HYPERSPEKTRÁLNÍ METODY

HYPERSPEKTRÁLNÍ METODY
((metody, principy (satelitní i letecké), senzory a družice, metody klasifikace, příklady
využití, softwarové možnosti))
I.seminární práce k předmětu
DÁLKOVÝ PRŮZKUM ZEMĚ (REMOTE SENSING)
Katedra geoinformatiky a geoinformatiky
Fakulta životního prostředí
Univerzita Jana Evangelisty Turkyně
Ústí nad Labem
2006
Alexandra Macháčová
1. ročník navazující magisterské studium
obor Odpadové hospodářství
Hyperspektální dálkový průzkum Země jak ho známe je označení pro obrazovou
spektroskopii. Patří mezi poměrně nové technologie, pomocí níž mohou vědci detekovat a
identifikovat prvky za Zemi jaký mi je zastoupení minerálů, vegetace, člověkem vytvořených
materiálů a jejich důsledků.
Obrazová spektroskopie byla využívána po více jak 100 let a to především fyziky a chemiky
pro stanovení materiálů a jejich složení. Dále byla prostřednictvím spektroskopie detekována
individuální absorpce charakteristické dávky v půdě, vodě i oleji. V poslední době s vývojem
technologií se obrazová spektroskopie začala používat v oblasti pozorování Země. Začátek se
datuje do poloviny osmdesátých let dvacátého století, nejširší využítí našlo v oblasti geologie,
mapování minerálů. Současná detekce materiálů je závislá na spektrálním pokrytí,
spektrálním rozlišení a signál spektrometru, množství materiálů, koncentraci absorpce
v měřené vlnové délce.
Hyperspektrální dálkový průzkum spojuje obrazovou spektrofotometrii v jednotný systém,
který často obsahuje rozlehlá data a vyžaduje nové zpracování . Hyperspektrální data jsou
obecně tvořena ze 100 – 200 barevných pásem (band) s rozsahem 5-10 nm, naproti tomu
multispektrální data jsou složena z 5 – 10 barevných pásem s rozsahem 70-400 nm pásma.
Vývoj v technologii hyperspektrálních snímačů umožňuje sběr dat s několika stovkami
pásem spektra. Větší počet pásem přináší více možností rozpoznávat větší počet materiálů, ale
také větší počet počet pásem vyžaduje více analýz. Dalším rozdíl při práci
s hyperspektrálními daty nastává při definování n-dimenze.
Hyperspektrální obrazy jsou sbírány a reprezentovány jako data s prostorovou informací sběru
v X-Y plánu, spektrální informaci nese Z – směr.
Obr. č. 1 Schéma hyperspektrálních dat, jejich dimenzionality
Hyperspektrální data
Pasivní přístroje -Hyperspektrální data
• 1982 - AIS (Airborne Imaging Spectrometer),
• 1987 - AVIRIS (Airborne Visible/InfraRed Imaging Spectrometer),
• AVIRIS – 4 spektrometry s 224 CCD detektory (channels),
– Každý se spektrálním rozlišením 10 nanometrů a postorovým rozlišením 20
meters.
– Celkový rozsah 380 až 2500 nm (jako Landsat TM with just seven bands).
– Každá řádka 664 pixelů.
Systém AVIRIS
AVIRIS (Airborne Visible InfraRed Imaging Spectrometer)
· 224 spektrálních pásem
· vlnové délky 400 až 2500 nanometrů (nm)
· nainstalován na letounu NASA ER-2 (upravené U2)
· létající v nadmořské výšce kolem 20 km rychlostí kolem 730 km/h
· data o velikosti pixelu reprezentující plochu 20 x 20 m
Práce s daty:
1. Předzpracování - radiometrické a geometrické korekce - odstranění šumu a zkreslení
2. Zvýšení kvality obrazu - vylepšení vzhledu pro vizuální interpretaci a analýzu - změna
kontrastu či filtrace dat
3. Transformace obrazu - převod původních spektrálních pásem na nová, na kterých lépe
vyniknou určité charakteristiky obrazu
4. Klasifikace a analýza - digitální identifikace a klasifikace pixelů z dat.
Ad 1.) Předzpracování
Radiometrická korekce
Čidla pro sběr hyperspektrálních dat jsou schopna záření pochycovat ze vzdušného i
kosmického prostoru, ten musí být posléze převeden. V atmosféře se vyskytuje 7 plynných
prvků, u kterých lze dobře pozorovat absorpci při vlnových délkách 0.45 – 2.5 micronů.
Jsou to :
Vodní pára
CO2
O3
N2O
CO
CH4
O2
ATREM software – umožňuje odstranění těchto prvků
Obr. č.2 Original AVIRIS data over KSC (Bands 20, 29, 40)
Obr. č.3 Snímek po upravě softwaremATREM, po odstranění vodní páry ze snímku
Ad 3.) Transformace obrazu
Minimum Noise Fraction (MNF) Transformation
Zatímco hyperspektrální snímky jsou schopny poskytovat kontinuální spektra od 0.4 do 2.5
nm, vytváří ohromné množství dat potřebných pro zpracování a rozbory, analýzy. Mnoho
z tohoto objemu dat je nadbytečných.
Transformace minima zlomku šumu se používá ke snížení, redukci rozměrnosti
hyperspektrálních dat. Jedná se o lineární transformaci, která se skládá ze dvou postupných
transformací, PCA – Principál Components Analysis
První odstraňuje korelaci ( vzájemný vztah) a měřítko, přičemž výsledkem jsou
transformovaná data v kterých je šum spojen odchylkou a žádná skupina, pásmo k pásmu
nemá vztah, není souvztažná, nekoreluje.
Obr.č.4
For this particular example, an AVIRIS frame over the Kennedy Space Center was
radiometrically corrected using ATREM and a MNF tranformation was performed on the
ATREM-corrected imagery. In this particular frame, the first 14 eigenvectors of the MNF
transformation contain coherent information which can be used for further processing
Eigenvectors 1, 2, & 3 of MNF Transform Data
Obr. č. 5 po MNF transformaci
Eigenvectors 6, 9, & 12 of MNF Transform Data
Pixel Purity Index (PPI)
Předmětem PPI je určení takových pixelů, nejmenších nedělitelných jednotek obrazu, které
jsou buď nejvíce spektrálně zastoupeny anebo se vyskytují jako čiré. PPI se provádí na MNF
datech, kde byl snížen spojitý obraz.
Ad 4.) Klasifikace - přiřazení jednotlivých pixelů do příslušných tříd na základě informací o
jejich spektrálních hodnotách reprezentovaných pomocí binárních čísel v jednom nebo více
spektrálních
pásmech.
Spectral Angle Mapper Classification
The Spectral Angle Mapper Classification (SAM) je automatická metoda pro okamžité, řízené
srovnání spekter snímku se spektry předem známými, obvykle jsou určována v laboratořích
spektrometrem. Tato metoda zpracovává obě (dotazované i známé) spektrum jako vektory a
počítá spektrální úhel mezi nimi. Tato metoda je citlivá na osvětlení, pro SAM algoritmy se
používá vektor jako takový, ne jeho délka. Výsledkem klasifikace je snímek popisující
nejlepší srovnání, porovnání každého pixelu. Typicky se tato metoda používá k determinaci
minerálů v geologii, v oblastech s homogenním prostředím jakými jsou například půdy.
obr. č.6 The spectral angle between material A a B
Spectral Correlation Mapper (SCM) založené na podobném algoritmu jako (SAM), slouží
také jako vylepšení SAM, rozdíl v algoritmech je v tom, že se používají k výpočtu hodnoty
odrazivosti před výpočtem spectral angle, úhlu spektra
Spectral Unmixing/Matched Filtering
Většina povrchů na Zemi, geologických nebo vegetačních nejsou homogenní, jsou výsledkem
směsi znaků charakterizující jeden pixel. Závislost na tom o jaké materiály se jedná je typem
matematického modelu schopného rozlišit jejich množství, hojnost. Pokud se nejedná o
mikroskopické částice je model lineární. Nejtěžším krokem procesu je determinace množství
materiálu ve vybraných konečných členech. Ideálním případem je pokud spektrální knihovna
obsahuje koncové členy, poté je možné porovnat knihovní matrix hodnot s hodnotami
pozorované směsi spektra a získáme odhad o množství konečných členů pro neznámé
spektrum. Výsledek je prezentován formou snímků ve stupních šedi s hodnotami od 0 do 1,
které korespondují se stupněm srovnání.
obr. č.8 The proportion images of the Spectral Unmixing Classification
Využití v praxi
· sledování povrchu Země, jeho změn a využití (land cover/use)
· detekce požárů, monitorování záplav, pohyb ledovců a ledových polí
· pro mapování území a tvorbu podkladů pro geografické informační systémy (GIS)
· zemědělství - kontrola kvality a množství úrody, sledování obsahu vody ve vegetaci a půdě,
sledování případné nákazy vegetace, zamoření hmyzem, monitorování škod způsobených
přírodními živly
Software:
MultiSpec – freeware
Erdas Imagine, Arc Gis
IMDIS
DRAGON/ips
Použité zdroje:
C. H. Chen, editor, Information Processing for Remote Sensing, Chapter 1 by David
Landgrebe, World Scientific Publishing Company, World Scientific Publishing Co., Inc.,
1060 Main Street, River Edge, NJ 07661, USA, 1999
CLASSIFICATION OF VEGETATION AND SOIL
USING IMAGING SPECTROMETER DATA
J. H. Lumme
Institute of Photogrammetry and Remote Sensing, Helsinki University of Technology,
P.O.Box 1200, FIN-02015 HUT, Finland
http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/
http://www.fi.muni.cz/kd/events/zouvalka-2003-dec/steciv.pdf
http://gama.fsv.cvut.cz/~safarik/dpz/labor/vyuka/prednasky/dpz11.ppt
http://www.natur.cuni.cz/~kfggsekr/pers/langhammer/vyuka/vtfg2/prezentace/DPZ_prednaska_1.pdf