A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése.

Átírás

1 A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése Hargitai Henrik

2 A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése Hargitai Henrik Doktori (PhD) értekezés Eötvös Loránd Tudományegyetem Természettudományi Kar Földtudományi Doktori Iskola A Doktori Iskola vezetője: Dr. Márton Péter egyetemi tanár Földrajzi Doktori Program A Doktori Program vezetője: Dr. Gábris Gyula tanszékvezető egyetemi tanár Témavezetők: Dr. Kardeván Péter, PhD. (a Debreceni Egyetem tiszteletbeli docense, a Magyar Állami Földtani Intézet Környezetföldtani Főosztály nyug. főmunkatársa) Dr. Mari László (ELTE TTK Természetföldrajzi Tanszék, egyetemi docens) A dolgozat az ELTE TTK Természetföldrajzi Tanszékén és a MÁFI-ban készült. Budapest,

3 A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése A DOKTORI ÉRTEKEZÉS TÉZISEI Hargitai Henrik Témavezetők: Kardeván Péter, Mari László ELTE TTK Földtudományi Doktori Iskola Földrajzi program

4 1. Bevezetés a munka célkitűzései A dolgozat a távérzékelés legújabb alkalmazási területeivel, ezen belül a hiperspektrális képalkotással foglalkozik: az első magyar képalkotó spektrométeres repülés megvalósítását mutatja be és eredményeit elemzi három terület példáján. A képalkotó spektrometria más néven hiperspektrális távérzékelés során egy területet képpontokra bontunk és minden képpontról felveszünk egy spektrumot, mely folyamatos görbeként jelenik meg. A hiperspektrális képek általában több tízes nagyságrendű sávból állnak, ellentétben a multispektrális képek 5-10-es nagyságrendű sávjaial (a labormérések és terepi nem képalkotó spektroradiométerek több százas nagyságrendű sávra bontják kb. ugyanezt a tartományt). Így a részletgazdag spektrális felbontás miatt a spektrum olyan részei is érzékelhetővé válnak, melyek korábban nem: ezek (pl. elnyelési sávok pontos kijelölése) meghatározásával olyan felszínborítástípusok is elkülöníthetők, melyek a durvább multispektrálissal nem (1-2. ábra). 1. ábra A terepi spektroradiométer 646 sávja (B) és a LANDSAT 7 sávja (A) által szolgáltatott spektrumgörbék összehasonítása egészséges zöld növényzet esetén. 2. ábra Jellemző spektrumok a 2002-es spektroradiométeres mérésekből 4

5 A munka alapkutatásának célja egy különféle vegetációtípusokat (fajokat és elegyeket) tartalmazó spektrumkönyvtár (célspektrumok és végállású spektrumok endmemberek listájának) létrehozása, és ezzel a recski és gyöngyösoroszi területen lombhullatő erdőtípusok elkülönítése volt, amely multispektrális képpel nem megoldható. A növények biokémiai összetétele ugyanis nagyjából megegyezik, bármilyen fajról is legyen szó. A leveleken történő fényvisszaverés és szóródás további gondot jelent. Ami mégis elkülöníthetővé teheti őket, az a pigmentkoncentráció, biokémiai jellemzők, levél jellemzők, lombkorona szerkezet, így ezeknek köszönhetően az abszorpció és reflektancia is különbözik. A multispektrális képekkel az erdőtípusok (lombhullató/tűlevelű) elkülönítése jól megoldott (különösen, ha a felvétel akkor készül, amikor a lombhullatókon már nincs lomb). A nagyobb növényzeti egységek, mint erdő, rét, cserjés elkülönítése is nagy biztonsággal megoldott, de más esetekben, különösen az említett egységeken belül a mélyebb elkülönítés nem automatizálható biztonsággal. A lombhullató erdőknél probléma az erdőterület heterogenitása pixel szinten (fafajra és a belátszó cserje- és gyepszintre nézve); így nehéz homogén tanítópontokat kijelölni. Egy magyarországi fajokat tartalmazó vegetációs spektrumkönyvtár minden további hasonló munka alapjaként szolgálhatna. Mivel ez az első ilyen összefoglaló jellegű részletes publikáció, célja az is, hogy a későbbi jelen pillanatban már (még csak) körvonalazódó hazai kereskedelmi jellegű repülések eredményeit használó magyar felhasználók számára egyfajta kalauzként segítséget nyújtson a hiperspektrális repülések előkészítésében, lebonyolításában és elemzésében. A munka részletesen ismerteti a képek elkészítésének és feldolgozásának részletes menetét (az ENVI szoftveren) önálló kutatási területem példáján és az feldolgozás lépéseinek különféle lehetséges variációit, külön felhívva a figyelmet a hibalehetőségekre, hogy a későbbi felhasználók elkerülhessék azokat. A dolgozat bemutatja a felvett spektrumgörbéket és külön listában közli a hiperspektrális távérzékelés szakszavainak magyar irodalomban felmerült fordításait és fordítás-változatait, segítve a magyar nyelvű korábbi publikációk jobb érthetőségét és a későbbiek elkészítését. A terepbejárás és adatbázisok segítségével elkészített mintapontok segítségével a gyöngyösoroszi, recski és tedeji területen készült felvételeket elemzi: célom a területen található vegetációtípusok, ezen belül a lombhullató erdőtípusok elkülönítése volt. A munka további, nem kevésbé fontos célja az említett repülés előkészítésének és elvégzésének részletes leírása, dokumentálása, a hiperspektrális repülés ötletének első hazai megfogalmazásától nyomon követve annak történetét a megvalósításig majd az első elemzések megjelenéséig. Megjegyzendő, hogy a Magyarországon még iparszerűen nem alkalmazott hiperspektrális technológia külföldön már jelentős múlttal rendelkezik, így a hazai alkalmazás első eredményei csak hazai közönségnek jelentenek releváns újdonságot. 2. Alkalmazott módszerek 5

6 2002. augusztus án került sor a Hysens 2002 projekt keretében arra a hiperspektrális repülésre (Kardeván et al. 2003, 2003b, Hargitai et al 2004, 2006), melynek eredményeképp elkészültek a jelen dolgozatban használt felvételek, a DAIS műszer 79 sávot tartalmazó, 6 méter/képpont térbeli felbontású hiperspektrális adatkockái. A németországi DLR-ben előfeldolgozott (atmoszférikus és geometriai korrekció) felvételeket az ENVI szoftverrel elemeztem. A topográfia hatásának kiegyenlítésekor az előfeldolgozás nem volt hibamentes, ezért a felvételek nem tekinthetők teljes értékűnek. Ennek ellenére sikerült eredményeket elérni a feldolgozás során a nyers képek és a félig előfeldolgozott (atmoszférikus és sík geometrikus korrekción átesett) képek segítségével. A hiperspektrális képek előkészítő és lebonyolító fázisában is aktívan részt vettem a MÁFI részéről; amíg lehetőségem volt, a GER sávos terepi spektroradiométerrel saját méréseket is végeztem. A későbbi feldolgozásban önálló munkát a gyöngyösoroszi és recski (3. ábra) területen végeztem, ahol a terület növénytakarójának azonosítását tűztem ki célul. Ezen belül egyedül végzett munkát a recski területen folytattam, saját GPS műszer segítségével. Itt már nem állt rendelkezésemre spektroradiométer. A képfeldolgozás egyik legfontosabb fázisa a terepi ellenőrzés volt, mivel spektrumkönyvtár a hazai fajokról nem állt rendelkezésre. A terepi munkában (lényegében egy spektrumkönyvtár összeállításában) háromféle módszert alkalmaztam: 1. A képen homogén területek azonosítása: az előzetesen feldolgozott képen látható, markánsan eltérő spektrumú, homogén területek felkeresése és a spektrumokhoz a terepi felszínborítás kategóriájának hozzárendelése. 2. A valóságban homogén területek azonosítása: a terepen a vizsgált fafajok homogén borítású foltjainak megkeresése, majd ezek végállású tagokként, endmemberekként tanítómezőként való alkalmazása a teljes képre 3. A valóságban azonos elegyarányúként spektrálisan homogénnek tekinthető területek azonosítása a terepen a vizsgált erdőtípusok elegyes, azaz kevert, de azonos elegyarányú foltjainak felkeresése és az egyes, különféle variációkban kevert formáinak célspektrumként tanítómezőként való alkalmazása a teljes képre 3. Eredmények (tézisek) és következtetések 3.1. (irodalmi kutatás eredményei) 1. Összefoglaltam az első magyar hiperspektrális repülés megszervezésének és lefolytatásának történetét 2. Összefoglaltam a hiperspektrális technológiával foglalkozó magyarországi és magyar vonatkozású kutatások eredményeit 3. Összeállítottam egy angol-magyar korrelációs terminológialistát 6

7 4. Összefoglaltam a hiperspektrális technológia működésének elveit (ez a kitétel a dolgozat írásának megkezdésekor még újdonságnak számított: mára, azaz 6 évvel később már sok pontjában bevetté vált módszereket ismertet) 3.2. (önálló terepi kutatás eredményei) 5. Különféle mezőgazdasági haszonnövények (Tedej területen), és más növényfajok (Gyöngyösoroszi, Recsk területeken) terepi és laborméréséből összeállítottam egy spektrumkönyvtárat. Ezek a spektrumok a dolgoztat elektronikus változatából (fő rész és függelék) számszerűen is kiolvashatóak. Az erdőtípusokra létrehozott spektrális kategóriák a multispektrális képfeldolgozásban is szétválasztható kategóriák esetén (pl. fenyves/lombhullató/rét) nagy biztonsággal használhatók. A lombhullató erdőtípusoknál létrehozott spektrális kategóriák csak részben tükrözik az erdőtípusok faji összetételét: a terepi ellenőrzés során kiderült, hogy ezeket a spektrális kategóriákat ( spektrumtájakat ) részben más tényezők is befolyásolják. Így az adott növényállomány kis területen jelentkező eltérései domborzati, lejtőkitettségi és mikroklimatikus hatások miatt, az erdő kora, a lombkoronaszint szerkezete, záródása és árnyékhatásai, a növényzet víztartalma, valamint további, ismeretlen tényezők, melyek egyes területeken erőteljesebben változtathatják meg a spektrumot, mint a faji bélyeg. A spektrumok fajon belüli szórása ill. abszolút értéke is lehet indikatív. 6. Megállapítottam, hogy az irodalmi (erdészeti adatbázisok) és a terepi adatok (más helyről vett tanítópontok) alapján végzett osztályba sorolás hasonló eredményt adott, tehát valós spektrális osztályokat ( spektrumtájakat ) tükröz. Ám az eredmények csak további terepi ellenőrzéssel verifikálhatóak illetve ültethetők át faji vagy erdőtípus osztályokra (referenciaspektrumokká), azaz az ilyen jellegű úttörő kutatás kezdeti szakaszában utólagos terepi ellenőrzés(ek)re is szükség van; ahol az egyes eltérő spektrális megjelenésű, de azonos faji összetételű erdőtípusok azonosíthatók. 7. Megállapítottam, hogy vegetáció esetén a terepen ill. laborban felvett spektrum különbözik: a spektrumkönyvtárhoz mindenképp terepen (magasból) felvett spektrumra van szükség, mert a növényzet labormérésekkel más megjelenésű, mint terepen (azaz az egészséges levelek spektruma nem azonos a fa fölülről felvett spektrumával). Ehhez különleges felszerelésre (pl. daru) vagy a légifelvételekre van szükség. A terepen felvett spektrumokat is atmoszférikus korrekcióval kell ellátni a szórt fény kiszűrésére. Hogy a spektrumkönyvtár eltérő műszerekkel beszerzett adatokhoz is használható legyen, szerepeltetni kell, hogy a spektrum milyen térbeli felbontású képelemekről készült, és mik voltak a műszer optikai paraméterei. 8. Megállapítottam, hogy a helyes osztályba soroláshoz használható referenciaspektrumkönyvtárhoz célszerű egy teljes vegetációs perióduson át érdemes követni a célob- 7

8 jektumok spektrumának változását, ahogy azt a multispektrális mezőgazdasági elemzéseknél is teszik: erre az erdők esetén a mi régiónkban még nem kerülhetett sor a technológia új volta miatt. A célterület kiválasztása szempontjából a területen belül minél több eltérő, de önálló foltjában homogén felszínborítástípus jelenléte a legmegfelelőbb. A spektrumkönyvtárban a különféle spektrális megjelenésű, de azonos faji összetételű erdőtípusoknak is azonosíthatóknak kell lenniük. Ha sikerült kijelölni egy olyan időpontot, amikor a legnagyobb a spektrális különbség a célobjektumok között, ezt az időt célszerű a további felvételek elkészítésekor választani. 9. A tölgyes és bükkös területek alapján a hiperspektrális képen kijelölt tölgy és bükk (spektrális) kategóriák elkülönítésére azok elnyelési sávjai alapján a következő DAIS által használt sávokat találtam alkalmasnak, a két kategória tanítómezőiből nyert átlagspektrumspektrumok alapján (4. ábra). A reflektancia abszolút értéke alapján egyértelműbb elkülönítés lehetséges: annak maximuma (1,035 mikrométeren) a tölgy esetén rendre 25-28, a bükk esetén 30-35% volt: e tekintetben a két kategória egyértelműen elkülöníthető volt (3-4. ábra, 1. táblázat). Elkülöníthető növények Növényre jellemző, elkülönítéskor használható spektrális sávok (mikrométer) Fenyő-lombosfa 0,869 Fiatalos-nem fiatalos 0,832; 0,86-0,938; 1,66-1,72 Tölgy-bükk 0,623; 0,78, 0,851 1,727; 2,08; 2,115; 2,13; 2,145; 2,158; 2,23 1. táblázat: Növényre jellemző, elkülönítéskor használható spektrális sávok 3. ábra: a tölgy (sötét vonal) és bükk (világos vonal) kategóriák átlagolt spektrumgörbéi kontinuum-eltávolítás után megmutatják a két görbe elnyelési vonalaiban jelentkező mint hasonló növényzet esetén várható, minimális különbségeket (bekarikázva) X tengely: hullámhossz, mikrométer. A spektrumgörbék abszolút értékeinek eltérése ezen a görbén nem látható 8

9 0,50 0,51 0,53 0,55 0,57 0,59 0,61 0,62 0,64 0,66 0,68 0,69 0,71 0,73 0,74 0,76 0,78 0,80 0,81 0,83 0,85 0,87 0,89 0,90 0,92 0,94 0,96 0,97 0,99 1,01 1,02 1,04 1,54 1,57 1,60 1,64 1,67 1,70 1,73 1,76 2,08 2,10 2,12 2,13 2,15 2,16 2,17 2,19 2,20 2,22 2,23 2,25 Reflektancia (*10) [%] A recski terület átlagolt célspektrumai erdészeti adatbázis (A) illetve terepi (B) adatok alapján homogén felszínborítású területeken kijelölt tanítómezőkre Fiatalos bükk (B) Bükk (A) Bükk (B) Tölgy (B) Tölgy (A) Fenyő (A) 200 Fenyő (B) Klorofill elnyelési tartomány víz elnyelés Levélszerkezet és összetétel jellemző elnyelési sávjai víz elnyelés Hullámhossz (mikrométer) 4. ábra: a recski terület célspektrumai átlagai a kétféle tanítómezős meghatározás alapján. 10. Részleges spektrumszétkeveréssel megállapítottam az egyes területekre jellemző felszínborítást (5. ábra) 5. ábra: (balról jobbra): Mesterséges, Tölgy, Rét, Bükkös (fiatalos), Fenyves kategóriák spektrumszékeverés (Matched filtering) részképei (világos: nagy megegyezés a célspektrummal; sötét: kisebb azonosság a célspektrummal). A kép jobb középső részén lévő folt a recski kőbánya. Jobbra fent Recsk, balra fent Parádfürdő. 11. A terepen felvett hiperspektrális képek számos olyan sávot tartalmaznak, melyek túl zajosak ahhoz, hogy szűréssel használhatóvá tegyük őket. A DAIS műszer által felvett képekre elvégeztem ezen zajos sávok kiszűrésének feladatát, így az eredetileg 79 sávos adatkockából zajszűrés után is csak 52 sávot használtam. 12. Kidolgoztam egy többlépcsős, több lehetséges utas folyamatsort a hiperspektrális képek elemzésére, az ENVI program használatával (6. ábra). 9

10 6. ábra: A hiperspektrális képfeldolgozás néhány lehetséges útjának folyamatábrája (más utak is lehetségesek és nincs minden opció feltüntetve) 13. Összehasonlítottam a tedeji mezőgazdasági területre egy azonos térbeli felbontású LANDSAT-szimuláció és a hiperspektrális kép elemzésének eredményeit: ebből azt következtettem, hogy legalábbis az általam használt elemző módszerekkel a hiperspektrális kép nem adott kiemelkedően jobb eredményű osztályba sorolást. 10

11 14. Megállapítottam, hogy a hiperspektrális technológia abban az esetben használható gazdaságosan, ha olyan felszínborítás-típusokat kell elkülöníteni, melyek a létező multispektrális képeken nem szétválaszthatók. Egy ilyen munka rutinszerű alkalmazását a munka első fázisában alapkutatásnak, azaz a spektrumok terepi és labormeghatározásának kell megelőznie. Mivel a hiperspektrális kép rengeteg redundanciát tartalmaz, az adatdimenzionalitás csökkentésére lehet szükség. Ez történhet automatikusan (pl. PCA módszerrel) vagy célzottan. Utóbbi esetben a hiperspektrális képen a csak ilyen felbontásban megjelenő jelentős elnyelési sávok, vagy a vörös él adhat olyan sávokat, melynek kombinálásával a felszíni objektumok jobban szétválaszthatók. A spektrum általános lefutás és reflektanciájának abszolút értéke is hordoz információt: ezek más módszerekkel tanulmányozhatók. Spektrumszétkeveréssel egy képelemen belül a célkategóriák elegyarányát is meg lehet adni. A hiperspektrális képfeldolgozás során az egyes elnyelési sávok, a spektrum lefutása és abszolút értéke eltérő aspektusait tükrözhetik a felszínborításnak. A megfelelő pontosságú osztályozáshoz a referenciaspektrumok meglétén túl azt az eljárást kell használni, mely a célnak megfelelő aspektusát használja ki a spektrumgörbének. Ehhez azonban pl. egy adott fajú homogén erdőterület különféle, ismert változók szerint eltérő területeinek spektrumát kell vizsgálni. Jelen munkában a bükk és tölgy kategóriái csak azt tükrözik, hogy a Recs Parád Domoszlói kapu közötti terület homogén bükkösei és tölgyesei alapján kijelölt átlagspektrumok a augusztusi időszakban elkülönültek; az azonban még kérdés, hogy e két kategória spektruma pontosan mi alapján különül el egymástól és más erdőtípusoktól (pl. lombkoronaszint szerkezete, lokális vízháztartás, fenofázis stb.). 4. A tézisek alapjául szolgáló közlemények: HARGITAI H.-VEKERDY ZOLTÁN-ULANBEK TURDUKULOV-KARDEVÁN PÉTER: Képalkotó spektrométeres távérzékelési kísérlet Magyarországon. Térinformatika, 2004/6. pp12-15 KARDEVÁN P. VEKERDY Z. RÓTH L. SOMMER ST. KEMPER TH. JORDAN GY. TAMÁS, J. PECHMANN I. KOVÁCS E. HARGITAI H. LÁSZLÓ F. 2003: Outline of scientific aims and data processing status of the first Hungarian hyperspectral data acquisition flight campaign, 3 rd EARSeL Workshop on Imaging Spectroscopy in Oberpfaffenhofen, május KARDEVÁN P. FÜGEDI U. STEFAN S. TAMÁS J. GRUIZ K. THOMAS K. JORDÁN GY. RÓTH L. HARGITAI H. ZELENKA T. 2003b: Légi hiperspektális távérzékelési módszerek alkalmazása korábbi bányászati tevékenységek környezeti felmérésében In: Proc.Lippay - Ormos - Vas Tudományos Ülés, Szent István Egyetem, Budapest, Budai Karok, November

12 HARGITAI H. KARDEVÁN P. HORVÁTH F. 2006: Az első magyarországi képalkotó spektrométeres repülés eredményeinek összegzése. III. Magyar Földrajzi Konferencia, Budapest, szeptember 6-7. Magyar Tudományos Akadémia (poszterre elfogadva). HARGITAI H. KARDEVÁN P. HORVÁTH F.: Az első magyarországi képalkotó spektrométeres repülés és eredményeinek értékelése (Geodézia és Kartográfia, jelen kézirat elkészültekor bírálat alatt, revízió után) HARGITAI H: Képalkotó spektrometria: új technológia a hazai távérzékelésben (Földrajzi Közlemények, jelen kézirat elkészültekor bírálat alatt) HARGITAI H. 2007: Planetary Maps: Visualization and Nomenclature. Cartographica (közlésre elfogadva) 5. A dolgozat témájához kapcsolódó további publikációk HARGITAI H. KERESZTURI Á SIK A. (2005): A Mars hidrográfiája. Földrajzi Közlemények, közlésre elfogadva HARGITAI H. 2002: Hiperspektrális távérzékelés. In: Karátson D. (szerk.): Pannon enciklopédia. Magyarország földje, Kertek 2000, Budapest. 2. kiadás HARGITAI H. 2005: Távérzékelés. in: Hargitai H, Kereszturi Á, Lazányi J: Csillagászat. In: Nagy Világatlasz, 2. kiadás. TOPOGRÁF, Nyír-Karta. HARGITAI H. 2006: Szemek a bolygókutatásban A szivárványon túl. Profiterol, szeptember. HARGITAI H. 2006: The Realization of ICA Commission Projects on Planetary Cartography. Cartographica 40/4 PAUL SCHENK, HENRIK HARGITAI, RONDA WILSON, ALFRED MCEWEN AND PETER THOMAS (2001): The Mountains of Io: Global and geological perspectives from Voyager and Galileo, Journ. Geophys. Res., Vol 106, E12, Pp HARGITAI H.-KERESZTURI Á. 2002: Javaslat magyar bolygótudományi szaknyelvi norma létrehozására - Geodézia és Kartográfia LIV, 2002/9, pp HARGITAI H. 2004: Multilingual Planetary Maps for Non-professional Audience: Visualization and nomenclature. INTERCARTO-10, Vlagyivosztok HARGITAI H. BÉRCZI SZ. 2004: Planetary Science Outreach: Old methods, new packaging. Education via DVD and Planetary Maps. International Astronautical Congress, Vancouver IAC-04-IAF-4.P4 A tézisek címoldalán a recski területről készült hiperspektrális adatkocka látható. 12

13 TARTALOM TARTALOM KÖSZÖNETNYILVÁNÍTÁS MENTSÉG TECHNIKAI MEGJEGYZÉS BEVEZETÉS A HIPERSPEKTRÁLIS TÁVÉRZÉKELÉS A multispektrális látás biológiai háttere A hiperspektrális távérzékelés történeti háttere: a színek felfedezése A hiperspektrális távérzékelés történeti háttere: analóg fényképezés A hiperspektrális távérzékelés történeti háttere: digitális technológiák A spektrometria alapjai A felbontás kérdése A hiperspektrális technológia egyéb alkalmazási területei A MULTISPEKTRÁLIS TECHNOLÓGIA FELHASZNÁLÁSA Egyes sávok tulajdonságai és használata LANDSAT TM sávkiosztás példáján ,8-7,6 m:látható tartomány (VIS) ,4-0,45 m: ibolya ninсs LANDSAT TM 4-5 érzékelő Landsat TM 1. sáv: kék (0,45-0,5 m) Landsat TM 2. sáv: zöld (0,5-0,6 m) Landsat TM 3. sáv: vörös (0,6-0,7 m) ( : narancs) A vörös él (red edge) (0,68-0,75 m) ,8-1,3 m:közeli infravörös tartomány (NIR) Landsat TM 4. sáv: visszavert közeli infravörös (0,8-0,9 m) ,3-2,5 m:közepes infravörös tartomány (MIR) Landsat TM 5. sáv: visszavert középső infravörös (1,5-1,7 m) ablak Landsat TM 7. sáv: visszavert középső infravörös (2,1-2,3 m) ablak ,5- m:termális infravörös tartomány (TIR) Landsat TM 6. sáv: termális (kibocsátó, emissziós) (távoli) infravörös (10,4-12,5 m). ablak A csatornák bevett 3-sávos kombinációi a LandsatTM képek esetén Multispektrális sávarányosított képek Színes kompozit arányképek A HIPERSPEKTRÁLIS TECHNOLÓGIA FELHASZNÁLÁSA: NÖVÉNYZET VIZSGÁLATA A növényzet meghatározása Spektrumkönyvtár Szikesek meghatározása A repülés (kép felvétele) időpontjának kiválasztása A HAZAI KÍSÉRLET A megvalósítás intézményi háttere A MEGVALÓSÍTÁS TECHNIKAI HÁTTERE A HYSENS 2002 MEGVALÓSÍTÁSÁNAK MUNKAFÁZISAI Előkészítés Terepi munka A kiértékelés előkészítése A képfeldolgozás fázisa A képelemző módszerek összefoglalása A hazai kísérlet első tartalmi eredményei A TEREPI SPEKTRORADIOMÉTER ADATAINAK FELDOLGOZÁSA: TAPASZTALATOK A légkör által keltett hibák Anyagspecifikus hibák Fényforrások Fényforrás meghatározta hibák A hibák azonosítása összefoglalás A DAIS LÉGIFELVÉTELEK ADATAINAK FELDOLGOZÁSA: TAPASZTALATOK

14 A légifelvételek kalibrációja Az atmoszferikus kalibráció utáni jellemzők és hibák A DAIS és a GER műszerek összehasonlítása A GER zajos vagy hibás részei által érintett sávok a DAIS szempontjából: A DAIS képek zajos sávjai A kép zajosságának elemzése KÍSÉRLET ERDŐTÍPUSOK MEGHATÁROZÁSÁRA A kutatás célkitűzése A gyöngyösoroszi terület terepi bejárása és elemzésének eredményei A recski terület Második terepi ellenőrzés A recski és gyöngyösoroszi képek elemzésének összegzése... cxli TEDEJ: LANDSAT-SZIMULÁCIÓ ÉS HIPERSPEKTRÁLIS ÖSSZEHASONLÍTÁS... CXLIII ÖSSZEGZŐ MEGÁLLAPÍTÁSOK... CXLV A JÖVŐ LEHETŐSÉGEI... CL IRODALOM (REFERENCIÁK)... CLII KÖSZÖNETNYILVÁNÍTÁS Köszönöm Kardeván Péternek, hogy témakereső zöldfülűként befogadott kutatócsoportjába és ellátott bőséges tutorialokkal, mind szóban, mind írásban; köszönöm Vekerdy Zoltánnak és diákjainak, hogy részt vehettem munkájukban, és segítőként csatlakozhattam a méréseikhez; köszönöm Horváth Ferencnek (MTA Ökológiai és Botanikai Kutatóintézete), hogy újabb témakeresőként adott témát és segített a terepmunkában és a terület fafajainak és növénytársulásainak meghatározásában és köszönöm Mari Lászlónak hogy elvállalta a témavezetést. Köszönöm Róth Lászlónak hogy segített a képfeldolgozás kezdeti lépéseinél. Köszönöm továbbá Hargitai Ritának, hogy segített a dolgozat erdőtípusokkal foglalkozó önálló kutatásának elindulásánál. Köszönöm kis és nagy Eszternek, valamint édesanyámnak hogy vigyáztak a babákra és játszottak velük helyettem is azok alatt a hosszú órák alatt, amíg a jelen dolgozatot a padlásszoba magányában írni tudtam. MENTSÉG A jelen dolgozat története 6 évvel ezelőtt kezdődött, amikor a hiperspektrális technológia magyarországi megjelenéséről még a szakemberek is csak álmodhattak. A dolgozat eredeti témája egy, a MÁFI által kutatott terület spektrumszétkeveréses (unmixing), akkor még újdonságnak számító eljárással történő vizsgálata volt. Az unmixing azóta bevett eljárássá vált, a munkámban leírt módszerek pedig már bekerültek az egyetemi geográfus hallgatók tananyagába is (Mari 2006), sőt, a hiperspektrális távérzékelés már tantárgyként is megtalálható az egyetemi képzésben (Berke J.-Tamás J.-Kardeván P.: Hiperspektrális adatok feldolgozása és alkalmazása a gyakorlatban, Pannon Egyetem Georgikon Mezőgazdaságtudományi Kar Interdiszciplináris Tudományok Doktori Iskola, Keszthely; vagy Szandányi E.-Veres É.: Hiperspektrális távérzékelés. ELTE TTK Természetföldrajzi tanszék, speciálkollégium, 14

15 2003). A technológiáról magáról azonban igen kevés magyar nyelvű publikáció született. Ilyennek tekinthető pl. Czimber (2000) szakdolgozata vagy néhány szakmaibb vagy ismeretterjesztőbb jellegű írás (pl. Hargitai 2002, Hargitai et al. 2004, Hargitai 2005, Hargitai 2006) augusztus án került sor az első magyarországi hiperspektrális repülésre, mely során a repülőgép fedélzetén képalkotó spektrométer hiperspektrális adatkockákat vett fel hazai területről. Ennek a repülésnek a szervezésében döntő részt vállalt a MÁFI azon kutatócsoportja, melynél a dolgozatot írni kezdtem. Jelen dolgozat szerzője aktívan részt vett a hiperspektrális repülés előkészítésének szoftveres-térképi munkáiban Kardeván Péterrel és Róth Lászlóval, a repülés időszakában a terepi munkában (elsősorban terepi referenciamérésekben) (több helyszínen) Vekerdy Zoltánnal, majd az adatok kiértékelésében Kardeván Péterrel és Róth Lászlóval; végül pedig a recski és gyöngyösoroszi képek felhasználásával önálló kutatási projekt megvalósításában Horváth Ferenccel közösen. Mivel országunkban rendkívül nehéz működő spektroradiométerhez hozzájutni, a repülés utáni ellenőrző terepi mérések, esetleg későbbi változás-detektálás gyakorlatilag lehetetlennek bizonyult, ami végül ahhoz vezet, hogy az első repülésből szerzett adatok az idő előrehaladtával már csak korlátozottan (lesznek) korrelálhatók felszíni mérésekkel. A dolgozat a ma még hazánkban mindig újdonságnak számító hiperspektrális technológiát és annak buktatóit ismerteti elsősorban a magyarországi mérések és feldolgozásuk alapján; bemutatja potenciális felhasználási lehetőségeit és egy, a szerző által lefolytatott, a hiperspektrális képek segítségével végzett terepi elemzést ismertet. A dolgozat további célja, hogy az első hazai hiperspektrális repülés teljes folyamatát minden aspektusából, összefoglaló jelleggel dokumentálja. Mindezeket abban a reményben, hogy ezen első légi adatgyűjtésnek folytatása is legyen Magyarországon, így a dolgozat segítheti azokat, akik a jövőben ezt a technológiát Magyarország területén is alkalmazni kívánják. Ezzel kapcsolatban a dolgozat megírásakor már körvonalazódik egy hazai hiperspektrális légi felvételezés szolgáltatás megindítása az AISA műszerrel, a Debreceni Egyetem és a Földművelésügyi és Vidékfejlesztési Minisztérium Gépkísérleti Üzem közös vállalkozásában. A dolgozat tehát azzal a gyakorlati céllal született, hogy a hiperspektrális technológia más magyarországi alkalmazóinak segédanyagként szolgáljon, útmutatóul a képfeldolgozás megkezdéséhez, segítségül a buktatók elkerüléséhez ezért a feldolgozás egyes lépései részletesen, illusztrációval együtt szerepelnek. Megjegyzendő, hogy a feldolgozást az ENVI szoftverrel készítettem, de természetesen némi módosítással már szoftverekhez is alkalmazhatóak. Ebben a dolgozatban részletesebben a következő földrajzi területekkel foglalkozom: Tedej mezőgazdasági művelés alatti kísérleti telepével, ahol önálló mérések végzésére is volt lehe- 15

16 tőségem a repülés ideje alatt; valamint Recsk és Gyöngyösoroszi területével, ahol a hiperspektrális képek alapján új kutatási célt jelöltem ki, melynek terepi méréseit 2005-ben végeztem (Hargitai et al. 2006). Még megemlítendő, hogy a hiperspektrális adatkockák feldolgozása rendkívül számolás igényes folyamat. Egy-egy módszer alkalmazása egy képre kb. 30 percet 1 órát vesz igénybe, ami alatt a számítógép teljes kapacitásával számol. Érdemes lehet tehát a kép egy kis területén dolgozni a módszerek próbája során. TECHNIKAI MEGJEGYZÉS Jelen dolgozat elektronikus és nyomtatott formában is beadásra kerül. A nyomtatott változat fekete-fehér, s olyan interaktív elemeket is tartalmaz, melyekre itt csak utalás olvasható (elsősorban a részletes táblázatok, részletszámítások). Ezek a digitális változatban kattintásra bonthatóak ki. A nyomtatott verzióban kis méretben szereplő képek és ábrák a digitális változatban nagyító eszköz használatával teljes méretben (300 dpi) színesben láthatóak. BEVEZETÉS Egy idehaza még nem alkalmazott új távérzékelési technológiával öt magyarországi területről készültek 2002 augusztusában képalkotó spektrométeres légifelvételek egy nemzetközi kooperáció keretében (Kardeván et al , Kardeván et al. 2003b, Hargitai et al. 2004, Jung et al. 2003). A repüléssel egyidejűleg a terepen spektrális mérésekre, talaj- és növényzet mintavételezésekre került sor. Az így gyűjtött adatokat az Európai Unió által támogatott projekt keretében bányászati és ipari szennyezések térképezésére valamint talaj szikesedéssel és mezőgazdasági termeléssel kapcsolatos kutatásokhoz dolgoztuk fel. Az adatkockák feldolgozása a későbbiekben új, független kutatási projektekben folytatódott, melyet ezen dolgozat ismertet. A HIPERSPEKTRÁLIS TÁVÉRZÉKELÉS Minden anyag, így a föld felszín anyagai is anyagi minőségüktől és a fény hullámhosszától függően a beeső fény egy részét elnyelik, más részét továbbengedik, a maradékot pedig viszszaverik. Az optikai távérzékelésben ez utóbbit tudjuk képalkotásra felhasználni. A képalkotó spektrometriában (imaging spectroscopy, hyperspectral remote sensing) nem pontszerű mérést végzünk egy terület spektrumáról, hanem egy nagyobb területet képelemekre (pixel) bontva végezzük el (közel) egyidejűleg minden képelemre a teljes spektrális mérést, így egy 11 kardevan@mafi.hu, vekerdy@itc.nl, tamas@gisserver1.date.hu 16

17 összefüggő területről kapunk teljes spektrális információt, miközben ily módon minden képelemről rendelkezésre áll egy csaknem folyamatos spektrumgörbe. Az egy területről felvett adatmennyiséget hiperspektrális adatkockának nevezzük. Lévén az adatkocka igen nagy mennyiségű információt tartalmaz, csak egy részét tudjuk az emberi szem számára felfoghatóan megjeleníteni. Az adatkocka tartalma közvetlenül 1-3 (szürkeárnyalatos vagy max. 3 tetszőleges színsávot a RGB-ként megjelenítő) sávos képként jeleníthető meg. Egy képelem információtartalma spektrumgörbeként jeleníthető meg. A spektrumgörbe vizsgálata új megközelítés a kőzeteket, növényzetet, talajt stb. külső geometriai megjelenési jegyei alapján történő meghatározása mellett, és ezt nagy területre kiterjeszthetjük a távérzékelési módszerrel. A színes fénykép az additív színrendszer három alapszínében felvett képet jelenti a hétköznapi gyakorlatban. A hamis színes képen a vörös helyett az infravörös szerepel. A feketefehér pánkromatikus kép a látható tartomány nagy részét magában foglalja, de csak egy csatornában. A fekete-fehér infravörös kép általában a közeli infravörösbe nyúló széles spektrumban felvett képet jelenti. A multispektrális képen a látható tartományban felvett általában legalább három, valamint az infravörösben is felvett képet értjük, így legalább négy színcsatornát. Hiperspektrális képen általában a teljes optikai sávban végzett felvételek értendők, ahol a csatornák száma nagy (több tíz), így az egyes csatornák hullámhossz szélessége kisebb (azaz spektrális felbontása jobb). Egy definíció szerint (EU 2004) a több mint húsz csatornával rendelkező szenzorok tekinthetők hiperspektrális képszenzornak. A spektrumgörbén a különféle hullámhosszakon mért reflektanciaértékeket tüntetjük föl. A spektrumot hagyományosan hullámhosszukkal tüntetjük föl, bár Antal et al. (2005) szerint ez csak a hagyomány tehetelenségi erejének következménye, mert a frekvencia lenne kívánatosabb, hiszen ez sokkal alapvetőbb jellemzője az elektromágneses hullámoknak, mint a hullámhossz: a frekvencia megmarad, a hullámhossz pedig a közegtől függően változik (mivel változik a sebessége) (1. ábra). 1. ábra A frekvencia és a hullámhossz skálája elektromágneses sugárzásnál vákuumban (Antal et al alapján) A multispektrális látás biológiai háttere A több színben történő látás azért érdekes, mert a hiperspektrális távérzékelésben használt megoldásoktól eltérő mechanizmussal történik az adatok feldolgozása és a spektrumok azono- 17

18 sítása. Ugyanakkor a szem evolúciója a távérzékelés fejlődéséhez hasonló utat járt be annyiban, hogy itt is a monokromatikus (fényképezésben fekete-fehér pánkromatikus ) észlelés volt az első lépcsőfok (azaz a fényerősség érzékelése bizonyos hullámsávban), majd a dikromatikus és az ember esetében a trikromatikus (három színre érzékeny) látás következett. Az ember evolúciója során úgy tűnik, nem volt szükség ennél több sáv és szélesebb spektrum érzékelésére (egyes lepkék tették meg ezt a lépést), de, akárcsak más területeken, az ember a maga alkotta eszközökkel képes egyrészt a sokáig ismeretlen eredetű színeket objektíven mérni, másrészt a színek érzékelési tartományát az ember által nem látható spektrum területre is kiterjeszteni. Az állatok és köztük az ember is rendkívül nagyszámú, folyamatosan változó spektrális információt érzékel. Annak érdekében, hogy az agy megbirkózzon ezzel az információtömeggel, le kell egyszerűsítenie ( tömörítenie kell) a sokdimenziós adat halmazt, melyet a spektrum nyújt. Az egyszerűsítést úgy oldja meg, hogy a spektrumgörbe különféle lefutásait kis számú színként dekódolja. A színekkel a színingermetrika tudománya foglalkozik (Schanda et al. 2005). A színpercepcióban (szakszóval színészleletben) meghatározó, hogy mely hullámhosszakon a legerősebb a fényerősség. Mindazonáltal nincs olyan modell, mellyel egyértelműen leírható lenne, hogy adott lefutású spektrumot milyen színként dekódol az agy (Bouman 2006). Ezek elnevezése hasonló minden nyelvben (Berlin és Kay 1969) Mivel mi magunk is egy multispektrális rendszerrel látunk (2-3. ábra, 1. táblázat), alapvetően fontos ennek a rendszernek is az ismertetése. Az alábbiakban az emberi szemet mint multispektrális távérzékelő szenzort írom le, zárójelben megemlítve a megfelelő, távérzékelésben használt szakkifejezéseket. 2. ábra (balra): Az emberi szem érzékenysége különféle hullámhosszakon (pöttyözött fekete vonal: átlag) (a szerző ábrája) A távérzékelő szenzorok hullámhossz-érzékenysége hasonlóan átfedi egymást, de szabályos közönként. 3. ábra Jobbra: a seregély szemének és szenzorainak érzékenysége Fu et al. (2005) nyomán. Vajon milyen színekként dekódolja a négyféle szenzor adatait? Szín Hullámhossz Nappal Éjszaka ibolya 400nm 0% 1% kék 450nm 5% 45% zöld 500nm 35% 100% sárga 550nm 100% 40% narancssárga 600nm 60% 14% 18

19 piros 650nm 11% 0% vörös 700nm 2% 0% 1. táblázat Az emberi szem érzékenysége a hullámhossz függvényében Mind az éjszakai látásért felelős pálcikák, mind pedig a nappali látást érzékelő csapok (szemünk detektorai) érzékenysége jelentősen függ a vizsgált fény hullámhosszától. Amennyiben a zöld illetve sárga színre való érzékenységet 100%-nak vesszük, az átlagos emberi szem érzékenysége többi színben a fenti táblázat szerint adható meg (DIN 5031 nemzetközi szabvány alapján, tavcso.com 2006) Az emberi szemben (adatfelvevő rendszer) levő három különböző színre érzékeny (spektrális felbontású) csap típus (fotoreceptor, fotondetektor, szenzor) található a szem ideghártyájában (detektorok száma: összesen 6-7 millió db, azaz ennyi képelemből áll össze a fókuszált terület képe. Egy képernyő kb. 1/2 millió képelemből áll). A szürkületi (perem-, mozgás-, él-) látást segítő pálcikák (120 millió) más hullámhosszra érzékenyek (a kék felé: 510 nm), de ezt nem érzékeljük színként, csak szürkeárnyalatként, fényességként (monokróm, pánkromatikus). A csapok érzékenységi intervalluma a látható tartományt (távérzékelésben használt rövidítéssel: VIS, azaz visible) definiálja: ez a nm (a CIE 1931 és MSZ 9620:1991 szerint), ami épp egy oktávnyi terjedelmű (a két végpont frekvenciájának aránya 2); Antal et al. (2005) szerint valószínűleg azért, mert ha egy oktávnál szélesebb tartományban is érzékeny lenne a szem, a receptorok felharmonikusait nem tudná megkülönböztetni: a receptorok ugyanis az adott érzékenységi frekvenciájuk kétszeresét is érzékelnék. Ezt alátámasztja az is, hogy a két szélső színt az ibolyát és a pirost hasonlóként dekódoljuk, azaz a színkör két vége összeér (körkörös percepció). A szem maximális érzékenysége 535 nm körül van, ami zöldessárga árnyalatnak felel meg. A három típusból különféleképp érzékeny és számuk sem egyenlő, mégis egyenlően veszik ki részüket a színlátásból. A legérzékenyebbek a legkisebb számban lévő, legnagyobb energiájú (ezért legkönynyebben detektálható), kék fotonokat érzékelő csapok. A csapok érzékenységi maximumai: hosszú hullámhosszú (sárgászöldben legérzékenyebb) csapok: 564 (-575), közepes hullámhosszú (kékeszöldben legérzékenyebb) csapok: 534 (-535), rövid hullámhosszú (kékben érzékeny) csapok: 420 (-445) nm. A színlátás evolúciójával és biológiai hátterével számos kutatás foglalkozik (pl. Caulfield 2003, Mozaik 2001, Molnár et al. 1997, Fu et al. 2005, Antal et al. 2005, Munsell 2005). A három alapszín a CIE (1931) szabvány alapján: piros: 700,0; zöld: 546,1; kék: 435,8 nm. (4-6. ábra) 19

20 4. ábra A látható tartomány színei; 5. ábra és 6. ábra (jobbra) A fény additív (balra) és a festék szubtraktív (jobbra) alapszínei A hiperspektrális távérzékelés történeti háttere: a színek felfedezése Az ókori görögök szerint a szín a fény és a közeg kölcsönhatásából ered, azaz nem magának a fénynek a tulajdonsága (Zemplén 1999). Azt, hogy a mindaddig egyszerűnek tartott fehér fény összetett, különböző törésmutatójú sugarakból áll, melyek színe a törésmutatóval együtt változik, Isaac Newton 1672-ben bejelentett felfedezése. Rájött, hogy a prizmán áthaladó fényt nem a prizma színezi be, hanem az csak szétbontja a fényt. Két prizmás kísérletében először a fehér fényt bontotta fel, majd az egyik zöld fény útjába egy másik prizmát helyezett. A második prizma után is zöld maradt a fény, ez tehát egyrészt nem volt tovább bontható, másrészt bemutatta, hogy nem a prizma színezte meg a fényt. Magyarázata azonban még nem volt kielégítő: a természetes testek azért színesek, mert eltérő módon és mértékben verik vissza az egyik fajta fényt mint a másikat. Ily módon bármely test bármilyen színűvé tehető. A testeknek ugyanis nincs saját színük, hanem mindig olyan színűnek látszanak, amilyen színű fénnyel megvilágítjuk őket (Newton 1704:VR 24). A prizmával felbontott színek hőmérsékletét mérte meg egyszerű hőmérővel William Herschel, mikor 1800-ban felfedezte, hogy a látható tartományon túl is folytatódik a színek sora: a spektrum legmelegebb pontját a prizma felbontotta szivárvány látható tartományán kívül mérte. Ez a vörös színen túl volt, azaz az infravörös tartományban. (Rubin 2006) Egy évvel Herschel kísérlete után Johann Ritter a spektrum másik felén is megpróbált láthatatlan fényt kimutatni: ezüstkloridot használt, mely különösen a kék szín hatására besötétedett. Amikor prizmán áthaladó fényben a kék utáni láthatatlan tartományt irányította az ezüstkloridra, az minden korábbinál jobban besötétedett, jelezve a fény jelenlétét. A ma ultraibolyának nevezett fényt ő kémiai sugaraknak nevezte el. (Rubin 2006) A hiperspektrális távérzékelés történeti háttere: analóg fényképezés Az első légi távérzékelési felvételek az 1840-es években, a fényképezés feltalálása után készültek léggömbökről és galambokra szerelt kamerákról. A légi fényképek az I., de különösen a II. világháborúban váltak fontos katonai eszközzé. Eleinte csak fekete-fehér felvételek készültek, azaz a látható fény teljes tartományát használták fel egy tónusos kép előállítására. 20

21 Fekete-fehér pánkromatikus film. Fényérzékenysége a 0,3 UV-től 0,7 m vörösig tart, az extended red típusú kevéssé érzékeny az ultraibolyára, és 0,75 μm-ig érzékeny. A légköri szórást (kék + UV színek szűrője) kiküszöbölik a sárga szűrővel felvett képek (különösen nagy magasságból felvett képeknél fontos). Ezek a képek a mínusz-kék fényképek. Az atmoszférikus köd hatását jobban kiszűri a vörös szűrő, mely a UV-n, a kéken túl a zöldet is szűri. A fekete-fehér infravörös filmeknél (érzékenysége a zöldben kisebb, és kiterjed 0,9 mig) látszólag átlátszatlan IR szűrő használható, ez csak az IR sugarakat engedi át; elnevezése valódi IR kép. Módosított IR fotónak nevezik a vörös és IR fényt felvevő képet (7. ábra). 7. ábra fekete-fehér film szerkezete (RSCC 1998) Színes képek. A színes fényképezés technikájának kifejlesztése a látható tartomány felbontását jelentette a három alapszín hullámhosszaira. Ez volt az első lépés a multispektrális, azaz több hullámhosszon alapuló képalkotás kifejlesztése felé. A hagyományos színes fényképezés után megjelentek az infravörös sávra is érzékeny filmek. Valós színű film: előnyük, hogy az emberi szem pár 100 szürkeárnyalatot, de több tízezer színárnyalatot képes megkülönböztetni. Típusaik: negatív és pozitív film. A fényképezésből színes negatív és dia néven ismertek (8. ábra). 8. ábra A negatív színes film szerkezete (RSCC 1998). Nincs feltüntetve a karcolásoktól védő zselatinréteg (legfölül) és a visszaverődést megakadályozó alsó réteg. Színes infravörös negatív (CIR: color infrared film): a közeli, visszavert infravörös sugárzást képes felfogni (azaz nem termális infravörös). a Kodak dolgozta ki a II. világháborúban háborús célokra (a növényzet és az ál-növényzet (zöldre festett katonai objektumok) megkülönböztetésére: a zöld tank kék, a zöld növényzet piros volt). Érzékeny a zöld, és infravörös színekre, melyeket kék és piros színként jelenít meg. A filmek érzékenysége kb. max. 900 nm-ig tart. Felső rétege sárga szűrő, mely a kéket és UV-t eleve kiszűri (a színes filmben ez a réteg a kékérzékeny réteg alatt van). A végső színek hamisszínes felvételt adnak: A sima negatív filmez képest az azonos színt adó filmrétegek más spektrumintervallumra (színre) érzékenyek. (9. ábra) 21

22 9. ábra Egy hamis színes képet adó infravörös film egyes rétegeinek érzékenysége hullámhossz függvényében (Csornai és Dalia [1995] nyomán) A 0,5 μm-es hullámhossz alatti tartományt általában egy sárga színben visszaverő, kéket teljesen elnyelő szűrővel kimaszkolják (RSCC 1998). A hiperspektrális távérzékelés történeti háttere: digitális technológiák A következő áttörést a digitális technika jelentette a hatvanas években, a repülőgépekre, majd a műholdakra szerelhető (1972: Landsat 1) képalkotó szkennerekkel. Ettől kezdve, az érzékelők fejlődésével az elkülöníthető hullámhosszok (csatornák) száma nőtt, és az egyes csatornák hullámsáv-szélessége csökkent: kialakult a multispektrális, majd a hiperspektrális távérzékelés ( ábra). Az analóg légifényképezéstől terminológiában is elkülönítjük a digitális légi / műholdas adatgyűjtést vagy légi felvételezést. 10. ábra és 11. ábra Az egyes műszerek által érzékelt hullámsávok (fenn) és egy színes kompozit készítése (lenn). Alul bal oldali képen a növényzet jelenik meg világos színűként (infravörös, a képek kék színűként), a bal középsőn a kőzet és a talaj világos (a képen zöld), a jobb középsőn a hőt kibocsátó tereptárgyak a világosak (a képen pirosként). Az alsó sorban felhasznált hullámhosszak, balról jobbra: 920 nm, 2100 nm, nm. (A Sajóról készült hiperspektrális kép felhasználásával, a szerző ábrája) 22

23 Az eljárást eredetileg idegen égitestek felszínének geokémiai vizsgálatára dolgozták ki, hiszen csak a távérzékelés segítségével tudjuk a más bolygók felszínén található anyagokat meghatározni (a Földre hullt meteoritokon kívül) illetve azok felszíni alakzatait feltérképezni (pl. Schenk et al. 2001, Hargitai et al. 2005). A földi alkalmazásokban az 1980-as évektől elsősorban ásványtérképezési céllal használták a hiperspektrális technológiát (Goetz et al. 1985, Zheng et al. 2001). A Hold és a Mars felszínének ásvány- kőzettani jellemzőinek meghatározásában azonban még ma is új és próba alatti eljárásnak számít a hiperspektrális távérzékelés (Ládai 2005). A spektrometria alapjai Jelenleg négyféle módszerrel szerezhetők be digitális spektrális adatok a felszínről. Ezek térbeli és spektrális felbontása, illetve a spektrum tisztasága, zajossága igen változatos lehet, akár egy kategórián belül is: laboratóriumban mért spektrum: előnye, hogy mentes zavaró hatásoktól, de nem tükrözi a valódi felszín változatosságát és sajátos fényviszonyait. Homogén endmemberek kijelölésére alkalmas. helyszínen (in situ) fölvett spektrum. Spektroradiométeres méréssel készül. Fontos szempont, hogy a spektroradiométer látómezejébe mi kerül, így a helyszín és látószög kiválasztása alapvetően befolyásolja. A spektroradiométer látómezejét meghatározza, hogy milyen látószögű az adott érzékelő (általában többféle látószögű is rendelkezésre áll) illetve hogy milyen távolságból történik a spektrum felvétele (közelről vagy akár egy daru tetejéről). Természetes fényben vagy kis, felszíni terület vizsgálatakor lámpával is készülhet spektrum. egyedi légifelvételes spektrum. Felbontása méter körüli, nagyobb költsége miatt változás detektálásra, monitorozásra kevéssé használt. Általában kevesebb sávban figyel meg, mint a felszíni/labormérések, és a légkör zavaró hatása is befolyásolja. műholdról fölvett spektrum. Monitorozásra is használható. Ez esetben a légkör befolyása jelentős, amit a későbbi laboratóriumi vagy in situ mérésekkel való összehasonlíthatóság végett ki kell szűrni (atmoszférikus korrekció) modell alapján számított spektrum. Általában a felszín növényzetborítását modellezik. * A hiperspektrális képfeldolgozás menete a következő: 23

24 a detektor rögzíti az adatokat az adatkockába, mely kalibrálandó nyers számértékeket tartalmaz. a felszínen felvett fehér referenciák alapján és atmoszferikus és a domborzatnak a spektrumot (az eltérő napfény beesési szög miatti) módosító hatását kiszűrő korrekció után a nyers értékeket reflektancia (visszaverés) értékekké alakítjuk át, melyek figyelembe veszik a beeső aktuális napfény radianciáját. Az ilyen visszaverődési értékeket reflektancia faktoroknak nevezik, megkülönböztetésül a valódi reflektancia értékektől. Ez utóbbiakhoz a beeső fény radianciáját kellene folyamatosan mérni. Ez a technológia valósul meg a finn gyártású AISA (Spectral Imaging Ltd) hiperspektrális szenzor esetén (Kardeván 2006). Ezután a korrekció után alkalmas a felvételen rögzített spektrum más, pl. laborspektrumokkal való összehasonlításra. geometrikus korrekciót végzünk és a képet georeferáljuk további feldolgozással zajszűrést, a kép dimenzionalitásának csökkentését, célspektrumok kinyerését, osztályozást stb. végzünk, és segítségükkel meghatározzuk a képen látható (cél)objektumokat. * Az amerikai Landsat TM felvételek - melyek hét, átlagosan egy-kétszáz nanométeres szélességű hullámsávban készülnek egy-egy területről - pl. mezőgazdasági termésbecslés során jól felhasználhatók, egyes növényfajták jól elkülöníthetők rajtuk (Csornai 1997). Miért nem elég ez a hét sáv, miért van szükség a hiperspektrális képek sokkal nagyobb számú sávjára? A hiperspektrális felvételek sávjai nemcsak számosabbak, de egyúttal jóval keskenyebbek is: szélességük csak néhány nanométer. Így azokat a részleteket is rögzíteni tudják, amelyeket a multispektrális képek rosszabb spektrális felbontásuk miatt nem mutathatnak ki. A hiperspektrális felvételek tehát nagy pontossággal rögzítik az egyes anyagok csak rájuk jellemző fényvisszaverési görbéjét (spektrumát). Ez lehetővé teszi az egyes felszíni anyagok (kőzetek, növényzet, vizek és szennyeződései ( ábra)) azonosítását és térképezését. 24

25 12. ábra Jellemző spektrumok a 2002-es spektroradiométeres mérésekből (a szerző spektroradiométeres mérései) 13. ábra A napfény beeső sugárzása különböző viszonyok között; valamint a földfelszín jellemző anyagainak (zöld növényzet, talaj és víz) fényvisszaverő-képessége különféle hullámhosszakon. Hullámsáv: a látható és a közeli infravörös tartományokban (0,3 és 2,5 µm között). Jól láthatók a víz és néhány más molekula (nyíllal jelezve) elnyelési sávjai. (Az Alföldön végzett mérések alapján, ) A folytonos vonal egy 5800K hőmérsékletű feketetest-sugárzási spektruma, ami a napsugárzást közelíti. (a szerző ábrája) Jól azonosítható spektrális ujjlenyomata van az egyes molekuláknak, ásványoknak vagy a növényfajoknak, a legtöbbször vizsgált 0,4-2,5 µm sávban (14. ábra). Ezekről laboratóriumban pontos mérések készültek, melyeket a kutatók különféle spektrum könyvtárakból lehívhatnak és összehasonlíthatnak saját méréseikkel. 25

26 A legegyszerűbb spektrométerek csak egy viszonylag kis felületről visszavert fényt mérik, azaz nem képalkotók (egy képhez több elkülönített képelem kell). A terepi vagy laboratóriumi spektrométerek lényegében úgy működnek, mint egy fénymérő, de egy széles hullámhossztartományon belül több tíz több száz sávban adják meg a fényvisszaverés értékét. Ebből áll össze a spektrum görbéje. A képalkotó spektrométerek működését a 14. ábra szemlélteti. 14. ábra Képalkotó spektrométer működési vázlata Smith (2006) alapján Minden sávban egy-egy, a vizsgált területet lefedő kép készül, amiken az azonos területet ábrázoló képelemek intenzitásértékeiből összeáll az adott terület felszíni anyagának spektruma. Ma már szinte a hiperspektrális képalkotó technológiák jelképévé vált az adatkocka (data cube), melyben a kockát a képzeletben egymásra helyezett a sok száz hullámsávhoz tartozó kép alkotja. Ebben az ugyanazon felületi elemhez tartozó képelemek egy függőleges mentén helyezkednek el, így a spektrumot ezen függőleges mentén kiolvasott intenzitás értékek adják. (15. ábra) 26

27 15. ábra Fenn: A hiperspektrális távérzékeléssel nyert adatok és feldolgozásuk a magyarországi mérések példáján (a szerző ábrája) Lenn: Ez a két ábra a hiperspektrális képek szerkezetét szemlélteti. Balra a recski kép egy (kb. valós színű) részlete, benne a két vonalzó a közvetlen mellettük levő sor ill. oszlop hiperspektrális kibontása 79 sávban. Jobbra ugyanez szemléletesebben : az adatkocka (a szerző ábrái) A multi- és hiperspektrális képeket hamis színes képként lehet megjeleníteni, ahol a látható színeket használják fel a többnyire nem látható hullámhosszakon készített felvételek bemutatására. Egy minél több információt tartalmazó színes kompozit képhez fontos a megfelelő sávkombináció kiválasztása. A különböző célú kutatásokhoz más-más hullámhosszú és sávszélességű csatornák hordozhatnak értékes információt. Az adatok elemzéséhez azonban általában háromnál több sáv együttes használata is szükséges. A hiperspektrális képek feldolgozásánál azonban ez hatalmas (nem ritkán gigabájt nagyságrendű) adathalmaz kezelését igényli. Az eljárás optimalizálása érdekében gyakran alkalmaznak adattömörítést (pl. fő-komponens analízist), valamint a kevésbé fontos, vagy redundáns adatok elhagyását. A hiperspektrális kép végső elemzésekor tehát az adatkockának csak az elemzés szempontjából fontos sávjait használják. Általában egy-egy képelemen belül többféle anyag különböző arányban kevert spektrumát kapjuk (pl. többféle növényzet, talaj, mesterséges tárgyak, víz stb.). Ebből a lineáris spektrumszétkeverés (unmixing) eljárásával lehet a képelemen belüli (szubpixel) összetevőket, ill. azok arányát meghatározni. Ez esetben minden (homogén) képelemről külön-külön verődik vissza a fény. A nem-lináris modell esetén egy képelemet a felszín több részlete befolyásolja, mielőtt visszajut az érzékelőbe. A szubpixeles azonosításhoz azonban az egyes anyagok végállású spektrumára (endmember, más szóval (szélsőértékű) célspektrum [Czimber 2000] 27

28 vagy célkategória [Csornai és Dalia {1995}], végállású összetevő/tag/komponens [a kifejezést bevezette Tamás János (Kardeván 2006)], szélsőpont) van szükség (megj.: a számunkra fontos célspektrum nem feltétlen végállású!). A spektrálisan homogén tartalmúnak tekinthető képelemek mint endmemberek az n-dimenziós tulajdonság-térben végállású pontokként jelennek meg. Amennyiben ezek jól elkülöníthetően különböznek egymástól, akkor megállapítható, hogy milyen arányban szerepelnek ezek a vizsgált képelemben. (Az endmemberek a kép osztályozásakor is felhasználhatók, de nem feltétlen szükséges endmembert használni: kevert spektrum is lehet célspektrum). A hiperspektrális távérzékeléssel kapott adatok kiértékeléséhez a céltól függően különféle terepi kiegészítő- és referenciamérések is szükségesek (ground truth) (16. ábra): pontos helymeghatározás (GPS), a talaj ásványtani és kémiai analízise, terepi spektrális mérések (talaj, víz, növényzet), a vízminőségi jellemzők megállapítása (turbiditás, klorofill, lebegőanyag), növényzeti megfigyelések stb. Ezeken felül az elemzéshez kiegészítő geokémiai, geofizikai, növényzeti, hidrográfiai, meteorológiai adatok és idősorok is kellenek (16. ábra) 16. ábra Egy komplex hiperspektrális távérzékelési rendszer működés közben (a szerző fotómontázsa) 1: Nap (csak teljes napsütésben lehet mérni) 2: A DLR Dornier 228 repülőgépe, rajta a DAIS és ROSIS képalkotó spektrométerek 3. GER 3700 terepi spektroradiométer 4. Az adatok leolvasása 5. Jegyzőkönyv készítése a terepről 6. Hordozható számítógép az adatok rögzítéséhez 7. Fehér referencia tábla a beeső napsugárzás meghatározására 8. További műszerek, pl. GPS (kb. 10 m pontosságú helymeghatározásra) 9. Talaj (spektruma) 10. Növényzet (spektruma) A felbontás kérdése A spektrális felbontás megadja, hogy az érzékelő milyen hullámhosszintervallumon belül érzékeli az elektromágneses hullámokat, pl. 0,45 és 0,52 m között. A hiperspektrális detektorok felbontása jobb (szűkebb sáv), a széles sávú pánkromatikusoké (egy sávos monokromatikusoké), rosszabb. Multispektrális képnek hívjuk az egy területről több spektrális sávban felvett képet; hiperspektrálisnak a több tucat, több száz sávban felvettet. 28

29 Térbeli felbontás: A legkisebb kivehető objektum, elvileg a képelem nagysága A digitalizálás törvénye szerint a Nyquist-intervallumra két mintavételi pontnak kell esnie egy képelem így két mintavételi pont közötti szakasz. Egy lineáris objektum szélessége azonban lehet egy képelemnél kisebb is. Ekkor frekvencialeplezés (aliasing) jelenség lép fel, azaz a lineáris alakzat közeli képelemek kevertek (feltéve, ha nem nearest neighbour módszerrel történik az újramintavételezés) vagy lépcsőzetesen tűnnek fel az eredeti pixelértéknek megfelelő spektrummal (nearest neighbour mintavételezéssel) (17. ábra). 17. ábra Lineáris alakzat képének újramintavételezése: balra: az alakzat épp 1 pixel átmérőjű. Középen 0,5 pixel átmérőjű alakzat képe bicubic módszerrel újramintavételezve, jobbra: 0,5 pixel átmérőjű alakzat képe nearest neighbour módszerrel újramintavételezve Többszintű (multi-level) képnek hívjuk a több magasságból azonos területről felvett ezzel multi-scale, többféle felbontású képsort. Radiometrikus felbontás: minden sáv esetén a felvehető értékek száma. Pl. 8 bites felbontásnál egy pixel 256 értéket (szürkeárnyalatot) vehet fel. Időbeli (temporális) felbontás: megadja, hogy a szenzor milyen gyakran tudja lefényképezni ugyanazt a területet, azaz mikor ér ismét a terület fölé. (LANDSAT 4-7: 16 nap, SPOT: 26 nap, de a gyakorlatban a ferde tengelyű felvételkészítési lehetőségnek köszönhetően 3 (-4) nap, HYSENS 2002: egyszeri felmérés, két egymást követő napon). Segítségével multitemporális elemzés készíthető (különböző időpontban felvett képek összehasonlítása). Ez alapja a változásdetektálásnak (change detection) (évszakos stb.) ill. monitoringnak. Multitemporális képek lehetnek azonos helyi időben készültek, mely esetben a fényviszonyok hasonlók (felhőzettől és északtól függően) vagy különböző helyi idő szerint készültek, mely esetben a felszín domborzata (topográfia: hosszú árnyékok alaсsony napálláskor) vagy refektanciája (fényvisszaverő képessége): ninсs árnyék magas napálláskor az anyagminőségre utal) a hangsúlyos információ. Alaсsony napállásnál az árnyékokból az egyes fák faja is meghatározható (sziluettből, inkább télen). Termális IR felvételeknél az éjszakai és nappali képek nagy különbségeket mutatnak. A HYSENS kampány egymást követő felvételein is látható változás, az akkor áradó Sajóról készült felvételen. Dataset Merging / Data Fusion Az elemzést megkönnyíti a többforrású képfeldolgozás (multi-source), ahol egyazon területről különböző típusú berendezéssel felvett képek állnak 29

30 rendelkezésre (légi, űr, felszíni térképezés, laboratóriumi anyagvizsgálat, radar (Chen et al. 2003) stb). Ezt a módszert a HYSENS kampánynál is alkalmaztuk, a hiperspektrális, hagyományos légifotók és Landsat képek összehasonlításakor. A hiperspektrális technológia egyéb alkalmazási területei A hiperspektrális technológiát a földtudományokon kívül számos más tudományterületen alkalmazzák. A hiperspektrális képalkotás a műholdas felvételektől a mikroszkopikus mérettartományok fényképezéséig terjed. Az alábbiakban csak véletlenszerűen emelem ki néhány alkalmazását a nagy spektrális felbontású, hiperspektrális spektroradiométeres és képalkotó távérzékeléses módszereknek. A talaj felszínén érzékelhető kőolaj szennyezettség megállapítását hiperspektrális légi felvételezéssel tervezték megállapítani Algyő körzetében. Mucsi 2 és munkatársai (2000) tanulmánya szerint a talaj kőolaj-szennyezettsége hiperspektrális mérésekkel megállapítható, jellegzetesen az 1700 nm hullámhossz közelében. A növényzettel fedett helyszíneken a növényzetet indikátorként használva, a fedetlen talajon a nehézfémek és a kőolaj közvetlenül is kimutatható (Mucsi et al. 2000). A kőolaj-szennyezettség kimutatása segítségével meghatározhatók a szivárgó olajvezetékek szivárgási pontjai is (Kőolaj és Földgáz, 2001). Városi stressz alatt álló növényzet egészségi állapotának felmérése az NDVI vagy más indexek felhasználásával lehetséges, megfelelő felbontású kép, pl. hiperspektrális légifénykép esetén akár egyed szinten is. A városi növények hőmérsékletet hűtő hatása is érzékelhető a hiperspektrális képek termális csatornájában. Ezekre vonatkozóan a magyarországi HySens 2002 repülés adataiból is készült elemzés, hiszen a képek nagyvárosi területet (pl. Gyöngyös) is magukban foglaltak (Jung et al ). Ez volt az első alkalom, hogy hiperspektrális képeket alkalmazhattak magyarországi városi terület vizsgálatára. A hiperspektrális technológia alkalmazható mindenféle festékkel és tintával kapcsolatos kutatáshoz. A mesterséges színezőanyagoknak esetenként a látható tartományon túl eltűnhetnek. A barna színű kakaós ízű keksz spektruma pl. csak a látható tartományban különbözik a vaníliás, barna színezőanyagot nem tartalmazóétól (saját megfigyelés). Egyes tinták 800, mások 1000 nm-es tartomány fölött válnak láthatatlanná (Scholten et al. 2004). A tinták egyéni spektrumával megállapítható lehet a tinták eredete, illetve egymásra írt vagy kivakart 2 laci@earth.geo.u-szeged.hu, szilvi@earth.geo.u-szeged.hu 3 jungandras@hotmail.com, kardevan@mafi.hu, ltokei@omega.kee.hu 30

31 szövegek (palimpszesztek) is olvashatók lehetnek. A kifakult szövegek újra olvashatóvá tételét a művészettörténettől az antik történelem és irodalom kutatásáig számos tudományterület használhatja. A hiperspektrális képeket puszta esztétikai értékük miatt hamar felfedezték a képzőművészet számára is (O Donnell 2002). Az emberi látás kutatásában a hiperspektrális képek a részletes spektrum görbének köszönhetően hozhatnak új fejleményeket. Ezen kutatások során, akárcsak a földtudományi alkalmazásoknál, spektrum-könyvtár készül a legváltozatosabb tárgyakról, tájakról, különféle megvilágítottság mellett (Osorio 2005). A hiperspektrális képalkotó szkennerek érzékelési tartománya a termális infravörösben lehetővé teszi közvetlen hőmérsékleti adatok kiolvasását. Ezzel erdőtüzek ( high temperature event ) hőmérséklete is megállapítható. Az égő növényzet kibocsátási maximuma a nm tartományba esik (Barducci et al. 2004), ahol azonban még némi reflektált energia is van az emittált mellett.. Hasonlóképp a termális sávban dolgozó műholdakról a vulkánkitörések láváinak hőmérséklete is meghatározható (Lombardo és Buongiorno 2006) A talajok kémiai összetétele, szemcse összetétele, humusz tartalma, nedvesség tartalma, struktúrája és felülete érdessége is befolyásolja a talaj spektrumát (Zilinyi 1995). Egy kurrens és hazánkban is kétségtelenül szükséges alkalmazás a gyomdetektálás területéről a parlagfű (Ambrosia artemisiifolia) gócok kimutatása távérzékeléses felvételekkel. A parlagfű a lakosság jelentős részénél így pl. a szerzőnél okoz allergiás panaszokat az augusztus-szeptemberi időszakban. A MÁFI-ban a Nyugat-Magyarországi és a Debreceni Egyetemekkel közösen is történtek vizsgálatok a parlagfű kimutatásával kapcsolatban, LANDSAT képek és in situ mérések segítségével, annak késői fenológiai fázisában, 2003-tól, Jánossomorján, Mosonszolnöknél, Pamhagennél (Tőzeggyármajornál) és Rábcakapiban (Kardeván et al. 2004c, 2005a, 2005b) A FÖMI Polleninformációs Rendszer Kialakítása témájú NKFP keretében támogatta ezeket a terepi spektrométeres méréseket (Kardeván et al. 2005b). Auda et al. (2002) az ASTER 1 B felvételein határozta meg sikerrel a terepi mérésekkel már előzetesen meghatározott területeken a parlagfűvel borított felszínt. Főleg a homogén monokulturás, sűrűn benőtt parlagfűmezőket tudták meghatározni. 31

32 A MULTISPEKTRÁLIS TECHNOLÓGIA FELHASZNÁLÁSA A pl. LANDSAT műholdakon használt multispektrális technológiára már kidolgozták azokat a módszereket, melyekkel kevés számú csatornával is pontos és sokféle információ nyerhető ki. Így például kidolgozták az egyes sávok optimális hullámhossztartományát és azok felhasználási módjait. Ez műholdtípusonként más és más: például a felszínt figyelő LANDSAT TM ill. a légkört figyelő METEOSAT műholdak sávkiosztása különböző. Utóbbi esetben a látható (0,4-1,1 m), infravörös (10,5-12,5 m) és vízgőz elnyelési sáv (5,7-7,1 m) hordozzák a legfontosabb információkat a felhőtípusok osztályozására (Diószeghy 2002) illetve a felszíni hó, felszínközei köd, víz és szárazföld elkülönítésére. Az alábbiakban a LANDSAT TM műszer sávkiosztása alapján mutatom be az egyes sávok jellemzőit és felhasználási területeit. Egyes sávok tulajdonságai és használata LANDSAT TM sávkiosztás péld á- ján Az egyes sávokat úgy határozták meg, hogy ne azokba a hullámhosszakra essenek, ahol a légköri gázok elnyelik a sugárzást, hanem a légköri ablakokba (18. ábra). Ilyenek találhatók pl. 0,2-0,3 m (O 2, O 3 : ózonréteg); 1,3; 1,9; 2,8; 5-8 m (H 2 O vízgőz); m (CO 2 ), 9-10 m (O 3 ) környékén, ahol a légkör átlátszatlan. Az ezeken az elnyelési sávokban elnyelt energia melegíti a légkört. A légkör ismét átlátszó a mikrohullámú (radar) sávban, 0,6 cm felett. 18. ábra Az elektromágneses spektrum különféle részeinek elnevezése Csornai és Dalia (1995) alapján A felszínre jutó napsugárzás energiájának 43%-a a látható, 36%-a közeli infravörös (NIR) sávban érkezik. 80%-a 0,4 és 1,5 m közé esik, mely sávban a légkör elég átlátszó. A 6000 K- es napfelszín sugárzásának maximuma a 0,48 m-es hullámhosszon van (kékeszöld). A Föld 300 K-es felszínének a sugárzási maximuma 9,7 m-en van ( hosszúhullámú sugárzás ). 32

33 19. ábra A vízgőz (balra), a szén-dioxid (jobbra) és más elemek abszorpciós sávjai (Mineo 1999 nyomán). A légköri abszorpciós sávok (19. ábra) megnehezítik a felszínről e sávokban kép készítését, de használhatók a légkör állapotának (pl. vízgőztartam) megállapítására. 3,8-7,6 m:látható tartomány (VIS) 0,4-0,45 m: ibolya ninсs LANDSAT TM 4-5 érzékelő Ultraibolya fényben a téli fehér bundás felnőtt állatok sötétnek látszanak; az olajszennyeződés a vízen világos árnyalatúként jelenik meg. Landsat TM 1. sáv: kék (0,45-0,5 m) Kifejezetten a part menti meder aljzat térképezésre (vízen áthatol) vették fel a Landsat TM sávok közé. A talaj és növényzet megkülönböztetésére, fák fajtája megkülönböztetésére (erdőben) és mesterséges építmények megfigyelésére is alkalmas. A növényzet elnyelési csúcsa 450 nm-en. A legérzékenyebb a légkör szűrő hatására ( ködös képek ). A kék sávban fellépő hatások: Rayleigh-szórás Itt a legerősebb a légkör kék színéért felelős fényszórásának (Rayleigh vagy molekuláris sugárzás) hatása a légköri fátyolosság 33

34 (atmospheric haze). Ezt a O 2 és N 2 molekulák okozzák, melyek nagysága a fény megfelelő hullámhosszának 10-edrésze. A Rayleigh-szórás erősen frekvenciafüggő, a frekvencia negyedik hatványával növekszik. A 16-szor erősebb 0,3 μm-en (UV), ill. 5-ször olyan erős 0,4 men (kék), mint 0,6-on (vörös). A hatása legerősebb a légkör 4,5 km feletti (tiszta) részén. A légkör fényszórása teszi lehetővé, hogy az árnyékos helyek se legyenek feketék, mint pl. a Holdon. Ez a szórás skylight néven ismert. és a kék fényben a legerősebb. Naplementekor a kék és a zöld is kiszóródik a napfényből, így marad a vörös. A kék skylight szórás miatt számunkra a távoli tárgyak kékes ködben tűnnek fel (távoli hegyek), az űrfelvételek kék sávja pedig ködös elmosódott lesz miatta. Ezt ki kell szűrni a képről. A Mie (nem-molekuláris, aeroszol-hatású) -szórás a hullámhossz 0,1-10-szerese méretű szilárd részecskéken jön létre (víz, só, por). Ezért hatása legerősebb a légkör alsó 4,5 km-es részén. Landsat TM 2. sáv: zöld (0,5-0,6 m) Az egészséges növényzet megfigyelésére. A zöldreflexió maximuma (540 nm), felhasználható a vegetáció növekedési és vitalitási indexének megállapításában. A vízben a hordalék és a víz szennyezés kimutatására alkalmas. Landsat TM 3. sáv: vörös (0,6-0,7 m) ( : narancs) Növény fajták elkülönítésére, valamint eltérő talajú és alapkőzetű területek határának megfigyelésére alkalmas. Az egészséges növényzet is a legkisebb visszaverésű (zöldreflexió minimuma), a talajok többsége erős visszaverésű. Városi és vidéki területek elkülönítésére is alkalmas (háztetők?). Alkalmas gyümölcsösök osztályba sorolására. A talajban található vastartalom közvetlenül is meghatározható a 640 nm-es reflektanciából: R 640 =0,85-0,049 C Fe A vörös él (red edge) (0,68-0,75 m) Ebben a sávban nincs közvetlen LANDSAT érzékelő: itt található a növényzet spektrumában a legnagyobb változás, így a spektrum egyéb részeiből a vörös él pozícióját meghatározva ez használt leginkább a növényzet jellemzőnek vizsgálatában (Jung 2005). 34

35 0,8-1,3 m:közeli infravörös tartomány (NIR) Landsat TM 4. sáv: visszavert közeli infravörös (0,8-0,9 m) A jelenlevő biomassza mennyiségét jól jelzi. Itt található a klorofill reflexió maximuma (a klorofill zöld színe a szem számára elnyomja a többi pigmentet). A gabonafajták vagy erdőben az egyes fafajták meghatározására alkalmazható. Jól jelzi a talaj/gabona és szárazföld/víz határvonalakat. Légköri fátyolosságtól (Rayleigh-fényszórás) mentes zajmentes képet ad. A növényzet és a víz infravörös visszaverőképessége jelentősen különbözik a láthatóbelitől, míg pl. az aszfalt és a hó hasonló mindkettőben. A víz - különösen a tiszta víz - visszaverőképessége az infravörösben leсsökken (a tiszta víz 0,7 m alatt: 0% reflektancia). Alkalmas a talaj nedvességtartamának meghatározására: kimutatható a száraz és nedves talaj különbsége is: a pórusvízben gazdag talaj jobban elnyeli az IR sugárzást, mint a száraz talaj; így a nedves (vagy frissen szántott) talaj sötét lesz, a száraz pedig világos. A növényzet a közeli infravörösben veri legjobban vissza a fényt (zöldben: 20 % reflektancia, IR (0,7 m-től): 60%). A különféle növénytípusok is megkülönböztethetők a hamisszínes felvételen a legvilágosabb vörös a lombhullató, a legsötétebb vörös a tűlevelű lesz (20. ábra) (köztes a fű). 20. ábra A lombhullató és tűlevelű erdő eltérő spektruma Lillesand (1994) ábráján A növényzet levelében a klorofill termelő hosszúkás, a levél külsején levő sejtek elnyelik (használják) a kék és vörös színű fényt és visszaverik (nem kell neki) a zöldet. Innen a 10-20% zöld reflektancia. Továbbengedik viszont az alatta levő szivaсsos (levegős) szerkezetű, kis sejtekből álló sejtek rétegébe, a szivacsos alapszövetbe a közeli infravörös sugárzást, ami 35

36 (a sejtek és a levegő határrétegén) viszont azt 30-70%-ban visszaveri majdnem úgy fénylenek a levelek infravörösben, mint a friss hó. A különböző visszaverő tulajdonságok (4. táblázat) eredete a különböző fajok levelének különféle sejtszerkezetében keresendő. A porózusabb sejtszerkezetű leveleken több sejt/levegő határ van (pl. juhar), így azok több IR fényt vernek vissza. Felszínborítás ZÖLD VÖRÖS IR Hamisszínes felvételen színe 0,55 0,65 0,75-0,9 m Lombhullató Világospiros Fű Vízi Tűlevelű Barnásvörös Tiszta víz Fekete Hordalékos víz (0,8um-en) Egészséges levél Vörös Vörös beteg lev Sárga/rózsaszín/bíbor Sárga (száraz) l Fehér Levéltelen fa Kék 2. táblázat Néhány növénytípus és a víz reflektanciája (%, hozzávetőleges) A levelek kora is megállapítható ebben a sávban: az idősebb levelek általában több levegő részeсskét tartalmaznak, így fényesebbek az IR sávban. Ha a növényt valamilyen környezeti stresszhatás éri (rovarfertőzés, betegség, fagy, só, légszennyezés, talajszennyezés, magas talajvíz stb.), spektruma megváltozik. Az egészséges levél veri vissza a legtöbb infravörös fényt (70%), a látható tartományban maximuma a zöldben van (20%). A kezdődő betegség csak az infravörösben látható: itt 50%-ra esik vissza az reflektancia, míg a láthatóban változatlan marad. (oka a légbuborékok összeomlása). A látható tartományban a betegség сsak napok/hetek múlva válik láthatóvá. A krónikus betegségben szenvedő növény levele a látható tartományban a zöldből sárgává változik (maximuma és görbéje eltolódik). A közeli infravörösben tovább csökken 45%-ra. A halott (elszáradt) levél színe vörösesbarna lesz. A légbuborékok megszűnnek. A zöld сsúcs megszűnik, helyette a sárgástól kezdődően lineárisan növekszik az reflektanciája az infravörös felé (0,7: 30%, 0,9: 50%) (korábban 0,7 m-en hirtelen ugrott meg és a teljes IR-ben (0,7-0,9 m) azonos szinten állt.) A hamis színes képen a beteg növény színe rózsaszín, sárga, bíbor, fehér stb. lehet, a növény fajtájától és a betegségtől függően. A hamis színes fénykép azonban nem alkalmas a rovarok miatt beteg tűlevelű fa kimutatására: az egészségesnek tűnik a hamis színes képen is. Alkalmas régészeti feltárások segítésére, eltemetett alakzatok kimutatására. 1,3-2,5 m:közepes infravörös tartomány (MIR) 36

37 Landsat TM 5. sáv: visszavert középső infravörös (1,5-1,7 m) ablak A növényzetben jelen levő víz mennyiségét jelzi, mely a szárazságok és növényzet egészségi állapota vizsgálatakor fontos. Ebben a sávban megkülönböztethető a felhő, a hó és a jég. A talajnedvességet is jelzi. Érzékeny a kőzetek vastartalmára (hematit) (világosabb, ha több van). Légköri ködtől (fényszórás) mentes tiszta képet ad. Landsat TM 7. sáv: visszavert középső infravörös (2,1-2,3 m) ablak Kőzet- és talajtípusok megkülönböztetésére, a talaj és növényzet nedvességtartalmának meghatározására alkalmas. Alkalmas egyes növényi betegségek felismerésére. Fontos elnyelési sávja az agyagoknak, сsillámoknak, és egyes oxidoknak. Ezért a kőzetfajták meghatározására különösen fontos. Légköri ködtől (fényszórás) mentes tiszta képet ad. A füstöt nem jelzi, mert a füstrészeсskék kisebbek, mint ez a hullámhossz. Ugyanígy a vékonyabb felhők sem jelennek meg e sávban. A hó szinte egyáltalán nem veri vissza a fényt ebben a sávban, azaz fekete. 2,5- m:termális infravörös tartomány (TIR) Landsat TM 6. sáv: termális (kibocsátó, emissziós) (távoli) infravörös (10,4-12,5 m). ablak A helyi hőkiboсsátást jelzi. Alkalmas a növényzet egészségi állapota (hőkiboсsátása, fertőzöttsége) megfigyelésére, helyi hőszennyezés megállapítására. A felhők sötét foltként tűnnek fel rajta. Éjszaka is használható, de általában a nappal felvett képekkel együtt fotóznak ebben a sávban. 100 és +150 C fok közt 0,6 C pontossággal használható. Termális IR ablakok a 3-5 és 8-14 m sávban vannak. A kettő között a légkör átlátszatlan. A hőmérséklet alapján kőzetfajták is elkülöníthetők. Az éjszakai felvételeken nincsenek árnyékok, és több környezetéhez képest világos objektum sötét lesz és fordítva (hőmérsékleti inverzió). A víz nagy fajhője (hőtároló képessége) miatt órás késéssel követi a légkör hőmérsékletének változását. Éjszaka környezeténél melegebb (kora hajnalban is világos, így ekkor jól megfigyelhető), nappal hűvösebb (sötét). Ez alapján a kép készítési időpontja is megbeсsülhető. Hasonlóan a növényzet sötét nappal (párologtatás miatt) és világos éjjel (a magas nedvesség miatt). A beton és aszfalt mind éjjel, mind nappal világos (meleg) színű. A fémek nagy visszaverésük miatt mindig sötétek. Eltemetett objektumok is láthatóak lehetnek, ha hővezetéssel a felszínre jut hőjük. Szellemalakzatok is feltűnhetnek: pl. egy korábban ott parkoló autó alatti hűvösebb aszfalt. 37

38 A hőképeken láthatók a felszíni szél jelei: a szeles területeken szélárnyékok, szélsávok láthatók (hűvösebb). Az eső egységes hőmérsékletűre hűti a tárgyakat. Köd és felhők sötétek és kitakarják a felszínt. A por és a füst azonban átengedi a hősugarakat. Nappal a hagyományos árnyékok a hősávban is megfigyelhetők (hőárnyékok), hisz itt a felszín hűvösebb. A nedves levegő a felszínt hűvösebbnek mutatja, mert elnyeli a sugarakat. A csatornák bevett 3-sávos kombinációi a LandsatTM képek esetén RGB 3,2,1: Valós (természetes) színű - a LANDSAT MSS képeknél a kék sáv hiánya miatt сsak szimulált valószínű képeket lehetett készíteni. RGB 4,3,2: Hamisszínes False Color (infravörös légifényképnek megfelelő színeket ad). A növényzet különféle vörös színű, a víz fekete lesz ebben a kombinációban. A légköri szórás kékként tűnik fel (a zöld színbeli szórás miatt) részletesen lásd a közeli IR sáv leírásánál RGB 4,5,3: hamis színes RGB 5,4,2: álszínes (Pseudo Color) Az utak vörösek, a víz sárga, a növényzet kék. Multispektrális sávarányosított képek Két sáv arányának kiszámításával és ábrázolásával a különböző spektrális jellemzőjű anyagok kiemelhetők. De másra is használható: pl. a különbözőképp megvilágított felületek azonos fényességűre hozhatók (a két sávban egyforma arányban változott a fényesség, így az arányból сsak a minőségi különbség derül ki).. 5/7. sáv: agyagásványok világosak, mert a 7-es sávban elnyelnek, az 5-ösben jó visszaverők. 5/4. sáv: vastartalmú ásványok. 3/1. sáv: vasoxid (világos) 4/3. sáv: vegetációs index (infravörös / vörös) (sok növény: világos) vagy 4-3 (!); 5/2 Különböző típusú növényzet 2/5: nedves és moсsaras területek 3/7: vízáramlás Színes kompozit arányképek A különböző színes kompozitok rengeteg variációja lehetséges. Ezek közül lehet a célnak megfelelőt találni. R 5/7 G 5/4 B 3/1:kőzet-ásványtani összetétel meghatározásához. (mineral composit) R 6/7 G 3/1 B 4/3: hidrotermális kompozit kép 3/1 3/5 5/7: kőzettípusok elhatárolása NDVI: normalizált differencia vegetációs index: 4-3/4+3 (lásd részletesen ott) Ezek a sávok természetesen сsak igen durván adják vissza a képződmény valódi, folyamatos görbéjét. A természeteshez közelebbi görbe visszaadásához és a pontos azonosításhoz hiperspektrális képek szükségesek. 38

39 A HIPERSPEKTRÁLIS TECHNOLÓGIA FELHASZNÁLÁSA: NÖVÉNYZET VIZSGÁLATA Mint a távérzékelési alkalmazásoknál általában, a növényzet vizsgálata a hiperspektrális rendszer esetében is a legfontosabb alkalmazási területek között van. A növényzet hiperspektrális vizsgálatában a mezőgazdasági terménynövényektől kezdve a trópusi liánokon (Castro-Esau et al. 2004) és tengerparti növényzeten át (Schmidt és Skidmore 2003) a szubarktikus zuzmókig (Rees et al. 2004) a legkülönbözőbb alkalmazási területeket találjuk. A növényzet spektrumgörbéjének lefutásában az elnyelési sávok különféle mechanizmusokra vezethetők vissza (21. ábra). 21. ábra A növényzet spektrális visszaverését meghatározó tényezők Csornai és Dalia (1995) alapján Vegetációs indexek (VI) A vegetációs indexek a növénytakaró mennyiségi és minőségi jellemzőit képesek kinyerni közvetlenül a spektrumgörbékből, azaz a hiperspektrális adatkockából. A multi- és hiperspektrális alkalmazásokra szabott vegetációs indexek száma és kiszámítási módja a bőségesnél is bőségesebb. Néhányat részletezve lásd pl. Zilinyi (1995) munkájában. Red egde (vörös él, vörös csúcs. valamint vörös váll, vörös kút) A multispektrális alkalmazásokhoz már kidolgozták a növényzet vizsgálatának optimális módszereit. Mivel a növények az infravörös tartományban igen nagy reflektanciájúak, a növényzet vizsgálatának egyik legáltalánosabb spektrális tartománya a vörösből infravörösbe történő éles átmenet, a red egde vizsgálata. Ez más vegetációs indexektől eltérően viszonylag érzékelten a légköri hatásokra vagy a felszín levél- vagy lombkorona záródására, azaz a talaj spektrumának megjelenésére. 39

40 A spektrumgörbe vörös átmenetének inflexiós pontja képezi az egyik legjobb azonosítási pontot a spektrumgörbében, mely megmutatja az adott növényzet vitalitását avagy stresszét: a friss és egészséges növény jobban virít infravörösben és jobban nyel el vörösben, mint a beteg, melynek spektrumgörbéje kiegyenlítettebb. A jelenséget a klorofill vörös elnyelési sávja és a növénytakaró infravörös fényszórása okozza (Mutanga és Skidmore 2004). A klorofilltartalom növekedésével a nagyobb hullámhosszak irányába mozdul, csökkenésével (pl. betegség miatt) a kék irányban, ezért ennek a jelenségnek blue shift a neve. A száraz növényben már minimális az infravörös kiugrás, annak spektrumgörbéje egyenletesebb. A vörös csúcs maximumának meghatározása fontos eleme a termésbecslésnek, így pl. időben meghatározható a búza kalászolásának ideje. A látható vörös elnyelési sávból az infravörös maximumba való átmenettel kapcsolatban számos mutatót, indexet dolgoztak ki. A red edge (vörös él/csúcs) pozíció (REP) a növényzet reflexiós spektrumának legjobban lejtő tartománya a nm között (pl. Pu et al. 2003). Definíció szerint a REP a vörös él inflexiós pontja (Pu et al. 2003). Az infravörös, erősen visszaverő területet a red edge shouldernek (vörös él válla) is nevezik. A red well (vörös kút) pozíció (RWP) a látható vörösben található minimumérték hullámhossza, azaz a maximális klorofill abszorpciós hullámhossz (Pu et al. 2003). A vörös csúcs a gyakorlatban a reflexiós értékek hullámhossz szerinti első deriváltja (Zilinyi 1995). Az egyik legáltalánosabban használt red edge arány a következő: Red egde = R750/R700 ahol R750: a reflektanica 750 nm-en %-ban, R700 ugyanez 700 nm-en. A red edge pozíció (REP) kiszámítása Mutanga és Skidmore (2004) szerint: re = ( ) [(R re -R 695 )/(R 742 -R 695 )], ahol R re = (R 663 +R 788 )/2 ugyanez Clevers et al (2002) szerint: re = ( ) [(R re -R 700 )/(R 740 -R 700 )], ahol R re = (R 670 +R 780 )/2 (R re =inflexiós pont reflektanciája, R 695 stb=reflektancia az adott hullámhosszon) Időben változó jellemzők a spektrumban (növényzet fenológiai fázisai [fenofázisai] alapján): A külső jegyek változása a változásdetektálás során okozhat problémát, amikor 40

41 különféle időpontokban felvett képeken ugyanaz a faj más jellemzőket mutat (Dennison és Roberts 2003). A növényzet adott reflektanciája nem a naptári napokhoz kötődik, hanem a meteorológiai paraméterektől (hőmérséklet, csapadék, napsugárzás), éghajlattól, lejtőkitettségtől, talajtól stb. függően alakuló fenológiai fázisai határozzák meg. A fejlődési ciklus során lezajló élettani folyamatokat külsőleg is látható változások kísérik, ezek a fenológiai jelenségek. (KFDT 2006) A fenológiai fázisok szabályos rendben követik egymást és faj típusonként eltérőek. A teljes ciklus adja a vegetációs időszakot. Az egyes fajok spektrális tulajdonságai változásának egyik tulajdonsága, hogy egy-egy faj egymáshoz képest eltérő sebességgel (és mértékben) változtatja visszaverését, így kijelölhető egy olyan időpillanat a fajok fejlődésében, amikor azok spektrális tulajdonságai adott hullámhosszakon a legjobban eltérek egymástól, azaz elkülönítésük a legkönnyebb ( ábra). 22. ábra A szójabab (sötét pont) és kukorica (üres karika) visszaverésének változása vetéstől a 140. napig, két hullámhosszon. Ez a két növény általában nehezen elkülöníthető: leginkább a vetéstől számított napon tér el egymástól spektrumuk, elkülönítésük tehát egy ekkor készült képen a leghatékonyabb (Csornai és Dalia [1995] ábrája nyomán) A spektrumgörbe változása több jelenségre vezethető vissza: A téli talaj reflexiós görbéjét lassan átveszi a leveleket növesztő növényzet jellemző spektruma (elnyelés a vörösben, visszaverés a közeli infravörösben). Ősszel (vagy a növény betegségekor) a klorofill lebomlik, így már nem nyeli el a fényt a kékben és vörösben. A levelek színe megváltozik, mert a többi pigment is láthatóvá válik. A levelek visszavert színei és a visszaverés forrásanyaga: klorofill: zöld, xantofill: sárga, karotin: narancssárga, antocián: kék. A búza esetében a kalász megjelenésével viszont eltűnik a klorofill-abszorpciós sáv, azaz ismét csökken a közeli infravörös reflexiója (a növény sárgul és szárazodik). A kalászolás idején mérhető klorofill tartalomból már lehet következtetni a termés nagyságára. A növények 41

42 fejlődése során folyamatosan elmozdul a vörös csúcs hullámhossza is ennek függvényében. Ha a vörös csúcs nagyobb, a termés is nagyobb lesz (Zilinyi 1995). Egy őszi búza példáján (Zilinyi 1995, VE 1998) a következő fenológiai fázisok követik egymást fejlődése során: Fázis jellemző időszak spektrális jellemző, megjegyzés Vetés október közepe talaj (nincs infra csúcs és vörös elnyelés) (Csírázás) Kelés november-december eleje rügyhüvely a talaj fölé emelkedik (Bokrosodás) az oldalhajtások megjelenésétől Szárbaindulás (-szökés) április vége-május eleje növényzet (infra csúcs, vörös enyelés, zöld csúcs) Kalászolás (k.hányás) május közepe-június eleje ismét száraz jellemzők (infra csúcs csökken, vörös nő) Virágzás kalászolás után 4-5 nap Tejes érés a termés még zöld Viaszérés július eleje Teljes érés július közepe (betakarítás: a terepen látható fenológiai fázisok vége) Holtérés a gabonát lábon hagyva következik csak be A kukorica fenológiai fázisai: Vetés Kelés 5 leveles állapot címerhányás nővirágzás érés 23. ábra Őszi búza spektrális tulajdonságainak változása Zilinyi (1995) alapján A fenológiai fázisok egy idealizált fa esetében (az egyes fázisok azonos időben vagy átfedve is bekövetkezhetnek): Téli (fiziológiai) mélynyugalom (+5 +7 C alatti hőmérséklet) [okt-jan] Téli kényszernyugalom [feb-márc] KIHAJTÁS o Rügyfakadás (rügyduzzadás, gyapjas állapot, rügypattanás) [ápr] LEVÉLFEJLŐDÉS (levelek kiterülése) o Mayshoot (tűleveleknél) o St Jones Sprout (második hajtások) VIRÁGZAT MEGJELENÉSE o Virágrügyképződés (bimbózás, amíg nem érnek össze a bimbók) [márc.-jún] 42

43 Reflektancia, % VIRÁGZÁS [máj] GYÜLÖMCSFEJLŐDÉS és BOLYGÓÉRÉS [jún-szept] o Gyümölcsnövekedés / zsendülés / termésérés (színesedés, puhulás) / -hullás ÖREGEDÉS Lomb (levél) -színeződés (több mint a levelek 50%-a) (nem összetévesztendő a levelek szárazság miatti, akár nyári barnulásával) Lomb (levél) -hullás (több mint a levelek 50%-a) Egy falevél változó reflektanciája 70 Zöld falevél 60 Sárguló falevél Barna (száraz) falevél Hullámhossz, nm 24. ábra Egy fa egyidejűleg begyűjtött, változó állapotú leveleinek reflektanciája. Ahogy a levél szárad, spektrumgörbéje kiegyenlítődik (az elnyelési sávok intenzitása csökken: a levél klorofill és víztartalma csökken). A levél három állapota kiválóan elkülöníthető, hiszen a három állapot reflektancia-sorrendje háromszor is megváltozik a spektrumgörbén. A fenti falevelekre a red edge pozíció kiszámítása a GER3700 csatornái alapján: re = ( ) [(R re -R 695 )/(R 742 -R 695 )], ahol R re = (R 663 +R 788 )/2 Ennek alapján különféle levelek reflektancia-értékei a vörös él inflexiós pontja pozíciójának és értékének meghatározásához szükséges hullámhosszakon: nm RE REP Száraz 0, , , , , ,6616 Sárga 0, , , , , ,9883 Zöld 0, , , , , ,1604 Red egde = R750/R700; ennek alapján különféle levelek reflektancia-értékei a vörös él értékének meghatározásához szükséges hullámhosszakon: száraz sárga zöld , , , ,2729 0,4799 0,62385 RE 1, , ,

44 A red edge illetve az inflexiós pont meghatározásakor alapvető szempont a minél finomabban kirajzolt spektrumgörbe. A hiperspektrális képeknél a DAIS 79 sávja, a GER 646 sávja illetve a multispektrális képek 4-7 sávja érzékelhető különbségeket ad az eredményben (25. ábra). 25. ábra A terepi spektroradiométer 646 sávja (B) és a LANDSAT 7 sávja (A) által szolgáltatott spektrum-görbék összehasonítása egészséges zöld növényzet esetén. Látható, hogy a red edge ugyan kivehető, de az inflexiós pont és a határpontok nehezen határozhatók meg a multispektrális kép esetében. Ebből a szempontból alapvető kérdés, hogy a légi adatgyűjtésnél használt spektrométer a kritikus vörös él környékén milyen spektrális felbontással rendelkezik. Ha megvizsgáljuk a DAIS csatornakiosztását, a következőt találjuk ( ábra): DAIS (fenn), GER (lenn) mérési tartománya, és zöld növényzet fényvisszaverése (zöld il. kékeszöld (USGS fű labormérés) Hullámhossz 26. ábra A légi DAIS (fenti piros pontok) és a terepi spektroradiométer (alsó piros pontok) és egy zöld fű labor-spektruma (USGS spektrum könyvtárból), a teljes spektrumra. 44

45 DAIS (fenn), GER (lenn) mérési tartománya, és zöld növényzet fényvisszaverése (zöld il. kékeszöld (USGS fű labormérés) Hullámhossz 27. ábra Kinagyítva a fenti ábrából a látható és közeli infravörös tartományok. Az ábrán jól látható, hogy a kritikus szakaszon ugyanakkora a sávok közötti távolság, mint a többin: a red edge területére így a 79-ből mindössze 4-5 sáv esik. A vörös él meghatározása az inflexiós pont meghatározásán alapul, amelyet a digitális adatokból már több csatorna alapján lehet közelítéssel meghatározni (Jung 2005) A hiperspektrális kép azonban így is jóval finomabban rajzolja ki a spektrumot, mint a multispektrális, így akár a red edge alsó, felső és inflexiós pontjainak, akár az abszorpciós sávok finom lefutásának meghatározásában képes releváns és akár fajspecifikus adatokat nyújtani. NDVI A biomassza megállapítására használt legáltalánosabb index az NDVI, azaz Normalizált Differencia Vegetációs Index (28. ábra). Ennek kiszámítása (Rouse, 1973) NDVI = (NIR Vörös) / (NIR + Vörös) Ahol a NIR a közeli infravörös hullámhosszra, a Vörös a vörösbeli hullámhosszra adott reflektancia értéket jelenti (%). A Landsat TM képek kiértékelésének a gyakorlatában az index közvetlenül lefordítható a Landsat TM sávokra (középértékeik: 3: 0,65 m, 4: 0,85 m) NDVI = ([TM4. sáv TM3.sáv] / [TM4. sáv + TM3. sáv]) Hiperspektrális képeknél már sokkal finomabb definíció szükséges, melyekből többen többfélét is kidolgoztak, pl. VOG C = (R 734 -R 747 /R 715 +R 720 ) (Vogelmann et al ) vagy 729 nm-t inflexiós pontnak véve egyszerű arányindexként: RI=R 474 /R 708. (Gupta et al.2002). 45

46 28. ábra Az NDVI meghatározása száraz talajra és egészséges növényzetre (idealizált példa): Talaj: 10-17/10+17=0,26 Növény: 30-6/30+6=0,67 Az NDVI index egyik leghasznosabb alkalmazási területe a növényborította és növénymentes területek hatékony elkülönítése. Ily módon pl. egy olyan kutatásban, ahol a növényzet fontos, a növénymentes területek kimaszkolhatók (és fordítva) ezáltal csökkentve a szükséges számítások számát. LAI: Leaf area index: levélfelületi index (más néven fajlagos levélfelület) A levélfelület nagyságát adja meg. CAI Egy másik, növényzet esetén használt módszer a spektrum görbe alapján számítja ki a klorofill tartalmat (28. ábra). A klorofill-abszorpciós integrál (CAI) a spektrumgörbén egy területet számít ki, melynek csúcspontjai a következők: az infravörös szakadék felső pereme (az index alapján 750 nm) (az ábrán A pont), a növényzet látható tartományú fényvisszaverési (zöld) csúcsa (az index alapján 550 nm) (az ábrán C pont), és az infravörös szakadék alsó pereme (az ábrán B pont); leegyszerűsítve az 550 és 750 nm-es pontokat összekötő egyenes és a spektrumgörbe maga határolja ezt a területet. mcai= A (R750-R550) f ahol f = a reflektancia görbe, A = a red edge két perem pontja által lehatárolt síkidom területe. Ez az index szintén a növényzet frissességét definiálja (Laudien et al. 2003). 46

47 29. ábra A klorofill-abszorpciós integrál és a red edge meghatározása néhány, Mályi községben augusztusában begyűjtött falevél példáján. Az egyes indexeket az egészséges (zöld, friss) falevél spektrumén mutatom be. A többi spektrumgörbén értelemszerűen változnak illetve értelmezhetetlenné válnak ezek az értékek. A növényzet elnyelési sávjai. A növényzet meghatározásában alapvetően fontosak az elnyelési sávok (29. ábra). Az elnyelési sávokban elnyelt energia a fotoszintézis során használódik el, amikor a növény a napfényből energiát nyer (és oxigént termel) a következő folyamatban: CO 2 +H 2 O (napfény) CH 2 O+O 2 Zuzmók meghatározásában (is) hasznos elnyelési sávok Rees et al. (2004) alapján: Klorofill-elnyelési sáv: , Klorofill-elnyelési sáv: , Víz elnyelési sáv , Hidroxil-elnyelési sáv , Cellulóz elnyelési sáv , Víz elnyelési sáv: , Cellulóz elnyelési sáv , Cellulóz elnyelési sáv nm. (Víz elnyelési sávjai: 652, 796, 823, 906, 942, 1135, 1380, 1454, 1876, 2662 stb. nm.) 30. ábra A növényzet pigmentjeinek abszorpciós görbéi. Ezekben a sávokban tehát elnyel a növény; ahol a görbék értéke minimális, ott visszaveri a fényt: mivel ezek a hullámhosszak a zöldbe esnek (zöld csúcs), a növény zöldnek látszik (idézi Schmidt 2003). 47

48 A növényzet meghatározása Egy terület növényhatározása hagyományos terepmunkával rendkívül időigényes folyamat, de így is csak pontszerű adatok interpolálását képes nyújtani. A fajok külső jegyeik alapján kerülnek meghatározásra (levél, törzs, termés stb.), a különféle fajok arányát és a lombkoronaszint záródását a terepi biológus becsléssel határozza meg. A távérzékeléses eljárással egy nagy terület egyetlen képen áttekinthető és vagy szemrevételezéssel (manuálisan) vagy automatikusan osztályokba sorolható. Különösen hatékony a módszer a nehezen hozzáférhető területek vagy kevésbé értékes állományok, fiatalosok felderítésénél (Czimber 2000). Erdők vizsgálata Az egyes ásványfajtáktól eltérően a vegetációtakaró egyes szereplőinek spektruma többé-kevésbé megegyezik. A növények biokémiai összetétele ugyanis nagyjából megegyezik, bármilyen fajról is legyen szó. A leveleken történő fényvisszaverés és szóródás további gondot jelent. Ami mégis elkülöníthetővé teheti őket, az a pigmentkoncentráció, biokémiai jellemzők, levél jellemzők, lombkorona szerkezet, így ezeknek köszönhetően az abszorpció és reflektancia is különbözik. A multispektrális képekkel az erdőtípusok (lombhullató/tűlevelű) elkülönítése jól megoldott (különösen, ha a felvétel akkor készül, amikor a lombhullatókon már nincs lomb). A nagyobb növényzeti egységek, mint erdő, rét, cserjés elkülönítése is nagy biztonsággal megoldott, de más esetekben, különösen az említett egységeken belül a mélyebb elkülönítés nem automatizálható biztonsággal (Jan 2000). A trópusi fafajok elkülönítése azonban az irodalmi adatok szerint sikeresebb, különösen, ha a lombkoronák egyedileg azonosíthatók. Az időben változó tulajdonságú lombok azonban itt is akadályt jelentenek (Clark et al. 2005). A lombhullató erdőknél alapvető probléma az erdőterület heterogenitása pixel szinten; így tanítópont alapján rendkívül nehéz homogén képelemet kijelölni. A spectral angle mapper módszer helyett ezért a maximum likelihood jobb eredményt adott (Salvatori 2003). A hiperspektrális képek elemzésekor egyes szerzők nem faji szintű elkülönítést próbálnak elérni, hanem táj szintűt, ami alatt lényegében a kőzet, talaj, növényzet (társulás), víz és egyéb tényezők egy egységként szerepelnek (Schmidt és Skidmore 2003). Erdők esetében a fafajok kora is befolyásoló tényező: egy fiatalos társulásnak az azonos, idősebb társuláshoz képest más a spektruma. Schmidt és Skidmore (2003) kutatásában a 771 nm-es hullámhosszt találták a legjobbnak az egyes hollandiai sósvízi környezetű tájak elkülönítésében. A további, fajok szerinti különbözőséget mutató hullámhosszak: 404, 628, 771, 1398, 1803, 2183 nm. 48

49 Spektrumkönyvtár A nemzetközi irodalomban digitális formátumban hozzáférhető spektrumkönyvtárak többségükben ásványokat, ásvány-együtteseket, talajfajtákat, kőzeteket, folyadékokat, mesterséges objektumokat, növényzetet és mikroorganizmusokat tartalmaznak (Clark et al. 2003).. Utóbbi azonban érthető módon azon területek növényzetét tükrözik, melyen a legtöbb kutatást végzik, mely nem azonos a magyarországi fajokkal. A nálunk előforduló fajokról nincs széles körben hozzáférhető spektrumkönyvtár, sem faji (labor vagy terepi), sem társulási szinten. A hazai fajok spektrumkönyvtárát tehát szükséges volna létrehozni (Czimber 2000). Magyarországon a hazai kőzetekről 1990-ben készült laboratóriumi spektrumkönyvtár, amely a MÁFInak a nemzetközi IGCP-264-es projektjében való részvétele során született (Síkhegyi et al. 1990). A célspektrum meghatározása társulási szinten problematikus. A talaj, cserjeszint, telepített-bekevert növények, aktuális évszak, lejtőkitettség stb. mind módosítják a spektrumot, így egy megbízható spektrumkönyvtárhoz faji vagy társulási szinten több időpontban, pontosabban a növény/társulás fejlődési fázisában készült spektrum volna szükséges. Amennyiben rendelkezésre áll az egyes fafajok saját spektruma mint endmember, ebből az adott társuláson belül spektrumszétkeveréses módszerrel elméletileg meghatározható lehet az elegyarány. Azonban nem biztos, hogy spektrumszétkeverésre használható ez a spektrum, mert lehetséges, hogy egy ilyen kevert képelem nem végállású (endmember) a tulajdonságtérben. Oszályozásban azonban célspektrumként használható lehet egy társulás átlagos spektruma is, feltéve, hogy az adott felbontás mellett homogén foltként jelenik meg. Így a spektrumkönyvtárnál ilyen átlagos, azaz spektrálisan nagyobb területre nézve homogén felszínek spektrumát érdemes alkalmazni és célspektrumnak venni. Szikesek meghatározása A szikesek vizsgálatában a talaj felszínén található sóknak a legnagyobb a szerepe, így ezek spektruma vizsgálandó: nátrium-szulfát (Na 2 SO 4 ), gipsz (CaSO 4 2H 2 O) (anhidrit), só (NaCl), kalcium-karbonát (mész) (CaCO 3 ), nátrum-bikarbonát (NaHCO 3 ) (Metternicht és Zinck 2003). A sókedvelő növényzet ugyancsak szolgálhat indikátorként. Taylor és Dehaan (2000) a következő hullámhosszakat találta a szikes területek elkülönítésében karakterisztikusnak: 800 nm (nagy reflektancia), 2200 nm (alacsony és széles hidroxil-sáv), 1450, 1900 nm (széles elnyelési sávok), 980, 1170 (elnyelési sávok). 49

50 A repülés (kép felvétele) időpontjának kiválasztása Téli és nyári, reggeli és déli képek teljesen különböző látvánnyal szolgálhatnak. Évszak A kép felvételének dátuma függ a feladattól. Topográfiai vagy geológiai térképezésre a tavasz vagy az ősz alkalmas, amikor a levelek már/még lehullottak de már/még ninсs hó. A növényzet tanulmányozására legalkalmasabb a növekedési időszakban felvett kép. Ez a késő tavaszi/kora nyári időszak, mielőtt a levelek elérnék maximum pigmentációjukat. Pánkormatikus képek esetén a késő ősz is alkalmas a fafajok elkülönítésére. Napszak A felszín reflektanciájának vizsgálatához a helyi dél +-2 óra időpont alkalmas, amikor ninсsenek árnyékok. A domborzat kihangsúlyozására a kora reggeli / késő délutáni órák a legalkalmasabbak. Utóbbi előnyösebb, mert a légkör tisztább. A felvétel időpontja A legajánlottabb a kora reggeli órák képeit használni, mert a tárgyak éjszakai lehűlés utáni saját maradékhőjét mutatják, melyet a napsugárzás nem befolyásolt. Ezek a hőmérsékleti különbségek befolyásolják a levegő hőmérsékletét is ekkor. A korareggeli órák felszíni hőmérsékleti inverziója (völgyekben ülő hideg levegő) viszont torzíthatja a képet. A hőárnyékok és felszíni szélárnyékok elkerülésére éjszakai képek is kedveltek. Nappali képekre a délutáni időpont a legalkalmasabb, amikor minden tárgy a maximális hőmérsékletét éri el. A lejtőkön a különböző kitettség miatt a domborzat is érzékelhető. A napkelte/naplemente időszakban a víz és a szárazföld épp keresztezi egymás hőgörbéjét, így hasonló hőmérsékletű. Ez az időszak ezért nem használható. A HAZAI KÍSÉRLET A megvalósítás intézményi háttere Magyarországon a távérzékelés geológiai, mezőgazdasági, térképezést stb. felhasználása az INTERCOSMOS egyezmény keretében kezdődött, majd a FÖMI részéről az ESA-val való egyezményekkel, illetve pl. a CORINE programmal (Büttner et al. 2004a, 2004b; Mari és Mattányi 2002) folytatódott. Mindezek azonban legfeljebb multispektrális adatokat szolgáltattak. A hiperspektrális képek magyarországi alkalmazásának igénye először 1998-ban merült fel komolyabban. A Magyar Köztársaság modernizációs programja a 2159/1996. (VI.28.) számú kormányhatározatban önálló feladatként tartalmazza Magyarország légifelmérését. A szakmai irányítási, technológiai és gazdasági szempontból rendkívül összetett feladat előkészítése az akkori Országos Műszaki Fejlesztési Bizottság (OMFB) támogatásával és koordinációjával kezdődött meg 1997-ben. Ennek keretében a Magyar Állami Földtani Intézetben (MÁFI) 50

51 Kardeván Péter kezdeményezésére, szervezésében és szerkesztésében döntés-előkészítő tanulmány jelent meg, melyet Bognár Vilmos hivatalos partnerként támogatott. (Kardeván 1998a, 1998b), mely a legfontosabb három célkitűzésként jelölte ki a következőket: az ország teljes lefedése mérőkamerás légifelvételekkel; az ország teljes lefedése légigeofizikai felvételezéssel; hiperspektrális digitális felvételek készítése az ország területére [A hiperspektrális technológia használata] jelenleg még világszinten is csak kutatási fázisban tart. Ezért hazai szinten országos méretű felvételezési program megvalósítása ma még nem célszerű [kiemelés az eredetiben]. Annak érdekében, hogy ne csak irodalmi szinten ismerjük ezt a korszerű felvételezési technikát, javaslat született arra, hogy Magyarország jól lehatárolt területein, jól megfogalmazott célkitűzéssel (pl. környezetvédelem, növényvédelem, légszennyezések hatása stb.) kisebb, de jól ismert teszt területekre kísérleti célú légifelvételezést, adatfeldolgozást és adatelemzést végezzünk el. Ehhez különböző szakmai területek szakembereinek összehangolt tevékenységére van szükség. írta tanulmányában 2001-ben a FÖMI tudományos főigazgató-helyettese (Winkler 2001). A megvalósíthatósági tanulmányról szóló vezetői összefoglalójában elhangzott: A konzultációk során nem lehetett azonosítani olyan vivőprojektet, amelyhez kapcsolódóan a hiperspektrális adatokat valamely felhasználó igényelte volna a mintegy 100 millió Ft ráfordítást is vállalva. (Bognár 1999). Végül a pilot projekt az Európai Unió támogatással és a MÁFI finaszírozásával valósulhatott meg, Magyarországon először 1989-ben használtak képalkotó spektrométert, a FÖMI által ben végrehajtott MONITEQ kampány keretében. A kanadai MONITEQ cég FLI/PMI rendszere egy képalkotó spektrométer volt, mely két üzemmódban működött: spektrális módban 288 sávban, térképező üzemmódban pedig 8 választható sávban. A szigetközi felvételezésben a térképező üzemmódot használták. A terület kiválasztását az abban az időben kezdődő Bősnagymarosi munkálatok indokolták (Büttner 1990). A magyarországi hiperspektrális felvételezés szervezését az OMFB-tanulmánytól függetlenül még a 2000-es nagybányai eredetű ciánszennyezés idején, annak kapcsán kezdte a hollandiai ITC-ben (International Institute for Geo-Information Science and Earth Observation, Enschede, Hollandia) Vekerdy Zoltán. Magyarországról Kardeván Péter vezetésével a MÁFI (Magyar Állami Földtani Intézet) kezdeményezte és koordinálta a teljes kutatást, annak megszervezését, megvalósítását és elemzését és az adatok más kutatóknak történő rendelkezésre bocsátását (A MÁFI részéről további kutató Róth László). A közös kutatásra a MÁFI és az 51

52 ITC között februárjában aláírt 3 éves tudományos együttműködési keretszerződés alapján került sor (Kardeván et al. 2000) (MÁFI Távérzékelési Projekt). A kísérlet előkészítéseként egy, az ITC által biztosított GER 3700 spektroradiométerrel terepi spektrumok felvételére került sor Kardeván Péter vezetésével az Alföldön. Ennek során Algyő, Látókép, a debreceni reptér, Tiszacsege, Tiszabecs, Apajpuszta, Tivadar és Bugac térkségében került sor a talaj és a gyepszint növényzete spektrumának felvételére, talajminták vételével együtt. A spektrumok és talajminták a MÁFI-ban kerültek részleges elemzésre. Az interdiszciplináris projektben már együttműködő partner volt többek között a Debereceni Egyetem Agrártudományi Centrumából Tamás János, a JATE-ról Mucsi László, illetve egy hazai laboratóriumi kőzet-spektrumkönyvtár létrehozása céljából Zelenkai Tibor (Kardeván et al. 2000), akik később is csatlakoznak a hiperspektrális adatok elemzéséhez. A hiperspektrális képek elkészítése az Európai Unió Improving Human Potential Programme: Access to Research Infrastructures projektje keretében valósult meg. Ezt a németországi DLR (Deutsches Zentrum für Luft- und Raumfahrt) pályázta és nyerte meg, akik tehát így ingyen azaz EU anyagi forrással repülhettek. A DLR projekt vezetője Andreas Müller geológus volt. Hogy hol és milyen céllal történjen a repülés, arra szolgált a HySens projekt, melynek 2002-es kiírására Magyarországról a MÁFI részéről Kardeván Péter pályázott. Ez a pályázat arról szólt, hogy a jelentős anyagi ráfordítással kifejlesztett DAIS ROSIS rendszert elérhetővé tegyék más országok számára is, pl. az akkori EU-hoz csatlakozni kivánó országok számára. A HySens 2002 projektben egy lengyel kutatócsoport is részt vett: sokáig a magyarokkal közös repülési ablakuk volt: az időjárástól függően vagy hozzánk vagy hozzájuk repült volna a gép. A repülést tehát a HySens 2002 projekt keretében a DLR végezte, míg a hazai földi méréseket a MÁFI támogatta anyagilag. A repülést és az adatok kalibrálását a német űrkutatási iroda távérzékelési csoportja, a DLR Imaging Spectroscopy Working Group of the Remote Sensing Data Centre folytatta. Mivel a repülés idején, 2002-ben Magyarországon nem volt olyan terepi spektroradiométer, mely az nm tartományban is érzékelt volna, ezeket a berendezéseket ASD FieldSpec, GER 3700 és PIMA típusú spektroradiométerek a külföldi partnerek (ITC, JRC) biztosították (Kardeván et al. 2003, Kaderván 2006) Később adatszolgáltatóként illetve kutatóként bekapcsolódott a VITUKI (Vízgazdálkodási Tudományos Kutatóközpont) (kutatói: László Ferenc, Jolánkai Géza) és a Debreceni Egyetem Agrártudományi Centruma (Tamás János) is a programba. 52

53 A nemzetközi partnerek közt az ITC mellett a JRC-t (Joint Research Centre, Európai Unió, Ispra, Olaszország) is ki kell emelni (kutatói: Stephan Sommer (egyben a HySens projekt bíráló bizottságának tagja) és a MÁFI részéről Jordán Győző). A JRC a repülés alatt terepi spektrométeres mérésekkel járult hozzá a projekthez, később pedig az atmoszferikus korrekciók területén adtak támogatást elsősorban a PECOMINE projekt hazai végrehajtásához, amit a környező országokban (Románia, Szlovákia) megvalósítottak, hazánkban nem. (Kardeván 2006) Hámor Tamás (MGSZ) és Jordán Győző (MÁFI-JRC) geokémiai adatbázisépítési és jogi témákban vett részt a projektben. A végül számos tudományterületet és kutatási célt egybefogó programban az eredeti tervekben a folyók által szállított, illetve a felhagyott bányák környezeti hatásának, a savas bányavíz kifolyás (AMD) következményének kimutatása volt a cél. Így esett a választás a recski és gyöngyösoroszi területre (elsődleges kutatók: MÁFI, ITC, JRC, Debreceni Egyetem), ahol a felhagyott bányaművelés meddőhányói illetve patakokban elszállított hordalékaiból a nehézfényszennyezés kimutatása volt a cél. Eredetileg a következő terület a Tisza ártere lett volna, az üledékben a ciánszennyezés nyomainak kimutatására, de egy későbbi áradás iszapja elfedte ezeket az üledékeket, így a folyóvízi célterület végül a Sajó Hernád-torkolat feletti szakasza lett (elsődleges kutató: ITC) (Kardeván et al. 2003). Külön kiemelendő a hajdúsági (Debrencen-) látóképi és a (Hajdúnánás-) tedeji terület (elsődleges kutatók: ITC, Debreceni Egyetem Agrártudományi Centrum), amelyeken a spektrális távérzékelés mezőgazdasági és környezetvédelmi hasznosításait kutatták. Az ezen területekről szerzett adatok kiértékelését a Debreceni Egyetem Víz- és Környezetgazdálkodási Tanszékén Tamás János ill. Pechmann Ildikó vezetésével végezték. A terepi munkákhoz segítséget biztosítottak a Recski Ércbányák, Tedej Mezőgazdasági Rt., és az Észak-magyarországi Környezetvédelmi Felügyelőség. A látóképi területet leszámítva a terepi méréseket és az adatok elsődleges feldolgozását végül az ITC diákjai készítették: ezek voltak szakdolgozati témáik, Vekerdy Zoltán témavezetésével (Hyde 2003, Rukezo 2003, Turdukulov 2003, Yin 2003), melyek elérhetők az ITC honlapján. Akkor magyarországi egyetem a debrecenit leszámítva nem kapcsolódott be a kutatásba, hacsak Vekerdy Zoltán ELTE TTK-n tartott Bevezetés vizes élőhelyek távérzékelésébe c januári doktori iskolai szakszemináriumára jelentkező érdeklődő hallgatók aktivitását nem számítjuk ide. Az adatok felhasználása nyitott a kutató közösségek számára. A hiperspektrális adatkockákra a MÁFI-nak van tulajdonjoga. (Kardeván 2006) 53

54 A légifelvételek elemzéséből azóta magyarországi szakdolgozat is született: pl. Szandányi (2004), Jung (2006) munkája. A gyöngyösoroszi képen található városi terület elemzése is szolgált magyar publikációs témaként (Jung et al. 2005). A jelen dolgozatban ismertetett további, a fenti nyersanyagokra és eredményekre alapozó, a recski és a gyöngyösoroszi területen folytatott terepi kutatást a Magyar Tudományos Akadémia vácrátóti Ökológiai és Botanikai Kutatóintézeteből Horváth Ferenc 4 segítette. Megemlítendő, hogy hazánkban számos helyen folynak hiperspektrális technológiát alkalmazó kísérletek, elsősorban azonban laboratóriumi felhasználással. Az Európai Unió Strukturális Alapjai forrását felhasználó Gazdasági Versenyképesség Operatív Program pályázata keretében a gödöllői FVM Mezőgazdasági Gépesítési Intézete 5 Hiperspektrális távérzékelési laboratórium kialakítására 48 millió Ft-os támogatást nyert el. A Debreceni Egyetem ben agrárökoszisztémák hiperspektrális vizsgálatára 59 millió Ft-os támogatásban részesült. (GVOP 2004). A Nemzeti Kutatási és Technológiai Hivatal MŰSZER pályázatán 2002-ben a Földművelésügyi és Vidékfejlesztési Minisztérium Műszaki Intézete Hiperspektrális képalkotó rendszerre a kért 42 millióból 29,5 millió Ft-os támogatásban részesült (MŰSZER 2002). Ez a rendszer egy laboratóriumi hiperspektrális kamra a dolgozat írásának időpontjában a Corvinus Egyetem Kertészettudományi Kara Fizikai Tanszékén működik, miután megjavították. Az előbbiek közös pályázatában finn AISA hiperspektrális kamera vásárlását nyerték el. A végrehajtás a dolgozat írásának időpontjában folyamatban van, melynek eredményeképp megvalósulhat az első hazai hiperspektrális légi adatgyűjtési szolgáltatás. (Kardeván 2006). Ez 286 sávban érzékel, 0,45 0,9 mikrométeres hullámhosszon, azaz csak a látható és közeli infravörösben, de e tartományban igen jó spektrális felbontásban. A Budapesti Corvinus Egyetem Kertészettudományi Kara Talajtan- és Vízgazdálkodási Tanszéke 2001-től Hiperspektrális módszereket használ a vegetáció-kutatásban tanszéki kereteken belül ill. együttműködésben a MÁFI-val. (Jung 2003, 2005, 2006, Kardeván 2004c, 2005, Kertészettudományi 2006). A SZTE TTK Természeti Földrajzi és Geoinformatikai Tanszékén Mucsi László vezetésével folyik munka Hiperspektrális távérzékeléses módszerek alkalmazása térbeli folyamatok jellemzésére címen (OTKA pályázaton 2004-ben elnyert 5,5 millió forintos költségvetéséből (OTKA 2004) /157 horvfe@botanika.hu 5 nagyistvan@fvmmi.hu 54

55 A MEGVALÓSÍTÁS TECHNIKAI HÁTTERE GER terepi spektroradiométer. A kísérletekben három terepi spektroradiométert használtunk a terepi referenciaadatok gyűjtéséhez. A jelen dolgozatban bemutatott mérési adatok a GER 3700 spektroradiométerrel készültek (GER 3700, 1990). A műszer a 325 nm 2500 nm hullámhossz tartományban 646 (+1) sávban érzékelt, 1050 nm-ig 1,5, afölött 6,5 nm-es spektrális felbontással. FOV: 3, opcionálisan 10, üvegszálas optikával 23 (utóbbi kettőt ritkán használtuk). A műszer egy spektrum méréséhez több külön mérést végzett el és azokat integrálta. DAIS A kísérletben repülőgépről működtetett képalkotó spektrométerek készítették a hiperspektrális légifelvételeket. Két spektrométer volt a fedélzeten: a német Geophysical Environmental Research Corp. (GER) által kifejlesztett, 1994 óta működtetett DAIS 7915 (Digital Airborne Imaging Spectrometer) a látható és az infravörös fény hullámhosszain 79 sávban (5. táblázat), míg a Dornier Satellite Systems és a DLR által kifejlesztett ROSIS (Reflective Optics System Imaging Spectrometer) a látható fénytartományban, 115 sávban készített felvételeket. A DAIS műszer laboratóriumi kalibrációs központja a német DLR oberpfaffenhofeni telepén található. Hullámhossztartomány Összesen: 400 nm nm, 79 csatorna nm 32 csatorna sávszélesség = nm detektor : Si nm 8 csatorna sávszélesség = 45 nm detektor: InSb nm 32 csatorna sávszélesség = 20 nm detektor: InSb nm 1 csatorna sávszélesség = 2000 nm detektor: InSb nm 6 csatorna sávszélesség = 900 nm detektor: MCT 3. táblázat A DAIS mérési tartományai (Chang et al. 1993; Habermeyer, 2001) A DAIS műszer egy képelemének térbeli felbontása a repülési magasság függvényében változó. A repülési magasság 3500 m körüli volt. Egy képelem látómezője (IFOV): 3.3 mrad (0,189 ), ennek alapján: r = h tan [( /2) ( /180)] ahol r = a látómező sugara; a kamera látómezeje fokban kifejezve; h = repülési magasság. Ennek alapján a magyarországi esetben egy képelemhez 5,7 m sugarú körben található terület tulajdonságait átlagolta. A négyzet alakú képelemek végül kb. 6-7 m/pixel felbontásúak. A DAIS szkenner soronként 512 képelemes, tetszés szerint hosszúságú (oszlop számú) kép készítésére alkalmas. A ROSIS műszer térbeli felbontása 1,5 m/képelem volt (Kardeván et al. 2003). A repülés egy Dornier 228 típusú repülőgéppel történt. 55

56 Itt jegyezzük meg, hogy a DAIS műszer legújabb változata a DAIS 2115 modell, mely ugyanabban a spektrális tartományban, de 211 sávban érzékel. A HYSENS 2002 MEGVALÓSÍTÁSÁNAK MUNKAFÁZISAI Előkészítés A repülés előkészítése a térképi alap megteremtését, a vizsgált helyszínek kiválasztását, a repülés és vele egyidejű terepi mérések elvégzésének logisztikai megszervezését jelentette. Az előkészítés során a következő típusú adatokat és dokumentumokat szereztük be: topográfiai térképek, a területek digitális terepmodellje, korábbi pánkromatikus és színes légifotók, korábbi LANDSAT TM felvételek, geokémiai adatok, geofizikai adatok, környezetvédelmi tanulmányok, vegetációs adatok, hidrográfiai adatok, meteorológiai idősorok stb (Vekerdy et al. 2002). Terepi munka Habár a légifelvételezés csak néhány órát vett igénybe, a terepi munka 2002 egész augusztusában folyt. Az időjárás sajnos nem volt kedvező, hiszen a mérésekhez teljes napfény kell, a terepi munka első kétharmadában pedig esős idő volt a repülés utolsó lehetséges napjára azonban teljesen kiderült az idő, így a sok izgalom után a mérések tökéletes minőségben (felhőtlen égbolttal) készültek el. A hiperspektrális távérzékeléses légi felvételezéssel egyidejű földi adatgyűjtéshez illetve a spektoradiométeres földi mérésekhez külön eljárásmód-leírást dolgoztak ki (pl. Zomer és Uston 2002). Ez azonban a helyszíntől, a méréstípusoktól, használt műszerektől is függ. A kísérlet során a lefényképezett területen az adott terület vizsgálatának megfelelően a mi esetünkben a következő anyag- és adatgyűjtések történtek: minden adat- vagy anyagvételi pontban GPS mérés ahol szükséges volt, talajminta (több mélységből, talajmintavevő fúróval), valamint a helyszínen a felszínről spektroradiométeres hiperspektrális felvétel készítése (meddőhányóból, szikes vagy mezőgazdasági művelés alatti talajból) ahol szükséges volt, növényminta (levelek), valamint a helyszínen a növényekről spektroradiométeres hiperspektrális felvétel készítése ahol szükséges volt, vízminta (ahol szükséges volt, csónakról) és spektroradiométeres hiperspektrális felvétel készítése a mintavételi helyeken a vízről, valamint vízminőségi jel- 56

57 lemzők megállapítása (Secchi mélység, turbiditás, klorofill, lebegőanyag-koncentráció) (Vekerdy et al. 2002). Minden spektrum felvétele előtt fehér-referencia mérés, az aktuális beérkező napsugárzás mint a reflektanciaérték referenciájának megállapítására valamennyi pontban digitális fotó készült ahol szükséges volt, a nehézfémek összetételének megállapítására a Debreceni Egyetem röntgenfluoreszcens spektrométeres (Kovács és Tamás 2003) mérést végzett (NITON XL-700 típusú készülékkel). A spektroradiométer terepi kezelésével kapcsolatos kérdések A terepi spektroradiométer jelentősége kettős: egyrészt a mindenkori fehér referenciát kell mérnie, hogy a légifényképezés alatt referenciaadatokat biztosítson a besugárzás aktuális állapotáról, másrészt terepi adatokat kell adnia ugyanazokról a területekről és vizsgált anyagokról, mely a légi fényképen is szerepel (ground truth). Utóbbi esetben felmerül, hogy hogyan lehet egy 6 méter átmérőjű területet egyetlen képelembe sűrítő információt, még akár a spektrum szétkeverés módszerével is, megfeleltetni egy pár cm-es területről készített spektrummal. A terepen az adott növényzet leveleit összegyűjtve a spektroradiométer látómezőjébe helyeztük és felvettük spektrumát. Ez a spektrum azonban valószínűleg nem azonos azzal, ami akár endmemberként a légifotón szerepelhet: a megvilágítás, a növény leveleinek dőlésszöge (ezzel a beesési szög, az árnyék és a növény levelének színe/fonákja aránya), a felülről látszódó levelek típusa (fénylevelek stb), aránya mind módosíthat a spektrumon, nem is beszélve mindazon tényezőkről, melyek nem a vizsgált növény részei: a talaj, kőzet, más növények stb. Bár mi nem használtunk ilyen megoldást, Kaderván Péter és munkatársai parlagfű-mérései során többféle hasonló technológiát is kipróbáltak: tűzoltólétrát és emelőkosaras darut használtak.(kardeván et al. 2004c, 2005). Laudien et al. (2003) módszere is követhető példa lehet: ők egy két m magas botra erősített kinyúló rúdon ( akasztófán ) tartották a spektroradiométert a mezőgazdasági területen lévő növények spektrumának felvételéhez. Így a látómezőben nem csak egy növény egyed adott levelei szerepeltek, hanem több növény együttesen, s velük együtt a talaj is ( ábra). 57

58 31. ábra 32. ábra 33. ábra Tűzoltólétrás megoldás és a létre tetejéről látott homogén területek a magyarországi parlagfűmérések során (jobbra és középen), illetve emelőkosár használatával (Kardeván et al. 2005b) (képek Kardeván Péter szíves hozzájárulásával) Ez nagyobb, közel 100%-os homogén növényborítás esetén, a cserje szintig jó eredményt adhat. A lombkoronaszint hasonló felvételezése természetesen más megoldást kíván: még ilyen módszerekkel is csak nehezen gyűjthetők be homogén képelemek spektrumai. Egy kifejezetten fafajok elkülönítését célzó kutatás (Jan 2000) daruskocsit használt a megfelelő spektroradiométeres rálátás biztosítására (34. ábra). 34. ábra Jan (2000) spektroradiométeres felvételezése. Nekünk egy állvány állt rendelkezésre. Mivel számunkra nem állt rendelkezésre hasonló eszköz, csak a letépett levelek spektrumát mérhettük külön, illetve a légifotó 6x6 méteres területet integráló képelemeinek átlagspektrumát használhattuk. Ez vezetett végül saját kutatásomban oda, hogy a recskigyöngyösoroszi területen nem fajonként, hanem társulásonként határoztuk meg a célspektrumokat. 58

59 35. ábra A terepi műszerek (referenciamérés közben): középen a GER 3700 terepi spektroradiométer. A látómezőben található anyagok fényvisszaverő-képességéről (reflektancia) készít méréseket a 325nm nm hullámhossz-tartományban, melyet 647 sávra bont fel. Így nagy pontossággal rajzolja ki az adott anyag reflektancia- spektrumát. Balra lent a fehér referencia tábla: az erről visszavert aktuális napfénymennyiség szolgál alapként (100% reflektancia) a célanyag méréséhez. Jobbra a hordozható számítógép az adatok rögzítéséhez. Még megjegyezhető, hogy a spektroradiométer (35. ábra) előírt működési hőmérséklete max. 50 C, melyet a napsütötte felszín miatt valószínűleg a gép belső hőmérséklete időnként meghaladott. A spektroradiométerhez csatlakozó laptop, melyen a méréseket rögzítettem, a laptopoktól megszokott látszólag igen halvány fényerejű volt, különösen napos időben. Mivel a méréseket késő délelőttől kora délutánig, tehát a Nap delelése körül, teljes napsütés esetében végezhettük csak el, a képernyő tartalmának leolvasása gyakran igen nehéz volt. A terepen dolgozó másik kutatócsoport épp csak felhős napokon tudott dolgozni, ezért minden spektrumfelvételhez lámpát használtak, ami viszont azt jelentette, hogy egész nap dolgozhattak. Rees et al. (2004) arktikus területen végzett kutatásaiban eleve egy 1000W-os lámpával vette fel a spektrumokat. A légköri szórt fényt a HySens 2002 programban nem vettük figyelembe, Kardeván és munkatársai (Kardeván et al. 2005, 2005b) mérései során azonban naptárcsás árnyékoló technikával külön fehérreferencia-méréseket végeztek az árnyékban, a szórt fény meghatározására. A kiértékelés előkészítése A kísérlet kiértékeléséhez elvégeztem a megfelelő területek 10 ezres topográfiai térképeinek feldolgozását. Mivel ezek digitális állományban nem álltak rendelkezésre, a MÁFI-ban meglévő (a FÖMI által tudományos együttműködés keretében rendelkezésre bocsátott) 10 ezres topográfiai térképeket beszkennelték, majd azokat egyenként image to map módszerrel georeferáltam, és mozaikoltam. A szkennelés során többször előfordult, hogy egy-egy képelem sor lemaradt, így a térképen nem jelentős, de érzékelhető sorhiány (geometriai torzulás) keletkezett. A georeferálás során az x a Gauss-Krüger vetület esetén a hosszúságot, az EOV esetén a szélességet jelölte. A hosszúság esetén a számérték első 4-esét törölni kellett. 59

60 A manuálisan georeferált topográfiai térképek alapján készítették el a DLR-ben (Németország) a légifelvételek geometrikus korrekcióját. A DLR-ben a DAIS 79 csatornájából az utolsó 6 csatorna a termális sávban működött. A feldolgozott képeken egy 80., számított csatornát is hozzáadtak, mely a hőmérsékleti adatot tartalmazta közvetlenül C-ban leolvashatóan. A felvételek kiértékeléséhez használt digitális terepmodelleket a FÖMI bocsátotta a MÁFI rendelkezésére közvetlen digitális állományban, a 10 ezres topográfiai térképlapoknak megfelelő kivágatokban. A képek feldolgozásához az amerikai Research Systems, Inc. The Environment for Visualizing Images (népszerű nevén ENVI) nevű programjának PC-s változatát használtuk (kezdetben a 3.5, majd 3.6, végül a 4.0 verziót). Megemlítendő, hogy a kísérlet előkészítésekor viszont a hiperspektrális adatok kezelésének elsajátítását az ERDAS Imagine 8.3 program Macintoshos verziójával kezdtem. Mivel az ENVI adott verziója nem ismerte az Egységes Országos Vetületet (EOV), melyet a topográfiai térképeknél és a georeferencia alkalmazásakor használtunk, ezt integrálni kellett a szoftverbe. Ezt Timár (2004) és Timár et al. (2002) alapján tettük meg. Az ENVI-n kívüli vetületi transzformációkhoz Völgyesi (2001) VETULET nevű programrendszerét használtuk. A képfeldolgozás fázisa A hiperspektrális adatkocka feldolgozásának egy általánosítható menete a következő: Atmoszferikus korrekció (Ezt a fázist a DLR-ben végezték) Geometriai korrekció (repüléses adatoknál a hullámosság eltüntetése) (Ezt a fázist a DLR-ben végezték) Georeferencia elvégzése a használt vetületnek megfelelően (Ezt a fázist a DLR-ben végezték) Zajszűrés. Többféle zajtípus szűrésére is szükség lehet. Ha a felvevő rendszer egyik CCD-je (ill. detektora) tönkremegy vagy elállítódik, ez a képen egy világosabb vagy sötétebb сsíkban jelenik meg. Ez Fourier transzformációval tüntethető el. A Fast Fourier Transformation (FFT) a raszteres térbeli képet frekvenciatérbe konvertálja (különféle frekvenciájú szinusz-hullámokká). Ezzel a zaj vagy a periodikusan előforduló hibák (сsík, streaking) a frekvenciatér megfelelő területének kivágásával eltüntethetők a képről (a módszer hagyományos fotóknál is alkalmazható). 60

61 Más típusú zajt hoz létre a légköri elnyelési sávok rossz jel/zaj aránya. Ez csak addig tüntethető el, amíg értelmezhető adat nyerhető belőle. Azok a sávok, melyek teljesen használhatatlanok (túl zajosak), zajszűrés helyett törölendők a feldolgozásból. Alacsony jel/zaj viszony az egész adatgyűjtést is jellemezheti, akár valamennyi hullámhosszon. Ez ún. statisztikus zajt okoz, amelyet a MNF transzformációval lehet csökkentetni. Maszkolás. Ha a képen egyértelműen azonosítható foltokat találunk, melyekre az adott vizsgálatnál nincs szükség, azt kimaszkolhatjuk. A spektrumok meghatározása történhet teljes pixelre (whole pixel) vagy pixelen belül (sub-pixel):ez történhet előzetesen létrehozott spektrumkönyvtárból vagy ismert terepi adatok birtokában tanítópontokkal vagy tanítómezőkkel. Alapvető elkülönítési szempont, hogy az egyes társulások között nagyobb legyen a spektrumgörbe különbsége, mint a társuláson magán belüli variáció miatti különbség (Schmidt 2003). Egy társulás állhat spektrálisan nagyon eltérő egyedi fajokból is, de a keveredésük mindenhol nagyjából stabil átlagos spektrumot eredményez, ami viszont eltér a másik társulás fajra nézve keverék, spektrálisan azonban az adott térbeli felbontáson homogén spektrumától. A képelemen belüli információ a végállású spektrumok (endmemberek) lineáris kombinációjával nyerhető ki. Egy növénytársulás lehet kvázi homogén: például a gyep adott fajokból áll, és ezek úgy keverednek, hogy ez a keveredés nagyjából állandó és jellegzetes. Itt azonban nem-lináris reflexiók történnek mert az egyik fajról a másikra verődik a fény és úgy kerül a szenzorba. Ezeket tehát nem lehetséges spektrumszétkeveréssel értelmezni, mert az egy lineáris eljárás. Egyes elemző módszerek részletes leírása Az alábbi módszerek többsége a multispektrális képfeldolgozásból is ismert. Az adatkocka nagyságának egyik fő következménye, hogy ez esetben rendkívül fontos az adathalmaz csökkentése (PCA, MNF, utóbbi a statisztikus zaj szűrését is szolgálja), vagy rendkívüli teljesítményű számítógépek beszerzése; hiszen egy teljes (79 sávos DAIS) adatkockán egyetlen transzformáció lefuttatása még egy 3 GHz-es processzorú gépen is percet is igénybe vehet. Ezt a különféle adatcsökkentő módszerek (geomterikus és spektrális) jelentősen csökkenthetik. Spectral angle mapper (SAM). Hiperspektrális kép esetén a lényeg a spektrumgörbe lefutásának különbsége; a spectral angle mapper algoritmus használata ajánlott erre a feladatra. A 61

62 SAM módszer a képen önmagában nem használható, szükség van előtte referenciaspektrumok, endmemberek gyűjtésére (ami a képen magán történhet, lásd pl. Kardeván 2005). A módszer ezen véges számú endmemberek spektrumai és a kép vizsgált pixelének spektruma közötti szögeltérést (vektorként értelmezve) adja meg. Ha magáról a képről nyerjük az endmember (végállású) spektrumokat, értelemszerűen ezeket a spektrumokat nem kell korrigálni [spektrális radiancia W/m 2 sr m is használható: at sensor calibratied data]); ha azonban referenciakönyvtárból, akkor a képen atmoszférikus korrekciót kell végezni, hogy a két spektrum összehasonlítható legyen. Ha egy koordináta-rendszer tengelyei két hullámhossz, és itt ábrázoljuk két képelem adatát, és az origóból húzott egyenes (vektor) azonos irányú, akkor a két képelem spektrális szöge megegyezik, legyen abszolút fényességértékük bármekkora (Kerse 2001). Így a SAM eljárás egyben az árnyék hatás kiszűrését is elvégzi, mert csak a vektorok irányát veszi figyelembe, a hosszát nem. Ám másrészről a radiancia abszolút értéke is éppen olyan információ, mely hasznos lehet a növények esetén (pl. fenyő elkülönítése); ez itt nem kerül felhasználásra. Spectral Feature Fitting (SFF). A SFF módszer a spektrum abszorpciós sávjainak jellegzetességét vizsgálja, összehasonlítva az adott képelemet a referenciának megadott endmemberek spektrumával. Előfeltétele a kontinuum-eltávolítás. Unmixing. A szubpixeles információkhoz az endmemberek alapján unmixinget: spektrum szétkeverést (más fordításban: spektrális kibontást) alkalmazhatunk, melyből megtudhatjuk, hogy az adott egy pixel milyen arányban tartalmazza az endmemberek spektrumát, azaz a képelemen belül milyen a felszín összetétele, melyből a pixel végső spektrumgörbéje összeadódott (36. ábra). Egy erdőterület esetén endmember lehet pl. a füves rét, a különféle fafajok, cserjések, melyekből elvileg összeállhat egy sajátos társulás saját, összetett görbéje. Ez esetben a társulási spektrumgörbe az egyedi fajok meghatározott szélsőértékek közt mozgó keverékspektruma lenne. Hasonló példa egy városi területen a tetőcserepek, beton, aszfalt, fakorona, fű, autótető, gyalogos stb. mint endmemberek sajátos keveréke. Fontos olyan kategóriákat választani, melyek a tulajdonságtérben valóban végállásuak. Az egymás közötti visszaverődések, szóródások miatt a felszínborítást tekintve különböző elemek sem biztos, hogy a tulajdonságtérben végállásúak lesznek: ezek az unmixingnél nem használhatók, de más osztályozási eljárásnál lehetnek célspektrumok. A spektrumszétkeverés módszerében az eredeti spektrumgörbét átalakítjuk. 62

63 36. ábra A spektrumszétkeveréses eljárás magyarázata valós példán. Az első képen két spektrálisan nagyjából homogén terület látható. A térbeli felbontás csökkentésével azon képelemek, melyek épp a két homogén terület határára kerülnek, mindkettőből tartalmaznak, ezért itt keverékspektrum keletkezik. Ezen pixeleken a két végállású tag (endmember) segítségével meg lehet állapítani, hogy e két összetevő milyen arányban van jelen (a szerző transzformációi, lefelé mintavételezés bicubic módszerrel, Kardeván Péter tűzoltólétráról felvett parlagfüves területet ábrázoló képe alapján A spektrumszétkeverés általános menete a következő (van der Meer et al. 2001): Hiperspektrális adatkocka MNF=Minimum Noise Fraction transzformáció (PCA+PCA, spektrális dimenzionalitás csökkentése és szűrés ) Pixel Purity Index (endmemberek a képen) Tanítómezők kiválasztása (a spektrálisan szélső helyzetű (végállású) pixelekből) A spektrumtérben endmemberek elkülönítése Spektrumszétkeverés 63

64 Linear Spectral Unmixing (LSP) A képek jelen lévő pontok csoportját, tanítómezőket referenciának véve végzi el a spektrum szétkeverést. A tanítómezők kijelölhetők földi referenciák vagy a PPI alapján. Az endmemberek kiválasztása és száma alapvetően befolyásolja a végeredményt, azaz rossz választás esetén a kép rosszul osztályozott lehet. A Matched Filtering (részleges unmixing) módszerével egy pixelt nem kíván 100%- osan összetevőire bontani a spektrumkönyvtárból, hanem csak kevés számú megadott spektrum jelenlétét és arányát keresi a képen. Tehát akár kis mennyiségű összetevőt is ki tud mutatni egy pixelen belül anélkül, hogy a pixel spektrumában szereplő többi, ismeretlen anyag összetételével foglalkozna. Principal component analysis (főkomponens analízis) (PCA) Ha nem akarjuk megőrizni a spektrumok lefutását, azaz nem akarunk pl. spektrumkönyvtárat használni vagy készíteni, a jelentős számú csatornák számát csökkenthetjük úgy, hogy végül csak néhány csatorna maradjon és mégis tartalmazza a sok csatorna információját. Ennek eszköze a főkomponensanalízis (PCA) (37. ábra), melynek során új (elforgatott) spektrális tengelyek jönnek létre, melyek a lehető legnagyobb mértékben különböznek egymástól, azaz varianciájuk a legnagyobb. A hiperspektrális képen rengeteg olyan csatorna van, melyek értékei közeli kapcsolatban vannak (korrelálnak) egy vagy több másik (szomszédos) csatorna azonos képelemének adatával, azaz nem tartalmaznak független információt. A PCA módszer ezeket szűri ki, és egymással nem korreláló információtartalmú csatornákat hoz létre (Richards 1999). A létrejövő első, egymástól jelentősen eltérő információtartalmú csatornák között lesz legnagyobb a variancia, így ezek zajmentesek: a későbbi csatornák egyre kevesebb varianciájúak: ez a kis variancia valójában a zaj. Főkomponens-analíziskor adattömörítés történik (adat dimenzionalitás csökkentése). Így egy eredetileg a DAIS esetében 79 dimenziójú adathalmaz néhány dimenzióssá csökkenthető. 37. ábra A főkomponens-analízis (más szóval: főkomponens-transzformáció) új tengelyeket hoz létre, melyeken a meglévő adatok a legnagyobb varianciát mutatják (Csornai és Dalia [1995] nyomán) 64

65 Egy két tengelyű koordináta-rendszerben felvett ponthalmaz ferde ellipszisként is értelmezhető. Ennek az ellipszisnek a fő (leghosszabb) tengelye az első főkomponens (PC1). Iránya: sajátvektor, hossza sajátérték. Ez lesz az új koordinátatengely, s az egyes értékek is ennek megfelelően megváltoznak. Ezeket az értékeket az első főkomponens sávban (vagy más szóval csatornában) (band) (PC1) tárolja a gép. Miután a pontok ellipszise nagytengelye mentén fekszik, egyben a pontok legnagyobb változékonysága mentén is. Ezért lehetséges jobb kontraszt elérése főkomponensanalízissel. A második főkomponens (PC2) erre merőleges tengely. Így ez leírja azokat a változásokat is, amit az első főkomponens még nem írt le (mert egyetlen tengelyen nem jelezhető). Három vagy többdimenziós térben a további főkomponens (tengelyek) az előzőkre merőleges tengelyek. Általában az első néhány PC-komponens jól leírja az adatpontok elhelyezkedését. Mire főkomponens-analízisre kerül sor, az adott vizsgálathoz fölösleges területeket érdemes lehet kimaszkolni, így az adott kutatásban releváns adatokra végezzük el a főkomponensanalízist. A három legjobban különböző sáv ezután RGB megjelenítésként vizualizálható is. Ez egy terület vizualizációjában azért fontos, mert az emberi szemhez igazodva csak három (RGB) sávban tudunk megjeleníteni képeket. A Landsat TM 7 sávjából összesen N=7! / (3! (7-3)!) sávkombinációjú RGB (3 színes) kép készíthető. (7! [7 faktoriális, azaz 1x2x3x4x5x6x7] a bemeneti hét sáv, 3! a kimeneti 3 szín miatt). A Landsat képek esetén: ez: 7!/3! 4!, azaz 5040/6 24, azaz 35. A 79 sávos DAIS kép esetén a színes kimeneti variációk száma N=79! / (3! (79-3)!), azaz Főkomponens-analízis egyik változata a Minimum Noise Fraction (MNF) módszer, melynek során a zajt is kiszűri a módszer. Ebben a változatban a variancia helyett a jel/zaj viszonyt maximalizálják. Egy ilyen forward MNF-en átesett kép már pl. maximum likelihood (ML) módszerrel osztályozható. Minimum Noise Fraction (MNF) transzformáció. A főkomponens-analízis egy továbbfejlesztett módszere az MNF, más néven Noise adjusted principal component (NAPC). Ez is a zaj eltávolítására és a kép dimenzionalitásának csökkentésére használható, de két egymást követő PCA-t tartalmaz. Az MNF módszer során két PCA átalakítás történik. Az elsőben a zaj és a valós adatok szétválasztása történik. Ennek során a transzformáció nem a jel+zaj együttes varianciáját maximálja, mint a PCA, hanem a jel és a zaj elválasztására törekszik (noise whitening) (Staab 2005). Ehhez szüksége van zajbecslésre, amit egy, a képen kiválasztott fekete területen tud a legjobban megtenni, ahol elméletileg csak a zaj van jelen. Ezen a területen becsüljük meg a zaj varianciáját: pontosabban a fekete terület varianciáját tekintjük zajnak. A 65

66 sötét területek közel 0 értékűek, ezért a statisztikus zaj itt arányaiban jól megmutatkozik, míg az azonos mértékű statisztikus zaj a nagyobb értékű képelemeken már nem látható. A zaj és jel szétválasztása tehát a varianciák szétválasztásán alapul. Ami marad a varianciából azt jelnek tekintjük. Erre a gyakorlatban homogén fekete referencia híján a vízzel borított terület a legalkalmasabb. Ezt egy második PCA transzformáció követ, mely a kép megmaradt varianciáját maximalizálja: megkeresi, hogy a dekorrelált zaj után megmaradó variancia mely irányban a legnagyobb. Ez összességében a jel/zaj viszony maximalizálását végzi el. Az első sávok zajmentesek és a lehető legnagyobb varianciájúak, a továbbiak mind zajosabbak és kisebb varianciájúak. A jel/zaj szigorúan monoton módon csökken, ellentétben a PCA-val, ahol még igen nagy sorszámú főkomponensnél is megjelenhet információ. Ezért a távérzékelési képek feldolgozásakor mindig MNF-et használnak (Kardeván 2006). A másodikban (inverz MNF) a tényleges adatok visszaállítása történik. Ha ennél az inverz transzformációnál csak azokat a komponenseket választjuk melyek láthatólag zajmentesek (az elsők), akkor a visszaalakítás során a zaj már nem kerül bele az eredeti csatornákba. A kb. 1 sajátértéknél (a jel és zaj varianciáinak hányadosa a jel/zaj viszony) nagyobb értékű csatornák adatot (jelet), az 1-nél kisebb értékűek zajt tartalmaznak. A kivágás melletti másik lehetőség, hogy a zajos, de szükségesnek ítélt csatornákat visszaalakítás előtt szűrjük. Ha az MNF transzformáció alkalmazása után olyan spektrum-könyvtárbéli adatokat használunk, melynek forrása ugyanaz a kép, a spektrumokat (endmembereket) vagy a transzformációk után vegyük ki a képből, vagy a spektrumokra is végezzük el ugyanezt a szűrést. Érdemes megjegyezni, hogy a DAIS adatkockák MNF szűrés nélküli, az adatkockákból kinyert célspektrumok segítségével, próbaként történő SAM osztályozása is jórészt releváns eredményt adott. Az MNF transzformáció a felhasználtak közül az egyik legnagyobb gépigényű (azaz leglassabb) transzformációs eljárás. Spektrumkönyvtár létrehozása. Egy kutatás a maga céljai elérésén túl úgy is segíthet további kutatásokat, hogy az általa megtalált spektrumokból (endmemberekből) spektrumkönyvtárat épít. Ez esetben ezt nem csak saját céljára használja, hanem digitálisan összeállítva közzéteszi a további kutatások számára is. Mivel a spektrumok, különösen kevert növényzet esetén, jelentősen változhatnak az év során (különböző fenológiai fázisok), a spektrumkönyvtár alapvető része, hogy tartalmazza ne csak a felvett faj vagy társulás nevét, hanem a kép 66

67 felvételének időpontját és ehhez szorosan kapcsolódva helyét is. (pl. hegységben ugyanaz a társulás már visszaverésű lesz, mint alföldön, ugyanabban az időpillanatban). Endmember választás Akár spektrumszétkeverést, akár spektrumkönyvtárat készítünk, alapvető, hogy jól válasszuk ki az endmembereket. Ha ezeket magunk választjuk ki, létrehozhatunk tanítómezőket (region of interest), kombinálhatjuk (egyesíthetjük) ezeket egy osztályba vagy használhatunk egyedi képelemeket, attól függően hogy az adott képelemek menynyire homogének a mi szempontunkból. A labormérésekből származó endmembereket ismert endmembernek, a képből tanítópontból származók származtatott (derived) endmembernek nevezik (van der Meer et al. 2001). Ez utóbbi esetben fontos, hogy a légköri és megvilágítási jellemzők azonosak legyenek a tanítóponton és azon a képen, amire alkalmazzuk az endmembert. A laborból származó endmemberek (melyek ezúttal célspektrumok is) csak atmoszférikusan korrigált képből kinyert spektrummal vethetőek össze. Az endmemberek kiválasztásának egy módszere az interaktív endmember választás. Ennek eszköze az n-dimenziós megjelenítő eljárás (n dimensional visualizer), n-számú tengelyű koordinátarendszerben (n-dimenziós térben) ábrázoljuk egy képmező pixeleinek értékeit, és ahol a tengelyek az egyes hullámhosszaknak felelnek meg. Egyszerre két dimenzióban csak két tengelyen vizualizálhatjuk a pontokat (kereszt-diagram [cross-plot] segítségével) de a nagy számú tengelyt ciklikusan változtathatjuk, és így mindig más-más tengely kombinációkat vizsgálhatunk egymás után pörgetve. Képelemek halmazai ábrázolhatók az n-dimenziós tulajdonság-térben (feature space) (38. ábra), amelyek közül egyszerre csak két-tengelyt ábrázolunk, és a tengelyeket ciklikusan változtatjuk. Megjelenítése az előbb említett két tengelyű ábrázolással mint szóródási diagrammal (scatter plot) lehetséges. Így elkülöníthetők az n-dimenziós tulajdonság térben az egyes endmembereket képviselő pontok, amelyek pixelekhez tartozó spektrumokat jelentik ( ábra). 67

68 38. ábra Talaj, növényzet, víz képelemek az a spektrális térben (felső) és a tulajdonságtérben (alsó) (Csornai és Dalia 1995 ábrája) [Megj: az eredeti ábrán a feature space-t intenzitástérként fordították a szerzők, ami nem tartható megfelelő fordításnak az intenzitás szó másra foglalt jelentése miatt) 39. ábra Az azonos felszínborítású területek intenzitásvektorai szórnak a tulajdonságtérben, azaz nem identikusak minden képelemen, de mégis együtt maradnak. Átfedők is lehetnek, ami keveredésükre utalhat. (Csornai és Dalia [1995] nyomán) 40. ábra Két hasonló tulajdonságú növény elkülönítése a tulajdonságtérben (Csornai és Dalia [1995] nyomán) Az eredeti képen tanítómezőről vett átlagspektrum a tulajdonságtérben már mint pont jelenik meg. Az ilyen, tanítópontos választás előfeltétele egy MNF transzformáció elvégzése (statisztikus zajszűrés és dimenziócsökkentés). Ha nincsenek ismert pontjaink a felszínen (pl. terepbejárásból), a Pixel Purity Index (PPI) az egyes képelemekre (automatikusan) megállapítja, hogy a képelem mennyire lehet tiszta spektrumú: a PCA (MNF) transzformáción átesett kép adatait különféle n dimenziós spektrumtérben felrajzolt képelemek alapján kiválogatja a legextrémebb (azaz legkevésbé kevert) értékű képelemeket. A módszer véletlenszerűen keresi iterációkkal az extrém pixeleket a tulajdonságtérben, és ahányszor extrémnek találja a pixelt, annyival nő a pixel DN értéke ( fényessége ). A Fast PPI a memóriát használja, ezért jelentősen gyorsabb, a hagyományos a merevlemezt, ezért lényegesen lassabb. A hiperspektrális képfeldolgozáshoz több ezer iteráció szükséges, ezért lassabb gép esetén a kép méretét csökkenteni kell. A PPI kép végeredményéből a legfényesebb pixelek 68

69 ROI-ba sorolásával, majd ezek spektrumtérbeli megjelenítésével lehet az endmembereket kiválasztani. (g) Tanítómezős osztályozási eljárások. Az endmemberek alapján történő osztályozásnál nagy varianciájú adathalmaz alapján kell igen kis számú osztályt előállítani. Az endmember meghatározásakor véges számú, osztályonként jól elkülöníthető képelemet használunk fel. Az osztályozandó terület azonban a tulajdonságtérben bárhol tartalmazhat képelemeket. Ugyanabból az adatsorból más osztályozási eljárás máshová sorolhatja a problémás, nem homogén vagy két kategória határán álló ismeretlen besorolású képelemeket. Ez esetben csak egy helyes megoldás létezik, eltérően a spektrumszétkeveréses eljárástól, ahol egy képelemhez nem egy kategória tartozik (41. ábra). 41. ábra Endmemberek a tulajdonságtérben. (Csornai és Dalia [1995] nyomán) és néhány kérdéses osztályozandó ismeretlen képelem (x-ek) Az ENVI-ben az N-dimenziós vizualizációs segédprogram segítségével lehetséges a tulajdonságtér interaktív vizsgálata A legközelebbi középpontú (minimum distance) osztályba sorolás (42. ábra) az ismeretlen képelemet abba az osztályba sorolja, melynek tulajdonságtérbeli középpontja (súlypontja, átlaga) a legközelebb áll hozzá. Ez sok tévesztési lehetőséggel jár és minden képelem besorolásra kerül, az is, aminek az adott osztályhoz tartozása valószínűtlen. 42. ábra Legközelebbi középpontú osztályba sorolás (Csornai és Dalia [1995] nyomán) A nearest neighbour (legközelebbi szomszéd) osztályba sorolás az ismeretlen képelemet abba az osztályba sorolja, melynek egyik tagja (a szomszéd) a legközelebb áll hozzá. Ez- 69

70 zel hosszúkás irányban is növekedhetnek az osztályok, ami gyorsan növekvő ismételt hibaforrás lehet. A maximum likelihood (legnagyobb valószerűség) osztályba sorolással valószínűségi pufferzónák jönnek létre, melyek figyelembe veszik az egyes endmember-osztályok alakját és méretét is. Sok pixel maradhat azonban oszályozatlan. 43. ábra A maximum likelihood (legnagyobb valószerűség) osztályba sorolás (Csornai és Dalia [1995] nyomán) Kontinuum eltávolítás A kontinuum eltávolítása során a reflektanciagörbét (spektrumot) normalizáljuk, ezáltal a spektrumnak a lassú változásait megtestesítő burkoló-görbéje (kontinuum) kiegyenesedik. Az abszorpciós sávok azonos alapról (100%) indulnak, így könynyen összevethetőek (Mutanga és Skidmore 2004). A megadott hullámhossz-tartományokban egy kezdő és egy végpontot 100%-nak véve a kettő közötti értékek a 100%-hoz viszonyított helyzete szerint vizsgálhatók. Geológiai alkalmazásokhoz széles körben használják, de a növényzet vizsgálatakor a közeli infravörösben és rövidhullámú infravörösben, ahol a nedvesség és a növénytakaró szerkezete befolyásolja a spektrumot, rosszabb elkülönítést tesz lehetővé; ugyanakkor a klorofill elnyelési gödrökben javítja a spektrumok elkülöníthetőségét (Schmidt és Skidmore 2003). Növényzet vizsgálatakor a nm, nm nm elnyelési sávok jelentősek. A képelemző módszerek összefoglalása A hiperspektrális képelemző módszerekben alapvető, hogy akár a terepen, akár a légifelvételen szereplő spektrum előzetesen atmoszférikus és topográfiai korrekción essen át (a gyakorlatban is használható végeredményhez geometrikai korrekció is szükséges). A spektrumot (lefutását, görbéjét, elnyelési sávjait, a reflektancia abszolút értékét stb.) összehasonlítjuk valamilyen referenciaspektrummal (célspektrum vagy végállású spektrum). A célspektrum származhat 70

71 terepen felvett tanítómező alapján, magáról a képről terepi spektroradiométeres mérésből labormérésből, spektrumkönyvtárból (ehhez a kép pontos atmoszfériukus korrekciója szükséges) PPI) a tulajdonságtérben felvett tanítómező alapján (pl. interaktív endmember választás, Az osztályozáskor a spektrumok összehasonlítása történik: itt a spektrum általános lefutása és/vagy az ezen belüli, jól definiálható elnyelési sávok vizsgálhatók. A pl ásványoknál indikatív elnyelési sávok legjobban kontinuum-eltávolítással vizsgálhatók (pl. Spectral Feature Fitting módszer). A spektrum általános lefutásának vizsgálatakor vagy olyan spektrumot kereshetünk, melynek reflektanica-értékei a legjobban hasonlítanak a referenciaspektruméra, vagy a spektrumot a tulajdonságtérbeli vektorként kezelve az itt található, a referenciára legkisebb szögeltéréssel illeszkedő vektor kereshető. Spektrumszétkeveréskor feltételezzük, hogy a képponthoz rendelt spektrum többféle anyag spektrumának a keveréke. Ha ezen anyagok és spektrumai ismertek, szétkeveréssel megállapítható, hogy a kevert spektrumban az egyes spektrumok (anyagok) milyen arányban részesednek. A Matched Filtering módszerrel az osztályozás egy képponthoz nem egy kategóriát rendel, hanem minden célspektrumra egy külön arányképet készít, mely megadja, hogy az adott célspektrum az adott képponton belül milyen arányban részesül. Mivel a sok sávú képen a szomszédos sávok általában redundánsak, spektrális adatcsökkentéssel is élhetünk: a spektrum vizsgálata alapján kiválasztjuk azokat a (pl. elnyelési) sávokat, melyekben a vizsgálandó (elkülönítendő) spektrumok a legjobban különböznek és csak ezeket használjuk (lényegében a LANDSAT tervezői is ezt tették sávjaik kiválasztásakor; ám itt szabadon választható az adott célspektrumoknak megfelelő, szűk spektrális felbontású sávkiosztás ); vagy adatdimenzionalitás-csökkentéssel elvethető a spektrum eredeti görbéje; a végeredménykép kevés számú sáv, melyben a különféle sávok kombinációi alapján (pl. főkomponens-analízissel) maximalizáltak a különbségek. A csökkentett dimenziójú (PCA, MNF) kép maga is vizsgálható vagy tulajdonságterében kereshetők végállású spektrumok (pl. az automatizált PPI módszerrel), melyek helyei az eredeti képen tanítómezőként felvehetők, és innen már valós spektrumuk alapján sorolhatók spektrumkönyvtárba és osztályozhatók valamely módszerrel. Ez főleg akkor használandó, ha a terepi felszínborításról nincs információnk. 71

72 A hazai kísérlet első tartalmi eredményei Ma még viszonylag új a hiperspektrális távérzékelés területe, így a kutatások elsődleges célja az új technológia lehetőségeit és korlátait meghatározni: ez a hazai kutatások feladata is. Magyarországon a felszínborítottság miatt (természetes körülmények között alig találunk nagyobb felületű kőzetkibúvást vagy talajfelületet) elsősorban a növényzet és a vizek megfigyeléséből lehet következtetéseket levonni, így ezeket használhatjuk a különféle környezeti hatások indikátoraként (nyomjelzőjeként). A 2002-ben készült felvételek feldolgozásának célja a bányászati és ipari eredetű nehézfém szennyezések térképezési lehetőségeinek kutatása volt. Megfelelő előkészítés után a képekkel egyszerre nagyobb területen lehet automatikusan a szennyezést kimutatni, térképezni, nincs szükség a teljes terep földi bejárására. Mivel a bányászati szennyeződések hordozója a víz, ez volt a kutatás egyik fő célterülete. A felszíni vizek minőségének térképezésében gondot jelent, hogy a mérhető jellemzők értékei mind térben, mind időben jelentősen változnak. Nem csak a folyókban, ahol az áramlási viszonyok és a vízállás szembetűnő különbségeket okoznak, de még a tavakban is, ahol pedig az elkeveredés viszonylag lassú. A mégoly rendszeresen is végzett pontszerű mérésekkel és mintavételezéssel csak korlátozott információ szerezhető a vízminőségi jellemzők térbeli eloszlásáról. Néhány, a spektruma alapján jól azonosítható komponens esetében, mint például a lebegőanyag, a klorofill és az oldott szerves anyag, a hiperspektrális távérzékelés megoldást jelenthet a térképezésben, mint ahogy azt a hazai kísérlet eredményei is bizonyították (44. ábra). 44. ábra Egyes anyagok elnyelési együtthatói (Turdukulov 2003). Azok a hullámhosszak alkalmasak az egyes paraméterek meghatározására, amelyeken a spektrális tulajdonságaik a legjobban különböznek egymástól. (Tudukulov és Vekerdy ábrája nyomán) A Sajó völgye az egyik legszennyezettebb ártéri terület az országban, melyet a folyó mentén működő nehézipari létesítmények okoztak 40 év alatt. Mára a nehézipar hanyatlásával a 72

73 vízminőség megjavult. A Sajóról készült kivágat tartalmazza Sajólád / Sajópetri (bal part/jobb part), Ónod, valamint Köröm és Muhi (bal part/jobb part) településeket. A Sajóról készült felvételeket (45. ábra) először statisztikai módszerekkel dolgoztuk fel. A helyszínen gyűjtött tizenöt vízmintából meghatározott vízminőségi paraméterek és a helyszínen mért spektrumok egyes hullámhosszai közötti regresszió analízissel meghatároztuk, hogy melyik hullámhosszakon mért reflektancia értékek függenek (4. ábra) leginkább az egyes vízminőségi paraméterektől. Az így kapott eredmények összevetése egy holland adatsorral jó egyezést mutatott és így nagy biztonsággal lehetett tapasztalati alapokon álló statisztikai modelleket kidolgozni, amik alapján aztán a légi felvételekből a víz klorofill tartalma térképezhető volt. (Turdukulov 2003, Turdukulov és Vekerdy 2003). 45. ábra a Sajó részlete hiperspektrális nyers képen Egy másik feldolgozás során megvizsgáltuk, hogy kimutatható-e a meddőhányókon, szenynyezett körülmények között élő növényekben felhalmozódó nehézfémszennyeződés (közvetetten) azok spektrumából, a hiperspektrális képeken. Felvételek és földi mérések (talaj- és növénymintavétel) készültek nádassal borított területekről: az erősen szennyezett gyöngyösoroszi meddőhányókon valamint a szennyeződésmentesnek tekinthető Tedejen. Az összehasonlító vizsgálatok kimutatták, hogy a gyöngyösoroszi területen a nád stressz alatt áll, de nem volt egyértelműen meghatározható, hogy ezt a vízhiány avagy a szennyező nehézfémek okozzák-e (Hyde 2003). A gyöngyösoroszi területen a Toka-patak üledékében a bányából, a bányát elöntő vízből és a meddőhányókból származó arzén (As), kadmium (Cd), higany (Hg), ólom (Pb) és cink (Zn) magas koncentrációjú (Ódor et al. 1998). Árvíz idején ez az iszap a környező területen is szétterül, ahol a növénytermesztésre is használt talajok közé ill. a talajvízbe is bekerül. Itt a hiperspektrális képek alapján a piritből (vas-szulfid) keletkező vas-hidroxid (goethit) és szulfát ion (jarusit) elterjedési területét sikerült meghatározni, ami azért fontos, mert az előbbi segíti a nehézfémek oldódását, az utóbbi nem. (Kardeván et al. 2003) A jarusit jelenlétét a USGS által készített spektrumkönyvtárból vett spektrum felhasználásával mutatták ki a képeken Tamás J. és munkatársai (46. ábra). Érdekes módon a MÁFI-ban elvégzett labor-analízis 73

74 az egymáshoz egészen közeli mintavételi pontoknak csak egy részében jelezte a jaruzitot, jóllehet a terepi spektrométeres mérések minden pontban kimutatták a jaruzitot. Pirit szinte minden pontban jelen volt, hematit és goethit egy esetben (Kardeván 2004b). Ez arra enged következtetni, hogy a meddőhányó rendkívül inhomogén, ami a kőzetmintavételekben tükröződött, a spektrális mérések azonban mindig legalább fél méter átmérőjű területre vonatkozó, integrált eredményt adnak (lásd a ábrát!) 46. ábra A jarusit laborspektruma (USGS) és négy terepi pont spektruma (Kardeván 2004b) 47. ábra A zagytározó környezete A gyöngyösoroszi területen a JRC kutatói által vett talajminták és mérések helyszínei (kép: DAIS RGB= 3, 13, 8. csatornák) (a szerző montázsa). A K, P, N jelű mintavételi pontokban volt jarusit kimutatható. 74

75 48. ábraa G3 mintavételi helyszín egyes mintavevő helyszíneinek fotója és az azonos területen felvett spektrumgörbék Gyöngyösoroszinál (a szerző montázsa és ábrája). A jarusitot és goethitet nem csak a pontszerű terepi spektrummintákban lehetett kimutatni, hanem később a Debreceni Egyetemen Tóth Péter és Tamás János a hiperspektrális képen is kimutatta (49. ábra). 49. ábra Tóth Péter és Tamás János elemzésének végeredménye: zöld színnel a jarusit, sárgával a goethit előfordulások (Kardeván, 2004b alapján) 50. ábra A gyöngyösoroszi terület vizsgált része perspektivikus képen. A kép a hiperspektrális felvétel és a terület DTM-je felhasználásával készült. A szerző montázsa. 51. ábra A gyöngyösoroszi terület és jellegzetes területborításai (a szerző montázsa) 75

76 A gyöngyösoroszi terület egy nádassal borított részén nem rekultivált meddőhányó található, mely teljesen növénymentes, a szennyezett talaj közvetlenül a felszínen található ( ábra). Gyöngyösoroszitól északra, az egykori ércdúsító alatt alakították ki az üzem működéséhez szükséges vizet biztosító, ún. ipari víztározót. A kitermelt ércet csillepályán szállították a dúsítóba. A nehézfém-tartalmú bányavíz kezelésére víztisztító üzemet építettek. Az ennek működése során leváló, sok nehézfémet tartalmazó, magas gipsztartalmú iszapot 1979 óta az üzem fölött kiképzett, Bence-völgyi zagytározóban helyezik el. A tömeges szennyezés északi határa a Toka-patak völgyében az egykori csõvezeték nyomvonala, a Száraz-patak völgyében pedig a Száraz-ér torkolata. Az eredetileg szürke oroszi homok helyben oxidálódik. A képzõdõ, kénsavas oldat lefelé szivárog. Leggyorsabban a cink mobilizálódik, valamivel lassabban a kadmium és a réz. Az ólom jóval lassabban terjed. Egyetlen szelvény alapján a terjedés sebességét 1 cm/év körül becsülték. A viszonylag vékony lepelként szétterülõ, finomszemű üledékekbõl kioldódó nehézfém-mennyiségek e folyamat során felhígulnak. Ezt elősegíti a rétegek mezőgazdasági keverése (szántás stb.) is. A sárga homok több deciméter vastag zátonyai elegendő színesfémet tartalmaznak ahhoz, hogy változatlan feltételek közt maradva 1 2 m mélységben elszennyezhessék a rétegsort (Tamás és Kovács, 2002) A gyöngyösoroszi területről készített felvételen található Gyöngyös városa, Gyöngyösoroszi és Göngyössolymos, így a kép a városi környezetet érintő kutatásokra is használható. A recski terület a bányaművelésből származó szennyezéseket számos kisebb vízfolyás teríti nagyobb területen (Baláta-patak, Kata-rét patak, Bikk-patak ill. Kincstár-tó). Később ezek vizét gyűjti össze a Parádi-Tarna patak, melynek vízét 25 km-el lejjebb öntözésre is használják. A bánya illetve a környező vízfolyások és tó területén 11 meddőhányó található, mely az elmúlt 130 év során halmozódott föl (Kardeván et al. 2003). Ezek egy része ma is növényborítástól mentes felszín, annak ellenére, hogy a meddők már régóta elhagyatva állnak. A vizek jellemzően vöröses színű nehézfém szennyezett limonitos hordalékot szállítanak. Látókép kísérleti gazdaság, ahol különféle hibrid gabonafajták termesztése folyik. Itt a Debreceni Egyetem végezte a megfigyeléseket. (Kardeván et al. 2003, Pechmann et al. 2004) A tedeji terület a Tedej Rt. kezelésében levő mintegy 1500 ha-os, intenzíven művelt mezőgazdasági terület, melynek több részén szikes található (52. ábra). A feldolgozás során háttéradatként felhasználásra került a területről korábban készült részletes talajgenetikai valamint belvíz térkép kiegészítve a közvetlenül lerepülés előtt felvett talajnedvesség és - 76

77 tömörödöttségi adatokkal, az Rt. által vezetett táblatörzskönyv a földhasználat elemzéséhez, valamint a 2002-es év tavaszi és nyári aspektusában készült gyom- és vegetáció-térkép. A debreceni kutatócsoport célja egy, a háttér-információkon alapuló, speciálisan a szántóföldi növénytermesztés környezeti hatásainak elemzését segítő spektrális könyvtár felállítása volt. (Kardeván et al. 2003, Pechmann et al. 2004). A légi adatgyűjtés időpontjára vonatkozó táblakiosztás alapján viszonylag egyszerű feladat egy spektrális könyvtár elkészítése, ám a megfelelő, maximális pontosságú osztályozási eljárás kiválasztása már nem triviális. A Debreceni Egyetem kutatócsoportja a következő három csatorna alapján végezte az előzetes osztályozást: 2. (0,514 m), 20. (0,832 m), és 9.(0,639 m) (Pechmann et al. 2004). A számos csatornakombináció nyújtotta lehetőség már most mutatja, hogy nagy eséllyel lehet a cukorrépa állományban a változásokat detektálni. állapították meg (Pechmann et al. 2004). Az augusztusi légifelvétel alapján a debreceni kutatócsopornak (Burai et al. 2004) sikerült 61-98%- os pontossággal osztályozni a terület ismert tábláit a hiperspektrális adatkocka alapján (pontosság alatt a szerzők itt az ismert táblahatáron belüli pixelek összegének és a táblahatáron belül helyesen osztályozott pixelek összegének arányát értik). Megfelelő pontosságú osztályozást azonban csak a homogén táblákon értek el (spektrum szétkeverést nem alkalmaztak). A legproblémásabb a kukorica volt (61-85% pontosság), a többi termény és felszínborítási típus szinte teljes pontossággal került osztályozásra (lucerna: 98%, cukorrépa: 97%, gabona tarló: 98%, szántó: 97%). (Burai et al. 2004). Összegzésként megállapítható volt, hogy a mezőgazdasági távérzékelés klasszikus kérdéseire földhasználat, termésbecslés, vízgazdálkodás, talajvédelem a 80 csatornás felvétel megbízható adatokat nyújt. (Burai 6 és Pechmann, 2003). A debreceni kutatócsoport által felvetett kérdések az előzetes elemzések után a következők voltak: Értékelhető-e a talaj-növény rendszer biológiai, kémiai és fizikai állapota a hiperspektrális felvétel alapján? Értékelhetők-e a gyomfoltok megjelenésének, kiterjedésének ökológiai okai a hiperspektrális felvétel alapján. Tehető-e különbség az egyes vegyszerezési és tartamkísérletek között a hiperspektrális felvétel alapján? (Pechmann et al. 2003) 52. ábra Szikes terület a tedeji gazdaságban 6 pburai@gisserver1.date.hu 77

78 A TEREPI SPEKTRORADIOMÉTER ADATAINAK FELDOLGOZÁSA: TAPASZTALATOK A terepi spektrométerrel kétféle adatfelvétel készült: terepen napfénynél és laborban mesterséges megvilágítás mellett. Az adatokban számos hibás adatot találunk, mely csak az egyik vagy másik fényforrásnál fordul elő, de olyat is, ami ettől függetlenül (esetleg különféle mértékben) jelentkezik mindkét esetben, adott sávokban vagy sáv-tartományokban. A hibákhoz hozzájárult, hogy a mérések mind a laborban, mind a terepen a spektrométerbe épített hőmérő regisztrálása alapján C-ban készültek. Az egyes mérések között is változott a hőmérséklet, mely interpolációval kiszűrhető eltolódást okozott az adatokban. A GER spektrométerrel kétféleképp lehetett az adatokat elmenteni. Ennek a terepi méréskor még nem látszott jelentősége, de az adatok feldolgozásánál kiderült, hogy bár ez nem jelentős, de némi eltérést ad az adatsoroknál. Az egyik esetben a spektrométer szoftvere csak a fehér referencia és a céltest visszavert fényének adatait rögzítette (Signature file, esetemben a laborméréseknél), a másik esetben (ASCII file, esetemben általában a napfényes méréseknél) kiszámolta a visszavert és beeső fény %-os arányát is. Az utóbbi esetben ezen kívül eggyel több hullámhosszon mért (325 nm-en is). Ezt a mérést nem vettem figyelembe, mivel a mérések többségénél Signature file készült, melyben ez nem szerepelt, így összesen 646 különböző hullámhosszhoz rendelt érték áll rendelkezésre. A mérések ezen kívül kissé már hullámhosszközépértékeken lettek regisztrálva. GER Signature file Hullámh. referencia adat stb GER ASCII file Hullámh Referencia adat %

79 Értelmezhetetlen adat a mérések %-ában táblázat A két regisztrációs fájlformátum eltérései a nyitó és záró sávokon két példán A mérések során a spektrométer többféle értelmezhetetlen vagy hibás adatot is adott. Ezek vagy 100%-os visszaverést jelentősen meghaladó adatok vagy negatív adatok voltak. Az előbbi esetben a hibát a specular (tükröző) visszaverődés vagy laborban a falról visszavert fény okozza. Ez kiküszöbölhető, ha a terepen a Nap műszer síkjára merőleges irányban a síkból kilépve állva, merőleges irányban tartjuk a szenzort (Kardeván 2006). Ez sokszor nem teljesült a gyakorlatban. A hibák különféle hullámhosszakon eltérő mértékben jelentkeztek (53. ábra). Az 5% alatti hibaértékek elsősorban a víz spektrumoknak tudhatók be: GER spektrométer negatív (hibás) értékei 64 mérés alapján , , , , ,00 Hullámhossz 53. ábra A GER hibás értékei Az ENVI spektrumkönyvtár megjelenítési eszközeinek segítségével könnyen megállapítható, hogy mely sávokban találhatók adatok az értelmezési tartományon (0-100%) belül, de valamiért anomálisan (pl. egy sávra korlátozóan a környezeténél általánosan magasabb adat fehér függőleges csíkok formájában), illetve láthatók a zajos adatsáv-intervallumok is (54. ábra). 79

80 1 Sáv ábra A spektrumkönyvtárban található spektrumok képi megjelenítése az ENVI-ben. Ezzel a megjelenítési technikával könnyen kimutathatók az adatkocka hibái. A hibás csatornák függőleges csíkként jelennek meg: ezek a csatornák minden spektrumban valamilyen módon anomálisak (pl. világosak). A képen minden egyes sor (csík) a spektrumkönyvtár egy spektrumának felel meg, ahol a spektrum értékétől függően változik a szürkeárnyalat illetve szín. A vízszintes tengelyen egy-egy oszlop egy adott hullámhossznak (csatornának) felel meg (1-646, a labormérésekben) A fölső kép az alsó színezett változata. A két módszer (értelmezhetetlen ill. kiugróan magas vagy zajos adatok kijelölése) kombinálásával a következő táblázat foglalja össze a teljes spektrum értékeinek jellegzetességeit a hibák szempontjából: Hibás értékek Sáv Hullámhossz ENVI vizualizáció Spektrométer adat 7 (túl magas adat/zaj) (negatív/100+%) kisebb hibák elszórva 1-kb nm zaj, szinte csak a labormérésnél nm nincs hibás adat nm zaj, jelentős zaj a napfényes mérésnél kiugró értékek, főleg napfényes mérésnél 1879 (3% hibás adat) 1884 (14%) kiugró értékek, főleg napfényes mérésnél 1887 (12%) 1898 (5%) kissé kiugró érték, csak labormérésnél kiugró értékek, főleg labormérésnél 2282 (3%) 620-kb nm kissé zajos kb nm zaj (0-3%) További hibás sávok, csak a vizes spektrumok esetén: nm nincs hibás adat nm kisebb hibák mindenhol Szinte 100%-ban hibás adatok: 1860, 1879, 1898, 1909, , nm A kétféle megközelítés alapján kijelenthető, hogy az adatok a következőképp használhatók teljes biztonsággal: nm: zajszűrés szükséges a laboradatokra nm-ig minden további javítás nélkül használhatók (kivéve: víz, ott 1297-ig) nm-ig a hibás adatok nem veendők figyelembe nm-ig zajszűrés szükséges főleg a napfényben felvett adatokra 1874, 1884, 1887, 2215 nm-es sáv a nagyfokú hibái miatt kivágandó az elemzésből ig zajszűrés szükséges. 7 A vizes spektrumok leszámításával, 59 spektrum alapján: 80

81 A légkör által keltett hibák A hibásnak minősített, azaz egyáltalán nem használható sávok az atmoszferikus hatások következményében (55. ábra) váltak zajossá: a víz elnyelési sávjainak hullámhosszán a levegő páratartalmától függően olyan nagy a légköri elnyelés, hogy a felszínre illetve onnan a műszerbe rendkívül kevés beeső illetve visszavert fény jut el: az adatok jel-zaj viszonya rendkívül rosszá válik (a jel gyengébb a zajnál). Az ezen sávokba eső méréseket ki kellett zárni az elemzésből. 55. ábra Látkép a Mátrában lévő recski területről keleti irányban. Látható az légrétegnek a spektrumot módosító, a légréteg vastagságával erősödő hatása. A 2 μm feletti hullámhosszú sávok zajosságának az az oka, hogy a beállított integrációs idő ami a kis hullámhosszakra jó a nagyoknál relatíve egyre kisebb. Ezért több ismétlést kell mérni, és ezeket még átlagolni. Az integrációs idő helyes megválasztása egyébként a gyors változású atmoszferikus hatások kiátlagolásánál is fontos (Kardeván 2006). Anyagspecifikus hibák Negatív adatok különösen a vízről felvett spektrumoknál voltak, ahol valószínűleg az igen alacsony értékek (1-2%) és az ezekhez képest relatíve nagy zaj okozta őket. A víz (folyó, tó, referenciamérés) spektrumai 1350 nm-től gyakorlatilag használhatatlanok (56. ábra). A beeső fény spektrális radianciája is igen alacsony, de az ehhez közeli valóságos reflektancia értékek is 1% alatt vannak, tehát feltehető, hogy itt a víz reflektanciája is minimális. Az ezen belüli (0-0,5%) különbségeket a spektrométer nem tudta kimutatni (hibahatár alatt voltak). Ezeket az értékeket nem vettem figyelembe. Hullámh. Nap Adat %

82 Részlet a Sajó spektrumából A Sajó spektruma Napfény radiancia Refl*10 Refl%* ábra A Sajó vizének reflektanciája, mellette összehasonlításként (tájékoztató jelleggel, hozzárendelt értékek nélkül) a napfény radianciája, melyen megfigyelhetők, hogy a radiancia ott a legkisebb, ahol a reflektanciaértékek a legzajosabbak, vagyis a víz elnyelési sávjaiban. A nm-es hibás szakasz (pozitív és negatív hibákkal) azonban nem magyarázható a túl kevés beeső napfénnyel. Más anyagoknál főleg a napfényben felvett spektrumoknál az ultraibolyában voltak elszórva hibás vagy túl zajos adatok, függetlenül az anyagtól, amikről készültek. 82

83 spektrális radiancia W/m2/sr/mikrométer Fényforrások Referenciának az ideális az lett volna, ha azonos anyagokról terepi- és labormérés is készül, ám ilyen mérésre nem került sor. A növények ellankadtak, a talaj pedig kiszáradt időközben. A saját terepi mérésekre a GER-rel Sajópetri és Tedej, a labormérésekre Mályi községekben került sor 2002 augusztusában. A mesterséges megvilágítás erőssége lényegesen gyengébb, mint a napfény. Ezért a napfényben felvett spektrumok az elnyelési sávok kivételével! kisebb zajúak, azaz jobb jel/zaj viszonyúak. A napfényben felvett spektrumok hibái a légköri elnyelési sávokban a legerősebbek. Ez kiküszöbölhető, ha a terepen is mesterséges megvilágítást alkalmazunk. Erre azonban nem volt lehetőségünk (egy másik csoport a felmérés alatt más műszerrel a felhős idő miatt is végig a terepen is mesterséges fényforrással dolgozott, ami lehetővé tette a terepi és labormérések összehasonlítását). A mesterséges fényforrás spektrális radianciája 758, majd 1059 nm-nél éri el csúcsát (38000 ill W/m 2 /sr/ m (vöröses fény ill. hő). A napfény spektrális radianciája ennél maximumában tízszerte erősebb (480 nm-en W/m 2 /sr/ m), de az elnyelési sávokban a mesterséges fényének tizedére csökken (pl nm-en 1300) (57. ábra). Lámpa és napfény spektrumgörbéje Lámpa Napfény hullámhossz 57. ábra Lámpa és napfény spektrális radianciája Fényforrás meghatározta hibák A napfény és a mesterséges fény a különféle hullámhosszakon eltérő erősségű. Ahol ezek gyengék, ott a zaj is erősebb lesz. Így megállapítható, hogy mely hibás, zajos sávok a nem megfelelő fényforrás intenzitásnak, és melyek a spektrométer hibájának következményei (7. táblázat). Sáv Hullámhossz Megjegyzés 1-kb nm zaj, szinte csak a labormérésnél 83

84 nm zaj, jelentős zaj a napfényes mérésnél kiugró értékek, főleg napfényes mérésnél kiugró értékek, főleg napfényes mérésnél kissé kiugró érték, csak labormérésnél kiugró értékek, főleg labormérésnél 620-kb nm kissé zajos kb nm zaj 5. táblázat Hibás, zajos sávok A kétféle fényforrás intenzitása két példán a fenti sávokban ( táblázat): DAIS sáv Hullámhossz, nm Spektrális radiancia W/m 2 /sr/um mesterséges megvilágítás mellett Spektrális radiancia W/m 2 /sr/um táblázat Az ultraibolya-kék sávokban a mesterséges fény különösen alacsony intenzitású!, ezért jelentkezhet itt zaj. Sáv Hullámhossz Spektrális radiancia W/m 2 /sr/um t mesterséges fényben Spektrális radiancia W/m 2 /sr/um napfényben táblázat nm-en légköri elnyelési sáv található, ahol a beeső fény W/m 2 /sr/ m -ről 1200-ra csökken (ezen az egyedi példán). A mesterséges fényforrásnál nincs ilyen csökkenés, ezért a zajos 84

85 sávok itt csak a napfényben felvett spektrumoknál jelentkeznek. (A napfény áthalad a légkörön, a laborlámpa fénye viszont csak elnyelés szempontjából elhanyagolható vastagságú levegőrétegen halad át) Sáv Hullámhossz Spektrális radiancia W/m 2 /sr/um mesterséges fényben Spektrális radiancia W/m 2 /sr/um napfényben 8. táblázat A mesterséges fényforrás fénye fokozatosan csökken, míg a napfény hirtelen (elnyelési sáv), de mindkettő erősen lecsökken 2450 nm felett. Ez magyarázhatja a nagyfokú zajt mindkét esetben. A hibák azonosítása összefoglalás 58. ábra A napfény és mesterséges fényforrás radianciája, mellette egy egészséges zöld növény reflektanciája. A grafikon alatt a felvett 64 spektrum megjelenítése (x tengely: csatornák, y tengely:. Fenn:. szabadtéri spektrumok, lenn: laborban felvett spektrumok összehasonlítása. A szürkeárnyalat változása a reflektanciaértéknek felel meg (fekete: 0%, fehér: 100%)). A több mérésből összeállított ábrán (58. ábra) látható, hogy a napfény erőssége mérésenként ingadozik (csak teljes napsütésben, a déli órákban (10 és 15 óra között) mértünk, de a 85

86 lámpafény erőssége is a trendek azonban azonosak (a nap és a lámpa spektruma a fehér referenciáról visszavert fény alapján, összevetésül egy zöld növény spektruma, melyben láthatók a zajos területek. Látható, hogy ez a spektrum napfényben készült, hisz a zaj légköri elnyelési sávban jelentkezik) Megállapítható, hogy a hibás és zajos sávok általában a túl kevés fény és-vagy kis reflektancia miatt jöttek létre (370, 2300 nm környékén az eleve alacsony radiancia érték, egyebütt az elnyelési sávok miatt). A laborban zajos részek kb radiancia értékű beeső fénynél alacsonyabb radiancia esetén találhatók (ez csak az ultraibolya - kéksávokban 356 nm-ig jelentkezik az általunk használt lámpánál). Napfény esetén már beeső fénynél kisebb értékeknél keletkezik zajos spektrum (elnyelési sávok). A gép hibája okozza azonban, hogy egyes elkülönült sávokban kiugró értékű adatok szerepelnek (csíkot húz): 580 sáv (1874nm), 582 (1884), 611 (2185), 613 ill 614 (2215). Ezek közül az sáv esetén megjegyzendő, hogy a GER regisztrálófájlja itt vált át kb 4 nm-es mérési (átlagolási) tartományról 11 nm-esre, azaz az átszámításnak (újramintavételezésnek) is betudható ezen sávok anomálisan magas értéke (59. ábra). 59. ábra A spektrumok eleje és vége. A képek fölső felében napfénynél, alsó felében lámpánál felvett spektrumok. Középen a víz spektrumai. A vízszintes csíkok az egyes spektrumgörbék szürkeárnyalatos megjelenítései (fekete: 0%, fehér: 100% reflektancia), a függőleges oszlopokban az egyes hullámhosszok (csatornák) értékei vethetők össze. A kép alá és fölé írt számok az adott fényforrás radianciaerősségét jelzik (felül: Nap, alul. lámpa. Felül a sáv sorszáma olvasható). Az ábra a kép zajosságát és hibáit hivatott megjeleníteni: a bal oldali képen a kék színben felvett spektrumok láthatók a bal oldalon: itt az alsó spektrumok zajosabbak, mert a lámpa ebben a hullámhossztartományban kis spektrális radianciájú. A jobb oldali képen a napfényben felvett fölső képen látható egy zajos terület a víz elnyelési sávjában. Ez a zajosság a lámpánál alig jelentkezik. 86

87 sáv ( nm), a napos spektrumnál a sáv ( nm) a legzajosabb terület. A sáv vége ( ) mindkét esetben zajos. A víz spektrumánál a zajos terület sokkal szélesebb. A DAIS LÉGIFELVÉTELEK ADATAINAK FELDOLGOZÁSA: TAPASZTALATOK A hiperspektrális távérzékelési információk elsődleges forrása amint a képalkotó spektrometria kifejezés is mutatja a spektrum, amelyet képalkotási folyamathoz kapcsoltunk. A mi esetünkben, a 2002 augusztusában DAIS szenzorral készült DAIS adatkocka bizonyos sávjai igen zajosak, s közülük számos kisebb vagy nagyobb mértékű zaj-csíkozottságot mutat, melyet a műszer vibrációja okozott. Ezeket feldolgozás előtt MNF és FFT módszerekkel ki kell szűrni (Kardeván 2004b). A légifelvételek kalibrációja A DLR-ben minden terület nyers adatkockáiból három kalibrált kép készült. 1. Az eredeti képek nyers DN értékeinek kalibráicójával a visszavert fény spektrális radiancia értékeit [mw/(cm 2 /sr/ m)] tartalmazta az első sorozat. Ezek a képek nem lettek georeferálva. ( At sensor kalibrált képek ). Ezek a képek _cal.bsq végződésű fájlneveken azonosíthatók. 2. A radiancia értékeket atmoszferikus korrekcióval relatív reflektancia értékekké alakítottak a repüléssel egyidejűleg végzett földi spektrométeres referenciamérések felhasználásával. Ezek a képek georeferáltak voltak, de sík topográfiára vonatkoztatva. A termális infravörös sáv értékei ( sáv, 8,5-12,2 m) felszíni radianciával [mw/(cm 2 /sr/ m)] lettek megadva A termális sáv információi alapján egy plusz, hőmérsékletet [ C] közvetlenül mutató (80.) sáv is készült. A reflektancia értékeket % (*10) értékkel adták meg. Ezek a képek _cal_geo_flat_atm_comp.bsq végződésű fájlneveken azonosíthatók. 3. A harmadik képnél az atmoszférikus korrekció során a domborzat hatását (topographic normalization) is figyelembe vették, a georeferálás mellett. Ez a lépés jelentősen növelheti az endmemberek elkülöníthetőségét (Feng et al. 2003). Azok a képek, melyeken az atmoszférikus korrekció a domborzat figyelembe vételével történt, azonban hibásak lettek: A képek hibásan lettek georeferálva, mert a WGS84 - HD-72 referenciaellipszisek közötti UTM-EOV transzformációs paramétereket rosszul adták meg és túlkalibrált képek keletkeztek. A végső képek spektrumai így sokkal inkább a lejtőkitettséget tükrözik, mint a valódi spektrumot. Ezek a képek _cal_geo_atm.bsq végződésű fájlneveken azonosíthatók. 87

88 A hibára akkor döbbentünk rá, amikor a képek terepi ellenőrzésére került sor 2005-ben. Így a DLR-ben topgráfiai normalizációval is kalibrált képek melyet az előzetes feldolgozás során használtunk spektrális feldolgozásra alkalmatlannak bizonyultak. A képek újrakalibrálása megfelelő szoftver hiányában még nem készült el. A spektrumok elemzéséhez végül az at sensor, kalibráció nélküli képeket használhattuk, melyek megfelelő pixeleit hozzákötöttük (georeferáltuk) a geometriailag kalibrált adatkocka-fájlokhoz, ahol a tanítómezők és tanítópontok a terepi GPS mérések alapján fel lettek véve. Az atmoszferikus kalibráció utáni jellemzők és hibák A DAIS képek eredeti nyers értékei függnek az adott hullámhosszon beeső napfény erősségétől, így azok között több ezres értékek éppúgy előfordulnak mint a légköri elnyelési sávokban akár negatív értékek is (a feldolgozáskor ezeket 0-nak vették). A radiometrikus kalibráció során a különféle sávok reflektancia értékei maximum 1000 eltérő értéket vehettek fel (0-100 %-ig). A gyakorlatban a recski képen a legmagasabb érték 80% volt. Összesen 200 féle értéket vehettek fel a pixelek (0-800, 4-esével). Az eredeti képeken is kb. 200 különböző érték fordult elő sávonként. A termális sávokban a felszíni kisugárzás értékei W/m 2 -ben szerepelnek. A geometrikus korrekció során nearest neighbour módszerrel történt az újramintavételezés. Így elkerülhető volt, hogy a pixelek spektrális tulajdonságai megváltozzanak (ez a módszer nem interpolálja a szomszédos értékeket). Ez azonban azzal járt, hogy az eredeti, egységes 6 m/képelem felbontás leromlott (nem egy pixelre nézve, hanem a pixelek együttesére, koherenciájára nézve), mert így több szomszédos pixel is azonos értéket kaphatott ill. pixelek eshettek ki vagy helyeződhettek át. A módszer különösen a zajos képek minőségén (javíthatóságán) rontott. Bizonyos zajok és hibák, melyek ezelőtt a lépés előtt egyszerű geometriájúak, ezután már komplex alakúak lettek ( ábra). 60. ábra Példa a geometrikus korrekció után keletkezett komplex mintázatú zajra (recski felvétel), 1. sáv. Balra az eredeti kép, jobbra ebből két nagyítás. Míg a középső képen lévő zaj kiszűrhető, a jobbra lévő a korrekció folyamata során létrejött hiba, mely nem tüntethető el. 88

89 61. ábra A 45. csatorna a DLR-béli korrekció előtt (fenn) és után (lenn) A DAIS és a GER műszerek összehasonlítása A feldolgozás során szükség van a terepi (a mi esetünkben: GER) és a képalkotó spektrométerrel (a mi esetünkben: DAIS) felvett adatok összevetésére (62. ábra). A spektroradiométer által felvett hullámhosszak: nm: 1,4-1,6 nm-enként nm. 9,5-2,6-ig fokozatosan csökkenő intervallumban nm: 11-8 nm-ig fokozatosan csökkenő intervallum. A DAIS által felvett hullámhosszak: kb. 20 nm/enként kb 300 nm-enként ig kb. 150 nm-enként 4350, 8570, 9510, 10296, 11012, 11677,

90 Műszerek, méréseik és a napfény Hullámhossz DAIS (fenn) GER (lenn) Nap Fű (GER) Fű (USGS) Fa (DAIS) 62. ábra A felső grafikonon a fölső piros pettyek a DAIS, az alsók a GER mérési sávjait jelzik. (összehasonlításul ezekkel a műszerekkel ill. USGS laborban felvett növényzetről készült spektrumok láthatók (reflektanciaértékek, zöld színnel; a víz spektrumának egyedi pontjai kékkel) és sárgával a napfény radianciája). Alatta a 2 műszer által felvett példákon láthatók a spektrumok, egymás alá helyezve (minden sor egy konkrét spektrum). Jól láthatók a zajos részek ill. a műszerek hibái okozta függőleges, egy-egy hullámhosszra (csatornára) jellemző csíkok. Látható hogy a DAIS sávok kikerülik a legzajosabbra várható légköri elnyelési sávokat. A GER spektrumai az ENVI képként megjelenő spektrumkönyvtár (spectral library) funkciójával, a DAIS spektrumai az ENVI spektrumszeletelő (spectral slice) funkciójával készültek. A GER zajos vagy hibás részei által érintett sávok a DAIS szempontjából: A nm-es GER-zajos sávokban a DAIS nem érzékel Az nm-es zajos területen (elnyelés) nincs DAIS sáv (1756 ill a két szomszéd), de utána közvetlenül igen zajos képet találunk ami fokozatosan javul. Az 1874, 1884 m-es hibás sávokban nincs DAIS érzékelés. A 2185 (611. sáv), 2215 (614) nm-es hibás sávokban 2186 (56. sáv) és 2215 (58. sáv) nm-en VAN DAIS érzékelő sáv, mely alig zajos. A nm-es kissé zajos sávban 2275, 2290, 2303, 2317, 2330, 2344, 2358, 2372, 2385, 2398 ( sáv) vannak DAIS sávok, melyek egyre zajosabbak, az utóbbiak már szinte teljese zajosak (csíkos-zajos). A nm-es zajos sávban 2412 nm-en van egy DAIS sáv, mely teljesen zajos. 63. ábra A DAIS zajos sávjai 90

91 A 63. ábrán is látható, hogy a GER zajos sávjain kívül a DAIS is tartalmaz zajos sávokat. Ezek természetesen már a képeken is láthatók, de az egymás mellé tett spektrumokban is észrevehetők, sőt, itt látható, hogy az 54. sáv a környezeténél általánosan sötétebb, talán a spektrométer hibája miatt. Látható, hogy a kevés fényre sokkal érzékenyebb, mint a GER spektrométer. A DAIS képek zajos sávjai 8, 33, 37, 78: becsíkozott (másfajta zaj) 623, 1539, 1668, nm (nem azonosított eredetű, valószínűleg szenzor hiba) 41-42: rendkívül zajos nm (elnyelési sáv után) 43-44: alig zajos (csökken) nm 45: zajos, máshogy mint a többi (2020 nm) -- ez egy kisebb elnyelési sáv 46-51: alig zajos nm 55-57: alig zajos nm (innentől egyre kevesebb a napfény, azaz a beeső energia, ami rontja a jel/zaj viszonyt ) 58-62: közepesen zajos nm erősen zajos nm 67-72: rendkívül zajos nm A DAIS 64. és 72. csatornát eleve hibás -ként jelölték meg a DLR-béli feldolgozás során (Kardeván 2004), így ezeket eleve ki kell vágni. A DAIS képek elemzésekor kimaszkolt (kivágott) sávok: 41-45, 63-72, (és az e fölötti termális sávok a felhasználástól függően) A képeken a zaj szűrésére PCA vagy MNF módszerekkel van lehetőség (64. ábra). 64. ábra Ugyanaz a terület kereszt-diagramjai (cross-plot) balra: két zajos sávon, ill. jobbra: két zajmentes sávon. Látható, hogy a zajos sávon az értékek (mw/m2) közt sok a negatív és 0 közeli. Ez mutatja, hogy itt igen alacsony volt a beeső fény ill. emiatt a visszavert fény erőssége. A kép zajosságának elemzése A 65. ábra abból indul ki, hogy ha a negatív pixel értékek hibásak; tehát ha a pixel értékek még a negatív tartományban elérik össz-számuk 50%-át (mean, középérték) akkor azok a leg- 91

92 zajosabbak (minimum érték+középérték)/((max-min)/100), azaz a teljes értékskála hány %- ánál található a középérték ábra Képek zajosságának meghatározása (magyarázatot lásd a szövegben) A zajos értékek gauss görbéhez hasonlítanak egy hisztogramban (66. ábra). Ennek alapján ha a max. érték a hisztogram 50%-ánál található, akkor az véletlenszerű eloszlású (zaj) ábra Néhány sáv (60-71) hisztogramja. A világoskékek a , egyre zajosabb sávok. A hibákat sok kis hatás együttesen hozza létre, ezért látható a Gauss-eloszlás. Látható, hogy az ábrán a görbék szabályosak. Ha a negatív érték a zajt mutatja, akkor ugyanennyi pozitív párjuknak is lenni kell (véletlenszerűségi alapon). Így a görbe szélessé válása azt mutatja, hogy mind a negatív mind a pozitív tartományban egyre több a zaj. Amikor a görbék csúcspontja átlép a negatív tartományban, azt jelzi hogy a kép szinte csak zajból áll. Tehát ha megszámoljuk a negatív pixeleket, megszorozzuk kettővel, megkapjuk a képen az összes zaj pixel számot. Ha megnézzük, a teljes kép összes pixelnek hány %-a negatív (vagy a feldolgozás után 0), elvileg, megkapjuk, hogy a képből hány %-nyi a zaj. (minél közelebb állnak az értékek 0-hoz, annál kevesebb volt a fény.) Ez azonban csak azokban az esetekben ad eredményt, ahol alacsony reflektancia értékek voltak (67. ábra). 92

93 ábra Negatív értékek %-os aránya (oroszi, nyers kép). Elvileg az 50% azt jelenti, hogy ha minden negatív érték zaj, akkor a teljes kép csak zajból áll. Ez azonban nem áll, mert akkor nem lehetne több mint 50% negatív érték. Ez már majdnem minden zajt jól magyaráz, de a szemrevételezés alapján a 60. sávtól folyamatosan nő a zaj, míg itt egy darabon csökken, ill a sáv távolról sem olyan zajos mint a Az MNF szűrés után is maradtak jelentős számban negatív értékek a szűrt képen, ami azt mutatja, hogy a negatív értékek is érvényesek részben, és a geometriai radiometriai korrekció előtt kell elvégezni a szűrést (és bizonyos esetekben az osztályozást) mert utána ezek már 0-vá alakulnak (vagy más újramintavételezési eljárást kell alkalmazni) ( ábrák). 68. ábra Két zajmentes sáv (1, 10) Oroszi képen (eredeti balra, szűrt jobbra) 69. ábra A két legzajosabb sáv NMF szűrés előtt és után 41, 71 (eredeti balra, szűrt jobbra) (erdei terület-rész) 93

94 70. ábra A 41. és 72. sáv negatív értékei: láthatóan csak zajt tartalmaznak (A pozitívok töltik ki a többi képmezőt - tehát az is zaj) 71. ábra A 41. sáv MNF zajszűrés előtt és után az algoritmus a szomszédos sávok trendjeit és értékeit veszi figyelembe, de nem tudható, hogy valójában ebben a sávban milyen értékek találhatók ezért ez a sáv még ilyen szépen zajszűrve sem használható biztonsággal, hisz csak számolt adatokat tartalmaz, nem a terepi valóságot. 72. ábraa 45, 47 sáv negatív értékei láthatóan valós adatokat tartalmaznak. KÍSÉRLET ERDŐTÍPUSOK MEGHATÁROZÁSÁRA A festőművész is jól tudja, hogy ha erdős hegyoldalt ábrázol, különféle színű festékeket választ, vagy különféle színűeket kever össze, s ezekből festett kisebb-nagyobb foltokkal ábrázolja az erdőt; s azt, hogy az erdő fái tavasszal, nyáron és ősszel eltérő színűek. Az erdőtípusok spektrális beazonosításakor ezt használhatjuk ki. A színbéli vagy spektrumbéli eltérések csak egy része a levelek eltérő színének (pigmentjeinek, anyagi összetételéből adódó elnyelési sávoknak) hatása: a spektrumra hatással van a mikrokörnyezet vízháztartása, mikroklímája, a lejtőkitettségből és lejtésszögből adódóan eltérő megvilágítási viszonyok, melyek már homo- 94

95 gén fajú területen belül is változékonyságot okoznak. A növények egy része lehet beteg; az eltérő mikroklimatikus vagy talajösszetételi viszonyok miatt az egyes egyedek más fenológiai fázisban járhatnak, különféle nagyságú stresszhatást szenvedhetnek, mely türköződik a róluk visszavert fény elnyelési sávjainak mélységében (pl. a víz vagy klorofill elnyelési sávokban). Az egyes fák spektrumának szórása a nyári időszakban lehet a legkisebb, s tavasszal és ősszel a legnagyobb, amikor már rövid idő alatt bekövetkező változás is jelentős spektrális változással jár (levélfejlődés/virágzás/termésérés/levélszíneződés/levélhullás). Ezekben az időszakokban különíthetők el legjobban az egyes erdőterületek, de kérdés, hogy ilyenkor a szórás egy fajon belül belül kisebb-e, mint különböző fajok között. A fajok közötti különbségek magyarázhatók a levelek elhelyezkedésének, a lombkoronaszint záródásának és szerkezetének faji különbségeivel (pl. árnyékhatás révén); de a fajok belül ugyanezek a tényezők okoznak spektrális változásokat az eltérő korú erdőterületek spektruma között. Finomabb térbeli felbontásban egyes jellemzők (pl. az aljnövényzet) már nem keveredik a fák spektrumába, hanem pixel szinten szétválasztható: ez más elemzési módszert igényel. Az alábbiakban egy nyár végi periódusban készült egyetlen pillanatkép alapján, a gyöngyösoroszi és a recski területen a Mátra erdőtípusainak illetve más növénytakarójának elkülönítésére tettünk 8 kísérletet, valamint a főbb lombos fafajok (kocsánytalan tölgy, cser, bükk, gyertyán) által uralt elegyetlen, illetve elegyes (erdő)állományainak elkülönítésére. A meghatározáshoz felhasználtuk a DAIS légi hiperspektrális adatkockákat (képeket), a felszínborítás meghatározása pedig terepmunkával (bejárással) történt. A képek 2002 augusztusában készültek, a terepbejárás pedig 2005 szeptemberében 2006 augusztusában; de lévén hogy az erdők állománya viszonylag lassan változik, valószínűleg a terepbejárás során is ugyanazzal a felszínborítással találkoztunk, mint ami a légifotó elkészültekor ott lehetett. A kutatás célkitűzése Az erdőterületek kataszteri nyilvántartása jóval durvább, mint ahogy egy ilyen légifényképezésből vagy műholdfelvételről megállapítható lenne. A jelenlegi adatbázisok (CÉT Corine Élőhelytérkép, CLC Corine Land Cover [Büttner et al. 2004a, 2004b; Mari és Mattányi 2002], erdőállomány adattár) az erdőkre tartalmaznak társulás szintű vagy faj szintű kategóriákat, ám az erdőterületeknek a meghatározása általában bizonytalan. Az 1: méretarányú CLC50 Magyarországon használt felszínborítási osztályai között a természetes erdők elkülönítésére a lombhullató, a fenyőerdő és az elegyes erdő kategóriákat használják ezek különféle zártságú osztályaival, valamint új erdőtelepítések/vágáserdők, bokorerdők és csemetekertek kategóriákat (Büttner et al. 2004a, 2004b; Mari és Mattányi 2002). 95

96 Az erdőtípusok meghatározásában két fő módszert követhetünk az erdőben előforduló fajok homogén spektruma alapján határozzuk meg a társulást is, az egyes fajok előfordulását (teljes vagy részleges) spektrumszétkeveréssel ábrázolva. Így ha működik a módszer pontosan látható a társulások finom átmenete és pontos összetétele a társulást egy célspektrumnak vesszük, és egy képelemet egy kategóriába sorolva osztályozunk pl. SAM módszerrel. Ez esetben fontos, hogy a társulások átlagolt pixelei között nagyobb eltérés legyen, mint a társulásokon belüli variancia. Érdemes a társulás pixelét a társulást fedő egy nagyobb tanítómezőről átlagolni. A fenti két módszer használhatósága az endmemberek megtalálásán és definiálásán múlik. Ehhez laboratóriumi spektrumgörbékre, előzetes és az előzetes osztályozás utáni utólagos terepbejárásra van szükség. Az erőtársulások távérzékeléses meghatározásárát indokolja, hogy a topográfiai térképek már sok esetben elavultak; ezek a társulásokat nem tüntetik fel. A CÉT élőhelykategóriák szerint ábrázolja a felszínt. Ezek az élőhelyek vagy erdőtípusok gyakran jellemezhetők egy-egy fafaj dominanciájával. Itt akkor van esélyünk erdőtípusokat megkülönböztetni, ha a domináns fajokat el tudjuk különíteni. Az erdészeti adatbázis (Országos Erdőállomány Adattár, Állami Erdészeti Szolgálat) jó pontossággal megadja a domináns fafajok elegyarányát, ez a megközelítés is a faji szintű megkülönböztethetőséggel adhatna jó párhuzamot (Horváth 2006). A CÉT leírt kategóriái idővel bizonyos helyeken jelentősen megváltozhatnak (pl. irtás). Egy monitoring esetén az erdőtípusok átalakulása is megfigyelhető volna. A CÉT Bükkös/gyertyános/kocsányos tölgyesek alkategóriái és a hozzá fűzött megjegyzések Gyertyános-tölgyesek Ide zömmel a hegy- és dombvidékieket rakjuk Bükkösök Köves-sziklás termőhelyű erdők Keményfás ligeterdők, síksági gyertyános-tölgyesek és gyöngyvirágos tölgyesek Minden természetesebb zárt síksági tölgyes. 23 Cseres és molyhos tölgyes szálerdők E kódot csak akkor adjuk, ha nem tudjuk pontosabban tipizálni a foltot Molyhos tölgyesek Melegkedvelő- és mészkedvelő tölgyesek Cseres-kocsánytalan tölgyesek Cseres-kocsányos tölgyesek A savanyúak, a változó vízgazdálkodásúak stb. 8 Szerző és Horváth Ferenc (Vácrátóti Arborétum) 96

97 A gyöngyösoroszi terület terepi bejárása és elemzésének eredm ényei 73. ábra A terület terepbejárás során meglátogatott pontjai. Spektroradiométer híján hiperspektrális adatok ezekről a területekről csak a DAIS képről állnak rendelkezésre. A terepbejárás célja a DAIS képen láthatók azonosítása (ground truth) volt. Egy előzetesen osztályozott DAIS kép alapján választottuk ki a mintavételi pontokat (73. ábra): olyan helyeket, ahol homogén foltokat találtunk és melyek minden osztályból tartalmaztak példákat. A terepen a következő adatokat rögzítettük az egyes pontokban: Pont sorszáma Szélesség, hosszúság (WGS84, GPS alapján) A terület rövid leírása Az (erdő) állomány életkora A fák lombkoronaszinti záródása Domináns fafaj (%) 2. leggyakoribb fafaj (%) 3. leggyakoribb fafaj (%) A fák átlagos magassága Cserjeszint fajai, %-os záródása Gyepszint fajai, %-os záródása Fotó sorszáma Az egyes pontokhoz tartozó fotók és adatok a 74. ábrán ill. 11. táblázatban láthatók. 97

98

99 ábra/1-28: a gyöngyösoroszi terület pontjaiban készített fotók 99

100 Pont lat No. lon Leírás Kor záródásdomináns faj % 2. Faj % 3. Faj % Magasság Cserjeszint % Gyepszint total %Megj puhafa galériaerdő fehér fűz 40 éger 40 kőris, akác5 fátyolszint: kúszó lián (lonc) Patak 1 m széles, a galériaerdő 10 m széles. erdei fenyves és ,2 telepített fiatal telepített csertölgy 80 erdei fenyő cser 10 cser, fagyal, gyepűrózsa cser 50 gyenge fenyő, sok cser erdei fenyő 90 erdei fenyő cser 2 cser 25 sok kilopkodott cser erdei fenyő 90 cser 3 cser 35 száradó fenyő, sok kilopott fa elhagyott becserjésedet t becserjésedú legelő becserjésedett legelő gyepűrózsa, kökény, vadkörte, galagonya, tatárjhuhar 75 siskanád gyepűrózsa, kökény, vadkörte, galagonya fiatal telepített cseres alátelelpült fiatal telepített gyertyánnal 100 gyertyán ktt 20 mezei juhar, gyertyán 20 gyertyánostölgyes középkorú 100 cser 60 gyertyán30-40ktt 5 25 gyertyán fiatalos ktt 80 erdeifenyő 3 gyertyán szárazos gyertyánostölgyes középkorú ktt 50 cser 45 gyertyán 2 18 gyertyán ,9 100 gyertyán 90 rezgő nyár középkorú elegyetlen egykorú telepített száraz elfüvesedett kocsánytalan tölgyes 85 ktt 85 gyertyán lenne (újulatban), de nincs festuca, brachipodiu m silvaticum 30 20% meredek Poanemora lis dactylis 25-30% meredek, patakra lejtő lejtő 15 m-re a pataktl, a telep fölött időszakos vízfolyás völgyében cseres tölgyes cser nélkül ktt (homogén) sziklás 30 sziklás, sok falopás középkorú cseres-tölgyes cser 45 ktt galagonya, fajgazdag 15 fajgazdag 25 gyertyán nem jellemző középkorú cseres-tölgyes 85 cser 45 ktt Poanemora lis dactylis 35 gerincen, csúcs 9. táblázat Gyöngyösoroszi vizsgálati pontjai 100

101 A fentiek alapján a 12. táblázat mutatja az egyes fajok pontonkénti arányát és a pont társulási besorolását. Pont No. fenyő csertölgy kocsánytalan tölgy gyertyán bükk egyéb Besorolás 1 éger, fűz Puhafás Fenyves Fenyves Fenyves 5 cserjés legelő cserjés legelő 6 cserjés legelő cserjés legelő 7? gyertyános-tölgyes gyertyános-tölgyes fiatalos ktlan tölgyes cseres-tölgyes nyár gyertyános kocsánytalan tölgyes kocsánytalan tölgyes cseres-tölgyes cseres-tölgyes kocsánytalan tölgyes kocsánytalan tölgyes kocsánytalan tölgyes 19 üde kocsánytalan tölgyes lokális bükkos kocsánytalan tölgyes cseres-tölgyes kocsánytalan tölgyes lúcfenyves 25 rét hegyi rét fiatalos ktlan tölgyes 27 tölgyes újulás erdei fenyves 10. táblázat A gyöngyösoroszi terület vizsgálati pontjaiban meghatározott erdőtípusok A fenti pontokat középpontként alapul véve a környezetében lévő homogén képelemekből (tanítómezőkből) célspektrumokat alakítottam ki, azonos felszínborítás esetén több, egymástól független tanítómezőt is alapul véve. Ezen egyesített tanítómezők alapján a következő célspektrumokat hoztam létre: GYÖNGYÖSOROSZI EGYESÍTETT CÉLSPEKTRUMOK (a dolgozat elektronikus változatában a fenti feliratra kattintva tekinthetők meg a spektrumok adatai Excel táblázatban) 1. Hegyi rét 2. Cserjés-gyepes 3. Gyepes-cserjés 4. Kocsánytalan tölgyes (homogén) 5. Gyertyános (homogén) 6. Cseres-tölgyes 7. Cseres-gyertyános-kocsánytalan tölgyes 8. Bükkös-gyertyános 9. Száraz sziklás kocsánytalan tölgyes 10. Mohás törpe kocsánytalan tölgyes 11. Újulás (tölgyes) 12. Fiatalos kocsánytalan tölgyes 13. Erdei fenyves 14. Lúcos 101

102 Az elemzés lépései Az elemzést két képen végeztem: I. az at sensor radianciaértékeket tartalmazó képen, mely nem volt sem atmoszférikusan, sem geometriailag korrigálva. Ezt azért tettem, mert itt tudtam a zajszűrést és a csíkozottság eltávolítását elvégezni. Elvileg ugyanis a zajszűrés és csíkozottság eltávolítására azt atomszférikus és geometrikus korrekció előtt kell sort keríteni (az osztályba sorolás is történhet a geometrikus korrekció előtt). Ezután a lépés után kerülhet sor a korrekciókra, amelyhez azonban nekem sem a szoftver-, sem a szükséges adat háttér nem állt rendelkezésemre. Viszont voltak ily módon korrigált képek, melyeken viszont már nem tudtam demonstrálni a szűréseket sem utólag. Hibrid megoldásként végigvittem a teljes képelemzést az at sensor képeken, melyek elemzése mivel a referenciaspektrumokat a kép alapján vettem önmagukban értékelhető, ámde más képekkel nem összevethető eredményeket hozott (azaz nem reflektanica, hanem atmoszférikusan nem korrigált radianciagörbéket eredményezett). Ez a módszer tehát leírja a képelemzési eljárást, de feltételezi, hogy a zajszűrés, FTT transzformáció után atmoszférikus korrekció következik illetve ezután megtörténik a radiancia adatok reflektanciává alakítása, majd a GPS adatok alapján geometrikus korrekció is. Mivel ez nem történt meg, ezek a lépések csak demonstratíve mutatják az eljárás menetét. II. Mivel szerettem volna, hogyha a kapott adataim mások számára is hasznosak, a reflektancia spektrumok kinyerése céljából az elemzést elvégeztem az atmoszférikusan és geometrikusan korrigált képen, mely nem volt a domborzat szerint korrigálva (mivel ez a lépés a DLR-ben hibásan lett elvégezve). Ezen a képen már kinyerhetők a spektrumok, de a geometrikus korrekció során végzett transzformációk és újramintavételezés miatt a zajszűrés és csíkozottság eltávolítás nem ad olyan eredményt, mint az eredeti kép adott volna. Mindazonáltal lévén, hogy itt történt csak meg az atmoszférikus korrekció csak ezek az eredmények tekinthetők elfogadhatónak. Az eredmények pontosságát növelné, hogy ha ezeken a képeken a zajszűrésre és osztályozásra a geometrikus korrekció előtt került volna sor, és az atmoszférikus korrekcióval egyidejűleg a domborzat radianciát/reflektanciát módosító hatását is figyelembe vehettem volna, ám erre jelen keretek között nem volt lehetőségem. Az elemzés lépései az at sensor képeken bemutatva. Az elemzés természetesen különféle módszerekkel különféle utakon végezhető el. Az alábbiakban többféle lehetséges változatot is bemutatok. A változat 102

103 1. geometriai okok miatti adatcsökkentés (spatial subset): kivágtam a kép számomra érdektelen, mezőgazdasági hasznosítás alatti vagy beépített területeit (75. ábra) 75. ábra Az eredeti nagyságú kép és a kivágott kép valós színekben (R: 6, G: 3, B: 1 DAIS csatornák) 2. radiometrikus okok miatti adatcsökkentés (spectral subset): kivágtam a túl zajos (41, és hibás (bad bands) (72, 64) sávokat, 3. eltüntettem a csíkozottságot a FFT módszer (Fast Fourier transzformáció) (ezt a műveletet a geometriai korrekció előtt, a nyers geometriájú képen kell elvégezni!) a) Vizuálisan meghatároztam a csíkozott csatornákat: 1. 8, 33, 37, 43, 44, 45, 46, (kövér betűvel a rendkívül zajos+csíkos sávok) b) Forward FFT t alkalmaztam c) A frekvenciatérben ismét megnéztem a csíkozott csatornák képét, és esetleges újabb csíkozott csatornákra utaló jeleket kerestem. (76. ábra) 2. és filter 1: 103

104 33: 43: 63: 76. ábra A frekvenciatartomány (2D spektrum, frekvenciatér), az eredeti kép (részlet) és a szűrt kép (részlet) 2. csatorna: nincs periodikusan ismétlődő komponens a képen; ill. a definiált szűrő csatorna: enyhe csíkozottság a képen, két új fehér csillag a frekvenciatérben 33. csat: csíkok függőleges világítótorony-fényként a frekvenciatérben, vízszintesen a képen 43. csat: rendkívül zajos kép és erős csíkozottság 63. csat. zajos kép és csíkozottság 104

105 (d) A csíkos csatornák frekvenciatérbeli hibáira közös szűrőt definiáltam, majd elmentettem őket (overlay -> annotációval megrajzoltam, majd user defined cut filterként definiáltam) (e) a szűrőt alkalmaztam (Fontos: a szűréskor a kimeneti fájl adattípusa integer legyen, akárcsak a kiindulási kép esetén ez a beállítás az ENVI-ben nem automatikus) (f) kivágtam a továbbra is reménytelenül zajos képeket. (43, 45, 66, 67. csatornák). Így egy 68 sávos képet kaptam. 4. elvégeztem az forward MNF transzformációt (a zajstatisztikát automatikusan végeztem, mert nem állt dark image rendelkezésre feldolgozható formátumban). Ha dark image (azaz olyan kép, ahol a képi tartalom teljesen sötét, csak a műszer zaja van regisztálva) nem áll rendelkezésre, helyette egy kép legsötétebb, homogén területe is kijelölhető, ha van ilyen. Ez legtöbbször tiszta vizes terület lehet, amilyen azonban a képek közül csak a látóképin volt megtalálható. Ilyen használható terület lehet a következő: ( ábra) 77. ábra Egy látóképi zajstatisztikához figyelembe vehető képrészlet és példaként a benne található zaj(os adat), erősen kontrasztosítva, a 9., 33, 55. sávokból. A sötét terület rossz jel/zaj viszonya miatt lehetséges erről a területről a zajbecslés, ám csatornánként más-más zajtípusok jelennek meg. Ezek a képek a már korrigált képről készültek, ezért látszik benne ferde csíkozottság. A balról második kép jobb oldalán kicsit sötétebb az alaptónus: ez valószínűleg nem zaj, hanem valós adat. 78. ábra A látóképi tó zajstatisztikájának sajátértékei 105

106 5. Az automatikusan elvégzett MNF transzformáció után kivágtam a túl nagy eigenértékű (sajátérték>1) csatornákat (zajszűrés) (79. ábra) 79. ábra 1 (265), 2 (86), 3 (36), 4 (29), 5 (20), 6 (15), 7 (9), 8 (8), 9 (7), 10 (6), 11 (5), 12 (5), 15 (4), 25 (1,8), 35. (1,4) csatornák az MNF transzformáció után (zárójelben a sajátértékeik) 106

107 A sajátérték határnak vizuális szemrevételezéssel 1,8-at vettem (25. sáv), de kivágtam a 15. sávot is, melyben a vízszintestől eltérő csíkozottság interferálva erősítve jelent meg. 6. elvégeztem az inverz MNF transzformációt, kihagyva a 15. és csatornákat, s így zajszűrt (spektrumában simított) képet kaptam. (data: interger). Az így kapott képen műtermék zajok jelentek meg és a zaj helyett a ferde csíkozottság hangsúlyosabbá vált (és az ENVI elvesztette a korábban minden csatornához hozzárendelt DAIS meta-adatokat), miközben továbbra is maradt zaj néhány sávban. Ezért elvégeztem az inverz MNF transzformációt 15 MNF sáv megtartásával (eigenérték határ: 4), így a műtermék megmaradt, de a zajosság jelentősen csökkent. (80. ábra) 80. ábra Műtermék a világos tó körül (vízszintes vonalak) és a 65. sáv zajszűrés előtt, a 25. MNF csatornás és a 15 MNF csatornát figyelembe vevő zajszűrés után 7. Ezen a képen felvettem a terepi jegyzőkönyv alapján a célspektrumok ( társulások ) tanítómezőit, (A pontosság végett: a terepi jegyzőkönyv alapján csak az atmoszférikus és geometriai korrekcióval ellátott képen tudtam felvenni a tanítómezőket, mert ez a kép volt georeferálva. Mivel a geometrikus korrekció során a domborzati hatás korrigálása a kép spektrális információtartalmát jelentősen eltorzította (abból egyfajta lejtőkategória-képet készítve), ezen a képen (81. ábra) spektrális információkkal nem lehet dolgozni. Ezért ezután az itt felvett tanítómezőket kép-a-képhez georeferálás módszerével a csak atmoszférikusan korrigált képre vittem át. A SAM módszerhez, melyet osztályozásra használtam, nem szükséges a domborzati hatás csökkentése, mert az nem veszi figyelembe az eltérő megvilágításból adódó különbségeket.) 107

108 81. ábra A georeferált, de hibás előfeldolgozású gyöngyösoroszi DAIS kép, osztályba sorolás után. A terepbejárásnál ezt az előzetesen (tanítópontok nélküli, automatikusan) osztályozott képet használtuk a terepi mérések pontjainak kiválasztására. A georeferált képet GPS műszerbe építve tudtuk a terepen közvetlenül is használni. 82. ábra A terület pontjai grafikusan és szövegesen 8. a jegyzőkönyv szerint azonos felszínborítási kategóriájúnak besorolt tanítómezőket egyesítettem (82. ábra) Név Összevont pontok Erdeifenyő 2, 3, 4, 28 Gyertyános-tölgyes 7, 8 Fiatalos Kttölgyes 9, 26 Száraz Kttölgyes 13, 16, 18 Cseres-tölgyes 10, 14 Tölgyes 12, 23,

109 83. ábra A terület pontjai grafikusan és szövegesen, egyesítés után 9. az egyesített kategóriák színkulcsát megfelelő módon átalakítottam (tools-color mappingclass color mapping). Mivel egy korábbi próbaosztályozás során létrejött kép az automatikusan adott változatos színek miatt nehezen interpretálható lett, az egyes kategóriák színeit úgy alakítottam, hogy azok egymással összefüggésben legyenek: a hasonló fajokból álló társulások (endmemberek) színe is hasonló. Ez a lépés, bár az osztályozáshoz magához nincs köze, mégis alapvető az adatok helyes (jól értelmezhető) megjelenítésekor, akárcsak egy térkép jelkulcsának és színkódolásának kiválasztásakor (pl. Hargitai 2007). 10. a kép tanítómezői alapján létrehoztam egy (immár szűrt spektrumú és csökkentett csatornaszámú) spektrumkönyvtárat (terepi in situ spektrumok nem álltak rendelkezésre) (83. ábra) 84. ábra A spektrumkönyvtárak grafikus ábrázolása 109

110 11. (opcionális: NDVI módszerrel meghatároztam és kivágtam a nem növényfedett területeket a nem illeszkedő képelemek osztályozatlanként jelennek meg a SAM célképén) (85. ábra) 85. ábra Az NDVI index az ENVI-ben beépített függvényként kezelhető: hozzá a két csatorna számát kell megadni, melyből hányadost számol. A fenti kép a 12. és 15. DAIS csatornák hányadosa (sötét: kis NDVI index [pl. víz], világos: nagy NDVI index [növényzet]) 12. a növényborítású területekre alkalmaztam a SAM osztályozó módszert (ami a spektrumok megtartásával dolgozik; erre azonban egyébként itt nem volt igazán szükség, hisz a spektrumokat a képről (from ROI from input file) tanítóponttal vettem, azaz nem volt (labor) referenciaspektrumom) 13. melyeknek eredményét jelmagyarázattal együtt ábrázoltam (86. ábra) 86. ábra Balra: az ENVI által végrehajtott SAM során automatikusan adott színekkel létrehozott kép. Középen: a színek és jelmagyarázat módosítása után már áttekinthetőbb a kép (de még lehetne finomítani). Jobbra: egy másik színminta tovább szűrt kép alapján B változat: A 11. pont után az elemzés a következőképp is folytatható: 110

111 12b. a SAM osztályozásnál a kategóriákból csak fajra homogén vagy majdnem homogén erdőfoltok spektrumait vettem figyelembe, tehát sem a fajkeverékre sem a típus-variációkra nem voltam figyelemmel. Ez azonban teljesen fals eredményt adott, rámutatva, hogy valójában nem a homogén erdőfoltok azok, melyekből a társulások kikeverhetők lennének. C változat: Az 5. pont után az elemzés a következőképp is folytatható: 6c. maximum likelihood módszerével osztályoztam a legnagyobb varianciájú csatornákat. Itt is a fenti tanítómezőket alkalmaztam, de a túl kis méretű tanítómezőket a módszer korláta miatt ki kellett hagyni a kategóriák közül. Az MNF transzformáció első 20 sávját vettem figyelembe (87. ábra). 87. ábra A módszer a SAM-hez mérten jóval egyszerűbb oszályokat adott D változat: Az 5. pont után az elemzés a következőképp is folytatható: 6d. elvégeztem a Fast PPI átalakítást, hogy automatikusan megkapjam a képből a legtisztább képelemeket. Ehhez nincs szükség tanítómezőkre viszont jelentős nagyságú memóriát igényel és így is nagyon lassú. Ezután kiválasztottam a legerősebb értékű (a gyakorlatban: minden 2- nél nagyobb értékű, összesen 440 ill. 1-nél nagyobb, 728 pixel) pixeleket és ROI-ba tettem őket (band threshold to ROI) (88. ábra). 111

112 88. ábra A legtisztéább képelemek és a ROI-k helyzete 7d. ezeket az n dimenziós tulajdonságtérben ábrázoltam és endmember osztályokat definiáltam (89. ábra). Így tehát a végállású spektrumokat a tulajdonságtérben, és nem a képi megjelenítéssel is ábrázolni tudtam. Ez a módszer önmagában is alkalmas végállású tagok (endmemberek) kijelölésére. 89. ábra Az n-dimenziós térbeli ábrázolás Az egyes osztályok között található jól és rosszul osztályozott kategória (rosszul osztályozott, ha túl nagy a variabilitás az osztályon belül), melyeket tovább kell bontani és vannak túl hasonló osztályok is, melyeket egyesíteni kell (90. ábra). 112

113 90. ábra Az egyes osztályok és szórásuk megjelenítése 8d. Ezek az osztályok ezek után a ROI pontokhoz rendelve megjeleníthetők az eredeti képen és elmenthetők. Ezzel lényegében endmembereket definiáltunk (bár a nagy szóródás miatt elképzelhető, hogy az endmemberek kiválasztásánál még néhány iterációra szükség lett volna) 91. ábra Az endmemberek alapján osztályozott kép 9d. A SAM módszer segítségével ezen endmemberek alapján a kép osztályozható (91. ábra). Mint fent látható, a legtöbb osztályt a különféle minőségű és szennyezetsségű vizek kapták (a tavon 3 kategória is szerepel), azaz érdemes kimaszkolni osztályozás előtt a nem növényfedett területeket pl. NDVI módszerrel. 113

114 92. ábra A PPI/n-dimenziós vizualizációs-sam; a tanítómezős-endmemberes-sam és a maximum valószínűségi osztályozások végeredményei. Nagyjából ez az a fázis, ahol többféle osztályozás végeredményeképp részben más-más térképek születnek (92. ábra). Itt érdemes egy terepbejáráshoz újabb megfigyelési pontokat kijelölni és azonosítani a körvonalazódóan eltérő felszínborítottságú területeket. Az egyes osztályozott képek legnagyobb eltérései (melyek eredetére a pontszerű terepi adatok alapján nehéz fényt deríteni) az erdőterületeken találhatók (a rét, fenyves, víz illetve újulás kategóriák nagyrészt megfelelnek a három képen). Így épp az erdőterületeken látható, hogy sikerült különféle kategóriákat alkotni, de újabb terepbejárás vagy megfelelő spektrumkönyvtári referencia nélkül ezek nem azonosíthatók egyértelműen (különösen a PPI adatokból automatikusan nyert osztályok). Mindez mutatja egy magyarországi fajokat és társulásokat tartalmazó spektrumkönyvtár mint referencia szükségességét. E változat: A 11. pont után az elemzés a következőképp is folytatható: 12e. Részletes spektrumszétkeverést (matched filtering) végezve létrehoztam minden tanítómezőből kinyert kategóriához egy szürkeárnyalatos arányképet, ahol a sötét arra utalt, hogy azon a képelemen az adott spektrum kismértékben fordul elő, a világos pedig arra, hogy az adott képelem spektruma nagy mértékben megegyezik a referenciaspektrummal. Természetesen csak három kategória ábrázolható RGB megjelenítéssel, de a megfelelő, legnagyobb varianciájú csatornák vizuális kiválasztásával jól látható a terület felszínborítási variabilitása (93. ábra). 114

115 93. ábra Balra: piros: lúcos (zárt fenyves), zöld: homogén kocsánytalan tölgyes, kék: fiatalos kocsánytalan tölgyes. A vizek, rétek és mezőgazdasági területek itt sötétek maradnak. Középen: más tulajdonságokat emel ki ez a kép: piros: tölgyes, zöld: gyepek, kék: száraz tölgyes. Összehasonlítva a teljes osztályozással látható, hogy ezek a képek csak a felszín részleges jellemzésére alkalmasak, azaz ha olyan a felszínborítás, mely az ábrázolt 3 kategóriából hiányzik, akkor ha valamelyik spektrum közel áll hozzá, az akként jelenik meg, de kicsit halványabb árnyalatban. A részleges spektrumszétkeverés ábrázolása tehát ott lehet releváns és pontos, ahol egy területen kevés számú változó fordul elő. Nagy, komplex felszínborítású területeken ez a módszer félrevezető végeredményt adhat a puszta vizuális elemzés. A spektrumszétkeverés végeredményében egy-egy képelemre kibontva számszerűen is ábrázolható az egyes kategóriák aránya. A módszer elemzésekor a legérdekesebb talán az eredetileg tanítómezőnek vett képelemekre leghasznosabb ezt az elemzést elvégezni, hiszen így az általunk endmembernek kiválasztott képelemek hasonlóságára lehet számszerűen következtetni. A spektrumszétkeverés utáni arányképekből mint multispektrális képből földi tanítómezőket tartalmazó ROI-kon keresztül ismét kinyerve az immár osztályozott spektrumokat (ill. azok átlagértékét, vagyis az endmemberek arányértékeit), az eredeti endmember ROI-kra az egyes pixeleken az egyes endmemberek arányait kapjuk. A 13. táblázatban látható mátrix (melyet a tanítómezők hasonlósági mátrixának neveztem el, és módszerét tekintve hasonló az ENVI-be épített confusion matrix [tévesztési mátrix] funkcióhoz) megmutatja, hogy a képen lévő egyes endmemberek mennyire hasonlítanak egymásra. Unmix:Band Erdeifenyves Fiatalos KTT Tölgyes Cserjésgyepes Gyertyánostölgyes Gyepescserjés Cserestölgyes Gyertyános Száraz KTT Bükkös Törpe KTT Hegyi rét Lúcos Újulás Erdeifenyves Csejésgyepes Gyertyánostölgyes Gyepescserjés Fiatalos KTT

116 Cserestölgyes Tölgyes Gyertyános Száraz KTT Bükkös Törpe KTT Hegyi rét Lúcos Újulás táblázat Az endmember- (tanítómezők átlagolt spektrumgörbéinek) hasonlósági mátrixa a gyöngyösoroszi kép példáján. Fekete kövér szám: teljes megegyezés (azonos spektrum); piros kövér szám: maximális hasonlóság az egyes osztályok között (leghasonlóbb osztályok), kövér kék számok: minimális hasonlóságú osztályok. A sárga háttér valamilyen problémára hívja fel a figyelmet. Az 1 érték azonosságot jelent. A mátrix elemzésre rámutat az endmemberek kiválasztásának helyességére. A hasonló osztályoknak elvileg nagyfokú spektrális egyezést kell mutatnia. Ilyen pl. az erdei fenyő és a lúc, mely gyakorlatilag a kevéssé és nagyon zárt fenyvest jelentheti. Így a lúcos (zárt) nagy egyezést mutat a (nyílt) erdei fenyővel, de ez az összefüggés fordítva nem igaz. Szintén jó egyezést mutat pl. a gyertyános-tölgyes és a gyertyános spektruma, ami nem meglepő, de a gyertyános és a tölgyes (elvileg) homogén spektrum igen jó egyezést mutat, ami arra utal, hogy a gyertyános egyébként csak minimális területen előforduló homogén foltját nem sikerült tisztán elkülöníteni (erre a recski képelemzése is rámutatott). A cserjés-gyepes és a gyepes-cserjés területek hasonlósága is bíztató jel. A száraz KTT (kocsánytalan tölgyes) és a törpe KTT hasonló spektruma azt mutatja, hogy a két terület hasonló, ami szintén jó jel, hiszen mindkettő valamilyen stressz alatt van (a törpe KTT mohával fedett, a száraz KTT sziklás területen volt). Mivel azonban mindkét tanítópont eredetije egy kis területre korlátozódva fordult elő, de az osztályozás során ezek az osztályok nagy területet foglalnak el, arra utal, hogy itt valamilyen más, nagyobb kategória lett besorolva, azaz nem a tölgyes törpesége vagy szárazsága a releváns elkülönítése ezeknek a területeknek a terep utólagos bejárás derítheti ki, hogy mi. Az újulás és fiatalos tölgyes spektrumának hasonlósága is valós összefüggésre utal. Szintén pozitív az újulás és a gyepes-cserjés területek hasonlósága. Érdekes megfigyelni, hogy mely spektrumok térnek el legjobban (kék színnel jelezve). Ez a spektrális jellemzők szétválasztásakor lehet fontos előzetes információ. Az összes többi kategóriától a lúcos, azaz zárt fenyves tér el legjobban, ami már korábbi elemzésekből is jól ismert adat. (érdemes lenne a víz spektrumával is így számszerűsítve öszszevetni). 116

117 A recski terület A recski terület (94. ábra) a Mátra túloldalán, magasabb régióban található, Mátraderecske, Recsk és Domoszló települések körzetében. Dél felé növekszik a szintmagasság, így itt várható, hogy bükkösök is jelen vannak, melyek a gyöngyösoroszi képen csak völgy mélyén, lokálisan találhatók meg. 94. ábra A recski terület hamis színes képen és azonos terület a Cartographia 1: es turistatérképén (jobbra). A két kép különösen egymásra vetítve mutatja jól a fotótérképi (RGB: 1,0060, 1,5390, 0,6570 μmes sávok) többletet A gyöngyösoroszi területtől eltérően a recski területen térképek használatával jelöltük ki Horváth Ferenc segítségével a tanítópontokat, homogén területeket (95. ábra, 14. táblázat). 95. ábra Az elemzésben felhasznált ismert erdőtípusú felszíni pontok 117

118 Iduj FFJ1 EAR1 ZAR1 KOR1 FFJ2 EAR2 ZAR2 FFJ3 EAR3 ZAR3FENYOCST KTT GY B A EGYEB UJCSOPORT 40 B KTT GY KTT GY B B GY VF VF: 33 B 57 B GY B 60 B GY B 65 B GY KTT BGy 64 B CST GY BGyT 63 B KTT CST BGyT 38 B GY KTT BTGy 66 B GY KTT BTGy 67 GY B KTT BTGy 59 B KTT GY BTGy 48 B KTT GY BTGy 68 B KTT GY BTGy 46 KTT B GY BTGy 54 KTT GY B BTGy 44 KTT B GY BTGy 8 CST KTT Cs 62 CST KTT GY Cs 25 CST KTT GY CsT 26 CST KTT GY CsT 13 CST KTT GY CsT 30 CST KTT KVT KVT: 5 CsT 15 CST KTT FF FF: 5 CsT 23 CST KTT GY CsT 18 CST KTT GY CsT 10 KTT CS VT VT: 7 Cst 19 KTT CST KVT KVT: 14 CsT 6 CST KTT A CsTA F F F F F F F F F F F F F 22 GY CST ME ME: 9 Gy GY 36 GY CST B Gy 28 CST GY B GyT 21 CST GY GyT 27 CST GY B GyT 41 CST GY KTT GyT 29 CST GY KTT GyT 33 CST KTT GY GyT 31 CST KTT GY GyT 37 CST GY KTT GyT 11 GY CST KH GyT 52 KTT CS GY GyT 49 KTT GY CST GyT 55 GY KTT B GyT 53 KTT B GY GyT 58 KTT GY KJ KJ: 5 GyT 51 KTT GY B GyT 56 KTT GY KTT GyT 61 KTT B GY KTT 42 KTT KTT 50 KTT KTT 39 KTT CST B B KVT CST KVT: 34 5 cserjésedő, ligetesedő gyep 9 valószínűleg elakácosodó CST/KTT 17 fiatalos (?) 20? 12. táblázat A recski terület mintapontjai (FFJ: fafaj; EAR: egyedarány; ZAR: záródás; KOR: kor. B: bükk, Cs: cser, KTT: kocsánytalan tölgy, F: fenyő (telepített) (ez a táblázat kattinthatásra kifejthető az elektronikus változatban). Az adatoknál erdőgazdasági üzemtervi erdőreszlet adatokat használtunk fel, az Országos Erdőállomány Adattár (ÁESZ) alapján Először próbaként a gyöngyösoroszi képen tanítómezőkkel meghatározott endmemberekkel SAM módszerrel. Ez nem hozott teljesen kielégítő eredményt, mert gyöngyösoroszinál a bükk hiányzott mind a tiszta, mind a kevert erdők spektrumaiból (96. ábra). 118

119 96. ábra Az oroszi kép, és azonos kategóriaszínezésű képen az oroszi kategóriákkal készített osztályozás a recski képen Először az at sensor képen készítettem el a célspektrumokat és azon végeztem osztályozást (97. ábra). 97. ábra A matched filtering (részleges unmixing) módszerrel osztályozott képen az egyes összetevők arányai is láthatóak lesznek. Ezen a képen csak a fajra nézve legtisztább spektrumokat ábrázolom. A piros a fenyő, a zöld a tölgy, a kék a bükk összetevőket mutatja. Jól látszik a telepített foltokban előforduló fenyő, az elszórtan látható tölgy és a dél felé (mind magasabbra található) bükkök megjelenése. Jobbra a tölgy helyett a gyertyánt ábrázoltam zöld színnel. Az eredmény valószínűleg arra utal, hogy a gyertyán kategória sokkal inkább egy szélesebb lombos fa kategóriának felel meg, hiszen gyertyán mindig tölggyel keverve fordult elő, így endmemberként egy általánosabb fa kategóriát hozott létre. Homogén gyertyános spektrumát nem sikerült kinyerni. Ugyanakkor a kép utalhat arra is, hogy gyertyán mindenfelé található elegyedve a tölgyek közé. Ezt terepi ellenőrzés döntheti el, de fontos információt tartalmaz a tanítópontok hasonlósági mátrixa. Jobbra a 19 kategória alapján maximum likelihood módszerrel elkészített kategóriatérkép látható. 119

120 A növények besorolása a helyi domborzat ismeretében is valósnak és relevánsnak tűnik: észak felől előbb tölgyes, majd cseres-tölgyes következik. Ahogy nő a magasság, belép a bükkös-cseres-tölgyes ill. bükk-gyertyános-tölgyes kategória, azaz megjelenik az addigi elegyben a bükkös. Még délebbre ezt felváltja a homogén bükkös kategória. Mindez bizonyítja, hogy az erdőbesorolás ilyen, elegy szintű célspektrumos osztályozása képes a valós helyzet ábrázolására, miközben spektrumszétkeveréssel az egyes fajok aránya is meghatározható, ha rendelkezésre állnak homogén célspektrumok (endmemberek) is a kevertek mellett. A pusztán fafajilag homogén tanítómezőkkel történő osztályozás (lásd följebb, SAM módszerrel) jóval durvább eredményt ad. Kérdés: az eredmény valós, vagy annak tudható be, hogy a képen nem végeztek atmoszférikus szűrést (dél felé emelkedik a domborzat)? (98. ábra) 98. ábra A választ keresve a fentiekben ugyanaz a kép látható, azonos csatornákon megjelenítve, balra atmoszférikus és geometriai korrekció után, jobbra az előtt. Bár a két kép összhatásában hasonló, néhány helyen jelentős eltérés figyelhető meg, mely a kategorizálásban is megjelenik. Minek tudható be ilyen, regionális szintű eltérés? A válasz magyarázatot adhat az elemzés során tapasztalt anomáliákra. (RGB: 9,18,1. sávok) Elvégeztem az elemzést a korrigált képen is (99. ábra). Az elemzés egyes lépéseit R(szám) jelzéssel sorszámozom: 120

121 99. ábra A geometriailag és atmoszférikusan korrigált recski kép a CIE 1931 által definiált RGB színeknek megfelelő valós színezéssel (észak balfelé van, 12:4:1 sávok) R1. Erdészeti és felszínborítási térképek és Országos Erdőállomány Adattár alapján különféle erdőtípusokra és felszínborítás-típusokra meghatároztuk a spektrális mintavételi pontokat (100. ábra) ábra A felszíni adatpontok R2. Ezek után adatcsökkentés végett kivágtam azokat a területeket, melyek az elemzésben játszottak nagy szerepet. Mivel az egész képen elszórva voltak a felszíni adatpontok, néhányat le kellett vágni: ezek a mátraderecskei lakott területhez közeli fenyvesek voltak, melyek csak másodlagos szerepet játszottak az elemzésben és fenyvesek találhatók voltak a kép más részein is elegendő számban. Így kivágtam (spatial subset) a lakott területet és az ahhoz közeli mezőgazdasági területeket, valamint a kép geometriai korrekció miatti hullámzó peremét (101. ábra). Így egy 650x1550 pixeles képet kaptam. Az eredeti 358 MB fájl mérete így 161 MB-re csökkent. 121

122 101. ábra A kivágott kép és felszíni adatpontjai R3. Ezután radiometrikus okok miatti adatcsökkentést (spectral subset) végeztem: kivágtam a rendkívül zajos és hibás (bad bands) sávokat (41-48., ). A csíkozottság itt az előzetes geometriai korrekció miatt már ferde csíkokból állt, melyek a geometrikus és atmoszférikus kalibráció során sokkal erőteljesebbé váltak (a képeket lásd az atmoszférikus kalibráció fejezetben). (R4). Megkíséreltem az FFT szűréssel, a frekvenciatérben ferde szűrő segítségével a csíkok eltávolítását ez azonban nem volt sikeres: a csíkok megmaradtak, így a leginkább csíkozott (egyben rendkívül zajos) sávokat eltávolítottam a további elemzésből (102.ábra). Végül egy 60 sávos képpel dolgoztam tovább ábra A 42., elemzésből kivágott sáv ferde csíkjai R5. Ezután MNF transzformációval zajszűrést végeztem. Elvégeztem a forward MNF transzformációt. Ez egyben az adatdimenzionalitás csökkentésére is alkalmas, de mivel nekem a végeredményben tereppontok alapján kijelölt reflektancia spektrumgörbékre volt szükségem a spektrumkönyvtárhoz, nem ezt használtam végeredménynek vagy osztályozáshoz, hanem az MNF transzformáció során kialakított legtöbb jelet tartalmazó sávokat meghagytam (15 sajátérték felett, ami a 8 MNF sávnak felel meg, melyek nem tartalmaztak csíkozottságot/zajt). (103. ábra) 122

123 Az MNF transzformáció után kialakított sajátértékek 103. ábra Az MNF transzformáció után létrejött első 15 csatorna 123

124 Az első 8 csatorna alapján visszaalakítottam a képet inverz MNF transzformációval. Így egy (a simítás miatt kis mértékben adavesztéses) zajszűrt képet kaptam, mely már (jobban) alkalmas volt a reflektancia spektrumgörbék kinyerésére. Ez a lépés hatékonyan eltüntette a (gyenge) ferde csíkozottságot és a komplex alakú, geometrikus korrekció során létrejött hibákat is ( ábra) ábra Az 1. sáv közeli részlete a geometrikus korrekció után, MNF szűrés előtt (balra) és után (jobbra) 105. ábra A 60. sáv részlete a geometrikus korrekció után, MNF szűrés előtt (balra) és után (jobbra). Ez a zajszűrés azonban adatvesztéssel is jár, hiszen kisimítja a spektrumgörbét. R6. Ezután eltávolítottam a termális sávokat és a továbbiakban ezzel az 52 sávos képpel dolgoztam tovább. Mivel az MNF transzformáció során a hullámhossz adatok kitörlődnek a.hdr (fejléc) fájlból, ezeket vissza kellett helyezni. Végül a következő hullámhosszú sávokat használtam fel: 0.496, 0.514, 0.532, 0.551, 0.568, 0.586, 0.605, 0.623, 0.639, 0.657, 0.675, 0.693, 0.710, 0.727, 0.744, 0.762, 0.780, 0.798, 0.814, 0.832, 0.851, 0.869, 0.886, 0.904, 0.921, 0.938, 0.956, 0.973, 0.988, 1.006, 1.021, 1.035, 1.539, 1.570, 1.603, 1.636, 1.668, 1.699, 1.727, 1.756, 2.084, 2.100, 2.115, 2.130, 2.145, 2.158, 2.173, 2.186, 2.200, 2.215, 2.232, m 124

125 R7. Ezután a meghatározott mintapontok körüli homogén foltokból tanítómezőket készítettem a ROI tool segítségével (106. ábra). Egy-egy tanítómező tanítópontot (pixelt) tartalmazott ábra A mintapontok tanítómezőinek kijelölése az ENVI szoftverben R8. Ezután a következő pontokat vontam össze (merge regions) egy kategóriába: Fenyves: 0,1,2,3,4,7,14,16,32,34,35,43,69 Cserjés gyep: 5 Cseres: 8,62, 6 Gyertyános: 22,12,36 Gyertyános-tölgyes 28,21,27,41,29,33,31,37,11,52,49,55,53,58,51,56 Bükkös-gyertyános-tölgyes. 38,66,67,59,48,68,46,54,44 Bükkös-cseres-tölgyes 64,63 Tölgyes (kocsánytalan) 61,42,50, 45 Bükkös 47,57,60, 40 Bükkös-gyertyános Bgy 65 Cseres-tölgyes CsT 25,26,13,30,15,23,18,19,10 Lakott terület (épület) (kép alapján) Bányaterület (kép alapján) Út (kép alapján) Nem egyértelmű pontok (nem kerültek egyik kategóriába sem, kisfokú lombkoronaszint-záródás vagy nem egyértelmű besorolás miatt): 9, 17, 20, 24, 39 R9. Ezek alapján elkészítettem a kategóriák spektrumkönyvtárát, összevonva az egyes tanítópontokat egyetlen célspektrummá ( ábrák). RECSK: spektrumkönyvtár (reflektancia % 10) Ide kattintva a spektrumgörbék adatbázisa érhető el 125

126 Reflektancia % 10 Reflektancia % ,0 300,0 250,0 Bükkös Gyertyán Bükk-cseres- Bükk-gyertyános- Cseres + cseres- Gyertyános- Bükkös- Cserjés Tölgye 200,0 150,0 100,0 50,0 0,0 0,4960 0,5960 0,6960 0,7960 0,8960 0,9960 Hullámhossz mikrométer Fenyve cserkés gyep cseres gyertyános fenyves bükk-gyertyánostölgyes gyertyánostölgyes bükk-cserestölgyes cseres-tölgyes bükk-gyertyános 350,0 300,0 bükkös Bükkös tölgyes (ktt) Bükk-gyertyános-tölgyes 250,0 200,0 150,0 100,0 50,0 0,0 0,4960 0,5960 0,6960 0,7960 0,8960 0,9960 Hullámhossz, mikrométer Tölgyes Fenyves fenyves bükk-gyertyános-tölgyes bükkös tölgyes (ktt) 126

127 Reflektancia % 10 Reflektancia % ,0 180,0 160,0 140,0 120,0 100,0 80,0 60,0 40,0 20,0 fenyves bükk-gyertyános-tölgyes bükkös tölgyes (ktt) 0,0 1,5000 1,7000 1,9000 2,1000 2,3000 Hullámhossz, mikrométer 40,0 Bükkös 35, ábra A spektrumgörbék csak abszolút értéküket tekintve különböznek, ami árnyékhatásra is utalhat. Bükk-gyertyános- 30,0 25,0 Tölgye Fenyve 20,0 15,0 10,0 0,4960 0,5460 0,5960 0,6460 fenyves bükk-gyertyános-tölgyes bükkös tölgyes (ktt) Hullámhossz, mikrométer 108. ábra A látható tartományban a spektrumok jórészt megegyeznek, csak abszolút értékük tér el. 127

128 109. ábra SAM osztályozás eredménye A topográfia (mint az MNF képen látható) nagymértékben befolyásolja az osztályozást. A különféle kitettségű lejtőkön ésszerűen magyarázható, hogy más vegetáció legyen, de ez nem feltétlen felel meg a valóságnak. Megállapítható, hogy a korrigált és korrekció nélküli kép eltérő végeredményt hozott. Kérdés, hogy ennek mi az oka: a korrigált képen az atmoszférikus hatás lett volna nagyobb a nyers képen? Az eleve kevert kategóriákon belüli variancia igen nagy volt a kategóriák közöttihez képest (110. ábra) 128

129 ábra Néhány példa az egyes kategóriák maximum, minimum (piros) és átlagértékére (fehér): nagy a szórás a kategórián belül R10. Átalakítottam a kategóriákat: kivettem a nem növényzetre utalókat és a túl kevés pontot tartalmazókat; egybevontam a bükköt tartalmazókat, a maradékból a csert és kocsánytalan tölgyet tartalmazókat, majd a gyertyánt tartalmazókat. Így három, erősen kevert kategóriám maradt: (kevert) gyertyános, fenyves, (kevert) bükkös, (kevert) tölgyes (111. ábra) ábra A négy végső célkategória átlagspektrumai R11. A Spectral Angle (SAM) módszerrel e négy kategória ROI-jaiban található pontokat alapul véve végeztem el (112. ábra). 129

130 112. ábra SAM módszerrel végzett osztályozás 4 kategória alapján (középen) hasonló képet ad, mint a sok-kategóriás osztályozás (balra). A 4 kategóriát alapul vevő módszer hasonló eredményt hozott, mint a sok kategóriás, így ezt többé-kevésbé valósnak fogadhatjuk el. Az eredmény igazolása azonban csak terepi munkával történhet meg. Az elemzés hiányossága, hogy a képen a meglévő adatok alapján nem tudtam elkülöníteni a spektrálisan markáns fiatalosokat, a gyepeket és cserjés területeket, melyek a beosztást módosítanák, pontosabban a bekategorizált területekből vonnának ki területeket. Terepi ellenőrzés Az irodalmi adatok alapján elvégzett elemzés első terepi ellenőrzésére júniusában került sor. Ennek során az elvégzett elemezés alapján kijelöltem azokat a tereppontokat, ahonnan jó rálátás nyílik a térképezett felszínre, ahol később meghatároztam a domináns fajokat. A bejárás gyalog történt, térkép segítségével (113. ábra) ábra A recski terület térképe, fényképi ábrázolása és felszínkategriái osztályba sorolás után 130

131 Balról jobbra: 114. ábra 1. mintavételi pont; 115. ábra 2. mintavételi pont; 116. ábra 3. mintavételi pont 117. ábra 4. mintavételi pont Balról jobbra: 118. ábra 5. mintavételi pont; 119. ábra a és b: 6. mintavételi pont; 120. ábra: 7. mintavételi pont. Látkép a bánya keleti pereméről nyugat felé. Balra (délen) a bánya magas fala. 1: (114. ábra) Recsk határa. Észak felé rét, legelő, a 42-ea út mentén gesztenyés, az út déli oldalán rét, illetve akácos, mely dél felé fűzes-nyaras-bokros elegybe megy át. 2: (115. ábra) A rét déli peremén lévő leszakadásból, a távvezeték alatt kitisztított, tüskés bozótosból fotózva láthatóak lesznek a terület nagyobb foltokban homogénnek látszó erdőtípusai, pl. a telepített fenyves, tőle keletre magas, idősebb, közel homogén kocsánytalan tölgyes, dél felé pedig tölgyes-gyertyános (-bükkös) erdő. 3: (116. ábra) A közút nyugati oldalán lévő erdő egyértelműen közel azonos arányban kocsánytalan tölgyes-gyertyános (kevés csertölggyel), az út közvetlen peremén akácossal. Az út keleti oldalán a Csevice-patak folyik. 131

132 A képen balra tölgy, jobbra gyertyán törzse. 4: (117. ábra) A telepített fenyves határán élesen válik el a két erdőtípus. A kategóriatérkép itt jelez először bükköt: ez valóban megtalálható, de távolról sem olyan arányban, ahogy a térkép ezt sejteti. Balra az út két oldala, jobbra az erőterület déli pereme. 5: (118. ábra) A telepített lúcos kifejezetten sötét a terepen is 6: (119. ábra) Recski Nemzeti Emlékpark (korábbi munkatábor): A topográfiai térkép ezen a területen nem jelez semmit, ami jól mutatja, hogy még a ma kapható térképeken is érvényesül a korábban titkos létesítmény elrejtése. A kategóriatérkép helyesen jelzi az apró fenyveseket. A területen kisebb, náddal benőtt tó is található, mely besorolatlan -ként lett kategorizálva. A munkatábor felé vezető út mentén akácos-hegyi juharos erdő található, mely a kategóriatérképen hibásan bükk-gyertyánosként lett besorolva. Az út menti tisztások útként lettek besorolva, rámutatva arra, hogy az út kategória mintapontjai hibásan lettek felvéve. 7: (120. ábra) A jelenleg is működő kőbánya területe. A kőbánya meredek fala lassan hátrál, a bánya területe pedig mélyül is. Kép: kilátás észak felé ábra 8. mintavételi pont 8. (121. ábra) Panorámapont a bánya déli pereméről, dél felé tekintve. Jól áttekinthető az egész vidék, rajta a fenyves, lombhullató erdők illetve a rétek ábra 9. mintavételi pont 9: (122. ábra) (Fülemüle-völgy) A térkép szinte homogén bükköst jelezne, a terepen azonban nincs bükk, csak egy igen meredek, keleti kitettségű tölgyes. 132

133 Balról jobbra: 123. ábra10. mintavételi pont; 124. ábra 11. mintavételi pont; 125. ábra mintavételi pont 10. (123. ábra) A 457 m magas Hegyes-hegy 11: (124. ábra) Párhuzamos irtások helye egy dombon. Azonosítatlan helyen: (125. ábra) homogén bükkös a terület déli részén, azonosítatlan pontban. Ideális mintavételi hely lenne a bükk spektrumához a pont GPS mérése a következő terepbejáráson történik meg. Második terepi ellenőrzés Az első ellenőrzés adatai alapján újra elvégeztem a képek elemzését, de nem kaptam egyértelmű eredményt: az adatbázisból vett terepi adatok nem egyeztek kielégítően az osztályozás eredményével. Az először bejárt terület pontjaiban azonban nem voltak olyan foltok, ahol a domináns fajok homogénen fordultak volna elő, mely egy újabb, terepi pontokon alapuló osztályozást lehetővé tett volna. Az első bejáráson nem jutottam el a terület magasabb részeihez, ahol az egyik elemzés a bükkösök fokozatosan erősödő dominanciáját mutatta, míg más módszerrel végzett feldolgozás csak bükkös foltokat jelzett, de különféle módszerrel különböző helyeken. Ezért egy második terepbejárást végeztem, most már kifejezetten azzal a céllal hogy a domináns fajokból (bükk, tölgy) homogén helyeket keressek, illetve hogy ezeket magasságuk szerint is külön osztályozhassam, mert úgy találtam, hogy az erdők magassága a spektrumot is befolyásolja (pl. újulás, fiatalos a gyöngyösoroszi kép elemzése kapcsán egyedi spektrumot mutatott). Az erdőterület sűrűsége is befolyásoló tényezőnek tűnt, így ezt is külön figyeltem. A sűrű, fiatalos erdőterületeken és fenyvesekben nem tudtam GPS mérést végezni (a műholdakat takarta a zárt lombkoronaszint), így itt a terület pereméről végeztem koordináta-mérést megadva, hogy a ponttól mely irányban található a célterület. A legkönnyebben azonosítható fenyvesek mindig % borításúak, ami tiszta fenyves spektrumokat ad, míg a legtöbb de nem mindegyik bükkös és tölgyesben a lombkoronaszint záródása kisebb. A második terepbejárásra gyalog, immár saját GPS műszerrel felszerelve került sor augusztus án, azaz szinte pontosan 4 évvel a hiperspektrális kép elkészülte után. A bejárás során 23 terepi pontot jelöltem ki, melyeken később a tanítómezőket definiáltam. Az ENVI az adatokat (f=fok, p=perc, m=másodperc) ffppmm,mm vagy ff,fffffff formátumban jelzi ki, míg a GPS mérések ffpp,pp formában készültek, ezért a tizedesben számolt perc értékeket előbb át kellett számolni perc-másodperc formátumúra. 133

134 A 15. táblázat mutatja azokat a mintavételi pontokat, ahol vagy homogén, vagy kevert, de ezen belül állandó elegyarányú vagy egyik ponttól a másikig fokozatosan változó erdőtípusokat találtam: No N E 20 Jellemzés Fafajok Fotó Magasság Megjegyzés II/1 54, ,4 5, , m magas tölgy-gyertyánakác II/2 54, ,68 5, ,88 az előző pontból folyamatosan növekvő magasságú fák 30 m magasságig idáig tölgy domináns 305 II/3 54, ,48 5, ,94 kis tisztás 10x20 m (a felvétel határán túl van!) rét 310 II/4 54, ,06 6, ,84 25 m magas (a felvétel határán túl van!) tölgy 90, gyertyán II/5 53, ,26 6, ,46 mellette kis részen kerítés mentén elhatárolva fiatal, sűrű tölgyeses, másutt 50/50 bükk/cser/gyertyán vegyes 334 II/6 53, ,46 6, ,62 egy foltban szinte csak bükk, a gerinc túloldalámn domináns bükk (a felvétel határán túl van!) bükk 420 II/7 54, ,52 II/8 53, ,96 II/9 53, ,70 6, ,56 5, ,56 5, ,58 nyiladék határa tölgy, bükk 380 alacsony, 10 méteres 50/50 tölgy/bükk bükk/vegyes sűrű domoszlói kapu felé 134

135 II/10 53, ,00 II/11 53, ,96 5, ,24 5, ,92 nyiladék mellett sűrű vékony magas m bükk (a kép alapján nem egyértelmű hogy hol) sűrű vékony 25-30m bükk fiatalos bükk 495 domoszlói kapu után piros úton lefelé 459 aszfaltúton piros jelzés II/12 53, ,8 4, ,26 lefelé a bükk átmegy tölgyesbe, viszonylag éles folthatárral, kicsi keverdés a foltok határán tölgy, bükk kevés 458 II/13 53, ,10 II/14 53, ,20 4, ,92 4, ,28 odébb rét fával, itt virágos rét füves 50/50 bükk tölgy rét elnyúlt hoszszúkás rét II/15 53, ,26 4, ,58 kaszáló rét, most lekaszálva rét két fa középen 370 II/16 53, ,58 II/17 53, ,56 II/18 53, ,60 4, ,08 4, ,72 4, ,80 házak: nagy szürke palatetős, kis cseréptetős, fémtetős sfészer fiatalos sűrű bükk a déli oldalán az útnak. A másik oldalon bükk és tölgy délre tisztás rét, északra bükk, magas, vastag, ritkás, messzebb a tisztáson túl nyugatra bükkös gyep a ház mellett, fenyő előtte (és a közelben is. A gyepes másik felén nyír keverdik a sűrű erdőbe) dél felé 360 a ház előtt sűrű vékony nyíl és bükk, a túloldalon normál bükk észak felé II/19 53, ,20 3, ,18 északra cserjés rét bozót, mögötte keletre bükk (a képen igen heterogén) cserjés nyugat felé 135

136 II/20 53, ,78 3, , m magas öreg, meredek bükk kb. gps, ilona-völgy II/21 52, ,46 3, ,28 sziklás bükkös meredek vízesés ilona-völgyi vízesésnél II/22 53, ,90 II/23 53, ,42 3, ,40 63, ,52 délkeletre bükk, északnyugatra tölgyes vegyes gesztenyesor az út mentén, nyugatra füves rét 13. táblázat Terepi mintapontok a recski kép vizsgálatához 338 ilonavölgyben A két terepi bejárás mintapontjai alapján újra elvégeztem az osztályba sorolást, azaz az R6 pont után folytattam az elemzést. R7b. Meghatároztam az új tanítómezőket. Azokat a pontokat, melyek kívül estek a felvételen, és azokat, melyek a képen nem voltak azonosíthatóak, mert túl heterogének voltak (valószínűleg azért, mert a kép készültekor még más volt a felszínborítás a rétek esetén), nem vettem figyelembe. Bükkös II/11, II/18 (északra), II/20; Tölgyes II/2; Rét, legelő, kaszáló II/14, II/18 (délre); Fiatalos II/17 (délre); Fenyves (lúc) első terepbejárás 4. mintavételi pont (47 53'52.47"N, 20 4'23.56"E) és bánya mögötti fenyves (47 53'40.26"N, 20 5'36.74"E); Mesterséges (ház, út, föld) A vegyes erdőállományokat nem soroltam be külön kategóriaként: előfeltevésem szerint ezek a spektrumszétkeverés során kimutathatók. A kész tanítómezőket spektrumkönyvtárba mentettem (126. ábra). (az alábbi sorra kattintva a spektrumgkönyvtár pontos értékei nyílnak meg) Hullámhossz tolgy bukk ret mesterseges fenyo fiatalos bukk 136

137 126. ábra A tanítómezők a második terepbejárás után; annak egyes osztályainak átlaggörbéi (fenn) ill. a tölgy és bükk osztályok görbéinek eltérése (lent kontinuum eltávolítással, az eltérések helyei bekarikázva) Az elnyelési sávokat kiemelő kontinuum-eltávolítás után láthatóvá vált, hogy az egyes növényzeti osztályok lefutása jobbára megegyezik, de az elnyelési sávokban kisebb különbségek észlelhetők. Egyértelmű azonban, hogy az egyes kategóriák abszolút reflektanciája jobban elválasztja őket, mint elnyelési sávjaik klorofill-elnyelést vagy vízelnyelést tükröző kisebb különbségei (melyek nem biztos, hogy faji jellemzők). Az egyes osztályok spektrumgörbéin legjobban a mesterséges osztály különül el, s a növényzeten belül csak a rét, legelő osztály görbéje cserél sorrendet egyes hullámhosszak reflektanciáját tekintve az egyes fafajok görbéivel, azaz ez különíthető el legegyértelműbben. A fenyő osztály jellegzetessége egy elnyelési sáv 0,8690 μm-en, mely a többi fafajnál nem látható. A fiatalos bükk osztálynál 0,832 μm-en látható egy kiugrás a spektrumban, ill. a 0,86-0,938 és 1,66-1,72 μm-es sávban görbéjének lefutása ellentétes görbéjű, mint a nem fiatalos osztályoknál. Ez jól elkülöníthetővé teszi (ez különösen a kontinuum eltávolított görbe megjelenítésnél látható jól). A tölgy és bükk osztályoknál a reflektancia abszolút értékének eltérésén kívül a tölgy vörös kútjában 0,623 μm-es klorofill-elnyelési sávjában mutat nagyobb elnyelést, mint a bükk, 0,83-0,87 és 1,69-1,72, 1,75-2,08 és 2,10-2,115, 2,13-2,145 μm-en eltér a görbéjének lefutása (14. táblázat). Az 1,5-2,4 μm-en lévő abszorpciós sávok a levelek kémiai összetételével kapcsolatosak. 137

138 Kihagyván azokat a a sávokat, amely hullámhossz-intervallumokban a célspektrumok görbéi megegyezik (a szűrt DAIS képen 13 sáv) vizsgálatával egyrészt gyorsabb, másrészt sikeresebb osztályozás érhető el, mint minden sáv együttes vizsgálatával. Elkülöníthető növények Jellemző, elkülönítéskor használható spektrális sávok (μm) Fenyő-lombosfa 0,869 Fiatalos-nem fiatalos 0,832; 0,86-0,938; 1,66-1,72 Tölgy-bükk 0,623; 0,78, 0,851 1,727 2,08, 2,115, 2,13, 2,145, 2,158, 2, táblázat Növényre jellemző, elkülönítéskor használható spektrális sávok R8b: Elvégeztem a SAM osztályozást, a részeredmány (rule) képekkel (127. ábra) és egy maximum valószínűségi osztályozást a görbék alapján kiválasztott jellemző 13 sáv felhasználsával ábra a terepbejárás adatai alapján végzett osztályozások: balra a minden sáv alapján készült SAM osztályozáss, középen a 13 sávos SAM osztályozás, a jobbra a 13 jellemző spektrális sáv alapján végzett legnagyobb valószínűségi osztályozás Ennek alapján elmondható, hogy az osztályozás sikeres volt, hiszen azonos erdőfoltok kerültek elkülönítésre mind a terepi, mind a korábbi irodalmi adatok alapján. Azonban úgy tűnik, hogy az elkülönítés nem csak a fafajok alapján történt, hanem más tényezők is közrejátszottak. Ezt bizonyítja, hogy a SAM osztályozás olyan helyen is pl. bükköst jelzett, ahol a terepi bejáráskor egyértelműen tölgyes-gyertyános volt. A bükkös és tölgyes spektrumgörbéit figyelembe vevő 13 jellemző spektrális sáv felhasználásával végzett legnagyobb valószínűségi osztályozás a bükk-tölgy esetén jóval valóságosabb eredményt adott, de a terepi tapasztalatok szerint még itt is több helyen téves besorolás történt (pl. fenyvesek). Az indikatív 13 sávot 138

139 használó SAM és legnagyobb valószínűségi osztályozások tekinthetők a leginkább reálisnak, ahol a tölgy és bükk sikeresen válik el kategóriáira. A 13 kiválasztott sáv alapján végzett SAM tévesztési mátrixa: Class Commission Omission Class Prod. Acc. User Acc. (Percent) (Percent) (Percent) (Percent) tölgy bükk rét mesters fenyő fiatalos bükk tölgy bükk rét mesters fenyő fiatalos Magyarázat: Commission: egy másik osztályba tartozó pixeleket a megadott osztályba sorolta; Ommission: a terepi azonosított, referenciaként megadott pixeleket az osztályozás végül más osztályba sorolta; Prod(ucer) Acc(uracy): annak valószínűsége, hogy ha a felszínen adott osztály található, akkor az osztályozó azt oda is sorolta; User Acc(uracy): annak valószínűsége, hogy az osztályozó által adott csoportba sorolt pixel valóban oda is tartozik feltárja, hogy a mesterséges osztály elkülönítése volt a legsikeresebb, a fenyők között a fenyvesek mind (97%) helyes kategóriába kerültek, de sok fenyvesnek besorolt (68%) nem fenyves; a tölgyesek kb. fele került más osztályba, a képről kiderül, hogy bükkösök nagy részét átvette a hasonló, de erőteljesebb reflektanciájú (végállásúbb) fiatalos bükkös kategória, ezért a nagy arányú anomália; a réteket pedig sok esetben más kategóriába helyezte (ez az anomália azért jelentkezik, mert a rétek és puszta szántók egy kategóriába kerültek). Bár a pontosság aránya 48%, ez főleg a bükkös és fiatalos bükkös hasonlósága számlájára írandó. Az 52 csatorna alapján végzett SAM osztályozás 36%-os pontosságot adott. Ez mutatjka, hogy a csatornák megfelelő szelektálása az osztályozás pontosságát növelheti. 139

140 0,50 0,51 0,53 0,55 0,57 0,59 0,61 0,62 0,64 0,66 0,68 0,69 0,71 0,73 0,74 0,76 0,78 0,80 0,81 0,83 0,85 0,87 0,89 0,90 0,92 0,94 0,96 0,97 0,99 1,01 1,02 1,04 1,54 1,57 1,60 1,64 1,67 1,70 1,73 1,76 2,08 2,10 2,12 2,13 2,15 2,16 2,17 2,19 2,20 2,22 2,23 2,25 Reflektancia (*10) [%] A recski terület átlagolt célspektrumai erdészeti adatbázis (A) illetve terepi (B) adatok alapján homogén felszínborítású területeken kijelölt tanítómezőkre Fiatalos bükk (B) Bükk (A) Bükk (B) Tölgy (B) Tölgy (A) Fenyő (A) 200 Fenyő (B) Klorofill elnyelési tartomány 0 víz elnyelés Levélszerkezet és összetétel jellemző elnyelési sávjai víz elnyelés Hullámhossz (mikrométer) 128. ábra: a terepi és erdészeti adatbázisok alapján felvett fő spektrumok összehasonlítása (a kép adatai kattintásra kibonthatók) R9b: Összehasonlítva a terepi és erdészeti adatbázisok alapján felvett fő átlagspektrumat azt találtam, hogy a dominánsan bükkös, tölgyes és fenyves területek spektrumainak a lefutása hasonló mindkét esetben, de mindkét esetben reflektanciájuk abszolút értéke alapján eleve jól elválasztható. Ez nem feltétlen a levelek faji bélyege: a lombkorona-szerkezetből adódó különbségekre (pl. árnyékhatás) is utalhat. Az átlagspektrumok szórása minden kategórián belül kb. 3 %-os, míg az egyes kategóriák szórást is figyelembe vevő távolsága kb. 4%. (128 ábra). R9c: Végül elvégeztem egy részleges spektrumszétkeverést (Matched Filtering) a terepi tanítómezők átlagspektrumai alapján (129. ábra) cxl

141 129. ábra Mesterséges, Tölgy, Rét, Bükkös( fiatalos), Fenyves kategóriák spektrumszékeverés részképei (világos: nagy megegyezés a célspektrummal; sötét: kisebb azonosság a célspektrummal) 130. ábra: Spektrumszétkeverés után piros: fenyő, zöld: tölgy, kék: bükk A recski terület részleges spektrumszétkeveréssel végzett osztályozása során a bükkös kategóránál jobb eredményt adott a szélsőértékű fiatalos bükk (magasabb reflektanciával) (130. ábra). Ez a kép már az elegyarányt is mutatja. A recski és gyöngyösoroszi képek elemzésének ö sszegzése A recski és gyöngyösoroszi terület vizsgálata két módszerrel történt: irodalmi adatok alapján és terepbejárással, homogén és tipikus elegyes erdők és felszínborítás típusok keresésével. A két elemzés összegzéseképp megállapítható, hogy a legmarkánsabban a fenyves és minden más növényzet spektruma tér el, ezután a fiatalos/újulás; a gyep területek, a cserjések és a lombos fák, a lombos fákon belül pedig a bükkös és a tölgyes, de finomabb osztályozás is lehetséges lehet, mely azonban további kutatásokat igényel. A rendelkezésre álló adatok alapján teljes biztonsággal fajra jellemző spektrum nem különíthető el. A spektrumkönyvárbéli faspektrumok csak egy fenológiai fázisnak megfelelő időpontot jellemeznek, azaz általánosan nem használhatók. Kérdés továbbá, hogy hogyan magyarázható a spektrumok kategórián belüli erőteljes változékonysága: esetleg az eltérő záródás vagy elegyesedés, a fa szerkezete stb. -e az oka. A lombos fák esetében tehát úgy tűnik, hogy a spektrumok eltérését a faji bélyegeken túl olyan tényezők is befolyásolják, melyek adott esetben a spektrumot erőteljesebben befolyásolják, mint a faji jelleg. A faji elkülönítés akkor a legsikeresebb, ha azokban a sávokban történik vizsgálatuk, ahol az elkülönítendő kategóriák a legjobban eltérnek. cxli

142 Reflektancia, % Zöld falevél, Tölgyfa, DAIS Hullámhossz, nm 131. ábra Egy falevél laboratóriumban mért spektruma (fölső görbe) és a DAIS képen lévő tölgyerdő spektruma (alsó görbe) Ha összevetjük egy falevélről laborban és egy DAIS képen tölgyfaerdőként azonosított terület spektrumát (131. ábra), azt látjuk, hogy a DAIS képen jóval alacsonyabb a reflektancia, másrészt a spektrumok lefutási görbéi is eltérőek. Mi ennek az oka? Nyilvánvalóan az, hogy a terepen felülről személt fák spektruma nem azonos egy falevél homogén spektrumával. Kérdés tehát, hogy a levél spektruma inkább a meghatározó egy erdő felvételénél vagy az adott elegyes erdőre jellemző egyéb, módosító tényezők (levelek elhelyezkedése, záródás, cserjeszint, fák szerkezete stb.). Ez azt mutatja, hogy a laborspektrum nem feltétlen használható terepi képek elemzésekor. A célspektrumok kiválasztásakor a képen előforduló minden jelentősebb kategóriát figyelembe kell venni a tanítómezőknél, a félreosztályozás elkerülésére Mindezek vizsgálata az elemzett képekhez hasonló térbeli felbontású légifelvételeket és utólagos felszíni precíziós méréseket kívánhat, mely során az egyértelmű, méter pontosságú pixelhatáron belüli fák jellemzői megállapíthatók lennének. A másik oldalról megközelítve pedig épphogy nagyobb, homogén foltok elkülönítésével lehetne növelni a pontosságot azért, mert elképzelhető, hogy a kisebb méretű spektrális mintavételi tanítómezők a kategórián belülö nagy változékonyság miatt nem eléggé reprezentatívak az adott elegyre nézve, öszszehasonlítva más erdőtípusok spektrumával. cxlii

143 TEDEJ: LANDSAT-SZIMULÁCIÓ ÉS HIPERSPEKTRÁLIS ÖSSZEHASONLÍTÁS 132. ábra A tedeji terület közel valós színű képe a georeferálás nélküli felvételen (RGB: DAIS csatornák) A tedeji területet (132. ábra) a Debreceni Egyetem kutatásai során már kellő részletességgel feldolgozták. Arra voltam kíváncsi, hogy egy ilyen, viszonylag egyszerűen osztályozható területen, a felszínborítás pontos, előzetes ismeretében azonos módszerrel milyen különbség tehető egy hiperspektrális osztályozás és egy LANDSAT TM csatornáit szimuláló (de a hiperspektrális kép felbontását megtartó) osztályozás között. A tedeji terület egyediségét tehát az adta, hogy a felszínborítás táblatörzskönyvből pontosan előre ismert volt (133. ábra) a felszínborítás nagy területen homogén volt (és csak kis területen heterogén) fedetlen talaj és növényborításos terület is megtalálható volt 133. ábra Tedej termesztett növényei a képfelvéltel időpontjában, földhasználati táblatörzskönyv alapján, egyszerűsítve; a tanítómezők feltüntetésével. A háttérkép a DAIS NDVI képe. A munkához az at sensor képeket használtam. A tedeji DAIS képen endmembereket definiálandó tanítómezőket vettem a DAIS kép, a táblatörzskönyv és a DAIS kép alapján készített NDVI kép alapján és spektrumkönyvtárat cxliii

144 hoztam létre (134. ábra). Az NDVI kép segített a talajborítás kiválasztásában (az őszi búza az augusztusi képen még inkább szántó kategóriájú volt). Az NDVI kép a szikesek kiválasztásában is segített ábra Az egyes osztályok átlagspektrumai TEDEJ SPEKTRUMKÖNYVTÁR A dolgozat elektronikus változatában a fenti feliratra kattintva olvashatók a spektrumkönyvtár egyes adatai A spektrumkönyvtár segítségével SAM módszerrel osztályoztam a képet. Az osztályozás során felmerült problémák: a kukorica és az erdő időnként egybemosódott (a kukorica osztályozása Burai et al. (2004) munkájában is csak %-os pontosságú volt), a táblák határát útként (vagyis csupasz földként) osztályozta az út és a legelő is egybemosódott, az út és a még kicsi lucerna is összekeveredett; időnként a még alig kelő őszi búza üres tábláival is. A szikes területek viszont szépen megjelentek. Ezután az eredeti képen a LANDSAT TM csatornakiosztását szimuláltam a spektrális újramintavételezés funkció segítségével. Ezzel a következő csatornákat hoztam létre az eredeti 79 (-2 rossz)-ból: 0,56; 0,65; 0,83; 1,66; 2,11 m. A 0,49- m-es csatornát nem tudtam létrehozni mert a DAIS ezen a hullámhosszon nem vett fel adatot. Ezen a képen az előzővel azonos tanítómezőket felhasználva spektrumkönyvtárat hoztam létre majd SAM módszerrel osztályoztam a képet (135. ábra). Az azonos módszerrel osztályozott teljes és a szimulált LANDSAT kép eredményeit változásdetektálás segítségével hasonlítottam össze (136. ábra). cxliv

145 135. ábra Ugyanazon kép ugyanazon osztályai és tanítópontjai kétféle spektrális felbontású SAM osztályozási módszerrel: fent a hiperspektrális kép 77 csatornája, lent a LANDSAT TM szimuláció 5 csatornája felhasználásával. A különbség főleg a talajjal borított területek (út/szántó/legelő/szikes) keveredésével található, illetve az erdő és a kukorica keveredésében; a két kép azonban nagyságrendileg nem tér el egymástól nem úgy, mint a hiper- és multispektrális képek költségei ábra A változásdetektálás függvénnyel a két kép közötti változás kimutatható: ez nem egész táblák rossz osztályozását, hanem inkább a táblaperemek eltérő besorolását jelenti. A változásdetektálás statisztikai függvényeivel a kategóriánkénti eltérés számszerűsíthető is. ÖSSZEGZŐ MEGÁLLAPÍTÁSOK Az erdőtípusokra létrehozott spektrális kategóriák a multispektrális képfeldolgozásban is szétválasztható spektrális kategóriák esetén (pl. fenyves/lombhullató/rét) nagy biztonsággal használhatók. A lombhullató erdőtípusoknál létrehozott spektrális kategóriák csak részben tükrözik az erdőtípusok faji összetételét: a terepi ellenőrzés során kiderült, hogy ezeket a spektrális kategóriákat ( spektrumtájakat ) részben más tényezők is befolyásolják: így az adott növényállomány kis területen jelentkező eltérései domborzati, lejtőkitettségi és mikroklimatikus hatások miatt, az erdő kora, a lombkoronaszint szerkezete, záródása és árnyékhatásai, a növényzet víztartalma, valamint további, ismeretlen té- cxlv