A jelenleg alkalmazott információ-technológiai fejlesztések a hiperspektrális távérzékelésben is jelentős szerephez jutnak. Az eszközökben bekövetkezett gyors ütemű technikai újításokhoz viszonyítva, jelentős lemaradások tapasztalhatóak a képi adatok feldolgozása területén. A fejlesztéseknek köszönhetően, a többletinformációk kinyerésének céljából, indokolttá vált a feldolgozási módszerek újragondolása, pontosítása, valamint a gyakorlati alkalmazások kibővítése.
Az általam alkalmazott, spektrális fraktáldimenzió alapú adatfeldolgozási eljárás, a hiperspektrális felvételek elemzési módszereinek újszerű megválasztását teszi lehetővé. A módszer egy olyan fraktálokra visszavezethető eljárás, amely:
• figyelembe veszi az intenzitást,
• tetszőleges kép(sávra) használható,
• invariáns számos körülményre,
• nem igényel előfeldolgozást, szegmentálást, valamint
• szerkezeti és nem csak morfológiai vagy morfometriai jellegű.
Az általános fraktáldimenzióból származtatott szerkezetvizsgálati eljárás, a felvételekre vonatkozóan nemcsak a térbeli szerkezetnek, hanem a spektrális sávok színszerkezetének mérésére is alkalmas. Elegendő információt ad a színek, árnyalatok szerkezeti tulajdonságaira vonatkozóan. Többdimenziós színtérben is alkalmazható, így a hiperspektrális adatkocka nagy mennyiségű és komplex adatsorát is kezelni tudja.
Segítségével a magasabb színmélységű felvételek is feldolgozhatóak, ezáltal növelhető a nagy spektrális felbontás kínálta hasznos információk kinyerése.
Az SFD alapú feldolgozási eljárás közvetlenül a távérzékelő berendezések képi adatainak szerkezetén végzett számításokra épül, nem feltétlenül igényli kiegészítő légi vagy terepi sugárzásmérők alkalmazását, mégis számos esetben jól alkalmazható információkkal szolgál. Más klasszikus szerkezeti paraméterekkel ellentétben az SFD alapú szerkezeti adatok kevésbé érzékenyek a terepi, atmoszférikus vagy egyéb korrekciós tényezőkre, hiszen logaritmikus számításokra épülnek. Kutatásaim során kifejlesztettem olyan ujjlenyomatokat, amely a terepi beazonosításon kívül, csak képi információk felhasználásával számíthatók, elkerülve ezzel a fent említett korrekciók hiányából vagy pontatlanságából eredő hátrányokat. Létrehoztam olyan SFD spektrumgörbéket,
109
amelyekkel a reflektancia görbékhez hasonlóan leírhatóak, jellemezhetőek, beazonosíthatóak és térképezhetőek az egyes felszíni formák. Az SFD görbék felhasználásával az egyes felszínborítási kategóriák megbízhatóbb elkülönítésén kívül, a zajos sávok meghatározását is elvégezhetjük. A mért értékeket figyelembe véve kiválaszthatunk olyan spektrális sávo(ka)t, amelyek további hagyományos módszerekkel is feldolgozhatóak.
A gyakorlatban jelenleg ismert eljárások nagy része nem alkalmazható több száz képi információt hordozó réteg értékelésére vagy a feldolgozás során kapott eredmény pontossága nem felel meg az igényeknek (pl. 16 bites helyett 8 bites bemenő adat kerül feldolgozásra), egyes esetekben a valóságnak. Az SFD alapú adatfeldolgozó módszerek szinte minden esetben alkalmasak több száz sávos integrált vizuális adatok kiértékelésére, akár személyi számítógépes környezetben, és megfelelő adatpontossággal a 16 bites bemenő adatok vonatkozásában is. Az általam alkalmazott matematikai eljárásokkal és a hozzájuk kidolgozott feldolgozási módszerekkel tovább javítható az osztályba sorolás eredménye 16/32 bites hiperspektrális adatok esetén. A megoldás, a módszer eddigiektől alapvetően eltérő jellemzőiben rejlik.
További előnyként tapasztalható, hogy a jelenleg használt módszerekkel szemben, az általam kidolgozott eljárások kevésbé érzékenyek a költségeket és feldolgozási időt növelő előfeldolgozásokra, így esetenként nem is igénylik azokat. Ezáltal jelentős költségek takaríthatók meg vagy fordíthatók más (feldolgozási, fejlesztési) célokra. Az SFD spektrumgörbék használatával egy tapasztalati összefüggést is javaslok, a vegetációs indexek közül a vörös-él inflexiós pont meghatározásához, amely a jelenleg használt számítási módszerekhez hasonlóan, könnyen számítható eredményt ad, viszont megbízhatósága nagyobb. Az így elért eredmények bevezetése a hiperspektrális távérzékelési adatok feldolgozásában hatékony innovációként jelenhet meg. Ennek egyik fő oka, hogy az SFD alapú szerkezeti célú, vizuális adatfeldolgozási módszer alkalmazásával kiküszöbölhetjük a hiperspektrális felvételekhez jelenleg használt képfeldolgozási eljárások pontatlanságából eredő hátrányok jelentős részét.
110 Jövőbeni kutatási irányok
A hiperspektrális távérzékelés felhasználásának jelentőségét a világ vezető gazdasági közösségei felismerték, támogatják. A technológiát fejlesztő kutatóintézetek a korábbi multispektrális technológiákról mára már áttértek a hiperspektrális eszközök, eljárások fejlesztésére. A nemzetközi műszaki-tudományos fejlesztési trendek alapján arra következtethetünk, hogy a jövőre vonatkozóan a hiperspektrális információtartalmak még tovább fognak bővülni. Olyan felvevő rendszerek jelennek meg, amelyek már a jelenlegi 16 bites adatok mellett a 32 bites adatok előállítását is célul tűzik ki. Ugyanakkor tudjuk, hogy még a jelenlegi 12-14 bit mélységű adatok feldolgozása sem megoldott teljes körűen.
Az új technológiákhoz kapcsolódó másik - megoldásra váró - probléma a nagy adatmennyiség kezelése. Ezek az információk több száz képréteg, illetve nagy geometriai felbontás formájában jelentkeznek. A jelenleg alkalmazott szoftverek és hardverek ilyen fokú integráltsággal és komplexitással rendelkező adatok kiértékelésére egyáltalán nem (valós idejű feldolgozás hiánya) vagy bizonyos feltételek (jelentős információvesztéssel járó adatredukció vagy szuperszámítógépes adatfeldolgozás) mellett alkalmasak csak. A multispektrális adatfeldolgozások során kifejlesztett és alkalmazott eljárások, algoritmusok nem, vagy erősen korlátozott formában használhatóak csak hiperspektrális adatok esetén.
A hatékony adatkiértékelési technikák kidolgozásához néhol jelenleg is használnak szuperszámítógépeket, amelyek jelentősen emelik a fejlesztési költségeket. Természetesen általános bevezetésük számos jövőbeli műszaki fejlesztés függvénye is, így megjelenésük bizonytalan, ugyanakkor elengedhetetlen a hatékony alkalmazás szempontjából.
Összességében várható, hogy a szenzorok és az egyéb kapcsolódó technológiák fejlődése révén még inkább növekedni fog a felhasználók köre. A nagy gazdasági és politikai szereplők mellett, kisebb gazdasági vállalkozások is alakulnak a hiperspektrális technológia gyakorlati felhasználásaira. A jelenlegi alkalmazási területekhez képest még több szakterület munkáját fogja kielégíteni és így tovább bővülnek a többletinformációk adta széleskörű lehetőségek is.
111