Tetőtípusok azonosítása hiperspektrális felvételek alapján

Tetőtípusok azonosítása hiperspektrális felvételek alapján Kovács Zoltán1 – Szabó Szilárd2 – Burai Péter3 – Szabó Gergely4 PhD hallgató, Debreceni Egyetem, Természetföldrajzi és Geoinformatikai Tanszék, [email protected]; 2 egyetemi docens, Debreceni Egyetem, Természetföldrajzi és Geoinformatikai Tanszék, [email protected]; 3 főiskolai docens, Károly Róbert Főiskola, Távérzékelési és Vidékfejlesztési Kutatóintézet, [email protected]; 4 egyetemi adjunktus, Debreceni Egyetem Természetföldrajzi és Geoinformatikai Tanszék, [email protected] 1

Abstract: Based on a high ground and spectral resolution imagery, our goal was to identify different rooftypes applying an MS Excel add-in (Hyperspectral Data Analyst) developed by the Department of Physical Geography and Geoinformatics, University of Debrecen. Roofs were detected by using multi-resolution segmentation algorithm on a combinied a normalized Digital Surface Model and NDVI image. In this study case Hyperspectral Data Analyst add-in pointed out some wavelength pairs, where the largest difference can be observed between certain roof type categories.

Bevezetés A 20. század második felében az azbeszt – jó hőszigetelő tulajdonsága miatt – kedvelt adalékanyag volt a tetők, szigetelések építőanyagához. Később bebizonyosodott, hogy a mikroszkópikus azbesztszálak a tüdőbe kerülve azbesztózist és tüdőrákot okozhatnak. Magyarországon csak 2005ben történt meg a jogi szabályozása (tiltása) az aszbeszttartalmú anyagok forgalmazásának. Alacsony áruk és tartósságuk miatt igen elterjedtté váltak hazánk területén az azbesztcement-panelek (AC). Ezek nem jelentenek közvetlen veszélyt az emberekre nézve mindaddig, amíg az azbesztszálak a levegőbe nem kerülnek a panelek mállása révén, az anyag mechanikai, kémiai (savas esők) sérülése vagy elöregedése miatt. Mivel az emberek többsége nincs tisztában az azbeszt veszélyeivel, ezért amikor renoválják az épületeket, nem tudják mekkora veszélynek teszik ki saját és környezetük egészségét. Ennek érdekében szükség van egy olyan nyilvántartás létrehozására, amely pontosan jelzi, hogy hol lehetnek ezek a potenciális veszélyforrások. A felszínt alkotó anyagoknak jól azonosítható reflektancia görbéje van, melyet nagy sűrűséggel felvett hiperspektrális adatforrás esetén fel lehet használni a felszín anyagainak jellemzésére, különböző tulajdonságainak megállapítására (Tobak et al. 2012, Szalai et al. 2013). Tetők színét hagyományos ortofotókon is osztályozták már, de ennek

181

pontossága csak az új, szennyeződések nélküli és a régebbi, elszíneződött osztályok elkülönítésére volt alkalmas (Nagyvárdai et al. 2011). Távérzékeléssel már korábban is sikerült azbeszt-cement (AC) paneleket azonosítani. A Worldview-2 felvételek is alkalmasak lehetnek arra, hogy tetőtípusokat lehessen elkülöníteni (Taherzadeh et al. 2012), azonban a hiperspektrális adatok nagyobb felbontásuk révén jobb eredménnyel szolgáhatnak. ALI, Hyperion, LANDSAT ETM+ és MIVIS felvételeket használva városi területeken már 30 méteres felbontás is elegendő az alapvető felszínborítási katergóriák szétválasztására, a hiperspektrális adatok ennél durvább felbontás mellett is jobb osztályozást eredményeznek (Cavalli et al. 2012). Azonban a tetők osztályozás nem lehet hibátlan, mert számos tényező befolyásolja a kapott eredményeket: • A mállási folyamatok és UV sugárzás hatására a tetők színe idővel változik. • A tetők zuzmókkal és mohákkal fedettek lehetnek. • Majdnem minden tetőtípusnak vannak olyan részelemei, melyek más anyagból készülnek. Például egy a tető síkjában lévő ablak esetén az üveg, a műanyag- vagy fakeretével. • A tetők többnyire (a lapos tetők kivételével) különböző kitettségű részekből állnak, így ezek megvilágítottsága is változó.

A projekt során az volt a célunk, hogy egy mintaterületről készült hiperspektrális felvételézés alapján megvizsgáljuk egy ilyen nyilvántartási rendszer létrehozásának lehetőségeit. Anyag és módszer A 7 km2-es debreceni mintaterületen (1. ábra) számos tetőtípus (cserép, pala, AC panel, fém) előfordul. Az adatgyűjtés 2013. július 9-én egy Piper Aztec típusú repülőgépre szerelt Aisa EAGLE II hiperspektrális kamerával történt a látható és közeli infra tartományról 400-1000 nm között, 5 nm-es felbontással. A lerepülés nyomvonalát egy nagy pontosságú OxTS RT 3003 GPS/INS rendszer rögzítette. Az elkészült képek az előfeldolgozást követően mozaikolva lettek, hogy a felvételezés egyetlen képként legyen használható. A területre egy olyan maszkot használtunk, amely egy normalizált digitális felszín modell (normalized Digital Surface Model, nDSM) és a területre számolt NDVI alapján jött létre. Az nDSM létrehozásához egyszerűen kivontuk a digitális felszín modellből a digitális terepmodellt (DSM-DEM=nDSM). Az NDVI értékek kiszámolásához szűk vörös (677 nm) és infravörös (801 nm) csatornákat használtunk. A területet eCognition 8

182

1. ábra A debreceni mintaterület elhelyezkedése

szoftverben dolgoztuk fel. Azok a területek, ahol az nDSM értékek magasak (nDSM>3) és az NDVI értékek alacsonyak (NDVI<0,1) voltak, azok nagy valószínűséggel tetőket reprezentáltak. A szoftveres feldolgozáshoz szükséges tanulóterületek kijelölése terepbejárások során történt, ahol a vizuálisan azonosított tetőtípusok pontos helyét RTK GPS eszközökkel (egy permanens állomással) rögzítettük. Az összes tetőtípusból jelöltünk ki tanuló területet. A legtöbbet a legnépszerűbb vörös és barna cseréptetőkből, de sok helyen előfordult palatető és azbeszt-cement (AC) panel is a vizsgált területen. Kiegészítő 1. táblázat Tanulópixelek száma csoportonkénti bontásban Csoport neve azbeszt barna cserép kék fém panel (szigetelés nélkül) panel (szigeteléssel) szürke kátrány világos barna kátrány vörös cserép árnyék vörös cserép zöld cserép

Mintaszám 51 48 85 90 115 69 12 48 163 46

183

adatként felhasználtuk a rendelkezésünkre álló 15 cm-es felbontású ortofotót is, mely lehetővé tette, hogy a vörös cserép esetén elkülönítsük a napfényes és az árnyékolt kategóriákat is (1. táblázat). Így rendelkezésünkre állt egy olyan adatbázis, ahol az egyes tanulópixelekhez hozzá volt rendelve a hullámhosszak reflektancia adatai és az osztály neve. A hiperspektrális adatok feldolgozására a Debreceni Egyetem Természetföldrajzi és Geoinformatikai Tanszékén fejlesztett Hyperspectral Data Analyst nevű Excel bővítménnyel (Kovács Z.–Szabó Sz. 2013) kerestük azokat a hullámhosszokat, ahol a legnagyobb a különbség az egyes csoportok között. A bővítmény egy olyan Excel fájlban használható, amelyben található egy adattábla a minták spektrumával és egy a minták egyéb attribútumaival. Ezek az attribútumok lehetnek skálaértékek vagy nominálisak. A nominális értékek arra használhatók, hogy a minták csoportokra bonthatók legyenek. Esetünkben a minták maguk a tanulópixeleink voltak, a tanulópixelek osztályainak neve pedig az a nominális változó, amely mentén csoportokra tudjuk bontani az adatokat a vizsgálataink során. A bővítmény két fő kérdésre koncentrál a statisztikai módszerek alkalmazása során: (1) milyen erős kapcsolat állt fenn a minták skálatípusú attribútumainak (pl.: pH, ionkoncentrációk) és spektrális görbéjének változásában, ill. (2) milyen spektrumtartományokban tapasztalható a legnagyobb eltérés kettő (vagy több csoport) között. A spektrális görbe alakjának vizsgálata a spektrális indexekhez hasonló képletek segítségével történik. Megadunk egy parametrizált egyenletet, majd az adott hullámhosszak intenzitásértékeit behelyettesítjük a képletbe, az így kapott eredményt a görbe alakjának egy mérőszámának tekintjük. Itt a problémakör a csoportok közötti legnagyobb különbségek keresését célozza meg. Egy-egy csoport összehasonlító vizsgálatára Mann-Whitney és Welch teszt, több csoport közötti különbség egyidejű vizsgálatára pedig a Kruskal-Wallis teszt használható a bővítményben. Ezeket a statisztikai vizsgálatokat két módon lehet lefuttatni: (1) a felhasználó megadja a képletet és a hullámhosszokat a statisztikai próbához, ill. (2) a felhasználó csak egy paraméterezett képletet ad meg (pl.: Hullámhossz1/Hullámhossz2). Az első esetben a felhasználó egyetlen használt képletre láthatja, hogy az egyes csoportokba tartozó minták esetében, milyen értékek társultak a képlettel. Ezekre a kapott eredményekre látható leíróstatisztika (pl.: elemszám, átlag, szórás, variancia, percentilisek), egy Shapiro-Wilk normalitás teszt

184

(használható-e a normál eloszlást feltételező Welch-teszt) és egy boxplot az egyes csoportokról. Amennyiben két kijelölt csoportunk volt, akkor csak a Welch és a Mann-Whitney teszt eredményit láthatjuk. Ha több mint két kijelölt csoportunk van, akkor a Welch és Mann-Whitney teszt eredményét minden lehetséges csoportpárra láthatjuk. Ezek mellett Kruskal-Wallis teszt is futtatható, valamint a Mann-Whitney teszt szignifikancia értékeiből Bonferroni korrekcióval számolt értékekből csoport páronként megmondható hogy szignifikáns-e köztük az eltérés vagy sem. A második esetben a parametrizált egyenletből egy mátrix keletkezik, ahol az egyik hullámhossz oszlopról oszlopra (n, n+1, n+2, …), a másik hullámhossz sorról sorra (m, m+1, m+2, …) változik, így a lehetséges összes hullámhossz párra kiszámoljuk a kívánt teszt egy paraméterét (Welch teszt t értékét, Mann-Whitney teszt z értékét vagy a Kruskal-Wallis teszt khí-négyzet értékét). Lehetőség van arra is hogy akár négy különböző hullámhosszt adjunk meg paraméteres képletünkben, ekkor a harmadik és negyedik hullámhossz mátrixról mátrixra változik, automatikusan felülírva a korábbit. Annak érdekében hogy a felülírt adatok ne vesszenek el, a bővítmény minden mátrixból kiemeli a legjobb értékeket egy külön munkalapra, hogy aztán ezeket részletesen meg lehessen vizsgálni az első esethez hasonlóan. Eredmények A pixelekhez tartozó spektrumok és kategóriák értékeire lefuttatott Kruskal-Wallis, Welch és Mann-Whitney tesztek lehetővé tették, hogy saját adatbázisunkra alkalmazható spektrális indexeket hozzunk létre, amelyek mentén jól elkülöníthetők az egyes csoportok. Az összes csoportra lefuttatva egy Kruskal-Wallis tesztet egy Hullámhossz1/Hullámhossz2 képlettel egy több mint 95000 elemű mátrixot kapunk, mely mindegyike megfelel egy-egy önálló Kruskal-Wallis tesznek. Ezek közül a 100 legmagasabb khí-négyzet értéket az 575-610nm tartomány és az 520-545nm-es tartomány arányai adták, a legjobbat a 590nm/545nm csatornapár adta, azaz az összes csoportra nézve, itt különülnek el legjobban a csoportok. Megvizsgáltuk annak lehetőségét, hogy van-e olyan hullámhosszpár amely képes az azbesztet elkülöníteni a többi csoporttól. Ennek érdekében létrehoztunk egy olyan attribútumot, ahol azt vizsgáljuk, hogy azbeszt-e a tetőtípus (1) vagy sem (0). Azt tapasztaltuk hogy az egyes statisztikai tesztek nem mutatnak egyetlen hullámhosszpárt sem ahol szignifikánsan (p<0,05) elkülönülne az azbeszt típus a többitől.

185

2. ábra Boxplotok a 462,5nm és 990nm-es csatornák intenzitásaiból számolt értékek csoportonkénti bontásáról

Ezt követően megvizsgáltuk, hogy egy-egy csoport pár, ill. néhány kiválasztott csoport, milyen hullámhosszokon különül el leginkább egymástól. Ezek közül egy vizsgálatot kiemelve mutatjuk be a bővítmény alkalmazhatóságát. Kiválasztottuk a vörös cserépből elkülönített árnyékos és fényes, a panelből elkülönített szigeteléses és szigetelés nélküli, valamint az azbesztes pixeleket. Ezekre a csoportokra futtatunk egy Kruskal-Wallis tesztet. A legjobb eredményeket megvizsgáljuk, boxploton (2. ábra) látható, hogy valóban elég jól elkülönülnek ezek az értékek, amennyiben a 462,5 nmes és 990nm-es csatornák intenzitásértékének arányát vesszük. Kirajzolva a spektrális görbéjét néhány ebbe a csoportba eső elemnek, és megadva, hogy mutassa egy függőleges vonallal a kapott hullámhosszakat, jól látható hogy szignifikánsan elkülöníthetőek a kiemelt hullámhossz alapján az egyes

3. ábra A kiválasztott csoportokat jellemző spektrális görbék a képletben szereplő 462,5nm és 990nm-es csatornákat reprezentáló vonalakkal

186

csoportok (3. ábra). Szignifikáns a különbség az interkvartilisan átfedő paneltető szigetelés nélküli típusa és az azbeszt között is, de ezek jobb elkülönítésére lefuttatott Mann-Whitney-teszt azt eredményezte, hogy a 900nm és a 560-600nm közötti csatornák aránya adja a legjobb elkülönítési lehetőséget a két csoport között. Ebből arra a következtetésre jutottunk, hogy először a mátrixokban több csoportra futtatva kell vizsgálni a görbealakok mérőszámait, majd ezt követően, ha vannak interkvartilisan átfedő csoportok, akkor azokra külön kell vizsgálni az elkülönítés lehetőségét is. Az azbeszt csoport is így elkülöníthető más tetőtípusoktól. Köszönetnyilvánítás A kutatást a TÁMOP-4.2.2.A-11/1/KONV-2012-0041 támogatta. Kovács Zoltánt (a bővítmény elkészítését) a TÁMOP 4.2.4.A/2-11-1-20120001 azonosító számú Nemzeti Kiválóság Program – Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program című kiemelt projekt támogatta. A projekt az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg. Felhasznált irodalom Cavalli, R.M.–Fusilli, L.–Pascucci, S.–Pignatti, S.–Santini, F. Hyperspectral Sensor Data Capability for Retrieving Complex Urban Land Cover in Comparison with Multispectral Data: Venice City Case Study (Italy), Sensors 8: 3299-3320. Kovács Z.–Szabó Sz. (2013): Interaktív spektrum kiértékelés MS Excel környezetben: Bővítmény hiperspektrális adatok feldolgozásához. ISBN:978-963-318-334-2, pp. 251-255, Térinformatikai Konferencia 2013. Debrecen. Nagyváradi L.–Gyenizse P.–Szebényi A. (2011): Monitoring the changes of a suburban settlement by remote sensing. Acta Geographica Debrecina Landscape & Environment, Vol. 5, pp. 76-83. Szalai Z.–Kiss K.–Jakab G.–Sipos P.–Belucz B.–Németh T. (2013): The use of UV-VISNIR reflectance spectroscopy to identify iron minerals. Astronomische Nachrichten, 01/2013; 334:940-943. Taherzadeh, E.–Shafri, H.Z.M.–Soltani, S.H.K.–Mansor, S.–Ashurov, R. (2012): A comparison of hyperspectral data and Worldview-2 images to detect impervious surface, ASPSRS Annual Conference, Sacramento, California Tobak Z.–Csendes B.–Henits L.–van Leeuwen Boudewijn–Szatmári J.–Mucsi L. (2012): Városi felszínek spektrális tulajdonságainak vizsgálata légifelvételek alapján. VI. Magyar Földrajzi Konferencia. pp. 1088-1097.

187