A szabályos adatmodellek

A távérzékelés általában szabályos adatmodellekkel dolgozik. Ahhoz, hogy az egyes felvéte-lezési módokat és feldolgozási eljárásokat jobban megérthessük, célszerű először az alkalma-zott szabályos adatmodelleket megismerni.

Az ún. tesszelációs modellek a vizsgált terület- vagy térrészt úgy osztják fel elemi egységekre, hogy azok hézag- és átfedésmentesek legyenek. Az elemi egységek alakja szerint megkülön-böztetünk szabályos és szabálytalan tesszelációt.

A szabálytalan tesszeláció esetében az elemi egységek alakja igazodik az adatok térbeli elren-deződéséhez. Legismertebb képviselőjük a felületmodellezésben széleskörűen alkalmazott Delaunay-háromszögelés, valamint párja a Voronoi-poligonok.

A szabályos tesszelációk esetében az elemi egységek szabályosak. Két dimenzió esetében elemi egység lehet a szabályos háromszög, a négyzet és a szabályos hatszög. Három dimenzió esetében a Platon-féle szabályos testek lehetnek elemi egységek, ezek a tetra-, hexa-, okta-, dodeka- és az ikozaéder (1. ábra). A szabályos tesszelációk esetében néha megkövetelhetjük azt is, hogy az elemi egységeket önmagukban ismétlődően, rekurzív módon – hierarchikusan – tovább lehessen osztani.

1. ábra: 2D-s szabályos tesszelációk, és a Platon-féle szabályos testek

A fent említett elemi egységek közül egyedül a dodekaédert nem lehet továbbosztani. Mind a két-, mind a háromdimenziós esetben a leggyakrabban alkalmazott szabályos tesszelációk de-rékszögű elemi egységre, négyzetre és kockára épülnek fel. Az ilyen, dede-rékszögű, szabályos rekurzív felbontásokat mutatja be a 2. ábra.

2. ábra: 2 és 3D-s rekurzív felbontások, valamint a négyes- és nyolcas-fa kódolások

A rekurzív felbontásoknak, valamint a hozzájuk kapcsolódó négyesfa (quadtree) és nyolcasfa (octree) kódolásoknak a geoinformatikában nagy jelentősége van. Az ilyen modellek esetén

az objektumok elhelyezkedését nem a koordinátával, hanem a rekurzívan felbontott rész azo-nosítójával adjuk meg. Ezen túl az azonosító az objektum egy másik fontos geometriai tulaj-donságát, a méretét – pontosabban a befoglaló egység méretét – is meghatározza. A módszert gyakran alkalmazzák a vektoros adatok térbeli indexelésére. Ugyanakkor a szabályos adatmo-dellek tömörítésére is számos négyesfa alapú eljárást alkalmaznak.

A kétdimenziós szabályos tesszeláció – általánosan elterjedt nevén raszter – alapegysége a pi-xel (picture x element) (lásd 16. ábra: Landsat TM űrfelvétel sematikus felépítése, 33. o.), míg a 3D-s alapegysége az ún. voxel (volume x element).

A kétdimenziós szabályos adatmodelleknek a távérzékelésben nagyon nagy a jelentősége.

Egyrészt a digitális képek szabályos adatmodellt használnak, másrészt a digitális felületmo-dellek egy része is raszteres adatmodellt használ.

A raszteres adatmodelleket többféleképpen is csoportosíthatjuk. Az egyik ilyen lehetséges csoportosítás annak megfelelően történhet, hogy a szabályos adatmodell alapegysége mennyi-ségi vagy minőmennyi-ségi információkat tárol. Mennyimennyi-ségi információk tárolása esetén a pixelek ér-téke és valamilyen konkrét fizikai mennyiség között egyértelmű kapcsolat áll fent. Ilyen mennyiségi érték lehet például a vizsgált terület adott hullámhossztartományon történő kisu-gárzása, vagy a tengerszint feletti magassága. Ugyanakkor minőségi információk tárolása ese-tén a pixelek tematikus kódokat tárolnak, amelyhez valamilyen minőségi kategória tartozik.

Ilyenek lehetnek például a földhasználat kategóriáinak tematikus kódjai.

Azokat a szabályos adatmodelleket, amelyek a vizsgált objektum radiometriai és spektrális tu-lajdonságairól tárolnak mennyiségi információkat, digitális képeknek nevezzük. Amennyiben ezeket az információkat közvetlenül digitálisan rögzítjük, akkor elsődleges digitális képről, ha már valamilyen más eljárással (pl. fotográfiai eljárás, analóg térképek stb.) rögzített informá-ciókat alakítunk digitálissá, akkor másodlagos digitális képekről beszélünk. Amíg az elsődle-ges digitális képek előállításához leggyakrabban a különböző érzékelőket használjuk (lásd:

2.3.5.3. A letapogatók, 30. o.), addig a másodlagos digitális képek előállításának eszközei a szkennerek.

Amennyiben a raszteres adatmodell valamilyen térben változó folytonos mennyiségi értékeket tárol, akkor azt digitális felületmodellnek nevezzük.

A raszteres adatmodellnek a legfontosabb tulajdonsága a felbontása, amely az alapegység mé-retét jelenti. Mivel a szabályos adatmodellek esetében az információszegény területekről is ugyanannyi értéket tárolunk, ezért ezeknek az adatmodelleknek a tárolási igénye nagy. Éppen ezért a gyakorlatban különféle tömörítési eljárásokat szoktunk alkalmazni. Az adattömörítés-nek két alapvető csoportja az adatvesztés nélküli és az adatvesztéssel járó tömörítés. Az előb-binél a tömörített adatokból az eredeti forrásadatokat változatlan módon vissza tudjuk nyerni, míg az utóbbi esetben a tömörítés során meghatározott mértékű eltérésekkel tudjuk csak az eredeti forrásadatokat visszanyerni.

Az adatvesztés nélküli tömörítés egyik ismert módja a hosszkódolás (Run Length Encoding – RLE). Ezt a tömörítést akkor tudjuk hatékonyan alkalmazni, amikor a raszter cellaértékei te-matikus kódok. Ilyen esetben az egyes kódok gyakran egymás mellett helyezkednek el. Az adatállományban nem tároljuk az egymás utáni azonos értékeket, hanem azt kódoljuk, hogy

most k darab n érték következik. Ilyen tömörítést alkalmaz például a ZSoft Publisher cég Paintbrush (pcx) formátuma, valamint ARC/INFO GRID formátum, amennyiben egész érté-keket tárol.

Abban az esetben, ha az adatok valamilyen mennyiségi értéket tárolnak, a különböző adat-vesztéssel járó tömörítéseket alkalmazhatjuk hatékonyan. Napjainkban a wavelet tömörítés az egyik legelterjedtebb a geomatikában, és munkám során én is gyakran alkalmaztam. Az egyik ilyen wavelet alapú tömörítés az ER Mapper Compressed Wavelet (ECW). Ennél a diszkrét wavelet transzformációt (Discrete Wavelet Transformations (DWT)) egy olyan új szabadal-maztatott eljárással oldották meg, ahol nem szükséges a forrásképet blokkokra osztani, hanem közvetlenül az eredeti képsorokból, több felbontásban, rekurzív módon számítják ki a wavelet transzformációt [19. Earth Resource Mapping (2001)]. A transzformáció eredménye még nem a tömörített kép, utána ezt kvantálják, kódolják, és utána tárolják. A kicsomagolás során lehe-tőség van arra, hogy csak azt a területet és olyan részletességgel csomagoljunk ki, amire ép-pen szükségünk van, így ez nagyon gyors megjelenítést tesz lehetővé (3. ábra).

3. ábra: Az ECW tömörítés folyamata