HIPERSPEKTRÁLIS TÁVÉRZÉKELÉS SZEREPE. Tanszék. Összefoglaló

Átírás

1 HIPERSPEKTRÁLIS TÁVÉRZÉKELÉS SZEREPE THE ROLE OF HIPERSPECTRAL REMOTE SENSING Nagy Attila 1, Tamás János 1, Burai Péter 1, Lénárt Csaba 1 1 Debreceni Egyetem, Műszaki és Agrártudományi Centrum, Víz- és Környezetgazdálkodási Tanszék Összefoglaló Nehézfémekkel szennyezett területek felmérése, vizsgálata, meglehetősen nehéz feladat, köszönhetően szennyezők változatos térbeli eloszlásának A vizsgált terület egy felhagyott, nehézfémekkel súlyosan szennyezett Pb-Zn bánya flotációs iszap tározója, amely Észak- Magyarországon, Gyöngyösoroszi térségében található. Vizsgálataink során hiperspektrális távérzékelésre alapozott nehézfém tartalmú ásványok meghatározásra és vegetációelemzésre került sor a vizsgálati területen. A nehézfém tartalmú ásványok meghatározását a spektrális szögek eltérése módszerrel (Spectral Angle Mapper) végeztük A vegetációelemzést tanító területek és ellenőrző területek alapján hajtottuk verge. A vizsgálatok rámutattak arra, hogy a hiperspektrális távérzékelés hatékony eszköz lehet a nehézfémekkel szennyezett területeken a Pb, Zn és Fe tartalmú ásványok térbeli eloszlásának meghatározására, modellezésére, továbbá a vegetációs vizsgálatok alapján meghatározható a fitoremediációra alkalmazható növényfajok köre. Kulcsszavak hiperspektrális távérzékelés, nehézfémek növényborítottság vizsgálat Abstract The characterization of heavy metal polluted abandoned mining sites is a complicated assignment due to the variable spatial distribution of the pollutants. The examined area is flotation sludge reservoir of abandoned Pb-Zn mining site with serious heavy metal contamination. located in Gyöngyösoroszi, Northern Hungary. During our experiments vegetation analysis and heavy metal containing mineral mapping was carried out regarding the examination site. Applying the Spectral Angle Mapper with BandMax classification the distribution of heavy metal containing in the area was defined. Vegetation analysis was implemented based on training and supervisor sites. Based on this study hyperspectral remote sensing is likely to be an effective tool for the characterization and modeling the distribution of Pb, Zn and Fe containing minerals at the examined heavy metal polluted sites. Further more, based on the vegetation analysis plant species for phytoremediation can be defined. Keywords hyperspectral remote sensing, heavy metals, canopy analysis 1

2 1. Bevezetés Az egyes felhagyott nehézfémmel szennyezett bányameddők környezetre gyakorolt hatásának elemzésekor kulcsfontosságú a nehézfémek térbeli eloszlásának vizsgálata. Általánosan elterjedt módszerek, amelyek magukba foglalják a mintavétel, laboratóriumi mintaelemzés, adatfeldolgozás munkafolyamatait sok időt emésztenek fel, amellett, hogy meglehetősen költségigényesek. (Ferrier, 1999; Kemper és Sommer, 2002). Ezzel ellentétben a hiperspektrális távérzékelés megoldást jelenthet a nehézfémek gyors feltérképezésében (Tamás et al., 2005). Számos tanulmány foglalkozik nehézfémtartalmú ásványok hiperspektrális úton történő meghatározásával (Farrand és Harsanyi, 1997; Ferrier, 1999; Nagy, 2006), illetve a felhagyott meddő savanyodásáért felelős ásványok karakterizálásával (Montero et al., 2005; Tamás et al. 2002) indirekt úton történő ph meghatározás érdekében (Sares et al., 2004). Továbbá a földtani közeg nehézfémtartalmát statisztikai modellek és a reflektancia adatok alapján meg lehet becsülni (Wu et al ; Kemper és Sommer 2002). A hiperspektrális szenzor nagy spektrális felbontást biztosít úgy, hogy a nagyszámú, akár több mint száz keskenysávú (20 nm vagy kisebb szélesség) csatorna fedi le a spektrális görbét (Polder és van der Heijden, 2001). Ennek köszönhetően konkrét anyagokat, ásványokat, illetve növényfajokat lehet meghatározni, míg a multispektrális technológiák alkalmazása során csak anyagcsoportok közötti különbségek meghatározására van lehetőség (Kruse et al., 2003). Továbbá a 1,5-1,8µm és 2-2,5µm közötti hullámhossz tartományok adatai alkalmasak a területen megtalálható ásványok, ásványtársulások meghatározására (Kardeván et al., 2003). A spektrum látható tartományában jelentkező minimum a növényi levelekben található pigmenthez köthető. A klorofil erősen elnyeli a nm közötti hullámhossztartományt. Az infravörös tartomány felé haladva 700 nm-nél az egészséges növényzet visszaverődése ugrásszerűen megnő. A nm közötti sávban az egészséges növényzet a beérkezett energia 40-50%-át visszaveri. A növényzet visszaverő képessége a nm közötti sávban főleg a levélzet belső szerkezeti sajátságából következik. Így a mért visszaverődés lehetőséget ad a fajok elkülönítésére, még akkor is, ha ezek a fajok nagyon hasonlóak a látható fény alapján (Berke et al. 2004). Az NDVI (Normalised Difference Vegetation Index) a távérzékelésben igen elterjedt vegetációs index. Rouse et al. (1974) fejlesztették ki, és a fotoszintetikusan aktív vegetációt mutatja meg. Az NDVI (NDVI=(NIR-R)/(NIR+R)) nem ad pontos referenciát, ha az adott képpontban a vegetáció alatt látható a talaj, erre az esetre dolgozták ki ebből a SAVI-t. A SAVI (Soil-Adjusted Vegetation Index) egy talajjal módosított vegetációs index. Olyan esetekben alkalmazzák, amikor feltételezhető módon a vizsgált területen a vegetációban talajfoltok is előbukkannak a növényzet alól. Az NDVI és a SAVI első generációs indexnek tekinthető. A VÉP (vörös él pozíció) vagy REP (Red Edge Position) görbeértékelésen alapuló, második generációs vegetációs index (Broge és Mortensen, 2002), nm-ig terjedő tartományban található, és az ebben a tartományban található görbe inflexiós pontja adja meg. Meghatározása nehéz feladat, mert helyzetének vagy lefutásának meghatározása jelentősen függ a felhasznált csatornák számától is (Harris et al. 2005). A meghatározás során az inflexiós pont helyzetét adjuk meg, amely nm-ig terjedő spektrum tartományban található, általánosan elfogadott szakirodalomban, ha növekszik a klorofill tartalom, a VÉP a spektrum a tartomány felső része felé tolódik el (Blackburn 2002). 2. Anyag és módszer 2

3 A tanulmány alapvető célja az in situ fitoremediációs kármentesítési technológia megalapozása volt a Szárazvölgyi tározó területén úgy, hogy a hiperspektrális felvétel alapján először leválogattuk a növényzettel nem borított területeket, majd azon ásványtani elemzést végeztünk, a maradék (növényzettel borított) területen pedig vegetációelemzést. A vízzel borított területeket mindkét esetben kitakartuk, az elemzésben nem használtuk fel. A hiperspektrális felvétel elemzését ENVI 4.3 térinformatikai szoftver segítségével végeztük. A kopár területek leválogatását NDVI alapú maszk készítésével oldottuk meg. A kopár területeken galenit (PbS), goetit (FeO(OH)), jarosit (KFe 3 (SO 4 ) 2 (OH) 6 ), szfalerit ((Zn, Fe)S), pirit (FeS 2 ) nehézfémtartalmú ásványokat határoztunk meg a Spektrális Szögek Módszere (Spectral Angle Mapper (SAM)) alapján, mely módszer egyike a legelső hiperspektrális céltárgy detektáló algoritmusnak és mindmáig az egyik leghatékonyabbnak mutatkozó osztályozó rendszer (Boardman, 1993; CSES, 1992; Kruse et al., 1993). Az algoritmus meghatározza a spektrális hasonlóságot két spektrum között, amelyek közül az egyik lehet egy tetszőleges kép spektrum, vagy bármely terepi vagy laboratóriumi spektrum, amelyet tesztelni szeretnénk, és a másik egy referencia spektrum, amely szintén tartozhat bármely kategóriához.a módszer a spektrumokat n-dimenziós vektoroknak tekinti, ahol n a spektrális csatornák száma, és a közöttük lévő szöget számítja ki. A különböző megvilágítású, azonban ugyanarra az anyagra vonatkozó spektrumok az origóval összekötő azonos egyenesen fekszenek. A megvilágításbeli különbségek adódhatnak pl. egy képkockánál a domborzati különbözőségek miatt. A kevésbé megvilágított pixelek az origóhoz közelebb fekszenek, a jobban megvilágítottak távolabb. A közöttük lévő szög azonban változatlan marad. A számítás során a két vektor belső vagy skaláris szorzatának arccos képzésével számítjuk ki radiánban a vektorok közötti szöget. Az algoritmus a geometriai interpretáció általánosítása n-dimenziós esetre. Kétdimenziós térben a teszt spektrumot és a referencia spektrumot egy-egy pont képviseli. A feléjük mutató vektorok közötti szög független a megvilágítás intenzitásától (1. ábra) 1. ábra Kétdimenziós vektortér A SAM módszer tehát nem érzékeny a megvilágítás változására, ami egy terepi méréskor lehet felhők hatása, erősítések driftje, stb. A két vektor közötti a szöget az alábbi képlettel számoljuk, ahol a tört nevezőjében az n-dimenziós vektorok n-dimenziós térbeli normája szerepel, ami esetünkben azonos a referencia vektor (r) és a teszt vektor (t) abszolút értékeivel. 1 t r cos (1) t r A számításra is alkalmas képlet n-dimenziós általánosítása, amelyben a vektor komponensek szerepelnek, az alábbi: 3

4 n ti ri 1 i1 cos (2) n 1/ 2 n 1/ ti ri i1 i1 A vegetáció analízist ellenőrzött osztályba sorolással végeztük, tanító területek kijelölésével, melyet terepi bejárás és topográfiai térképek alapoztak meg, csakúgy, mint a földi valóság kialakításánál. Az ellenőrzött osztályba sorolásnál eltérő spektrum tartományokat vizsgáltuk SAM módszerrel. 3. Eredmények és értékelésük 3.1. Nehézfémmel szennyezett zagytározó ásványtani térképezése Vizsgálataink során elsőként az NDV Indexet határoztuk meg a DAIS 7915 szenzor 10. (650 nm) és 22. (870 nm) csatornák felhasználásával. Az NDVI kép alapján nem felügyelt osztályozással, klaszterezéssel lehatárolhatóak, meghatározhatóak a terület növényborítottságának eltérései. Jelen tanulmány során viszont a növényzettel borított területeket (NDVI>0,3) és a növényzettel nem borított területeket (0,3>NDVI>0) különítettük el, képeztünk maszkot belőlük a további vizsgálatokhoz. Az NDVI kép alapján készített, az északi tározót nyugat kelet irányban keresztül metsző spektrális profilon is szembetűnő a víz negatív, míg az azt körbevevő növényzet kiugróan magas NDVI értékei (2. ábra). Töltés Töltés Víz 2. ábra Az északi tározó NDVI keresztmetszete Következő lépésként a vizsgált nehézfém tartalmú ásványok, galenit (PbS), goetit (FeO(OH)), jarosit (KFe 3 (SO 4 ) 2 (OH) 6 ), szfalerit ((Zn, Fe)S), pirit (FeS 2 ) térbeli eloszlás vizsgálatára került sor a kopár, 0,3 és 0 NDV Indexű területen. Az egyes mintavételi pontokhoz tartozó reflektancia és a SAM eredmények közötti összefüggés vizsgálat során, a szignifikáns korrelációs értékeket alapul véve elmondható, hogy az ásványtani elemzésre a 1,5-1,8 és 2-2,2 µm közötti hullámhossztartomány alkalmas. A negatív korreláció az ásványok nagyfokú elnyelő képességére enged következtetni. Más, nm-es hullámhossztartománynál is tapasztalható általában közepes erősségű szignifikáns korreláció, ez azonban az egyes ásványok tekintetében igen eltérő nagyságú, így az ásványtani elemzések során nem vesszük figyelembe (3. ábra). 4

5 -0,4000 0,0000 0,5000 1,0000 1,5000 2,0000 2,5000-0,4500 korreláció (r) (p<0,05) -0,5000-0,5500-0,6000-0,6500-0,7000 galenit pirit szfalerit -0,7500 hullámhossz 3. ábra Ásványtani elemzés és a reflektancia értékek kapcsolata Az ásványok térbeli eloszlását SAM módszerrel 0,10 radián maximális szögérték mellett 1,5 1,8 és 2-2,2 µm közötti hullámhossztartományokat tartalmazó spektrális sávok felhasználásával határoztuk meg USGIS standard spektrális profilok segítségével, amelyek a vizsgálandó ásványaink tiszta spektrumát, azok tiszta reflektanciáját adják meg (4. ábra). 4. ábra USGIS háttér spektrumok A hiperspektrális felvétel SAM módszerrel történő elemzésének eredményeképp megállapítható, hogy a nehézfém tartalmú ásványok, galenit szfalerit a vizsgált terület egészén jelen vannak. Ezt alátámasztja az ásványtani vizsgálatok eredményei alapján a galenit és szfalerit közötti igen szoros, r=0,952 szignifikáns korreláció. Ez különös környezeti kockázatot jelent, hiszen vízerózió, kisebb mértékben defláció, hatására ezek az ásványok mobilizálódhatnak, és így potenciális veszélyforrást jelentenek a környezetre. Éppen ezért, ezen területek mielőbbi stabilizációját kell végrehajtani. Ezt magasabb rendű növényekkel, pázsitfűfélékkel lenne célszerű azok ökológiai igényeinek megteremtésével, tehát adalékanyagok (mész, komposzt, szennyvíziszap) felhasználásával. További problémát jelent, hogy a nehézfém tartalmú ásványok mellett a pirit és jarosit is jelen van, amely a közeg savasságáért, a meddő anyagban található nehézfém mobilizációért felel. A pirit jelenlétét határozottan igazolja a szfalerittel (r=950) és galenittel (r=999) mutatott szoros, szignifikáns korreláció. A goetit jelenléte elhanyagolható a többi vizsgált ásványhoz képest (szignifikáns korreláció nem kimutatható). A hiperspektrális elemzések mellett a Szárazvölgyi tározó területén vett talajminták is jelentős nehézfém koncentrációt mutattak. Jelentős, a 10/2000 KöM EüM FVM KHVM 5

6 együttes rendeletben szereplő intézkedési szennyezettségi határérték feletti koncentrációkat mértünk a legtöbb fém esetében, amelyek közül kiemelkedő volt az Pb és a Zn szennyezettség (1. táblázat). 1. táblázat Általános statisztika Zn, Pb és Fe elemkre Zn Pb Fe Minimum 44 20, ,8 Maximum Átlag 3269,33 592, ,27 Median 267,8 181, Standard hiba 982,09 77, ,60 Variancia , Standard eltérés 21695, , ,65 A talajminták statisztikai elemzése során a nehézfémek közötti korrelációt és főkomponens analízist végeztünk. A korreláció elemzés során a Pb Zn, Fe Zn, Fe Pb fémek között volt a legszorosabb, amely a fémek együttes előfordulását, és így a hiperspektrális elemzés valódiságát mutatja (2. táblázat). A statisztikai elemzés eredményei együttesen arra engednek következtetni, hogy a vizsgált területen a nehézfémek hasonló eloszlást mutatnak, alátámasztva, és bizonyítva a hiperspektrális képelemzés alkalmazhatóságát nehézfémekkel terhelt területek felmérésében. 2. táblázat Nehézfémek közötti korreláció R 2 Pb-Zn 0,902* Pb-Fe 0,828* Pb-As 0,225* Pb-Cu 0,414 Zn-Fe 0,877* Zn-Cu 0,171* As-Fe 0,181* As-Zn 0,210 Ni-Cr 0,329* Ni-Cu 0,115 Cu-Cr 0,060 *szignifikáns (1) p<0, Nehézfémmel szennyezett zagytározó vegetációs vizsgálata A vegetáció analízist ellenőrzött osztályba sorolással végeztük SAM módszerrel a nm, és a nm közötti spektrum tartományt vizsgálva a klorofill és egyéb növényi szövetek reflektancia tulajdonságaira alapozva. A tanító területeket kijelölését melyet terepi bejárás, és a területről készült légifelvétel topográfiai térképek alapozták meg, csakúgy, mint a földi valóságról alkotott tematikus térkép kialakítását. A tanító területek spektrális tulajdonságait elemezve megállapítható, hogy egyes növénytársulások, főleg a nád, szeder és cserjés közösség, spektrális tulajdonságaikat tekintve igen hasonlóak, ezért az elemzés, osztályozás során vélhetően kevésbé pontos eredményeket kapott eredményeket 6

7 vélhetően ezen csoportokat szűkebb határértékkel kell kezelni az átfedések, és így a nem megfelelő osztályozás elkerülése érdekében (5. ábra). 5. ábra Tanító területek reflektancia görbéi Ellenőrzött osztályba sorolás során nyolc vegetáció típust különítettünk el a tanító területek eltérő spektrális tulajdonságai révén; erdő - javarészt tölgy, (Quercus sp.) -, erdő újulat, vízparti növényzet - javarészt nád, (Phragmites sp) -, gyalogakácos (Amorpha fructicosa), fekete fenyő (Pinus nigra), cserjés - javarészt kökény (Prunus spinosa) és csipkebogyó (Rosa sylvestre) -, szeder (Rubus caesius) és alacsony biomasszájú fövenyes terület. Az osztályozás pontosságát a Kappa indexszel fejeztük ki. A SAM osztályozás esetén közepesen jó eredményeket értünk el, különösen a nm és a nm közötti hullámhossz tartományok vizsgálata során (3. táblázat). 3. táblázat A SAM osztályozás eredményei SAM nm nm nm K index 0,46 0,51 0,42 Ezt jól magyarázza, hogy az nm es hullámhossztartományban találhatóak a legnagyobb különbségek a tanító területek spektrális reflektancia görbéi között. A természet közeli nem rendezett állapotok miatt közepes, közepesen jó eredmény alapvetően a terület növényállományát jellemző heterogenitásnak köszönhető, hiszen egyik növénycsoport esetében sem beszélhetünk homogén állományokról, más fajok, illetve a más csoportok fajai kisebb nagyobb mértékben előfordulnak az osztályozás során adott növénycsoportnak megfelelő területeken (6. ábra). A Kappa index ugyanakkor önmagában a teljes osztályozás pontosságát adja meg, az egyes osztályok osztályba sorolási pontosságát nem mutatja. Ennek érdekében kétféle módon vizsgáltuk az egyes osztályokat. Egyik esetben azt vizsgáltuk, hogy az adott növénycsoporthoz tartozó földi valóság osztály hány százalékát találták el az ugyanahhoz a növénycsoporthoz, osztályhoz tartozó, tanító terület alapján beosztályozott pixelek (találati pontosság production accuracy), a másik esetben azt vizsgáltuk, hogy az adott növénycsoporthoz, osztályhoz tartozó pixelek hány százaléka került az ugyanahhoz növénycsoporthoz tartozó földi valóságnak megfelelő osztályba, az összes ugyanazon beosztályozott pixelhez képest (user accuracy hasznosulási pontosság). A nm közötti hullámhossz tartomány találati és hasznosulási pontosságát vizsgálva arra a következtetésre jutottunk, hogy az osztályozás különösen jó eredményt feketefenyő, erdő 7

8 (javarészt tölgy); jó eredményt alacsony biomasszájú és cserjés területek mutatnak azok zártabb lombozata és homogénebb állománya, így kevesebb zavaró hatás eredményeként (4. táblázat). A nád és gyalogakác, hasonló ökológiai igényük miatt, a pixelen belül szórtan, keverten mutatkozik, amely magyarázza az osztályozás gyenge közepes eredményeit, amihez hozzájárul még a víz hatása. Az erdő újulat területén a cserje szórt keveredése okozza a szintén gyenge közepes eredményeket, amelyet a cserje is hasznosulási pontosságának alacsony aránya is alátámaszt. 4. táblázat A klasszifikáció osztályonkénti értékelése Osztályok Találati pontosság % Hasznosulási pontosság % Feketefenyő 66,54 99,45 Gyalogakác 43,73 50,44 Alacsony biomassza 67,98 47,30 Cserjés 69 47,04 Nád 51,08 20,09 Szeder 54,02 89,68 Tölgy 71,35 91,91 Újulat 44,22 42,39 4. Következtetések Meddőminták elemtartalma és légi hiperspektrális úton történő ásványtani felmérés eredményei alapján bizonyítottam a hiperspektrális anyagvizsgálat alkalmazhatóságát nehézfémekkel terhelt területek felmérésében, szerepét a környezetállapot értékelésben. Meghatároztam a területen megtalálható növénycsoportok főbb fajainak térbeli eloszlását, amely segítséget nyújthat az alkalmazható fitoremediációs technológia és a fitoremediációra alkalmazható növényfajok kiválasztásában. Továbbá a módszer megbízhatóságát a feldolgozási eljárások jelentősen javíthatják. Irodalomjegyzék [1] Berke, J. - Kelemen, D. - Szabó, J. (2004): Digitális képfeldolgozás és alkalmazásai. PICTRON Kft., Keszthely [2] Blackburn, G.A. (2002): Remote sensing of forest pigments using airborne imaging spectrometer and LIDAR imagery. Remote Sensing of Environment, p. [3] Boardmann, J. W. (1993): Spectral Angle Mapping: a Rapid Measure of Spectral Similarity (unpublished) [4] Broge, N. H., Mortensen, J. V. (2002): Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data. Remote Sensing of Environment, p. [5] Center for the Study of Earth from Space (CSES), (1992): SIPS User s Guide, The Spectral Image Processing System, v. 1.1, University of Colorado, Boulder, 74. [6] Farrand,W. H., & Harsanyi, J. C. (1997). Mapping the distribution of mine tailings in the Coeur d Alene River Valley, Idaho, through the use of a constrained energy minimization technique. Remote Sensing of Environment, 59, p. 8

9 [7] Ferrier, G. (1999). Application of imaging spectrometer data in identifying environmental pollution caused by mining at Rodaquilar, Spain. Remote Sensing of Environment, 68, p. [8] Harris, A., Bryant, R.,G., Baird, A.J. (2005): Detecting near surface moisture stress in Sphagnum spp. Remote Sensing of Environment.97 (3) p. [9] Kemper, T., & Sommer, S. (2002). Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy. Environmental Science and Technology, 36, p. [10] 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, HYSENS 2002 HUNGARY. 3rd EARSEL Workshop on imaging spectroscopy, [11] Kruse, F. A. - A. B. Lefkoff - J. W. Boardman - K. B. Heidebrecht - A. T. Shapiro - J. P. Barloon - A. F. H. Goetz. (1993): The spectral image processing system (SIPS) - Interactive visualization and analysis of imaging spectrometer data: Remote Sensing of Environment, v. 44, p [12] Kruse, F.A. Boardman, J.W.-. Huntington, J.F. (2003): Comparison of airborne hyperspectral data and EO-1 hyperion for mineral mapping, IEEE Transactions on Geoscience and Remote Sensing 41 (6), pp [13] Montero, S., I.C., Brimhall, G. H., Alpers, C. N., & Swayze, G. A. (2005). Characterization of waste rock associated with acid drainage at the Penn Mine, California, by groundbased visible to short-wave infrared reflectance spectroscopy assisted by digital mapping. Chemical Geology, 215(1-4 SPEC. ISS.), p. [14] Polder, G. - G.W.A.M. van der Heijden, (2001): Multispectral and hyperspectral image acquisition and processing. In: Q. Tong, Y. Zhu and Z. Zhu, Editors, Proceedings of SPIE [15] Sares, M. A., Hauff, P. L., Peters, D. C., Coulter, D.W., Bird, D. A., Henderson, F. B., III, et al. (2004). Characterizing sources of acid rock drainage and resulting water quality impact using hyperspectral remote sensing Examples from the upper Arkansas river basin, Colorado. Advanced integration of geospatial technologies in mining reclamation, Atlanta, GA. [16] Tamás J., Kovács E., Tóth P., (2002): Modelling of heavy metal polluted sites. Analele Universitátii din Oradea. Fascicula Protectia Mediului, I.S.S.N p. [17] Tamás, J., Kardeván, P., Kovács, E., Kovács, E., Takács, P., (2005): Evaluation of environmental risks of non point source heavy metal contamination using DAIS sensor. Zagajewski, B.,Sobczak, M. (eds.) Imaging Spectroscopy, New quality in environmental studies. Publ. European Assosiatition of Remote Sensing Laboratories, Warsaw University p. [18] Wu, Y. Z., Chen, J., Ji, J. F., Tian, Q. J., & Wu, X. M. (2005). Feasibility of reflectance spectroscopy for the assessment of soil mercury contamination. Environmental Science and Technology, 39(3), p. 9