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 (Kozma-Bognár et al., 2008a). A legújabb informatikai fejlesztéseknek köszönhetően a néhány

35

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 Fejlesztő/Forgalmazó Ország

ENVI (Environment for Visualizing Images) Research System Inc. USA

EASI-PACE PCI Geomatics Kanada

IMAGINE ERDAS USA

HPGS (Hyperspectral product Genartion System) Analitical Imaging and Geophysics USA HIPAS

(Hyperspectral Image Processing and Analysis System) Chinese Academy of Science Kína SIPS (Spectral Image Processing System) University of Colorado USA

MultiSpec Purdue University USA

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.

36

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

37

(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, Self-Organizing 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

38

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