következtében az energia az NADPH nevű kémiai akkumulátorban kerül tárolásra, amely már stabil és lehetővé teszi a további hosszútávú felhasználását a napsugárzásból kinyert energiának (Engel et al 2007). A kvantummechanikai folyamatnak köszönhetően a fotoszintézis nagyon jó hatásfokkal alakítja át a látható tartományú fotonok energiáját, ugyanakkor – a levelek sejtfelépítésének köszönhetően – a közeli infravörös tartományú (700–1100 nm) fotonokat kevésbé tudja. Így a klorofillban gazdag vegetáció reflexiós képessége jelentős eltérést mutat a két elektromágneses tartományban, mivel a látható tartományban főként elnyel, a közeli infravörösben inkább visszaver. Mindez kíválóan érzékelhető a fotoszintetizáló vegetációról készült felvételeken. A fentiek alapján egyértelmű, hogy az (1) összefüggés nem csak a fotoszintézisre, hanem egyéb – nem csak biológiai – folyamatokra is szolgálhat információval.
Az (1) egyenlettel definiált vegetációs index a mezőgazdasági- és természetvédelmi gyakorlatban elfogadott. Értékét tekitve, a nullához közeli érték a növényzet hiányát illetve kóros elváltozását, a 0,2 és 0,3 körüli értékek ritka növényzetet (pl. füves, bokros területet) jelentenek míg a 0,8-1,0 értékek sűrű zöld színű és egészséges növényzetre utalhatnak. A negatív NDVI értékek pedig nem növényi vegetáció (víz, kő, szikla, aszfalt, háztető, stb.) jelenlétét feltételezik.
Értelmezésükhöz mindenképp szükséges a felvételek lévő referenciaadatok használata valamint szükség esetén a látható tartományú képek vízuális interpretációja is.
Anyag és módszer
Alkalmazott légifelvételek
Az interpolációs eljárásoknak az NDVI indexre gyakorolt hatásának méréséhez az alkalmazott légifelvételek elkészítésére 2016. május és június hónapjaiban került sor.
A kutatások helyszíne a Kis-Balaton Kányavári-sziget szolgált, ahol több alkalommal végeztünk pilóta nélküli, drónnal készített felvételezéseket. A légifelvételezések alatt egy Canon típusú NDVI kamerát használtunk a vegetáció monitorozására, abból a célból, hogy felmérjük a jelenlévő növényállományok egészségi állapotát. Az osztályozást befolyásoló algoritmusok vizsgálatára nem a teljes sziget területét lefedő felvételt választottuk ki, hanem a sziget egyik jellemző területének pontos vizsgálata mellett döntöttünk. Az NDVI osztályozásra interpolációs eljárással előállított kimenő felvételeken összesen 20 osztály került beazonosításra.
Interpolációs eljárások
Az interpoláció egy esetleg, több ismeretlen adatok értékét határozza meg a már ismert információk alapján. Az egy érzékelős szín interpolációs algoritmusokat (Adams, J. E. 1995; Bayer, B. E. 1976; Chen, T. 1999; Cok, D. R. 1986; Laroche, C. A. 1994; Ozawa, N. 1987; Parulski, K. A. 1985; Weldy, J. A. 1988) két csoportra bonthatjuk: nem adaptív és adaptív algoritmusok. A nem adaptív algoritmusok rögzített
pixelminta alapján végzik el az interpolációt, ami miatt pixelesedés figyelhető meg az élek mentén. Míg az adaptív algoritmusok, a vizsgált pixel helyét, valamint a környezetében levő pixelek értékét is figyelembe veszik (nem egy sablon alapján dolgoznak), majd ennek függvényében döntenek az interpolált értékéről. Ezek az algoritmusok felmérnek és ezt követően kiértékelnek, így kifinomultabb eredményt hoznak.
A Kányavári-szigetről készített NDVI légifelvételek elemezése során kilenc különböző algoritmus eredményre gyakorolt hatását vizsgátuk. Az NDVI index számításához saját fejlesztésű szoftvert alkalmaztunk. A szoftver tesztelése során az alábbi algoritmusok befolyásoló hatását vizsgáltuk (Kozma-Bognár et al, 2016):
1. Leközelebbi szomszéd alapú interpoláció (Nearest Neighbour), 2. Bilineáris interpoláció (Bilinear),
3. Lineáris interpoláció Laplace-féle másodrendű korrekcióval I. (Laplace I.), 4. Lineáris interpoláció Laplace-féle másodrendű korrekcióval II. (Laplace II.), 5. Smooth Hue Transition interpoláció (Smooth Hue),
6. Smooth Hue Transition interpoláció logaritmikus expozíciós térben (Smooth Hue Log),
7. Él-érzékeny interpolációs algoritmus I. (Edge Sensitive I.), 8. Él-érzékeny interpolációs algoritmus II. (Edge Sensitive II.), 9. Küszöbérték alapú interpoláció (Threshold-based).
NDVI16 Szoftver
Az NDVI felvételek osztályozására saját fejlesztésű mérőprogramot az NDVI16 mérőprogramot alkalmaztuk, melynek célja, hogy tiff formátumú NDVI kamerával készült képekből veszteség nélkül nyerjen ki, és dolgozzon fel adatokat. A digitális kamerák átlagosan képpontonként 12–16 bit információt tárolnak csatornánként, amely azt jelenti, hogy a feldolgozást követően adatvesztés következik be, mivel a legtöbb kép 8 bites formátumban kerül mentésre az utómunkálatokat követően. Az Adobe Photoshop programban van lehetőség 16 bit-es tiff képet menteni nyers, raw kamera fájlból, de ennek a képnek a feldolgozására szintén nem állt rendelkezésre megfelelő szoftver megoldás.
Ennek a hiányosságnak a kiküszöbölésére hoztuk létre az NDVI16 nevű mérőprogramot, amely képes 16 bit-es tiff képeket adatvesztés nélkül feldolgozni és az így kapott adatokkal elvégezni a szükséges számításokat. Az egyes képpontokból kiolvasott red, green és blue színcsatornák (RGB) adatai alapján el lehet végezni az NDVI index számítását, vagyis, hogy a vizsgált területen taláható-e növényi vegetáció valamint az ott jelenlévő vegetációra milyen egészségi állapot jellemző.
Ehhez a szoftver egy átalakított képletet használ (2), amely a közeli infravörös és a látható vörös értékek helyett, a három színcsatorna értékeit veszi alapul. Az így kapott érték egy [0, …, +65536] közé eső egész szám.
(2)
A számítás során kapott érték egy arányszám, amely minden esetben 1 és -1 közé esik és megmutatja a vegetáció jelenlétét. Ez az érték további feldolgozásra kerül, amely során egy skálázott NDVI értéket kapunk.
Amennyiben a kapott NDVI érték nagyobb, mint 0, a következő képletet alkalmazzuk:
Amennyiben a kapott NDVI érték kisebb, mint 0, az alábbi képlettel számolunk:
A program a számítások elvégzése után 20 osztályba sorolja, a pixeleket a kapott érték alapján. Az osztályok [-1, ..., +1] közé esnek, tizedes lépésközökkel.
Az így kapott csoportosítás alapján meghatározható, hogy milyen arányban található egészséges vegetáció az adott légifelvételen.
Az alábbi ábra (1. ábra) az ImageJ nevű szoftverrel készült. A felvételeken jól kivehető, hogy a vizsgált területen milyen arányban található zöld növényzet.
A szoftver Visual Studio 2015 Community fejlesztőeszköz használatával készült, C++ programozási nyelvben. Jelenleg konzolos, felületen érhető el. A tiff képek feldolgozása, a nyílt forráskódú libtiff könyvtár beépített függvényei segítségével történnek. A program az alapvető értékek mellett, amelyek a kép felbontása, a pixelek száma, a színcsatornák száma és a bitmélység értéke, az NDVI és a skálázott NDVI értékek kiszámolására használható. Alkalmas tömörítettlen és LZW tömörítéssel rendelkező tiff képek megnyitására is.
Eredmények
Az NDVI légifelvételek elemzésének eredményeként a kilenc algoritmus alkalmazását követően elkészített osztályozás eredményeit foglalja össze a 2. ábra.
A 2. ábrán látható, hogy az egyes algoritmusok hatása jelentős eltérést mutat a
1. ábra NDVI kép a feldolgozás előtt (bal oldali kép)
program által számított 20 különböző NDVI osztályon belül.
A bevezetésben megadott három kategória (egészséges növényzet, a ritka növényzet és az élettelen objektumok) szerinti csoportosítást mutatja a 3. ábra.
Az egészséges növényzet (0,8–1,0) kategórián belül az eltérés az egyes algoritmusok között 40,2% (a legalacsonyabb-Edge sensitive 1: 14,3%, a legmagasabb-Threshold-based: 54,5%). A ritka növényzet (0,0–0,3) kategórián belül az eltérés az egyes algoritmusok között 12,2 % volt (a legmagasabb-Edge sensitive 1:
15,9%, a legalacsonyabb-Threshold-based: 3,7%). Az élettelen (0,0–1,0) kategórián belül az eltérés az egyes algoritmusok között 33,0 %-ot mutatott. A legmagasabb-Edge sensitive 1 61,0%, a legalacsonyabb-Laplace II-based pedig 28,0% volt.
Összefoglaló
A kutatásaink alapján egyértelműen megállapítható, hogy a jelenleg gyakorlatban leginkább alkalmazott 9 képalkotó algoritmus használata, jelentősen befolyásolja az osztályozott kép eredményét, az NDVI felvételek esetében is. Az NDVI index számítására létrehozott saját fejlesztésű osztályozó szoftver eredménye számottevő eltéréseket mutatott az egyes algoritmusok lefuttatását követően.
Eredményeink figyelembe vétele mellett mindenképpen javasoljuk – a légifelvételek osztályozását megelőzően - az adott képalkotó rendszerbe beépített interpolációs eljárások vizsgálatát, és az adott kutatási célnak leginkább megfelelő, megbízható eredményt adó algoritmus kiválasztását.
Felhasznált irodalom
Adams, J. E. (1995): Interactions between color plane interpolation and other image processing functions in electronic photography, Proceedings of SPIE Vol. 2416. pp. 144–151.
Al-Khalili, J. – McFadden, J. (2014): Az élet kódja (Life on the Edge – The Coming of Age of Quantum Biology, Bantam Press), Libri Kiadó, ISBN: 978-963-310-615-0.
Bayer, B. E. (1976): Color imaging array, U.S. Patent 3,971,065, 1976.
2. ábra NDVI értékek, Kányavári-sziget, 2016.05.09.
Chen, T. (1999). A Study of Spatial Color Interpolation Algorithms for Single-Detector Digital Cameras, Psych221/EE362 Course Project, Information System Laboratory, Department of Electrical Engineering, Stanford University.
Cok, D. R. (1986): Single-chip electronic color camera with color-dependent birefringent optical spatial frequency filter and red and blue signal interpolating circuit. U.S. Patent 4,605,956.
Engel, G. S. – Calhoun, T. R. – Read, E. L. – Ahn, T-K. – ManCal, T. – Cheng, Y-C. – Blankenship, R. E. – Fleming, G. R. (2007): Evidence for wavelike energy transfer through quantum coherence in photosynthetic systems, Nature, 446., pp. 782–786.
Kozma-Bognár, V. – Magyary, V. – Berke, J. (2016): Ultranagy felbontású légifelvételek multitemporális elemzése. VII. Térinformatikai Konferencia és Szakkiállítás, Debrecen; 26/05/2016, pp. 271–277, ISBN 978-963-318-570-4, DOI: 10.13140/
RG.2.1.3711.7044.
Kriegler, F.J. – Malila, W.A. – Nalepka, R.F. – Richardson, W. (1969): Preprocessing transformations and their effects on multispectral recognition. Proceedings of the Sixth International Symposium on Remote Sensing of Environment, pp. 97–131.
Laroche, C. A. (1994): Apparatus and method for adaptively interpolating a full color image utilizing chrominance gradients. U.S. Patent 5,373,322.
Libtiff függvénykönyvtár: http://www.libtiff.org/
MEASURING VEGETATION: http://earthobservatory.nasa.gov/Features/
MeasuringVegetation/measuring_vegetation_2.php.
Ozawa, N. (1987): Chrominance signal interpolation device for a color camera, U.S. Patent 4,716,455.
Parulski, K. A. (1985): Color Filters and Processing Alternatives for one-chip cameras, IEEE Transactions on Electron Devices. Vol. ED-32, No. 8.
Rouse, J.W, – Haas, R.H. – Scheel, J.A. – Deering, D.W. (1974): Monitoring Vegetation Systems in the Great Plains with ERTS. Proceedings, 3rd Earth Resource Technology Satellite (ERTS) Symposium, vol. 1, pp. 309–317.
Weldy, J. A. (1988): Optimized design for a single-sensor color electronic camera system, Proceedings of SPIE Vol.1071 pp. 300–307.