
0
0
0
sárga
0
0
132
0
0
0
0
3697
3697
3697
3697
3697
3697
3697
85.8
85.7
83.2
69.8
85.8
85.8
85.8
L:227 Összes pixelszám
Találati pontosság
6. tábla
BÚZA SFD SFD Teljes kép Légköri ablak optimális sávok zajos sávok (359 sáv) (295 sáv) (6 sáv) (59 sáv)
SFD zajos sávok nélkül (300 sáv)
MNF szűrt teljes kép (359 sáv)
MNF szűrt optimális kép (25 sáv)
L:0
fekete
1139
1142
494
3467
890
1139
3326
L:28
sötét kék
23497
23594
24396
8611
23746
23497
21412
L:76
piros
0
0
2
298
0
0
2
L:150
zöld
0
0
0
48
0
0
0
L:179
világos kék
0
0
0
3
0
0
0
sárga
957
857
701
13166
957
957
853
25593
25593
25593
25593
25593
25593
25593
91.8
92.2
95.3
33.6
92.8
91.8
83.7
L:227 Összes pixelszám
Találati pontosság
155
7. tábla
MŰVELETLEN TERÜLET SFD SFD Teljes kép Légköri ablak optimális sávok zajos sávok (359 sáv) (295 sáv) (6 sáv) (59 sáv)
SFD zajos sávok nélkül (300 sáv)
MNF szűrt teljes kép (359 sáv)
MNF szűrt optimális kép (25 sáv)
L:0
fekete
118
118
2
137
66
118
245
L:28
sötét kék
12
12
130
1013
12
12
5
L:76
piros
2
2
30
25
2
2
0
L:150
zöld
0
0
0
7
0
0
0
L:179
világos kék
0
0
0
0
0
0
0
sárga
3459
3459
3429
2409
3511
3459
3341
3591
3591
3591
3591
3591
3591
3591
96.3
96.3
95.5
67.1
97.8
96.3
93.0
L:227 Összes pixelszám
Találati pontosság
10. tábla
NAPRAFORGÓ SFD SFD Teljes kép Légköri ablak optimális sávok zajos sávok (359 sáv) (295 sáv) (6 sáv) (59 sáv) 228
814
54
285
MNF szűrt optimális kép (25 sáv)
fekete
L:28
sötét kék
0
0
2
162
0
0
0
L:76
piros
552
549
1080
3488
564
552
371
L:150
zöld
3224
3222
1355
2183
3281
3224
2958
L:179
világos kék
19734
19738
21118
17143
19896
19734
19994
sárga
4
4
16
9
4
4
3
23799
23799
23799
23799
23799
23799
23799
85.8
85.7
83.2
69.8
85.8
85.8
85.8
Találati pontosság
286
MNF szűrt teljes kép (359 sáv)
L:0
L:227 Összes pixelszám
285
SFD zajos sávok nélkül (300 sáv)
473
ÖSSZESÍTETT EREDMÉNY SFD SFD Teljes kép Légköri ablak optimális sávok zajos sávok (359 sáv) (295 sáv) (6 sáv) (59 sáv) Teljes (öt vegetációra számított) találati pontosság
89.7
89.7
90.3
156
61.2
SFD zajos sávok nélkül (300 sáv) 90.1
MNF szűrt teljes kép (359 sáv) 89.7
MNF szűrt optimális kép (25 sáv) 87.7
