PANNON EGYETEM ÁLLAT- ÉS AGRÁRKÖRNYEZET-TUDOMÁNYI DOKTORI ISKOLA. Doktori Iskola vezető: Dr. Anda Angéla az MTA Doktora

Átírás

1 PANNON EGYETEM ÁLLAT- ÉS AGRÁRKÖRNYEZET-TUDOMÁNYI DOKTORI ISKOLA Doktori Iskola vezető: Dr. Anda Angéla az MTA Doktora HIPERSPEKTRÁLIS FELVÉTELEK FELDOLGOZÁSÁNAK ÉS MEZŐGAZDASÁGI ALKALMAZÁSÁNAK VIZSGÁLATA Doktori (PhD) értekezés Készítette: KOZMA-BOGNÁR VERONIKA Témavezető: Dr. Anda Angéla, egyetemi tanár Konzulens: Dr. Berke József, főiskolai tanár Keszthely 2012

2 HIPERSPEKTRÁLIS FELVÉTELEK FELDOLGOZÁSÁNAK ÉS MEZŐGAZDASÁGI ALKALMAZÁSÁNAK VIZSGÁLATA Értekezés doktori (PhD) fokozat elnyerése érdekében Írta: Kozma-Bognár Veronika Készült a Pannon Egyetem Állat-és Agrárkörnyezet-tudományi Doktori Iskola keretében Témavezető: Dr. Anda Angéla Elfogadásra javaslom (igen / nem)... (aláírás) A jelölt a doktori szigorlaton... % -ot ért el. Az értekezést bírálóként elfogadásra javaslom: Bíráló neve: igen /nem... (aláírás) Bíráló neve: igen /nem... (aláírás) A jelölt az értekezés nyilvános vitáján...% - ot ért el. Keszthely,... a Bíráló Bizottság elnöke A doktori (PhD) oklevél minősítése Az EDHT elnöke 2

3 TARTALOMJEGYZÉK Kivonat... 5 Abstract... 6 Auszug BEVEZETÉS IRODALMI ÁTTEKINTÉS A hiperspektrális távérzékelés történeti háttere Nemzetközi hiperspektrális távérzékelés Magyarországi hiperspektrális távérzékelés A hiperspektrális távérzékelés fizikai alapjai Sugárzási források és törvények Atmoszférikus hatások Földfelszíni kölcsönhatások Detektorokat érő sugárzás A hiperspektrális felvétel fogalma A hiperspektrális szenzorok A hiperspektrális légi távérzékelés folyamata Hiperspektrális felvételezés tervezése és végrehajtása Hiperspektrális adatfeldolgozás A hiperspektrális távérzékelés alkalmazási területei Nemzetközi alkalmazások Magyarországi felhasználási területek ANYAG ÉS MÓDSZER A vizsgálati terület bemutatása Hiperspektrális légifelvételezések AISA Dual hiperspektrális érzékelő A hiperspektrális légifelvételezések lebonyolítása A hiperspektrális felvételek feldolgozása Előfeldolgozás Főfeldolgozás Utófeldolgozás Terepi adatgyűjtések Spektrális fraktáldimenzió alapú vizsgálatok Spektrális fraktáldimenzió mérése

4 Spektrális fraktáldimenzió alkalmazási lehetőségei Vörös-él inflexiós pontra vonatkozó vizsgálatok EREDMÉNYEK Zajos sávok meghatározása SFD ujjlenyomatok alapján Földhasználati módok meghatározása SFD ujjlenyomatok alapján Optimális sávok kiválasztása SFD ujjlenyomatok alapján Hiperspektrális osztályozó eljárások összehasonlítása Vörös-él inflexiós pont meghatározása KÖVETKEZTETÉSEK ÉS JAVASLATOK ÚJ TUDOMÁNYOS EREDMÉNYEK THESIS ÖSSZEFOGLALÓ KÖSZÖNETNYILVÁNÍTÁS AZ ÉRTEKEZÉS TÉMAKÖRÉBEN MEGJELENT TUDOMÁNYOS KÖZLEMÉNYEK IRODALOMJEGYZÉK MELLÉKLETEK

5 KIVONAT Hiperspektrális felvételek feldolgozásának és vizsgálata mezőgazdasági alkalmazásának Hazánkban az elmúlt évtizedben végbemenő hiperspektrális technológiai fejlesztéseknek köszönhetően a kutatási alkalmazások területén egyre inkább központi témává vált a többsávos feldolgozások eredményre gyakorolt hatásának vizsgálata. A disszertáció célja a hiperspektrális adatfeldolgozás folyamatának áttekintése AISA Dual légifelvételek felhasználásával. A szerző választ keresett arra, hogy melyek a kulcsfontosságú problémák hiperspektrális adatok feldolgozása során és ezek lehetséges megoldásaira is rámutat. Figyelembe véve a különböző zajtípusokkal terhelt felvételeket, az adatredukciós eljárások nagymértékben hozzájárulnak a hiperspektrális adatkocka információtöbbletének kiaknázásához. Az osztályozási módszerek előfeldolgozás érzékenységét előtérbe helyezve összehasonlító elemzésekkel a szerző meghatározza az egyes feldolgozási szakaszok legoptimálisabb kiértékelési sorrendjét. Mindezekből kiindulva a vörös-él inflexiós pont feltérképezésében is jelentős előrelépéseket tesz. A doktori értekezés hozzájárulhat a célorientált hiperspektrális adatelemzések megfelelő megválasztásához, valamint új fejlesztési irányvonalak meghatározásához. 5

6 ABSTRACT Investigation of Hyperspectral Image Processing and Application in Agriculture Thanks to the hyperspectral technology development during the past decades, the implementation of the impact of hyperspectral imaging became a core topic of the applied research. The purpose of the Thesis was to review the acquisition of hyperstpectral data by using the AISA Dual airbone images. The author intended to find out the key problems arising in the course of hypespectral data processing, together with providing the possible solutions. Taking into account the images loaded with noises, the data reductive procedure contributes to the exploitation of the extra information of hyperspectral data cube. Putting forward the sensitivity of pre-procession classification methods in comparative investigations, the most accurate evaluation order of the stages was also determined. Proceeding from the above mentioned thinks, she also advanced in mapping the Red Edge Inflection Point. The Thesis may attribute to the proper aim-oriented selection of hyperspectral data processing as well as of determination of new innovation policies. 6

7 AUSZUG Die Untersuchung der Verarbeitung und Landwirtschaftliche Anwendung von hyperspektralen Aufnahmen Dank der im letzten Jahrzehnt in Ungarn vollziehenden Entwicklungen in hyperspektrale Technologie kam es im Gebiet der Forschung mehr und mehr die Untersuchung der mehrspurigen Datenverarbeitung und deren Auswirkungen auf die Erträge als Hauptthema auf. Der Ziel dieser Dissertation ist eine Übersicht des Verfahrens der hyperspektralen Datenverarbeitung mit Verwertung von AISA Dual Luftaufnahmen. Die Verfasserin suchte Antwort darauf was die wichtigsten Probleme bei der Verarbeitung von hyperspektralen Daten und weist auf deren möglichen Lösungen hin. Unter Berücksichtigung der, mit unterschiedlichen Störtypen belastenden Aufnahmen, können die Datenreduktionsverfahren erheblich dazu beitragen die zusätzlichen Informationen des hyperspektralen Datenwürfels auszubeuten. Mit Betonung der Sensibilität der Vorverarbeitung der Methoden der Klassifizierung bestimmt die Verfasserin mit Vergleichsanalysen die optimale Auswertungsreihenfolge der einzelnen Verarbeitungsstufen. Von darausgehend kann in der Erkundung des Red Edge Inflexion Point erhebliche Fortschritte machen. Diese Dissertation kann dazu beitragen bei der richtigen Auswahl von zielorientierten Hyperspektraldatenanalysen zu helfen, sowie neue Entwicklungsrichtlinien zu bestimmen. 7

8 1. BEVEZETÉS A 21. századra jellemző rohamosan növekvő információ-technológiai fejlesztések a távérzékelés tudományterületére is nagymértékben rányomták bélyegüket. Az utóbbi években a távérzékelési technológiák fejlődése a többsávos és nagyfelbontású légi- és űrfelvételek alkalmazása, valamint az aktív módszereken belül a lézeres felmérési technológiák felé irányult. Ezen korszerű technológiák új távlatokat nyitottak a felszíni objektumokról gyűjthető adatok mennyisége és pontossága szempontjából. Napjainkra a többsávos távérzékelési módszerek közül egyre szélesebb körben alkalmazott a hiperspektrális adatgyűjtés, amely az elmúlt évtizedben a távérzékelés leggyorsabban fejlődő területévé vált. Kiválóan alkalmazzák olyan kutatási területeken, ahol a megfelelő szintű eredmény elérése érdekében nagy spektrális felbontású felvételekre van szükség. A hiperspektrális technológia alkalmazásával a nagyobb spektrális és térbeli felbontásnak köszönhetően - a hagyományos légi felvételezési technikákhoz (RGB-, multispektrális felvételek) képest megbízhatóbb információkat kapunk a földfelszín állapotáról, a lezajló folyamatokról, jelenségekről. A gyűjtött adatokat kiegészítve aktív (radar) távérzékelési adatokkal, megfelelő precizitású földi (terepi) információkkal, napjaink egyik leghatékonyabb és legmegbízhatóbb adatforrását kapjuk. Örvendetes tény, hogy hazánk a hiperspektrális technológiák alkalmazásában világviszonylatban vezető szereppel bír, és elismertek a módszertani fejlesztések is. A jelenlegi gyakorlat azonban azt mutatja, hogy az adatok gyűjtése fejlettebb szinten áll, mint azok feldolgozása, hasznosítása. Annak ellenére, hogy a világban számos hiperspektrális képalkotó berendezés került bevezetésre, az ilyen jellegű többsávos, integrált felvételek feldolgozását támogató programok köre elég korlátozott. Számos térinformatikai szoftver esetében a főbb képfeldolgozási módszerek a már meglévő multispektrális felvételeknél alkalmazott eljárások adaptálásával kerültek kifejlesztésre. A multi- és hiperspektrális technológiákból adódó különbözőségekből eredően (pl.: csatornák sávszélességének eltérése) megkérdőjelezhető ezen eljárások pontossága. Az érzékelők technikai fejlődését a feldolgozási módszerek és az alkalmazások jelentős késése követi, ezért indokolttá vált a meglévő eljárások pontosítása, új eljárások, módszerek kifejlesztése, valamint a gyakorlati alkalmazások (mezőgazdaság, környezetvédelem) lehetőségeinek bővítése. 8

9 Kutatásaim során elsősorban a technológiához kapcsolódó már meglévő módszerek vizsgálatát és új módszerek kidolgozását tűztem ki célul, a légi hiperspektrális felvételek felhasználásával elsősorban mezőgazdasági alkalmazásokra vonatkoztatva. Célkitűzéseim: Hiperspektrális információk együttes feldolgozása, gyakorlati módszerek pontosítása. Spektrális és szerkezeti vizsgálatok digitális képfeldolgozás osztályozási eljárásainak felhasználásával. Hiperspektrális érzékelők által szolgáltatott adatok, mezőgazdaságban közvetlenül felhasználható területeinek kutatása. A kapott eredmények összehasonlító elemzése multispektrális diagnosztikai módszerekkel. A fenti célkitűzések megvalósítása érdekében a disszertációmban a klasszikus eljárások eredményeinek ismertetése mellett egy teljesen újszerű módszer által szolgáltatott információ adta lehetőségek bemutatására koncentrálok, amely a képi adatok spektrális fraktálszerkezetének vizsgálatára épül. Négy (zajszűrés, adat optimalizálás, osztályozás és vörös-él inflexiós pont meghatározás) látszólag különálló területen történő alkalmazással bizonyítani szeretném az eljárás hatékonyságát, és emellett az egyes képi adatfeldolgozási területek kapcsolatát, kultúrnövényeken történő kontrollált vizsgálatok referencia adatainak felhasználásával. Megítélésem szerint ezen eredmények jelentős előrelépést jelenthetnek a integrált hiperspektrális adatfeldolgozás és az adatszerkezet vizsgálat területén. A doktori értekezés nagymértékben hozzájárulhat a célorientált hiperspektrális adatelemzések megfelelő szintű megválasztásához, valamint új fejlesztési irányvonalak meghatározásához. 9

10 2. IRODALMI ÁTTEKINTÉS 2.1. A hiperspektrális távérzékelés történeti háttere Nemzetközi hiperspektrális távérzékelés Az első távérzékelési felvételeket az 1800-as évek közepe táján készítették galambokra vagy papírsárkányokra szerelt fényképezőgépekkel (Aronoff, 2005). A legkorábbi dokumentált légifelvétel egy francia fényképész Gaspard Felix Tournachorn (Nadar) nevéhez kötődik, aki hőlégballonját használta fel a légifelvételek elkészítéséhez. (Baumann, 2001; Estes és Hemphill, 2005). Néhány év múlva Észak-Amerikában is elterjedt (US Army) technológiává vált a légifelvételezés, melyet később az Amerikai Polgárháborúban is alkalmaztak (Szatmári és Bódis, 2004). A következő nagyobb áttörést a repülőgépek megjelenése hozta az 1900-as évek kezdetén. A légi közlekedés biztonságossá válásával elkerülhetetlen volt a távérzékelés megjelenése, melynek főként katonai célú felhasználása vált általánossá. Eleinte csak fekete-fehér (monokróm vagy pankromatikus) képeket alkalmaztak, majd a fényképezés fejlődésének köszönhetően, azzal párhuzamosan, a látható fény teljes tartományát felbontották három alapszínre és megjelentek a színes felvételek. A távérzékelési módszerek szélesebb körű gyakorlati alkalmazásának kezdete a II. világháború idejére tehető. A Kodak a II. világháború alatt dolgozta ki háborús célokra a közeli infravörös sávra érzékeny filmeket, a zöldre festett katonai objektumok és a valódi növényzet megkülönböztetésére. Ebben az időszakban a légifelvételek kiértékelése még vizuális és optikai módszerekkel történt. A 60-as években a digitális technika újabb változást hozott a távérzékelés területén, megkezdődött a képkiértékelésben a számítógépek alkalmazása. A jelentős technológiai fejlődés lehetővé tette a termális infravörös és a mikrohullámú tartományban is érzékelő eszközök nem csupán katonai célú alkalmazását is. Több szakember (Csornai és Dalia, 1991; Csató, 2000) ezt az időszakot jelöli meg a modern távérzékelés kezdetének, amikor az erőforrásmegfigyelő műholdak pályára állítása elkezdődött. A Szovjetunió 1957-ben pályára állította a Sputnik műholdat, 1958-ban az USA-ban pedig létrehozták a NASA (National Aeronautics and Space Administration = Nemzeti Légügyi és Űrhajózási Igazgatóság) központot (Landgrebe, 2003). A NASA és az US DoD (Department of Defense: Nemzetvédelmi Minisztérium) ebben az időszakban nagymértékben támogatta a távérzékelési rendszerfejlesztéseket a földfelszín objektumainak és jellemzőinek felderítése céljából (Borengasser et al., 2008). 10

11 Egy évtized elteltével megjelentek a polgári célokra is felhasznált műholdak. Az 1970-es években a földfelszínt kutató műholdak alkalmazásával együtt kezdték el a távérzékelés kifejezést használni (Belényesi et al., 2008). Az első ilyen műhold az ERTS-1 volt, melynek fellövése (1972-ben) nagy előrelépést jelentett a széles körű alkalmazások irányába (Landsat hivatalos weboldal). Bár már a hagyományos színes felvételeket is több hullámhosszon történő képalkotásnak tekinthetjük, mégis ebben az időszakban terjedtek el a multispektrális távérzékelési módszerek. A Landsat-1-ként elhíresült rendszer alapvető célja a földfelszín távérzékelési és térképészeti felderítése volt, az első olyan képalkotó berendezésként, amely digitális formájú multispektrális adatokat állított elő. Ezt követően, az érzékelők technikai fejlődésével az elkülöníthető hullámhosszok száma nőtt, a spektrális csatornák sávszélessége csökkent, megvalósítva ezzel a hiperspektrális távérzékelés technológiai alapjait (Hargitai, 2006). A hiperspektrális eljárást eredetileg idegen égitestek felszínének geokémiai vizsgálatára dolgozták ki (Schenk et al., 2001). A földfelszíni alkalmazásokban elsőként használt hiperspektrális szenzorok az 1980-as években jelentek meg (pl. AVIRIS = Airborne Visible/Infrared Imaging Spectrometer), főként geológiai ásványkincs kutatások céljából (Goetz et al.,1985; Zheng et al., 2001) A 90-es években a technológiai fejlesztések tovább bővültek, és már nemcsak védelmi és kereskedelmi célokat szolgáltak ki. A századforduló környékén a mesterséges műholdakon elhelyezett érzékelők, mint a 1999-ben fellőtt MODIS (Moderate Resolution Imaging Spectroradiometer) vagy a 2002-ben fellőtt HYPERION környezetvédelemi, mezőgazdasági, erdőgazdasági hasznosítása vált általánossá (Gyulai, 2008). A hiperspektrális szenzorok fejlődését azóta rendkívül nagymértékű dinamikus változás jellemzi (Itten és Nike, 2010), melynek köszönhetően a szolgáltatott információk tartalma növekedett, és vele együtt az alkalmazások köre is bővült. (A szenzorok és alkalmazások külön alfejezetekben kerülnek kifejtésre.) Az elmúlt évtizedben az Európai Unióban több légi hiperspektrális szenzort fejlesztettek ki (AISA, APEX, ARES stb.), melyek létrejöttével számos kezdeményezés indult új módszertani kutatásokra. Interdiszciplináris kutató közösség létrehozása volt a célja a Framework 6 Program keretében időszakban futó Hyperspectral Imaging Network (HYPER-I-NET) projektnek. A négy év alatt a HYPER-I-NET Nyári Egyetem keretében összegyűjtött olyan egyetemi hallgatókat, doktoranduszokat, posztdoktorokat valamint fiatal kutatókat, akik érdeklődtek a képalkotó spektroszkópia iránt. A képzések alkalmával a résztvevők megismerkedhettek a hiperspektrális technológia egyes kiemelt 11

12 részterületeivel (pl. adatfeldolgozás, kalibráció, alkalmazások), és szakértők által megtartott előadásokat hallgathattak (Hyperspectral Imaging Network weboldal). A hiperspektrális adatok hozzáférhetőségének javítása érdekében elkészült a HYRESSA (Hyperspectral Remote Sensing in Europe specific Support Actions) projekt, amely a hiperspektrális távérzékelési adatok szolgáltatóinak és felhasználóinak igényét mérte fel. A 2 éves projekt eredményeképpen megállapításra került, hogy európai szinten jelentős és sürgős igény mutatkozik egy továbbfejlesztett kutatói hálózat kiépítése iránt, amely megoldást keres az új távérzékelési adatok feldolgozási problémáira (Nieke és Reusen, 2007). Megerősítve és támogatva ezzel a piac keresleti és kínálati oldalát egyaránt, oly módon hogy a meglévő protokollokkal, standardokkal történő megfelelősége megmaradjon (pl. Inspire). A hiperspektrális technológia szakterületén bekövetkezett jelentős változások 2009 óta minden évben bemutatásra kerülnek a WHISPERS workshop-on. A konferencia célja összekapcsolni azon embereket, akik a hiperspektrális adatok szolgáltatásában, feldolgozásában, és alkalmazásaiban végzik kutatásaikat. Az állandóan új helyszínen megrendezésre kerülő rendezvényen a világ több országából érkeznek szakemberek, hogy bemutassák eddig elért eredményeiket, valamint szakmai eszmecsere keretében megvitathassák tapasztalataikat. Számos magyar kutatócsoport által elért kutatási és fejlesztési eredmény is szerepelt már a konferencián Magyarországi hiperspektrális távérzékelés Magyarországon 1980-as években kezdődött el a távérzékelés nem katonai célú alkalmazása. Ezen időszakra jellemző olyan együttműködési megállapodások létrejötte (pl. INTERCOSMOS program), amellyel a környezetvédelemi, mezőgazdasági, geológiai felhasználások, a talajok, ásványok és növényi vegetációk nagy felbontású spektrális jellemzőinek vizsgálata is elindult, multispektrális adatokra épülő elemzésekkel. Hazánkban első alkalommal 1989-ben használtak légi hiperspektrális képalkotó berendezést, a Bős-nagymarosi munkálatok feltérképezéséhez. A Földmérési és Távérzékelési Intézet (FÖMI) által irányított szigetközi felméréshez a kanadai MONITEQ cég FLI/PMI rendszerét alkalmazták. Bár a képalkotó spektrométer 288 spektrális sávban képes adatgyűjtést végezni, a felvételezés során beállított térképező üzemmódban csak multispektrális (8 db spektrális csatorna) felvételeket készítettek (Büttner, 1990). 12

13 Az új technológia iránti komolyabb igény 1998-ban a Magyar Köztársaság modernizációs programjában meghatározott (2159/1996. (IV.28.) számú kormányhatározat), az ország teljes területét érintő légifelvételezéshez kapcsolódóan merült fel. A Magyar Állami Földtani Intézet (MÁFI) Kardeván Péter által szerkesztett döntés-előkészítő tanulmányában, a mérőkamerás légifelvételezések és a légi geofizikai felvételezések mellett, már a hiperspektrális digitális felvételek készítése is célkitűzésként jelent meg (Kardeván, 1998). Mivel a hiperspektrális technológia ekkor még világviszonylatban is csak kutatási fázisban volt, ezért az országos szintű felvételezést végül nem tartották célszerűnek megvalósítani. Ennek ellenére a Magyarország légifelmérése című tanulmányban javaslatot tettek arra, hogy az ország jól lehatárolt részein kísérleti jellegű hiperspektrális légifelvételezések történjenek (Winkler, 2001). A 2000-ben a nagybányai ciánszennyezés miatt már konkrét céllal került előtérbe a hiperspektrális technológia alkalmazásának szükségessége. A kutatásokhoz kapcsolódó HySens 2002 projekt keretében került sor először Magyarországon hiperspektrális repülési kampányra (Kardeván et al., 2003). Ez a program biztosította, hogy a német fejlesztésű Digital Airborne Imaging Spectrometer (DAIS) és Reflective Optics System Imaging Spectrometer (ROSIS) rendszerek más országok számára is elérhetőek legyenek, és így több külföldi és hazai intézmény együttműködjön. Ebben az időszakban a szükséges infrastruktúra beszerzése rendkívül költséges és összetett feladat volt, ezért a hiperspektrális kísérletek nemzetközi viszonylatban, jellemzően több ország összehangolt együttműködéseként valósultak meg. A kísérlet a maga nemében egyedülállónak számított, hiszen az Európai Unióhoz csatlakozni kívánó országok közül Magyarország volt az első, amely részt tudott venni ebben a programban. A repülésre augusztus 18-án került sor a Német Űrkutatási és Távérzékelési Intézet (Deutsches Zentrum für Luft- und Raumfarht = DLR) munkatársai közreműködésével. A szenzorokkal a látható, közeli infravörös, középső infravörös hullámhossz-tartományokban és termális infravörös tartományban is készültek felvételek. A repüléshez kapcsolódó földi mérésekhez használt terepi spektroradiométereket (ASD FieldSpec, GER 3700, PIMA) a külföldi partnerek - International Institute for Geo-Information Science and Earth Observation (ITC) és a Joint Research Centre (JRC) bocsátották rendelkezésre (Hargitai et al., 2004). Bár a programban felhagyott bányák (Recsk és Gyöngyösoroszi meddőhányói) környezeti hatásainak nehézfém-szennyezést érintő vizsgálata volt az elsődleges cél, mezőgazdasági és környezetvédelmi kutatásokat is folyattak a hajdúsági, látóképi és tedeji tesztterületeken 13

14 (Hargitai, 2006; Hargitai et al., 2006). A kísérlet eredményeként a hazai kutatóintézetek nemzetközi együttműködésben dolgozhatták fel a nagy értékű távérzékelési adatokat (Vekerdy et al., 2002). A hiperspektrális távérzékelés területén hazai viszonylatban igazán nagy előrelépést a Specim Spectral Imaging Ltd. gyártmányú AISA (Airborne Imaging System for Applications) Dual hiperspektrális távérzékelő rendszer 2006-ban történt beszerzése jelentette. Az EU-s támogatással megvalósult beruházást az Földművelésügyi és Vidékfejlesztési Minisztérium Mezőgazdasági Gépesítési Intézete (FVM MGI) és a Debreceni Egyetem Agrár- és Műszaki Tudományok Centrum (DE AMTC) Víz- és Környezetgazdálkodási Tanszékével közösen a Gazdasági Versenyképesség Operatív Program keretében valósította meg. Az AISA Dual szenzor felhasználásával számos hazai és külföldi kutatási tanulmány jött létre (Burai, 2006b; Burai et al., 2008b; Deákvári et al., 2008a; Deákvári et al., 2008b; Tamás, 2010; Tamás et. al., 2011). Ezzel hazánkban megteremtődött egy nemzetközileg is kiemelkedő hiperspektrális légi adatgyűjtő eszközrendszer felhasználási lehetőségeinek alapja, új távlatokat nyitva a hiperspektrális távérzékelés széles körű alkalmazási lehetőségei felé. A Mezőgazdasági Gépesítési Intézet megalapította a Hungarian Hyperspectral Working Group (HHWG) szervezetet, amelynek célja egy olyan komplex vizsgálati módszer kidolgozása volt, amely a légi, földi és laboratóriumi reflektancia vizsgálatokat fogja össze. A csoport által létrehozott rendszer alapját képezte egy hazai hiperspektrális szolgáltatás indításának, továbbá nemzetközi kapcsolatok építésének és az egyetemi oktatásba történő elméleti és gyakorlati képzésekbe történő bevonásának (Szalay et al., 2010; Tolner, 2011). Magyarországon az AISA Dual rendszert követően, újabb hiperspektrális eszközbeszerzésre is sor került. A Károly Róbert Főiskola 2010-ben a Baross Gábor Program keretében üzembeállított egy AISA Eagle II., nagy sebességű, ötödik generációs légi hiperspektrális képalkotó berendezést. A hazai kutatás-fejlesztési erőfeszítések fontos eleme volt ez a projekt, hiszen alkalmazásai hazai és nemzetközi szinten is számos társtudomány-terület vizsgálati lehetőségeit kitágította. A október 4-én történt vörösiszap katasztrófa során különböző tudományágak összehangolt munkáját képezték a távérzékelési technológiák által szolgáltatott adatsorok (Berke et al., 2011b; 2011c; Bíró, 2011; Józsa, 2011; Neményi et al., 2011; Németh, 2011). További távérzékelést érintő 14

15 fejlesztés következett be 2012-ben, Leica ALS70 típusú LIDAR (Light Detection And Ranging) eszköz beszerzésével a Gyöngyösi Főiskola részéről. Hazánk eddig nem rendelkezett ilyen aktív távérzékelő rendszerrel, amellyel kiválóan kiegészíthetők, továbbfejleszthetők a hiperspektrális technológia által szolgáltatott adatok (Bíró, 2012; Tomor, 2012). Az UN SPIDER program keretében az ENSZ regionális központot hozott létre Gyöngyösön. A főiskola, a világon 12.-ként alapított hivatalként, távérzékelési eszközeivel támogatja a katasztrófavédelmet, valamint más vészhelyzetek kezelését. Az EU csatlakozást követően Magyarországon is fokozott figyelmet kaptak azok a tudományos kutatási területek, amelyek megteremtik és támogatják a távérzékelési technológia környezetvédelmi, mezőgazdasági alkalmazásait. Jelenleg több hazai kutatási központ is foglalkozik hiperspektrális távérzékelési adatok alkalmazásaival, kiértékelési módszereivel, illetve feldolgozási lehetőségeivel (1. táblázat). 1. táblázat Jelentősebb hazai hiperspektrális kutatási központok Intézmény Székhely Főbb kutatási területek Budapesti Corvinus Egyetem Budapest mezőgazdasági, környezetvédelmi és urbanisztikai Debreceni Egyetem Debrecen mezőgazdasági és környezetvédelmi Eötvös Lóránt Tudományegyetem Budapest idegen égitestek FVM Mezőgazdasági Gépesítési Intézet Gödöllő mezőgazdasági Gábor Dénes Főiskola Budapest informatikai, elméleti Károly Róbert Főiskola Gyöngyös mezőgazdasági, környezetvédelmi, ipari és katasztrófavédelmi Magyar Állami Földtani Intézet Budapest geológiai és környezetvédelmi MTA Balatoni Limnológiai Kutatóintézete Tihany hidrobotanikai Nyugat-Magyarországi Egyetem Mosonmagyaróvár mezőgazdasági Pannon Egyetem Keszthely mezőgazdasági Szegedi Tudományegyetem Szeged régészeti és urbanisztikai Szent István Egyetem Gödöllő mezőgazdasági és környezetvédelmi Nemzetközi együttműködéseknek köszönhetően augusztus között az angol Környezetvédelmi Kutatási Tanács (Natural Environment Research Council) és a Légi Kutatási és Felmérési Intézet (Airborne Research and Survey Facility) munkatársai a helyi szakemberekkel együttműködve feltérképezték a Balatoni és a Balaton-parti ökoszisztémákat. A tíznapos kurzus célja olyan kutatási és oktatási feladatok végrehajtása 15

16 volt, amely a Balaton nyílt vízének, a parti nádasoknak, a Tihanyi-félszigetnek valamint a Kis-Balatonnak a területeit érintette. A hazai kutatói hálózat tagjai a légi hiperspektrális távérzékelés kutatásai területein már jelentős előrelépéseket tettek, az általuk végzett vizsgálatok és eredmények a magyarországi alkalmazások alfejezetben kerülnek majd bemutatásra A hiperspektrális távérzékelés fizikai alapjai A hiperspektrális távérzékelés tudományának alapja az elektromágneses spektrum, melynek felosztásával a képalkotás során bizonyos hullámhossz-tartományok kerülnek rögzítésre oly módon, hogy a keletkezett adatsorok később digitális feldolgozásokra, elemzésekre alkalmassá váljanak (Borengasser et al., 2008). Az elektromágneses sugárzást, amíg az energiaforrástól eljut az érzékelőig, különféle fizikai hatások érik (Csornai és Dalia, 1991), ezért a felvevő berendezések által nyújtott észlelési lehetőségek megfelelő alkalmazásához figyelembe kell vennünk a felszíni objektumokat érő sugárzást befolyásoló tényezőket: az energiaforrás tulajdonságait, az elektromágneses hullámok terjedési sajátosságait, az atmoszféra hatásait, az elektromágneses hullámok és a földfelszín kapcsolatát, és a szenzorok érzékenységét Sugárzási források és törvények A távérzékelésben az információhordozó közeg általában az elektromágneses sugárzás, bár számos esetben más is lehet (pl. ultrahang esetén levegő, víz vagy egyéb közeg, mint az anyaghullám). A továbbiakban közvetítő közegként minden esetben az elektromágneses sugárzást tekintjük. Az abszolút nulla fok (0 K vagy -273,15 C) fölötti hőmérsékleten az elektromágnesesen sugárzó anyag, a környező térbe elektromágneses hullámok formájában sugárzást bocsát ki, s ezzel energiát ad le, azaz energiaforrásként viselkedik (Sabins, 1987). Az elektromágneses sugárforrások lehetnek: - természetesek: pl. Univerzum, Naprendszer, Föld és légkörének sugárzásai, - mesterségesek: pl. minden emberi tevékenység által kiváltott jelforrás (rádió tartományban radarok, rádióadók, elektronikus készülékek; hő- és fénytartományban városok, gyárak, autópályák). A távérzékelésben energiaforrásnak tekinthető egy aktív érzékelő is, a napsugárzás, vagy a földfelszín tárgyainak sugárzása is, azonban más-más erősséggel és spektrális összetétellel. Az aktív érzékelők (radarok, lidarok) saját sugárforrással rendelkeznek, vagyis a saját 16

17 maguk által kibocsátott, a földfelszínről visszaverődő energiát használják fel detektálásra. A természetben megtalálható energiaforrások a Nap, illetve a felszínről visszaverődött napsugárzás, és az objektumok által kibocsátott saját sugárzás. A földfelszínre érkező elektromágneses sugárzás túlnyomórészt a Napból érkezik. A Nap által kisugárzott energiamennyiségnek viszont csak egy része éri el a földfelszínt. A földi légkör egységnyi felületére, egységnyi idő alatt, a föld közepes naptávolságában, merőlegesen beérkező sugárzási teljesítményt a napállandó fejezi ki, értéke 1370 W/m 2 körül ingadozik. A földfelszínen mért sugárzás ennél kisebb (átlagosan 904 W/m 2 ), mivel a napsugárzás intenzitása a légkörön való áthaladáskor csökken. Mértéke a földrajzi szélesség és a felhőzet eloszlásának függvényében változik (Heinrich és Hergt, 1994). A Nap, a légkör, a földfelszín és tulajdonképpen az összes valós forrás nem tekinthető abszolút fekete testnek, azonban a számításainkhoz elegendő pontossággal jól közelítik azt (Bíróné, 2009). A fekete testtel kapcsolatos alapvető törvények a 1. sz. mellékletben találhatóak. A távérzékelésben a természetes hosszúhullámú sugárzás (pl. földfelszín mikrohullámú kisugárzása) nehezebben érzékelhető, mint a rövidebb hullámhosszú (pl. termális infravörös) sugárzás. Az érzékelő berendezéseknek így adott időegység alatt a földfelszín nagyobb területét kell vizsgálniuk, hogy érzékelhető energiamennyiséghez juthassanak, melynek egyenes következménye, hogy a kapott felvétel térbeli felbontása rosszabb lesz (Lillesand et al., 2004). A teljes elektromágneses spektrum hullámhossz függvényében történő felosztása - az egyes tudományterületeken (anyagtudomány, geológia, meteorológia, távérzékelés, stb.) eltérő lehet. A távérzékelés nemzetközi viszonylatában legelterjedtebb Sabins hullámhossz szerinti osztályozását (Sabins, 1987) a 2. sz. melléklet tartalmazza Atmoszférikus hatások A Napból érkező elektromágneses sugárzás a légkört elérve kölcsönhatásba lép vele, majd hosszabb vagy rövidebb utat megtéve éri el a Föld felszínét. Az elektromágneses hullámok a visszavert sugárzás detektálása esetén közel kétszer, míg a kisugárzott energia rögzítése során egyszer, haladnak át teljesen az atmoszférán, amíg a forrástól az érzékelőig eljutnak (Mucsi, 2004). Ez alatt a légkörön átjutó sugárzás összetétele és erőssége is megváltozik. Az atmoszférában megtett út alatt az energia részben visszaverődik, szóródik, elnyelődik, 17

18 továbbítódik. A távérzékelés szempontjából a két legfontosabb atmoszférikus hatás a szóródás és az elnyelés. Ezen hatások mértéke függ a sugárzás energiájának a nagyságától, a sugárzás által megtett út hosszától, az atmoszféra összetételétől, a részecskék nagyságától és a hullámhossztól. A légkör sugárzáscsökkentő hatását leíró törvények a 3. sz. mellékletben találhatóak. Az atmoszférikus szóródást az atmoszférában megtalálható részecskék okozzák. A légkört alkotó gázok szerint a szóródást két nagyobb csoportra bonthatjuk: a szelektív szóródásra, amelyet az O 2, NO x, CO 2 gázok okoznak, valamint a nem-szelektív szóródásra, amely a légkör páratartalmának és a felhőknek a következménye (Hord, 1986; Sabins, 1987). A szelektív szóródás több típusa létezik (Elachi és Van Zyl, 2006) aszerint, hogy a részecske átmérője hogyan viszonyul a vele kölcsönhatásba lépő sugárzás hullámhosszával: Rayleigh-szóródás, Mie-szóródás, nem-szelektív szóródás. A szóródás típusok részletes leírása a 4. sz. mellékletben találhatóak. A szóródással ellentétben az atmoszférikus abszorpció valódi energia veszteséget jelent. Az abszorpció következtében az elektromágneses hullám energiáját az abszorbeáló molekulák (elsősorban a vízgőz-, a széndioxid- és ózonmolekulák) elnyelik, így döntően befolyásolják azt, hogy mely spektrális sávok alkalmazhatóak az adott távérzékelő rendszerekben. Az elektromágneses spektrum gamma és röntgen sugárzási régiója távérzékelési célból általában érdektelenek, hiszen a légköri elemek teljes mértékben elnyelik őket. Büttner szerint kivételt képez a kőzetek természetes radioaktivitásából eredő gamma-sugárzás detektálása (Büttner, 2004). Az ózonmolekulák az ultraibolya sugárzást majdnem tökéletesen elnyelik, csak a 0,3-0,4 µm tartomány kerül átengedésre. Mivel az ultraibolya sugárzásnak a hosszú hullámhosszú része detektálható, így ez a tartomány részben alkalmas a távérzékelési feladatok elvégzésére. A távérzékelésre leginkább alkalmazott látható és infravörös tartományban a vízgőz és a szén-dioxid a legjelentősebb abszorbensek. A mikrohullámú tartományokban az abszorpció alacsony szintje következtében az adatgyűjtés folyamatát a légköri viszonyok nem zavarják. Az elektromágneses spektrum - távérzékelésben még elterjedt - következő tartományát az úgynevezett rádióhullámok alkotják. Azokat a hullámhossz tartományokat, ahol legkisebb a szóródás és az elnyelés, tehát ahol teljesen vagy részben átengedi az atmoszféra az elektromágneses sugárzást atmoszférikus (légköri) ablakoknak nevezzük (5. sz. melléklet). A 0,3-14,0 µm közötti hullámhossz tartomány esetében optikai ablaknak, míg a 0,1-70,0 cm tartomány esetében mikrohullámú ablaknak nevezzük (Burai, 2007). A légkör zavaró hatásai a légköri ablakokon belül is 18

19 jelentősek. A légköri elnyelés és szóródás a Föld felszínről kiinduló sugárzást elfedik vagy módosítják, melynek következtében a felvételek radiometriai tulajdonságai megváltoznak. A légköri inhomogenitás, azaz a különböző sűrűségű és így fénytörésű légtömegek (képződő felhők, a felszíni eredetű füstök és ködök) pedig geometriai eltéréseket okozhatnak a felvételeken. Néhány kilométeres magasságból történő felvételezésnél ezek a hatások viszonylag kismértékűek, az űrtávérzékelés során (több száz kilométeres magasságból) viszont jóval jelentősebbek. Korrekciójukra több eljárás is kidolgozásra került, ennek ellenére a lehető legoptimálisabb körülmények között célszerű a felvételezéseket megvalósítani. A felvételezés időpontját úgy kell megválasztani, hogy az időjárási körülményeken túl vegyük figyelembe a Nap pozícióját, vagyis a napsugarak beesési szögét. A beeső sugárzás intenzitása akkor a legnagyobb egy felületen, ha a Nap állása a legmagasabb zeniten van és a beesési szög 90 fokos. Amennyiben ennél kisebb a napsugarak hajlásszöge, a sugárzásnak vastagabb levegőrétegen kell áthaladnia, s így jelentősebb a légköri szóródás és elnyelés (Sabins, 1987; Anda, 2010; Berke és Kozma-Bognár, 2010a) Földfelszíni kölcsönhatások Az atmoszféra által átengedett elektromágneses sugárzás a földfelszínnel történő találkozáskor visszaverődik, elnyelődik és/vagy elvezetődik. Az energia-megmaradás elve alapján a beeső sugárzás ezen energia-kölcsönhatások összege (Schowengerdt, 1987): E b (λ) = E r (λ) + E a (λ) + E t (λ) (1) ahol, E b : a beérkező energiamennyiség, E r : a reflektált (visszavert) energia, E a : az abszorbeált (elnyelt) energia, E t : a továbbított energia. A három alapvető energiamennyiség egymáshoz viszonyított aránya, valamint a kisugárzott energia függ a hullámhossztól (λ), a sugárzás intenzitásától, az anyag minőségétől, állapotától. Miután a legtöbb távérzékelési eszköz a visszavert sugárzást méri, így a megfigyelt tárgy fizikai és kémiai jellemzőire közvetve következtethetünk (Molenaar, 1993). 19

20 Egy földfelszíni objektum visszaverő képességének mennyiségi meghatározására bevezetett mutató a reflektancia (p λ ), amely a visszavert (E r ) és a beeső (E b ) sugárzás hányadosa: p λ = [E r (λ)/e b (λ)] * 100 (2) Ez az érték nemcsak százalékos formában, hanem viszonyszámként is kifejezhető (reflektancia-faktor, 0 és 1 közti szám). A távérzékelési alkalmazások többségében, elegendő a relatív értékek használata (Zilinyi, 1995), mivel a tárgyak fizikai, kémiai tulajdonságait egymáshoz képest vizsgáljuk, illetve az egyes tárgyakat egymástól különítjük el. A felszín visszaverő képességét a felszín érdessége és a beérkező energia hullámhossza határozza meg. Egyenletes (izotróp) visszaverődés esetén a visszavert sugárzás intenzitása a beeső sugárzás intenzitásának és a beesési szögnek a függvénye. A természetben ilyen visszaverődési tulajdonsággal nagyon kevés objektum rendelkezik (pl. tiszta hó felszíne) ezért a megfigyelés iránya is fontos tényezővé válik a visszavert sugárzás megállapítása során. Az objektumok spektrális és strukturális tulajdonságaiból adódóan a visszaverődés nem egyenletes diffúziót (anizotrópiát) mutat (Gao et al., 2003). A távérzékelési gyakorlatban a visszaverődés heterogenitásából adódóan idealizált tárgyakat (pl. fehér lap) használnak a reflektancia pontos meghatározása érdekében. Azokat az izotróp tárgyakat, amelyeket referencia felületként alkalmaznak a reflektancia számításoknál, gyakran Lambert féle reflektoroknak is nevezzük (Burai, 2007). A visszavert sugárzás heterogenitása mellett a megvilágítás változékonysága is befolyásolja a felvételezés megbízhatóságát (Anda, 1993a; 1993b). A napsugárzás meghatározásához ismerni kell az időbeli változásokat és az adott térbeli elhelyezkedést (földrajzi szélesség, földrajzi hosszúság, domborzat stb.). Ismert megvilágítási viszonyok esetén a felszín reflektanciája meghatározható a radiancia méréséből (Schowengerdt, 1987): L = [p*e*cos (θ)]/π (3) ahol, L : radiancia (egységnyi felületen áthaladó, egységnyi térszög irányából érkező spektrális teljesítménysűrűség [W/(m 2 steradian)]), p : a reflektancia, E : ismert megvilágítás (irradiancia, [W/m 2 ]), 20

21 θ : a Nap zenitszöge (a zenitszög a helyi függőleges vonal valamint a Nap irányába húzott félegyenes által bezárt szög). Az így átszámított reflektancia látszólagos reflektancia, mivel a képlet alkalmazásakor feltételezzük, hogy a sugárzás teljes egészében a Nap irányából érkezik és elhanyagoljuk a légkör vagy más felszíni objektumok szórását. A visszaverő felszínt pedig Lambert típusúnak feltételezzük, amely a ráeső fényt minden irányban egyformán veri vissza. A felület tehát vízszintes, és a felületet érő megvilágítást a Nap zenitszöge alapján számíthatjuk. Az egyes felszíni objektumok visszaverési tulajdonságainak könnyebb leírása érdekében a 1960-as években bevezetésre kerültek olyan kétirányú függvények, amelyeket mint tükörfelületen beeső és visszaverődő sugárzást vizsgáltak. A teljes matematikai leírást (BxDF) 1991-ben Paul Heckbert publikálta, lehetővé téve ezzel a számítógéppel történő közelítést (Heckbert, 1991). A sugárzási folyamatot leíró BxDF, BSDF, BSSRDF, BRDF, függvények részletes leírása a 6. sz. mellékletben találhatóak. A földfelszín tárgyainak visszaverődési tulajdonságaira a domborzati viszonyok további hatással vannak, melynek következtében a távérzékelt felvételeken radiometriai és geometriai torzítások jelennek meg. A domborzat megváltoztatja a napsugarak beesési szögét és intenzitását, ezáltal a kapott felvétel radiometriai jellemzőit. A radiometriai torzítás anizotróp visszaverési tulajdonságokkal rendelkező felszín esetében még jelentősebb. A geometriai hatás abban nyilvánul meg, hogy a felvételeken az azimuttól távolodva egyre növekvő mértékű geometriai torzítások tapasztalhatóak. A függőleges tengellyel készített felvételeknél a felvétel szélein, nem függőleges tengelyű felvételeknél az egész felvételen jelentkezik. Minél nagyobb magasságkülönbségekkel rendelkező területről van szó, annál erősebb a domborzat geometriai hatása (Kraus, 1998): ρ = Z * (ρ/z 0 ) (4) ahol, ρ : a radiális képtorzulás mértéke, Z : az adott földfelszíni pont magasságkülönbsége az elméleti tárgysíkhoz képest, ρ : az adott képpont távolsága a képfőponttól, Z 0 : a felvételező eszköz távolsága a földfelszíntől. Az anyagok fizikai és elektromágneses jellemzőitől valamint az elektromágneses sugárzás hullámhosszától függően a különböző tulajdonságú elemek eltérő reflexió (illetve emissziós) értékeket vesznek fel az egyes hullámhossz tartományokban. Az objektumok 21

22 hullámhossz függvényében ábrázolt visszaverődési/elnyelődési értékeit spektrális visszaverődési/elnyelődési görbének nevezzük (Sabins, 1987; Berke et al., 2004). A görbék alapján az egyes mikroorganizmusok, ásványok, növények, építmények, mesterséges anyagok jól azonosíthatóakká válnak, hiszen a különböző anyagok eltérő tulajdonságaiból adódóan más-más reflexiós görbékkel rendelkeznek. A meghatározott körülmények között rögzített és gyűjteménybe foglalt spektrális ujjlenyomatokat tartalmazó spektrumkönyvtárak (USGS Digital Spectral Library weboldal, Aster Spectral Library weboldal), jelentős szerepet játszanak a spektrális azonosításban (Herold et al., 2004). Az itt található standard profilokat általában referenciaként használják az elemek meghatározásánál Detektorokat érő sugárzás A földfelszín tárgyairól visszavert illetve kisugárzott elektromágneses energiát érzékelő berendezéseket szenzoroknak nevezzük. A távérzékelésben alkalmazott elektromágneses sugárzás hullámhossza alapján megkülönböztetünk ultraibolya, látható, infravörös, vagy mikrohullámú szenzorokat. A detektáló berendezések 3 µm alatti hullámhosszoknál elsősorban a visszavert energiát, míg 3 (5) µm felett a kibocsátott energiát mérik, hiszen a 3 µm hullámhossz a határvonal a visszavert és a kibocsátott sugárzás (rövid- és hosszúhullámok) között. A sugárzási törvényszerűségek alapján a hosszúhullámú sugárzásnak azon szakasza alkalmas a felszíni objektumok hőmérsékletének vizsgálatára, amelyik megfelelő távolságban van a visszaverődési tartományoktól (3 µm<). A nap sugárzási spektrumának energiája 3 µm felett is érzékelhető, bár itt már rendkívül alacsony (Péczely, 1979). A 3-5 µm közötti tartományban átfedések alakulhatnak ki. Az átfedések megakadályozhatják az objektumok elkülöníthetőségét illetve azonosíthatóságát, ezért e tartomány kevésbé használható a távérzékelésben. A felvevő eszközök felvételezési sávjait a légköri ablakok és a jellemző felszínborítási formák spektrális tulajdonságainak figyelembevételével állapítják meg. Az optikai sávban készített felvételek készítésekor jelentős hatása van a napállásnak, a légköri és időjárási tényezőknek, míg a mikrohullámú esetben ezen befolyásoló hatásoktól függetlenül is lehet felvételeket készíteni. Ebből következően kiválóan alkalmazhatók a légkör összetételének vizsgálatára. A természetes mikrohullámú sugárzás kis energiatartalma miatt a kapott felvételek geometriai felbontása kicsi (Lillesand et al., 2004), így meglehetősen 22

23 korlátozottak a felhasználási lehetőségei. Aktív formája a radar, amelyet pl. geológiai adatelemzésre használnak. A képérzékelés és képalkotás az adott kölcsönhatás erősségének változásain alapszik, de vannak olyan érzékelők illetve alkalmazási területek, ahol a kölcsönhatás időbeli lefolyása (ultrahang-képek, radarfelvételek), vagy időbeli terjedése (csillagászati felvételek) szolgáltat adatokat (Woolfson, 2012). A távérzékelés során alkalmazott légi- vagy űreszközök érzékelőit alapvetően kétféle sugárzás éri (Schowengerdt, 2007): Lλ (x, y) = L s λ (x, y) + L e λ (x, y) (5) ahol, Lλ (x, y): detektort érő összes sugárzás [W/m 2 ], L s λ (x, y): detektort érő reflektált vagy visszavert sugárzás [W/m 2 ], Le λ (x, y): detektort érő emittált vagy kibocsátott sugárzás [W/m 2 ]. Mindkét összetevő további három-három részre bontható, melyek részletezés bemutatása a 7. sz. mellékletben található. A távérzékelés során használt eszközök adott nyílásszöggel jellemezhető optikáján keresztül, a meghatározott hullámhossz tartományba eső, a detektor felületére érkező sugárzás teljesítményét mérik. A műszerek kalibrációjakor megállapítják a műszerbe jutó radiancia és a műszer által kiadott digitális jelszint közötti kapcsolatot. A műszerek előállítása során arra törekednek, hogy a kapcsolat lineáris legyen (Berke és Kozma- Bognár, 2010a): L = α * CN + β (6) ahol L: radiancia [W/(m 2 steradian)], α és β: együtthatók, műszerállandók, CN: a műszer által kijelzett digitális jelszint, szám (Count Number) és/vagy intenzitásérték (pixelérték). A detektor típusok részletes bemutatása és csoportosítása a hiperspektrális szenzorok alfejezetben következik. 23

24 2.3. A hiperspektrális felvétel fogalma A hiperspektrális távérzékelés fogalmának bevezetése Dr. Alexander F. H. Goetz nevéhez fűződik, aki a következőképpen definiálta: digitális képek egyidejű rögzítése folyik sok keskeny, egymással összeérő spektrális sávban (Kruse, 1994). Míg a pankromatikus felvételek általában nagy geometriai felbontásúak, a látható és a közeli infravörös tartomány integrálásával készülnek, a multispektrális felvételek pedig több szélesebb sávszélességű csatornát tartalmaznak, addig a hiperspektrális felvételek nagy csatornaszámúak és szűk sávszélességűek (Schowengerdt, 2007). Erre a jellemzőre utal a hiperspektrális kifejezés is, amely a görög eredetű hiper (jelentése felett vagy túl ), és a spektrális ( színekre vonatkozó) szavak összevonásából keletkezett (Borengasser et al., 2008). A hiperspektrális kifejezést a szakirodalmi forrásokban az egyes szerzők eltérő módon alkalmazzák. Találkozhatunk olyan tanulmánnyal, amelyben a szerző a hiperspektrális felvételnek a 100< csatornaszámú felvételt nevezi (Polder és Van der Heijden, 2001; Zheng et al., 2001; Varshney és Arora, 2004). Jaquez és munkatársai a 64< sávval rendelkező felvételt definiálják hiperspektrálisnak (Jaquez et al., 2002). Számos szakirodalomban pedig a szűk sávszélességű ( 10 nm) felvételeket tekintik ide tartozónak (Sabins, 1987). Más szakértők a hiperspektrális szenzorok közé sorolják a kis térbeli felbontású képalkotókat is, mint pl. a MODIS, amelynek a legkisebb geometriai felbontása akár 1000 m is lehet (Gitelson et al., 1996). Jelen disszertációban az Európai Unió Tanácsának /2003/EK sz. belső rendeletét (Európai Unió Tanácsa, 2003) alapul véve a távérzékelt felvételeket - a csatornák száma alapján - a következő csoportokba soroltuk: Pankromatikus kép: 1 db csatorna Színes kép (RGB kamerák): 3 db csatorna Multispektrális felvételek: 4-20 db csatorna Hiperspektrális felvételek: 21- db csatorna Kutatásaink során tehát hiperspektrális felvételeknek azokat a felvételeket tekintettük, amelyek esetében egy adott területről, egy időben több mint húsz diszkrét spektrális sávban készül felvétel. A távérzékelés és a hiperspektrális távérzékelés során is a földfelszín tárgyairól visszavert illetve kisugárzott elektromágneses energia kerül rögzítésre. A detektáló berendezések 3000 nm alatti hullámhosszoknál elsősorban a visszavert energiát, míg 5000 nm felett a kibocsátott energiát detektálják (2. táblázat). 24

25 2. táblázat A hiperspektrális távérzékelésben alkalmazott spektrális régiók (Schowengerdt, 2007) Hullámhossz tartomány megnevezése Hullámhossz tartomány (nm) Sugárzás forrása Jellemző felszíni fizikai folyamat Látható (Visible=VIS) szoláris reflektancia Közeli infravörös (Near InfraRed=NIR) szoláris reflektancia Rövidhullámú infravörös (Short Wave InfraRed=SWIR) szoláris reflektancia Közepes hullámú infravörös (MidWave InfraRed=MWIR) szoláris, termális reflektancia, emittancia Termális vagy hosszúhullámú infravörös (Thermal InfraRed=TIR vagy LongWave InfraRed=LWIR) termális emittancia A többsávos képalkotó technológiák működtetése során az adatok egy adatkocka formájában kerülnek rögzítésre, melynek minden sávját egy-egy a vizsgált területet lefedő kép alkotja, ezt nevezzük adatkocka-elvnek (Kardeván et al., 2010). Az azonos területet ábrázoló képelemek függőleges mentén kiolvasott intenzitásértékeiből áll össze a terület felszíni anyagának folyamatos eloszlású spektruma, vagyis a reflektancia görbéje. Az adatkocka tehát egy három-dimenziós ábrázolása az objektumnak oly módon, hogy a felvétel két tengelye (x, y) a távolságnak felel meg, míg a harmadik tengely (z) a hullámhossznak (1. ábra). A több spektrális sávban készített felvételekkel - a nagy spektrális felbontás miatt - a földfelszínen található objektumok (felszínrészletek, tereptárgyak, stb.) általában jobban elkülöníthetőek, mint az egyetlen sávban készítettekkel. A hiperspektrális technológia ennek köszönhetően egyre szélesebb körben elterjedt kutatási módszer. Főleg azokon a szakterületeken alkalmazzák, ahol a megfelelő szintű eredmény elérése érdekében szükség van a nagy spektrális felbontású, sok spektrális sávban készített felvételekre (Kozma- Bognár, 2010b). 25

26 1. ábra Hiperspektrális adatok értelmezése (Kozma-Bognár, 2010b) 2.4. A hiperspektrális szenzorok Az elmúlt évtizedben a hiperspektrális távérzékelés területén a technológiai újításoknak köszönhetően a forgalomba hozott érzékelők számában és technikai paramétereiben hihetetlen ugrás következett be. A technológia fejlődésének köszönhetően, a távérzékelésben használatos eszközök, technikák egyre megbízhatóbb és pontosabb érzékelést tettek, tesznek lehetővé számunkra (Frombach és Ritvayné, 2008). A hiperspektrális távérzékelés során előállított felvételek többféle elven működő felvevőrendszerrel készülhetnek. Jelenleg nagyon változatos képet mutatnak az elektromágneses sugárzás rögzítésére alkalmazott technikák. A különféle képalkotó berendezések csoportosításánál többféle kategorizálási szempontot is figyelembe vesznek: a szenzor energiaforrása, a detektálás módszere, az érzékelő működési elve, az érzékelt hullámhossz tartomány, a felvétel készítési magassága, az adatgyűjtés célja (Sabins, 1987; Schowengerdt, 2007; Woolfson, 2012). A hiperspektrális szenzorok általában természetes eredetű elektromágneses sugárzásokat érzékelő berendezések, passzív szenzorok (MODIS, HIPERION, AISA). Elnevezésükből adódóan nem rendelkeznek saját sugárforrással, hanem az objektum által visszavert vagy kibocsátott sugárzást mérik. Napjainkban az analóg felvételt készítő mérőberendezések szinte teljes mértékben háttérbe szorultak, a gyakorlatban a felvevő eszközök már indirekt módon érzékelik a megfigyelés tárgyát. A közvetlenül digitális képeket rögzítő szenzorok jelentősége az adatkezelésben rejlik, mivel a beérkező elektromágneses energiát átalakítás 26

27 nélkül közvetlenül elektromos jelekké alakítják át, így azonnal alkalmasak a számítógépes adatfeldolgozásra (Deli, 2010). Az érzékelő működési elve alapján kamera (framing systems) vagy pásztázó rendszereket (scanning systems) különböztethetünk meg egymástól (2. ábra). A régebbi típusú pásztázókban (Landsat TM) whiskbroom szkennelési eljárással továbbították a beeső sugárzást, vagyis lengő vagy forgó tükröt használtak. Az újabb pushbroom szkennerek (Lawrence et al., 2003) esetében töltéscsatolt érzékelő egységeket (Charge-Coupled Device = CCD) alkalmaznak. 2. ábra Detektortípusok megkülönböztetése a működési elv alapján (Buiten, 1993) A hiperspektrális képalkotó rendszerek központi része maga az érzékelő, amely magába foglalja a hardvereken kívül azokat a folyamatokat is, amelyek az optikai radianciát digitális számokká alakítják át úgy, hogy a végén egy hiperspektrális kockát hoznak létre (Chang, 2007a). A hiperspektrális szenzorok általában három fő elemi részből tevődnek össze: optika, spektrográf és digitális kamera (Deákvári és Kovács, 2007). A spektrográf felfogja az optikai résen keresztül a prizmák és az optikák segítségével az objektumról beérkező elektromágneses sugárzást. Szerepe a sugárzás hullámhossz függvényében különböző csatornákra történő felbontásában és a mátrixérzékelőre történő rávetítésében van. A CCD érzékelő elemi egységeiben (pixel) a beérkező sugárzásmennyiséggel arányos elektromos töltés jelenik meg. Ennek kiolvasása során kerül kialakításra az objektum sugárzási képe oly módon, hogy egy adott (felszíni) régióból beérkező sugárzás leképezésével jön létre egy adott pixel információtartalma. A mátrixérzékelő a horizontális tengelyén az objektumról érkező képet jeleníti meg, a vertikális tengelyén a spektrográf 27

28 által szétbontott az adott geometriai ponthoz tartozó spektrumot képezi le. Végeredményül egy olyan háromdimenziós adatkockát kapunk, melynek két térbeli és egy spektrális tengelye van. Az a térszög, amelyen keresztül a beeső sugárzás eljut a CCD-ig, a látómező. A látómező (FOV = Field of View) a távérzékelési rendszerek térbeli felbontásának mérésére szolgál, amelyet az optika és az érzékelő jellemzői határoznak meg. Azonos látómező mellett az alacsonyabb repülési magasságból a térbeli felbontás nagyobb lesz, mint a magasabb repülési magasság esetében. A látómező a detektor mozgásának és a felvételezni kívánt terület változékonyságának függvényében változhat, melyet pillanatnyi látómezőnek IFOV (Instantaneous Field of View) nevezünk. A látómezőt horizontális és vertikális elemekre is bontjuk (HFOV, VFOV), melyek szerepe a különböző detektorok képeinek egyesítésénél jelentkezik. A szenzor geometriai felbontásával megadjuk a legközelebbi objektumok közötti távolságot a képen, az egyes képelemeknek megfelelő terepi méretet, azaz a kép egy pontjának a földfelszínen mérhető, valós térbeli kiterjedését (Sabins, 1987: Schowengerdt, 2007). A geometriai felbontás mértékegységeként a métert használják. Megkülönböztetünk kis (100 m), közepes (1-100 m) vagy nagy (1 m<) geometriai felbontású felvételeket (Detrekői és Szabó, 2003). A térbeli felbontással ellentétben a spektrális felbontás független az alkalmazott platformtól. Egy szenzor spektrális felbontása az a legkisebb sávszélesség, amely során még képes rögzíteni összefüggő (képi) adatot. Gyakorlati meghatározása az érzékelő spektrális karakterisztikáján történő félértékszélesség mérésével történik, az érzékelő egyetlen csatornájának adatai alapján. A spektrális felbontás mértékegysége a nanométer. A hiperspektrális érzékelés esetében a spektrális felbontás - amelyet a sávszélességben mérnek - magas, mivel a sávszélesség 1-15 nm, a multispektrálissal ellentétben, ahol a sávszélesség nm vagy még ez feletti. További szempont, hogy a spektrális csatornák hol helyezkednek el az elektromágneses spektrumon belül. A hiperspektrális érzékelés esetében a sávok között folytonosság jellemző, míg a multispektrális esetében általában rések (gaps) találhatóak. A hiperspektrális érzékelők által készített felvételek esetében a spektrális és a geometriai felbontás mellett jellemző paraméterek még a radiometriai és az időbeli felbontás, amelyek a gyűjtött adatok célirányos kiértékelhetőségére is jelentős hatást gyakorolnak. A továbbiakban Verőné, Berke és Kozma-Bognár valamint Varshney és Arora publikációi felhasználásával definiálom ezeket a fogalmakat (Verőné, 2010; Berke és Kozma-Bognár, 2010a; Varshney és Arora, 2004). 28

29 A radiometriai felbontás a szenzor azon legkisebb érzékenysége, amely során még különbséget lát a bejövő elektromágneses jel intenzitásában. Egy adott pixel intenzitása a detektorba érkező sugárzási energiát tükrözi, amely egy geometriailag meghatározott földi területelemről származik. Amennyiben változatlan terepi felbontás mellett a spektrális felbontás növekszik, alacsonyabb energiaszintet érzékelnek a felvevők, ezért csökkenni fog a radiometriai felbontás. A felvevőkészülék egy-egy sávjában a beérkező energia minimális és maximális értékei közötti intervallumot egyenlő részekre osztják fel, így különböző - intenzitási értékekkel rendelkező - radiometriai felbontású képek keletkeznek. A radiometriai felbontást nanométerben adjuk meg. A szenzor időbeli felbontása a szenzor érzékelésének a frekvenciája, a felvételek készítésének gyakorisága. Az időbeli felbontás a gyakorlatban azt az időintervallumot jelenti, amely egy adott földrajzi hely két egymást követő megfigyelése között eltelik. A környezetünkben lejátszódó folyamatoknak jellegzetesen eltérő időrendszerük van (pl. a katasztrófák gyors lefolyásúak, a vegetáció fejlődése lassabban végbemenő folyamat), ezért a felvételek készítésének a megfelelő gyakoriságát ezekhez kell illeszteni. Az időbeli felbontás mértékegysége a herz vagy másodperc. A hiperspektrális szenzorok jelenleg a globális megfigyelési stratégia fontos részei. Korlátaikkal együttvéve rendkívüli lehetőséget biztosítanak számunkra a földfelszín és annak változásainak megértésében. A mai hiperspektrális felvevő berendezések összetett képalkotó spektrométerek, vagyis felvevőkamerák és sugárzásmérők is egyben. A hiperspektrális távérzékelésben leggyakrabban alkalmazott hullámhossz tartományok a látható fény és az infravörös tartomány. A napjainkban használt legjelentősebb hiperspektrális szenzorokat a hordozó eszközök alapján csoportosíthatjuk. Az összegyűjtött földi, légi és műholdas érzékelőket az általuk érzékelt hullámhossz tartományokkal együtt (Kozma-Bognár, 2010b) a sz. mellékletek tartalmazzák. A jövőben a hiperspektrális érzékelők száma és karakterisztikája várhatóan tovább fog növekedni, így a kinyerhető információk köre is bővülni fog, feltéve ha a jelenleg meglévő korlátozó tényezők (pl. atmoszférikus korrekció, adatkinyerési technológiák, adatfeldolgozási módszerek, stb.) csökkenthetőek és megjelennek az új generációs érzékelők. Az hiperspektrális adatgyűjtések céljai még több szakterületre ki fognak terjedni, egyre inkább interdiszciplinárissá válik ez a tudományág, rengeteg csoportosítási lehetőséget vonva maga után. A kapcsolódó hiperspektrális alkalmazások külön alfejezetben kerülnek ismertetésre. 29

30 2.5. A hiperspektrális légi távérzékelés folyamata Hiperspektrális felvételezés tervezése és végrehajtása Alapvetően az elektromágneses távérzékelés teljes folyamatát két nagy részfolyamatra bonthatjuk: az adatok gyűjtésére és az adatok elemzésére (Mucsi, 2004). A hiperspektrális képalkotó berendezések adatgyűjtését bizonyos tényezők, mint a beérkező sugárzás, a beesési szög, valamint a légköri körülmények nagy mértékben befolyásolják (Berke és Kozma-Bognár, 2010a). Nyilvánvaló, hogy bizonyos körülmények, mint az időjárási viszonyok, a rendelkezésre állási idő nem szabályozhatóak (Paine és Kiser, 2003), ezért a felvételezések nagy körültekintést és precíz tervezést igényelnek. A légifelvételezések megkezdése előtt bizonyos paramétereket meg kell határozni: vizsgálni kívánt terület, repülési időpont, repülési magasság, repülés orientációja, repülési sávok száma, vízszintes és horizontális pontosság, terepi felvételezések, boresight kalibráció. Mivel a repülési kampányok nagyon költséges és időigényes feladatok, ezért a kapcsolódó tervezési és lebonyolítási feladatok kulcsfontosságúak a kiváló minőségű adatok szolgáltatása szempontjából (Borengasser et al., 2008). A legtöbb esetben ezeket a feladatokat a felvételezést koordináló szervezetek végzik. A hiperspektrális légifelvételezés tervezésénél első lépésként megadásra kerülnek a kutatási terület adatai, a kívánt térbeli felbontás, a spektrális felbontás és a csatornaszám. Ezen információk alapján a repülést koordináló szervezet repülési tervet készít, majd elvégzi a repüléshez szükséges paraméterek számítását, a repülési nyomvonal meghatározását, a repülés várható költségeinek becslését, valamint a repülést megelőző feladatokat. A repülési kampányok tervezésének és végrehajtásának Tomor és munkatársai által megfogalmazott főbb technológiai folyamatait (Tomor et al., 2011) foglalja össze a 11. sz. melléklet. A repülési terv részeként a repülési paraméterek kerülnek meghatározásra: a szenzor típusa, repülési magasság, repülési sebesség, spektrális és geometriai felbontás, csatornaszám, valamint az adatfeldolgozás célja. A területi lehatárolás alapján elkészítik a repülési nyomvonalat a repülési sávok megfelelő átfedésének (30-50%) biztosításával, majd később ezek kerülnek feltöltésre a navigációs GPS készülékbe. Ezt megelőzően a érzékelőket és a GPS/INS rendszert (a repülő GPS adatait és háromtengelyű pozícióját rögzíti) kalibrálni kell. Az úgynevezett boresight kalibrációt a szenzorok optikai tengelye 30

31 és a GPS/INS rendszer között ellenőrző pontok koordinátái alapján végezik el (Brook és Ben-Dor, 2010). A repülési költségek számítása során általában a következő elemek kerülnek beállításra: Nettó repülési idő (felszállástól a leszállásig) Rendszerteszt a felszállás előtt ( %-a a repülési időnek) Boresight kalibráció (repülési idényenként 3-4 alkalommal kerül rá sor, időtartama általában 0,2-1 óra) Esetenként további költségek fordulhatnak elő, mint pl. a külföldi légifelvételezések elvégzése esetében a reptéri illeték, az állásidő, a napidíj, stb. Az adat előfeldolgozás költségei a felhasználó kívánságának megfelelően az előfeldolgozási szint függvényében változik. A repülési terv (áttekintő térkép a repülési paraméterekkel együtt) engedélyeztetéséhez a repülési tervdokumentációt Magyarországon el kell juttatni a Légügyi Hatóság és a Honvédelmi Minisztérium Geoinformációs Szolgálatának részére, ahol általában 2-4 hét az engedélyezés lebonyolítása. A tervezést követően az adatgyűjtés szakasza akkor érkezik el, amikor az időjárási körülmények lehetővé teszik a légifelvételezés megfelelő szintű elvégzést. A légifelvétel készítéséhez alkalmas időszak olyan felhőmentes időszak, amelynél maximális a megvilágítás, a napállás legalább 30 fok, vagy az feletti. A javasolt időszak a óra közötti időtartam (Borengasser et al., 2008). A megfelelő időjárási viszonyok elérése céljából a gyakorlatban a légifelvételezés lebonyolításra nagyobb időintervallum kerül megjelölésre. Ameddig az időjárás nem megfelelő, készenléti állapotot tartanak fent, amely akár az egy hónapot is elérheti. Természetesen a felvételezésre akkor kerülhet sor, ha a légi jármű és a detektor is rendelkezik a szükséges műszaki paraméterekkel és tanúsítványokkal. A felvételezés közvetlen megkezdése előtt elvégzendő főbb feladatok: Paraméterek beállításai a szenzoro(ko)n GPS/INS rendszer szinkronizálása Felszállási engedélyének kérése a légi irányítástól Terepi mintavételezések indítása A légifelvételezés közben a szenzor vezérlése során folyamatosan figyelni kell a repülési körülményeket, és adott esetben változtatni kell a rendszer paraméterein. Amennyiben a megengedettnél nagyobb elfordulás, bólintás vagy billenés (roll, pitch, yaw) következik be 31

32 a repülőgép mozgásában, illetve a felvételezési sebességet jelentősen túllépik, akkor hibás sáv keletkezik és meg kell ismételni a felvételezést. A kapott adatsorok pontosságát tovább lehet növelni a terepi adatgyűjtések, valamint a korábbi archív adatsorok felhasználásával (Milics, 2008). A légifelvételezéshez szorosan kapcsolódó, annak elengedhetetlen részét képező munkafolyamat a földön végzett terepi mérés. Az előre kijelölt terepi pontokon végzett referenciamérésekre a légifelvételezéssel egy időben, vagy ahhoz minél közelebbi időpontban kell hogy sor kerüljön (Berke és Kozma-Bognár, 2010b). A földi adatgyűjtés a következő főbb feladatokból épül fel: 1. Tanító területek és ellenőrző területek felmérése 2. Referenciamérések elvégzése terepi spektrofotométerrel 3. Terepi minták gyűjtése, elszállítása, később tárolása és laboratóriumi mérése 4. GNSS adatok gyűjtése Tomor és munkatársai a következő javaslatokat fogalmazták meg a évi kutatási összefoglalójukban (Tomor et al., 2011), melyet a 2006 óta végzett saját repüléseink is alátámasztanak. A tanító területek valamint az ellenőrző területek meghatározásánál ügyelni kell arra, hogy homogén területek legyenek kiválasztva a vizsgált tulajdonságra nézve. Amikor már ezek meghatározásra kerültek, a vizsgált osztályok számát is meg kell állapítani. Az atmoszférikus korrekcióhoz homogén felszínű és anyagösszetételű (pl. beton, aszfalt) referencia területeket kell kijelölni. Figyelni kell arra, hogy ne legyen árnyékos a felvétel és a terepi felbontásnak legalább kétszerese legyen a referenciafelület nagysága. A spektrofotométeres mérések esetében a felvétellel megegyező vagy annál jobb spektrális felbontású földi berendezést szükséges alkalmazni. A mérések helyszínén GPS mérést is végezni kell a terepi felbontással megegyező vagy annál jobb felbontással rendelkező eszköz használatával. A kvantitatív minták gyűjtése során ügyelni kell arra, hogy a szedett minták minél előbb feldolgozásra kerüljenek, amennyiben ez nem valósítható meg, a szállítást és a tárolást megfelelő biztonsággal a minták tulajdonságainak megváltoztatása nélkül kell megoldani. A mintavétel helyét GPS készülékkel rögzíteni kell a már korábban leírt kritériumoknak megfelelő eszközzel, valamint fotó/video dokumentációval alátámasztani a mérés elvégzését. Abban az esetben, ha a vizsgált mennyiségi tulajdonság térbeli felbontása nagyobb változatosságot mutat, mint a felvétel terepi felbontása, a helyszínen szükséges meghatározni a mintavételezés térbeli gyakoriságát. 32

33 A navigációs adatok utólagos feldolgozásához a felvételezés helyszínéhez legközelebbi bázisállomás adataival (legalább 1 Hz adatgyűjtési sebesség mellett) lehet elvégezni a DGPS alapú utókorrekciót. A hiperspektrális légifelvételezés során az adatok külön-külön fájlba kerülnek rögzítésre, és a felvételezést követően ezek az állományok egy háttértárra kerülnek lementésre, az alábbiak szerint: - dark adatok (dark frame data), amelyek az érzékelő zajra vonatkozó információit adják, - nyers képi adatfelvétel, - a felvételhez kacsolódó egyéb (pl. kalibrációs) adatok (csatorna hullámhossza és szélessége), - térinformatikai adatok. A nyers adatállomány minden egyes hullámhosszhoz és pixelhez megadja a hozzá tartozó intezitásértékeket, amelyeket a kettes számrendszerben ábrázolt számok írnak le (pl. 12, 14, 16 bit). A relatív elhelyezkedés sorainak és oszlopainak értékei időbélyegzővel vannak ellátva. A képre és a GPS-re vonatkozó adatok egyszerű fájlformátumba kerülnek mentésre. Ezeket később olyan formátumba konvertálják át (az érzékelő gyártója által kiadott szoftverekkel), amelyeket a képfeldolgozó program közvetlenül kezelni tud. Ügyelni kell arra, hogy a fedélzeti számítógépről csak a biztonsági mentéseket (fizikailag két különböző helyen) követően kerüljenek törlésre az adatok. A távérzékelés azonban nem csak az adatok gyűjtését foglalja magába, hanem a kiértékelésüket is (Sabins, 1987). A kiértékelés lehet minőségi (kvalitatív) és mennyiségi (kvantitatív) elemzés, továbbá érintheti a távérzékelt adatok egészét vagy csak bizonyos részeit (Muller, 1988). A többlépcsős összetett munkafolyamat Burai és Tamás, Hargitai, valamint saját tapasztalataink alapján az alábbi főbb elemekre bontható (Burai és Tamás, 2004; Hargitai, 2006): 1. Tervezés 2. Légi és terepi adatgyűjtés 3. Radiometriai és geometriai korrekció 4. Zajszűrés 5. Geometriai és spektrális adatcsökkentés 6. Objektum spektrális jellemzőinek kiválasztása 7. Előosztályozás, osztályozás 33

34 8. Interpretáció 9. Utóosztályozás 10. Ellenőrzés A hiperspektrális képfeldolgozás néhány lehetséges útját szemlélteti Hargitai folyamatábrája (Hargitai, 2006) a 12. sz. mellékletben. Borengasser és munkatársai az adatfájlt és annak konverzióját is beépítették a feldolgozásba (Borengasser et al., 2008). Véleményük szerint a teljes folyamat részegységeit befolyásolja a megbízás jellege, a szenzor típusa, az alkalmazott szoftver, az elemző szakember tapasztalatai valamint a kívánt végtermék. Ezek függvényében változhat az egyes részegységek száma valamint a feladatok összetettsége és komplexitása. Rengeteg szakirodalmi eredmény született a hiperspektrális feldolgozás témakörében, viszont Chang 2003-ban és 2007-ben megjelent publikációiban felhívta a figyelmet arra, hogy ezen területek tudományterületi lefedettsége elég szelektívnek mondható (Chang, 2003; 2007a). Mindez jelenleg is helyes megállapítás. A hiperspektrális adatfeldolgozás - a folytonosság megőrzése miatt - részletesen a következő alfejezetben kerül bemutatásra, bár részeiben módszertani elemeket is tartalmaz Hiperspektrális adatfeldolgozás A hiperspektrális érzékelők által szolgáltatott adatok mennyisége és komplexitása rendkívül nagy, ezért elemzésükhöz megfelelő hardver és szoftver eszközháttérrel kell rendelkezni. A képalkotás során létrehozott adattömeg több száz GB információt tartalmazhat, amelyet a programok jelentős része nem tud egyidejűleg kezelni. Az adatok tárolásához, a szükséges korrekciók (geometriai-, radiometriai korrekciók, zajszűrések, stb.) elvégzéséhez és feldolgozásához kellő szintű számítási- és háttérkapacitással (Halász és Temesi, 1999; Temesi és Berke, 2010) valamint szaktudással kell rendelkezni. A gyakorlatban korábban alkalmazott feldolgozási eljárások nagy része 8 bites adatokat tudtak csak kezelni, mivel a számítási algoritmusok 32 bitre íródtak. Ezek az algoritmusok a feldolgozás során már nem biztosítanak megfelelő pontosságot, esetenként az információk egy jelentős része elveszik. A piacon jelenleg megjelenő technológiák 12, 14 vagy 16 bites színmélységű adatokat szolgáltatnak, amelyek egységesen 16 bites formában ábrázolhatóak. A megfelelő szintű matematikai számításokhoz az ábrázolt színmélység négyszeresére van szükség, ez egy 16 bites ábrázolás esetében 64 bitet jelent (Kozma- Bognár et al., 2008a). A legújabb informatikai fejlesztéseknek köszönhetően a néhány 34

35 évvel ezelőtt jelentkezett probléma napjainkban már kevésbé okoz fennakadást a hiperspektrális felvételek feldolgozása során. A hiperspektrális képfeldolgozást támogató programok köre elég korlátozott (3. táblázat), mivel az adatsorok komplexitása miatt a legtöbb hagyományos képfeldolgozási csomaggal nem lehet megfelelően elemezni őket. Számos térinformatikai szoftver esetében (pl. ENVI, IMAGINE) önálló képfeldolgozó modulok tartalmazzák a sok csatornaszámú felvételeknél alkalmazható megbízható képfeldolgozási módszereket. 3. táblázat Jelentősebb kereskedelmi forgalomba hozott hiperspektrális feldolgozást támogató szoftverek Varshney és Arora, 2004 alapján Szoftver Fejlesztő/Forgalmazó Ország ENVI (Environment for Visualizing Images) Research System Inc. USA EASI-PACE PCI Geomatics Kanada IMAGINE ERDAS USA HPGS (Hyperspectral product Genartion System) Analitical Imaging and Geophysics USA HIPAS (Hyperspectral Image Processing and Analysis System) Chinese Academy of Science Kína SIPS (Spectral Image Processing System) University of Colorado USA MultiSpec Purdue University USA A jelenleg alkalmazott kiértékelési módszerek sok esetben azonban a már meglévő jól bevált multispektrális képfeldolgozási technikák adaptációinak tekinthetőek, így az eredményük megbízhatósága a szakemberek számára megkérdőjelezhető. A módszerek átvételének alapvető problémája a két technológia közötti korábban vázolt különbözőségekből adódik, és ha a módszereket nem kellőképpen adaptáljuk, akkor az új technológia nyújtotta előnyöket nem tudjuk kihasználni (Stümer és Köhl, 2005). Az adatkockát felépítő akár több száz spektrális csatorna közül az előfeldolgozás során kiválasztásra kerülnek azok a sávok, amelyek a megvalósítandó feladathoz szükséges információt tartalmazhatják. A hiperspektrális adatok feldolgozása során első lépésként a nyers képi adatok korrekcióját kell elvégezni (előfeldolgozás): 1. radiometriai korrekció, 2. geometriai korrekció, 3. atmoszférikus korrekció, domborzat okozta megvilágítási korrekciók, felvevő vagy érzékelő okozta, felvételezés közbeni korrekciók, 4. egyéb korrekciók: rektifikáció, mozaikolás, zajszűrés és csatorna kiválasztás. 35

36 A kiválasztott eljárások sorrendje, az alkalmazott szoftverek felhasználása, a feldolgozást végző személy megszerzett tapasztalatai is hatást gyakorolhatnak az elemzés végső kimenetelére. Az előfeldolgozás tehát nagymértékben befolyásolja a feldolgozás eredményét, ezért különös odafigyelést és szaktudást igényel az elvégzésük (Blaschke et al., 2000). A többsávos felvételek feldolgozása esetében az előfeldolgozás részeként tekinthetőek a csatornaszelekciós műveletek. A hiperspektrális adatkockában számos csatorna adatai korrelálnak egymással (Harsányi és Chang, 1994). A dimenziószám csökkentő módszerek célja a redundáns adatok kiszűrése, ezáltal azon csatornák kiválasztása, amelyek függetlenek egymástól. Elterjedt lényegtömörítő eljárások: főkomponens analízis, minimális zajszűrési eljárás, lambda-lambda R2 modell, lépcsőzetes diszkriminancia elemzés (Theinkabail et al., 2004; Kozma-Bognár, 2010a). A csatornaszelekciós műveletek rendkívüli mértékben meghatározzák a kiértékelés eredményét. A rosszul megválasztott előfeldolgozással kizárásra kerülhetnek olyan sávok is, amelyek jel/zaj aránya ugyan nem megfelelő, mégis hasznos információt hordozhatnak. Sajnos még mindig sok esetben csak vizuális interpretációt alkalmaznak a zajos sávok megállapítására, ami további hibaforrás lehet. A hiperspektrális felvételek feldolgozásának központi részét az osztályozás képezi. Az automatizált technikákat paraméteres (statisztikai vizsgálatok alapján) és nem paraméteres módszerekre bonthatjuk (Thomas et al., 1987). Az osztályozás egy olyan döntési folyamat, amelynek alapját a nagy változékonyságú (képi) adatok eloszlási függvényei adják (Flusser et al., 2009), melyek segítségével a felvételek pixelértékeit valamilyen tulajdonság szerint csoportosítjuk különböző matematikai, statisztikai módszerrel (Landgrebe, 2003). Az osztályozás módszereinek csoportosítása több szempont alapján is lehetséges (Berke, 2007b; Berke és Kozma-Bognár, 2010a): Elméleti Referencia alapú Gyakorlati eljárások A hiperspektrális adatfeldolgozás során referencia alapú osztályozási módszereket alkalmazunk, amelyek egy lehetséges csoportosítása a pixel alapú (pixel based) és a kevert pixelű (sub-pixel) osztályozás. Az utóbbiak a szomszédos pixelek tulajdonságait is figyelembe veszik. A nagy geometriai felbontású felvételek elemzésénél általában pixel alapú módszereket használunk, amelyek tanítóval történő (ellenőrzött) és tanító nélküli 36

37 (ellenőrizetlen) osztályozásba sorolást tesznek lehetővé (Foody, 2002). A szakirodalomban leginkább alkalmazott hiperspektrális képosztályozó eljárások a következőek (Richards és Jia, 2006): Tanító nélküli (unsupervised) osztályozó módszerek pl.: K-Means, ISOData, Self- Organizing Maps. Tanítóval (supervised) történő osztályozó módszerek pl.: Minimum Distance, Maximum Likelihood, Parallelepiped, Spectral Angle Mapper. A tanítóval történő osztályozó eljárások a hiperspektrális felvétel képelemeinek spektrumgörbéit hasonlítják össze az endmemberek spektrumgörbéivel és a közöttük fennálló eltérések figyelembevételével sorolják be az egyes képelemeket a különböző osztályokba, adott metrika alapján. Endmembernek egyetlen (távérzékelési) objektum spektrális görbéjét (végállású spektrumát) nevezzük. Endmembereket többféle módon gyűjthetünk: terepen vagy laboratóriumban történő spektrofotométeres méréssel, a felvételen történő tanító területek kijelölésével (földi referencia adatok alapján), spektrumkönyvtárakból, Pixel Purity Index (PPI) számítással. Amennyiben meg szeretnénk állapítani, hogy egy hiperspektrális képelem milyen arányban tartalmazza az endmemberek spektrumát, spektrumszétkeverő (unmixing) eljárásokat kell alkalmazni, mint a Linear Spectral Unmixig, Mached Filtering (Williams és Hunt, 2002; Kozma-Bognár, 2010b). A spektrumgörbék pontos előállításához a terepen felvett spektroradiométeres referenciák és egyéb korrekciók (pl. atmoszférikus) elvégzése szükséges. Mivel a hiperspektrális szenzorok által rögzített adatok nyers számértékek, csak ezen feltételek teljesülése után alakíthatóak át megbízhatóan reflektancia értékekké. Az így kapott reflektancia adatok a beeső napsugárzás folyamatosan mért radianciáját is figyelembe veszik. A korrekciók után a felvételen rögzített spektrum már alkalmas más, pl. laborspektrumokkal való összehasonlításra (Hargitai, 2006). A spektrumkönyvtárakban laboratóriumi körülmények között meghatározott adatokat gyűjtenek (Clark et al., 1993), amelyekben a természetben jelentkező befolyásoló tényezők hatásai nem jelentkeznek. Általában tiszta vagy kevert anyagok értékeit tartalmazzák, míg a távérzékelő berendezéseink ettől jelentősen eltérő, számos atmoszférikus és érzékelőre jellemző egyedi információt, valamint laborkörülmények között nem, vagy nehezen reprezentálható (pl. növénytársulások) adatokat is integrálnak kimenő adataikba. Gyakran a pontosabb referencia adatok felvételezése érdekében terepi spektrométerek kerülnek alkalmazásra, amelyekkel az érzékelők közötti különbség részben kompenzálható (azonos szériájú érzékelők alkalmazása). További problémát okoz az is, hogy a helyszíni spektroszkópos vizsgálatok 37

38 megbízhatóságát is több tényező befolyásolhatja (pl. kalibráció, látószög, detektortípus, időjárási viszonyok), melyek utólagos korrekcióval nem javíthatóak és megismétlésükre sincs lehetőség (Burai, 2007). Az osztályozás eredményeinek pontossága Congalton és Green szerint négy eljárási típussal értékelhető: vizuális értékelés, mennyiségi összehasonlítás, térbeli egyezőség elemzése, hibamátrix (Congalton és Green, 1993). Az osztályozási hibák lehetnek téves osztályba soroláson, vagy téves osztályból kihagyáson alapulók. A reflektancia görbék bizonyos értékeiből, változásaiból generálhatóak a különböző indexek. A felszín reflektancia viszonyaival foglalkozó szakirodalmakban számos indexet találunk (Thenkabail et al., 2000). A távérzékelésben igen elterjedt vegetációs index az NDVI (Normalised Difference Vegetation Index), amely egy első generációs index és a fotoszintetikusan aktív vegetációt mutatja (Jensen, 1986; Myneni et al., 1995; Tamás és Szabó, 2010). Amennyiben a vizsgált növényállományban talajfoltok is találhatóak, abban az esetben a talajjal módosított vegetációs indexet a SAVI-t (Soil-Adjusted Vegetation Index) kell alkalmazni (Huete, 1988). A második generációs Broge és Mortensen után újgenerációs - indexnek tekintjük a vörös-él indexet (Red Edge Index), amely a reflektancia görbék alakját és relatív helyzetét (Red Edge Inflection Pont = REIP) írja le (Broge és Mortensen, 2002). A görbe értékelése során az inflexiós pont eltolódásából következtethetünk a növény egészségi állapotára, a stressz tűrő képességére, a klorofilltartalmára, a fertőzöttség mértékére, stb. (Varshney és Arora, 2004; Jung, 2005; Tamás és Róth, 2008; Kozma-Bognár és Berke, 2009; Kozma-Bognár és Berke, 2010) A hiperspektrális távérzékelés alkalmazási területei Nemzetközi alkalmazások A hiperspektrális távérzékelés közel 30 éves múltra visszatekintő tudományterület, melynek folyamatos fejlődése során lehetőséget biztosít számunkra a környezetünk minél szélesebb körű megismerésében, a mikroszkopikus mérettartományoktól egészen a műholdas felvételek alapján történő globális változásokig. Az első 1980-as években megjelent műholdra szerelt hiperspektrális szenzorokat (AVIRIS) idegen égitestek elsődlegesen geológiai kutatási céljaira hozták létre. Számos kutatás folyik jelenleg is a Mars felszínének és légkörének tanulmányozására (NASA Mars Exploration Program leírás; Brown et al., 2005; Moussaoui et al., 2008; Bernard-Michel et al., 2009). 38

39 A kezdetben katonai célú alkalmazások körétől mostanra már eljutottunk odáig, hogy szinte mindenki számára elérhetővé vált a nagy spektrális felbontású technika alkalmazás lehetősége (Grahn és Geladi, 2007). Borengasser négy nagy területre osztotta a hiperspektrális alkalmazásokat: mezőgazdaság, környezetvédelem, erdőgazdálkodás és geológia (Borengasser et al., 2008). A mezőgazdasági alkalmazásoknál 1995-ben Clark és munkatársai a növényzet elterjedési térképezésében használták a hiperspektrális technológiát (Clark et al., 1995). Megállapították, hogy az egészséges és a stresszes növényállományok megkülönböztethetőek a távérzékelés felhasználásával, mivel az egészséges zöld növényzet vörös-él inflexiós pontja eltolódik a stressz alatt álló növényzetéhez képest óta Floridában és az USA más délkeleti részein a citrusféléken megjelenő és azok pusztulását okozó üszög terjedésének lokalizálásában használták fel (Brown és Brown, 2001). Patel és munkatársai 2001-ben a Fatehwadi csatorna mellett végzett esettanulmányukban leírták, hogy a búzanövény növekedési paramétereinek (pl. LAI, klorofill-tartalom, biomassza) kimutatására is alkalmasak a nagy spektrális felbontású felvételek (Patel et al., 2001). A cukornád esetében súlyos károkat okozhatnak egyes kórokozók. A többsávos technológia a betegségek felderítésében és feltérképezésében, térbeli kiterjedésében, a betegségek elleni vegyszeres védekezésnél az érintett növények detektálásában, a termés állapotának felderítésében (Thenkabail et al., 2002) segíthet. A cukornád narancs rozsda betegségénél Apan és munkatársai 2004-ben Hyperion felvételek alapján különböző spektrális indexek számításával ki tudták mutatni a gombabetegség és termés biokémiai összetevőjének változásai közötti kapcsolatot (Apan et al., 2004). A hiperspektrális távérzékelés tanulmányozásával a környezetünk állapotát és a bekövetkezett változásokat is nyomon követhetjük. A technológia különösen sikeres a víztestek ellenőrzésében, hiszen fő előnye, hogy helyettesítheti a hagyományos mintavételi eljárásokat, ezenkívül a térbeli és időbeli lefedettséget is biztosítani tudjuk általa. Finnországban Koponen és munkatársai a tavak vízminőségének térbeli változását tanulmányozták, amely a terepi adatgyűjtések alkalmával nem volt teljesen lefedhető. A MERIS csatorna konfigurációja alkalmas volt a tavak zavarosságának vizsgálatára (Koponen et al., 2002). Nyilvánvalóvá vált, hogy a növényzet változásainak szomszédos ökoszisztémára gyakorolt környezeti hatásai is detektálhatóak. Williams munkatársaival együtt a hiperspektrális felvételek hatékonyságát vizsgálta elsüllyedt vízi növényzeten 2003-ban, oly módon hogy e fajok eltérő toleranciáját (sótartalom alapján) nézte, és a 39

40 paraméterek vizsgálatával a vízminőség romlása is tanulmányozható vált, mivel ok-okozati viszony állt fent közöttük (Williams et al., 2003). Vizsgálati területe Chesapeake Bay torkolata, amelyet HyMap rendszerrel térképeztek fel. Strömbeck és Pierson 2001-ben többek között a fitoplanktonok visszaverődési értékei alapján végeztek vízminőségi vizsgálatokat a Malaren tónál Svédországban. Klorofilltartalmat és lebegő szerves és szervetlen anyagok optikai tulajdonságokon alapuló változékonyságát is tanulmányozták. A többváltozós érzékenységi vizsgálatok során a nagy heterogenitású környezet miatt nagy eltéréseket tapasztaltak a klorofill koncentrációban (Strömbeck és Pierson, 2001). Legeltetéses lápi réten klorofill- és nitrogéntartalmat elemeztek hiperspektrális felvételek felhasználásával, amely során több vegetációs indexet is teszteltek a klorofilltartalom becslésére. Az eredmények azt mutatták, hogy a vörös-él-klorofill index lineáris becslésével a nitrogéntartalomra is következtethetünk. (Clevers és Kooistra, 2011). A nagy biodiverzitású Nanawale Forest Reserve területén (Hawai szigetek) trópusi erdők fajainak meghatározását végezték el a biológiai sokféleség vizsgálata során a CAO-Alpha rendszerrel (Feret et al., 2011). Számos szerző igyekezett bizonyítani, hogy hiperspektrális technológiával a helyi mintavételezéseknél hatékonyabban lehet megvalósítani a tengerparti vízminőség, valamint a víz összetevőinek koncentráció becslését. A vízoszlop egyes paraméterinek reflektancia értékeit használták ennek meghatározására (Jay és Guillaume, 2011). A növényzet biokémiai jellemzőinek megállapításához használt mutatók korlátozott számú speciális környezetben lévő fajokra kerültek kifejlesztésre. Hely specifikus indexet dolgoztak ki Ausztrália szavannáinak növényzetére vonatkozóan transzszekt vizsgálatok mellett hiperspektrális felvételek bevonásával a klorofilltartalom meghatározására. (Amiri et al., 2011). Hozambecsléseknél a többsávos felvételezés értékes információt szolgáltathat a terméshozamok előrejelzésére, a tervezés és a betakarítási menetrend generáló térképek elkészítéséhez. A Japánban végzett vizsgálatoknál a citrus gyümölcs potenciális termését jósolták meg nagy spektrális felbontású felvételekkel (Ye és Sakai, 2011). Az erdőgazdálkodásban is jelentős szerepet játszik a hiperspektrális távérzékelés, hiszen segítségével az erdőpusztulások nyomon követése, kiváltó okaira történő rávilágítás és a problémák kezelésének megoldása valóra válhat. Amennyiben rendelkezésre állnak nagy térbeli és spektrális felbontású felvételek, javító intézkedéseket lehet eszközölni a károk hatásainak csökkentésére. A hiperspektrális távérzékelési adatgyűjtés az erdő-stressz értékelésére a földi megfigyelésekhez képest gyorsabb és hatékonyabb megoldás, így a korai stressz okozta fertőzések előbb felismerhetőek és a veszteségek minimalizálhatóak. 40

41 Lawrence és Labus a Douglas fenyők fertőzéseinek korai kimutatásában alkalmazták (Lawrence és Labus, 2003). A felvételek spektrális érzékenységére volt szükséges ahhoz, hogy a rovarfertőzések okozta gyökérrothadás hajtáson jelentkező vizuális jeleit kimutathassák. A Douglas fenyők pusztulását próbálták megakadályozni Mexikó egyes területein is (Schmitz és Gibson, 1996; Thomson et al., 1996). Az erdő termelékenységeinek vizsgálata során Sampson és munkatársai a kemény fatípusok esetében vizsgálták a pigmenttartalom használhatóságát az egészséges erdők meghatározásában (Sampson et al., 2003). A hagyományos értékelési módszerek szubjektívek és helyi szemlék során kerülnek megállapításra, ezért a nem vizuális módszerek korai előrejelzői lehetnek a faállományok állapotának kiderítésében. Clark és munkatársai évi cikkükben kiértékelték a Costa Rica-i trópusi esőerdők biomassza becslési lehetőségeit LIDAR és AVIRIS adatok alapján (Clark et al., 2001). Gitelson és munkatársai a moszkvai egyetem botanikus kertjéből származó vadgesztenye leveleken vizsgálták a levelek elszíneződését a klorofilltartalom változásának függvényében, különböző MODIS adatok alapján számított vegetációs indexekkel (Gitelson et al., 1996). Haboudane és társai szója, kukorica és búza növények esetében különböző hiperspektrális vegetációs indexeket számítottak CASI adatokra vonatkoztatva. Megállapították, hogy mely indexek adják a legjobb prognózist a zöld levélfelület meghatározására (Haboudane et al., 2004). A levelek klorofilltartalmának becslését végezte el Main munkatársaival 2011-ben, számszerűsíteni kívánták a fotoszintetikus aktivitást a szavanna bizonyos fafajai esetében (Main et al., 2011). Manevski és munkatársai mediterrán növényfajokra vonatkozóan végeztek vizsgálatokat Aktoriti félszigetén (Kréta), azzal a céllal, hogy elemezzék a jellegzetes felszínborításokat a mediterrán térségben. A rövidhullámú infravörös sávokban jelentős eltérést bizonyítottak ASD FieldSpec 3 spectroradiométer alkalmazásával (Manevski et al., 2011). A geológiai kutatások esetében számos külföldi tanulmány foglalkozik a nehézfémtartalmú ásványok hiperspektrális úton történő meghatározásával (Farrand és Harsányi, 1997; Ferrier, 1999). A hiperspektrális technológiát a felhagyott meddőhányók savanyodásáért felelős ásványainak karakterizálásában is alkalmazták már nemzetközi kutatók (Montero et al., 2005). Wu és munkatársai valamint Kemper és Sommer a földtani kőzetek nehézfémtartalmát becsülték meg statisztikai modellek és reflektancia adatok alapján (Kemper és Sommer, 2002; Wu et al., 2005). DAIS felvételeket használtak fel Naxos szigetének (Görögország) litológiai sajátosságainak feltérképezésére (Dickerhof et al., 1998). 41

42 A szenzorok költségeinek csökkentése valamint az adattárolási és átviteli technológiák fejlődése révén még inkább bővült a hiperspektrális felvételek felhasználóinak köre. A széles körben alkalmazott spektrometriai felhasználásokat a WHISPERS konferencián több csoportra bontják. A platform alapján különválasztják a légi- és űrtávérzékelést, az alkalmazások esetében pedig a környezeti monitoringot, a környezetszennyezést, a precíziós mezőgazdaságot valamint a vegyipari, orvos biológiai, védelmi, és más ipari ellenőrzési területeket különítik el. A megjelent kutatások közül néhány újszerűnek számító hiperspektrális felhasználási területet mutatunk be. Műanyag hasznosítás és újrahasznosítás, pontosabban a poliolefinek újrahasznosítása jelenleg fontos és nagy kihívást jelentő kérdés a környezetünk megóvása területén. Ahhoz, hogy a műanyagokból hasznos terméket állítsanak elő, az ipari hulladék keveréket kell szakszerűen szétválogatni. Az általánosan eddig alkalmazott technikák drágák vagy nehezen ellenőrizhetőek, ezért olcsó és hatékony eljárást kínál a hiperspektrális képalkotás. Az újrahasznosítás folyamatának, a végtermék minőségének, az alacsony szennyezőanyag tartalom ellenőrzésének javítása céljából tesztelték Olaszországban a hiperspektrális technológiát, szilárd részecskék minőségének jellemzésére (Serranti et al., 2011.) A bitumen és olajhomok elkülönítését végezték el Rivard és társai 2011-ben infravörös tartományban készült hiperspektrális adatok alapján (Rivard et al., 2011). AISA hiperspektrális érzékelő nagypontosságú felvételeit alkalmazták a Mexikói-öbölben történt olajkatasztrófánál, a tengeri és part menti élővilágot közvetlenül fenyegető olajfolt károsító hatásainak felmérésére. A hiperspektrális technológiát a képzőművészet is felfedezte (O Donnell, 2002) már magának. Egyrészt esztétikai értékük miatt, másrészt a művészettörténet területén az antikvitások kutatásai során alkalmazzák, a tinták eredetének és rétegződésének megállapításához (Scholten et al., 2004). A hiperspektrális spektrumgörbének köszönhetően az emberi látással kapcsolatos kutatásokban is fel tudják már használni az hiperspektrális eredményeket (Osorio, 2005) Magyarországi felhasználási területek Magyarországon a hiperspektrális távérzékelés legnagyobb felhasználói a mezőgazdaság és a környezetvédelem. A hazai alkalmazások nagyságát jelentősen befolyásolta, a felhasználások gyakoriságát pedig jelentősen növelte az AISA Dual nagy spektrális és geometriai felbontású szenzor évi üzembe helyezése. Egyre több kutatóhely 42

43 kapcsolódott be a hazai és európai műhelyek munkáiba. Azóta gyarapodott azon szakterületek száma is ahol felhasználják a technológia adta többletinformációkat. A mezőgazdaság területén történő nagymértékű felhasználás alapja, hogy hazánk területének közel 50 %-án mezőgazdasági termelés folyik. A nagy felbontású hiperspektrális felvételek alkalmazásának egyik legelterjedtebb formája a földhasználati kategóriák pontos elkülönítésére. Burai kutatásai alapján megállapította, hogy a nagyobb spektrális és geometriai felbontású hiperspektrális felvételek alkalmazásával pontosabb eredményt kapunk a földhasználat meghatározásában, mint a multispektrális felvételekkel (Burai, 2006a). A hiperspektrális távérzékelés agrár-környezetvédelmi vonatkozásaiban kezdtek vizsgálatok végezni Burai és Pechmann 2005-ben. Kutatásaik célja a technológia alkalmazhatóságának bizonyítása a talaj-növény rendszer biológiai, fizikai és kémiai állapotának értékelésére. A vizsgálataik során kapcsolatot találtak a növényállományok, a talajtípusok és a talajfizikai tulajdonságok (pl. elektromos vezetőképesség, sótartalom, tápanyagtartalom), valamint a hiperspektrális felvételek reflektancia értékei között (Burai és Pechmann, 2005). Ez a szignifikáns korreláció a gyomfoltok megjelenésének ökológiai okainak felfedésére is rávilágított, megerősítve ezzel a módszer eredményességét. Szikesedési folyamatok nyomon követésével talajhasználati és vízgazdálkodási hatásokat is elemeztek (Pechmann et al., 2003). Hiperspektrális adatok felhasználásával vizsgálta Bakos az adatfeldolgozó láncok alkalmazhatóságát a felszínborítási térképek előállítása során. Olyan döntési fúziós eljárást dolgozott ki, amellyel véleménye szerint a standard adatfeldolgozási eljárások kombinálhatóak a nagyobb pontosságú térképezés érdekében (Bakos, 2010). A FVM MGI Hiperspektrális Munkacsoportja számos módszert fejlesztett ki a fizikai jelenségek ember által okozott hatásainak (talaj-növény-élővilág rendszerre) vizsgálatára. A hiperspektrális távérzékelési technológiával történő gyomdetektálással a parlagfűvel borított területekről elterjedési térképet készítettek. A vizsgált biomasszában a gyom- és a kultúrnövények differenciált vegetációs értékelésére is sor került (Tolner et al., 2010). Térinformatikai és távérzékelési adatokat alkalmazott Reisinger a parlagfű detektálása során (Reisinger, 2006), és Czimberrel együtt a gyomfelvételezés hagyományos módszerei mellett megemlíti a környezetkímélő és takarékos megoldásokat (Czimber és Reisinger, 2006). Nagy évi doktori értekezésében megállapítja, hogy a hiperspektrális technológia elterjedése a távérzékeléses gyomfelvételezésben is áttörést hozott (Nagy, 2004). A nagy spektrális felbontású hiperspektrális felvételek egyes sávjainak értékelésével a gyomcsoportok lehatárolásán kívül akár fajszintű elkülönítésre is 43

44 lehetőség nyílik. A tarlókon végzett széles hatásspektrumú herbicides kezeléseknél a toleráns fajokra nézve a totális hatóanyagok felhasználásának eredményessége pontosabban nyomon követhető. A parlagfű elleni integrált védekezés új stratégiai programjában is megemlítésre került a többsávos felvételek alkalmazásának lehetősége (Kőmíves et al., 2006). A parlagfű térképezésére hiperspektrális felvételeket alkalmaztak Burai és munkatársai (Burai et al., 2009). A növény referencia spektrumainak meghatározását végezte el Kardeván munkatársaival (Kardeván et al., 2004). A precíziós mezőgazdaságban a vegetációk fejlődése során kialakuló növényi betegségek időben történő detektálása és pontos térbeli elhelyezkedése fontos megoldandó feladat (Milics et al., 2008a). A hiperspektrális spektrumgörbék felhasználásával pontosabban megállapítható a növényvédelemi beavatkozások ideje és módja, hiszen a betegség látható jeleinek megjelenése előtt észlelhető annak kialakulása. Ez a többletinformáció a jelenlegi növényvédelemi beavatkozások szempontjából kimagasló értéket képvisel (Milics és Neményi, 2007; Neményi és Milics, 2007). A talaj és éghajlat stressz hatásai jól azonosíthatóak a növényeken, ezért a víz és tápanyag utánpótlás megállapításánál az egyes vegetációk jó indikátornak bizonyulnak. A növény jelzi az egészségi állapotát, a levél biofizikai tulajdonságai megmutatják a fotoszintetikus aktivitást, a növény tápanyagtartalmát, ami különösen nagy jelentőségű a precíziós mezőgazdaságban. A hiperspektrális adatok alapján számolt vegetációs indexek és a terepi minták klorofilltartalmának értékei közötti erős korrelációt mutattak ki Burai és munkatársai. Kimutatták, hogy a vegetáció állapotfelmérésének és a környezeti stressz meghatározásának fontos eszköze a hiperspektrális információ (Burai et al., 2008a). Tamás és társai szerint a megfelelő indexek (NDVI, SIPI, PRI, stb.) számításával az őszibarack fajták egyedi fa szintű tulajdonságainak megállapítása valósítható meg hiperspektrális adatok alapján (Nagy et al., 2009; Tamás et al., 2009a). A hiperspektrális távérzékelési módszer hasznosságát támasztják alá Tamás munkatársaival végzett körte fajták génbanki állományaira alapozott évi vizsgálatai is (Tamás et al., 2010). A publikációjukban kiemelik a biodiverzitás fontosságát, hiszen számos olyan gyümölcs faj és fajta van, amely csupán egy adott kistáj területén található csak meg. A hiperspektrális értékelések eredményeképpen az egyes körte fajták spektrális könyvtárait hozták létre, így a megváltozott klimatikus körülményekhez jobban adaptálódó fajták és a ritkábban előforduló fajták is azonosíthatóvá váltak, elősegítve ezzel az egyedek megőrzését célzó kezdeményezéseket. 44

45 A biogáz előállításához kapcsolódó biomassza-felméréshez végeztek hiperspektrális vizsgálatokat Gyöngyös környékén. A borítottság és a biomassza megállapításához a hiperspektrális adatokon kívül LIDAR felvételeket is felhasználtak és e technológiával történő kiegészítésével integrált biomassza térképeket készítettek (Bíró, 2010). A szemtermés minőségi paramétereinek előrejelzését és térképezését valósították meg hiperspektrális légifelvételek és a betakarítás során mért adatok elemzésével (Milics et al., 2008b; Virág et al., 2011). A biomassza tömegén kívül a vízkészletek mennyiségének és minőségének megállapításához is alkalmaztak hiperspektrális felvételeket (Tamás et al. 2009b; Neményi et al., 2010). Élőhely térképezést végeztek részben hiperspektrális felvételek segítségével Neidert és munkatársai a kékvércse megóvása érdekében (Neidert et al., 2007). A kutatócsoport az élőhelytípusok lehatárolása során az érvényben lévő Agrár-környezetgazdálkodási program (AKG) kategória rendszerét vette figyelembe (Palatitz, 2012). A csípőszúnyog biológiai gyérítésének terén jelentős sikereket értek el a távérzékelési technikák alkalmazásával a tenyészőhelyek (pl. vízállásos gyepek) felderítésében. A hiperspektrális távérzékelés nagy pontossággal jelöli ki a szúnyogok fejlődését lehetővé tevő fontos tenyészőhelyeket (pl. vízállásos gyepek), ezért alkalmazását Kenyeres és munkatársai 2008-ban ígéretesnek látták. Véleményük szerint a nagy költségigény és egyéb tényezők miatt az ilyen jellegű általános felhasználás további tesztelemzéseket igényel (Kenyeres et al., 2008). A bányászati tevékenységek következményeként fennmaradt meddőhányók világszerte jelentős környezeti kockázattal járnak, mivel sok esetben nem történt meg ezek rekultivációja. A Gyöngyösorosziban elhelyezkedő flotációs zagytározó nehézfém szennyezettségének meghatározását végezte el Nagy és Tamás a HySens program keretében (Nagy és Tamás, 2007). Megállapításra került, hogy a hiperspektrális távérzékelés tükrében a nehézfémekkel szennyezett területeken a Pb, Zn és Fe tartalmú ásványok (galenit, geotit, jarosit, szfalerit, pirit) térbeli eloszlása modellezhető (Nagy et al., 2006), és a fitoremediációra alkalmazható növényfajok köre meghatározható (Nagy, 2007; Nagy és Tamás, 2008; Nagy et al., 2008). Ritvayné és Frombach is említik évi publikációjukban a remediációs beavatkozások hatékonyságának nyomon követését, mint hiperspektrális alkalmazási területet (Ritvayné és Frombach, 2007). Az ásványkincs kutatás területén Dabi és társai a szintektonikus kalcit zonációjának vizsgálatát végezte el hiperspektrális felvételek értékelésével (Dabi et al., 2006). 45

46 A városi területhasználat egyik problémája a megbízható beépítettségi térképek hiányából ered. Mucsi és munkatársai kutatási eredményeikkel hangsúlyozzák, hogy a hiperspektrális felvételekből készített várostérképek alkalmasak lehetnek ezek pótlására (Mucsi et al., 2008a). A Szegeden végzett városökológiai kutatások alapján elmondható, hogy a stressz alatt álló növényzet egészségi állapotának spektrális indexekkel (pl. NDVI) történő felmérése - hiperspektrális légifelvételekkel - akár egyed szinten is lehetséges. A multispektrális felvételek kombinációival még teljesebbé válhat a természetes és mesterséges városi felületek beazonosítása, az egyes városrészek funkcionális változásainak meghatározása (Mucsi et al., 2008b; Mezősi, 2009). A városi ökokörnyezetet érintő komplex vizsgálatok során hiperspektrális távérzékelési adatokat is felhasználva, meghatározhatóak a jellemző felszínborítási mintázatok (zöldfelületek, burkolt, víz-szigetelő területek, talaj) térbeli szerkezete (Jung et al., 2005; Jung et al., 2006). A városi és természeti környezet kölcsönhatásának elemzésével, így egy integrált monitoring rendszer kiépítését tudták megvalósítani Visiné és Király a városi környezetminőség meghatározása céljából (Visiné és Király, 2011). A városi és városközeli zöldfelületek mennyiségi és minőségi jellemzésére is hiperspektrális felvételeket használtak fel. A hazai hiperspektrális technológiák tökéletesen illeszthetőek nemcsak a mezőgazdaság és környezetvédelem, de más alkalmazások feladataihoz is, mint az ipari, régészeti, honvédelemi és kármentesítési tevékenységek. Új fejleményeket hozott a technológia a laboratóriumi, minőségellenőrzési munkákban (Firtha, 2008). Az ipari alkalmazások során különböző beltartalmi jellemzőket, valamint az élelmiszerek vagy nyersanyagok tulajdonságait lehet detektálni. Ez történhet egy gyártósoron, vagy szállítószalagon végbemenő valós idejű válogatási- és egyéb automatizálási feladatok esetében (Kaszab et al., 2007). Ilyen jellegű kutatást valósítottak meg Firtha és munkatársai 2006-ban, amikor hiperspektrális képfeldolgozással becsülték meg a sárgarépa nedvességtartalmát (Firtha et al., 2006). Az eltemetett, betemetődött objektumok a talajnedvességben és a növényzet borítottságában változást okoznak. A talajokban és azok nedvességtartalmában bekövetkezett módosulások, valamint a növényzetben megfigyelhető anomáliák pontosan beazonosíthatóak a hiperspektrális ujjlenyomatok segítségével. Padányi-Gulyás és munkatársai szerint a régészeti lelőhelyek felületi spektroszkópiájával az egyes régészeti jelenségek is eredményesen meghatározhatóak (Padányi-Gulyás et al., 2011). 46

47 A katonai műveletek gyors és hatékony megtervezéséhez hazánkban is alkalmaznak geoinformációs támogatásokat. A különféle korszerű távérzékelési technikákkal (pl. hiperspektrális távérzékelés) új típusú információkat szerezhetnek a hagyományosan felhasznált egyéb térképészeti megoldások (topográfiai-, földrajzi- és tematikus térképek, térképvázlatok) mellett. A Magyar Honvédség a geoinformációs támogatási doktrína tükrében speciális geoinformációs termékeket alkalmaz annak érdekében, hogy megkönnyítsék és hatékonyabbá tegyék a döntéshozatali rendszert, a műveleti terület vizualizációja és a harcmező jellemzőinek realisztikus bemutatása által (Koós, 2009). Róth 2007-ben további konkrét katonai alkalmazási területeket említ munkájában (Róth, 2007): rejtett és álcázott célpontok felismerése, katonai és civil objektumok monitoringja, katonai környezethasználat, terrorizmus elleni fellépés, természeti katasztrófák (tűz, árvíz). A hiperspektrális távérzékelés ereje részben abban is rejlik, hogy képes a környezeti tényezők gyors térbeli és időbeli értékelésére azokon a területeken, ahol a terepi felvételezés egyáltalán nem vagy csak rendkívüli erőforrások bevonásával kivitelezhető. Hazánkban október 4-én történt vörösiszap katasztrófát követően légi hiperspektrális felvételeket (látható, infra, hő és LIDAR adatokkal kiegészítve) használtak fel a vörösiszap által okozott környezetállapot felmérésére. A kockázati tényezők megítélésének elősegítését, a káros környezeti hatások megfigyelését, valamint a környezetbe került szennyezőanyagok mennyiségi és minőségi paramétereinek felmérését is lehetővé tette ez az eljárás. A adatok előállításával és kiértékelésével hasznos segítséget nyújtottak a közvetlen kockázatelemzésben, valamint a későbbi kármentesítési munkálatokban (Berke et al., 2011a; Lénárt et al., 2011). Magyarországon is találunk olyan kutatócsoportokat, amelyek a Földünk megismerésén kívül más égitestek megfigyelésében végeznek kutatásokat. Ládai és munkatársai 2005-ben a Mars Express űrszonda hiperspektrális képeinek feldolgozása alapján határozták meg a Mars felszínén található kőzeteket (Ládai et al., 2005). Az atmoszférikus gázok és a különböző jégfajták elnyelődési görbéinek felhasználásával elkészítették ezek térképi megjelenítését (Sik et al., 2005; Ládai, 2009; Sik, 2011). Csorba és Keresztúri a Mars litológiai elemzését végezte el hiperspektrális adatok felhasználásával (Csorba és Keresztúri, 2009). A Hold felszínének topográfiai térképezésére, kémiai összetételének vizsgálataira is alkalmaznak hiperspektrális képalkotó berendezéseket, amelyek segítségével ásványtani térképezéseket is megvalósítanak. 47

48 3. ANYAG ÉS MÓDSZER 3.1. A vizsgálati terület bemutatása Kutatásaink helyszíne a Bakony vidék tájegységen belül a Tátika-csoport tagjai közé tartozó Várvölgy település határában helyezkedik el. A Zala megyei kisközség mellett lévő tesztterületünk, Keszthelytől 15 km-re északnyugati irányban található a Keszthelyihegység peremén (3. ábra). Várvölgy 3. ábra évi ortofotó a várvölgyi tesztterületről és környékéről (Földmérési és Távérzékelési Intézet) Domborzata az alacsony középhegységek típusát viseli, 350 m átlagos tengerszint feletti magassággal, az átlagos relatív relief m/km 2. Éghajlata mérsékelten hűvös, mérsékelten nedves, évi középhőmérséklete 9,8-10,2 C (a vegetációs időszakban a hőmérsékleti átlag 15,8-16,5 C). Az évi csapadékmennyiség mm (nyári félévben mm). A területet barnaföldek jellemzik, a terület ariditási indexe 0,98-1,02, a talajvíz mélysége 4 m alatti (Dövényi, 2010). A változatos domborzati viszonyok következtében az amúgy uralkodó É-i szélirány jelentősen változhat (az évi átlagos szélsebesség 3 m/sec), amely a légifelvételezések megvalósításában problémákat okozhat. Területi adottságai és éghajlata kedvezően hat a mezőgazdasági és az erdőgazdálkodási tevékenységek végzésére. 48

49 A Várvölgy község határában elhelyezkedő mintaterületen év folyamán 13 különböző táblaterületet azonosítottunk be (4. ábra). Az egyes parcellák tulajdonviszonyaikat illetően több magánszemély birtokában voltak, és bérbeadás illetve saját művelés alatt álltak. A tesztterületen olyan táblák kerültek kijelölésre, amelyeken mezőgazdasági hasznosítást valósítottak, mivel kutatásaink alapvetően a földhasználati borítottságra épültek. 4. ábra Saját készítésű felvétel án a várvölgyi tesztterület tábláiról A vizsgálati célterületek közé olyan jól beazonosítható egyéb földfelszíni objektumok is bekerültek (erdősáv, műút, földút), amelyek később referenciaként szolgáltak az egyes vizsgálatainkhoz. Tesztterület jellemzői: A teljes terület nagysága: 30 ha Tengerszint feletti magasság: 209 és 247 m között változik A legalacsonyabb pont GPS koordinátája: N: 46 51'38.55", E:17 17'37.08" A legmagasabb pont koordinátája: N: 46 51'20.76", E:17 18'06.53" 49

50 4. táblázat A várvölgyi tesztterület felszínborítási kategóriái Terület megnevezése Növénykultúra Elvégzett vizsgálati módszer 1. tábla kukorica Növényborítottság vizsgálat 2. tábla tritikálé Növényborítottság vizsgálat 3. tábla kukorica Növényborítottság vizsgálat 4. tábla búza Növényborítottság vizsgálat 5. tábla tritikálé Növényborítottság vizsgálat 6. tábla búza Növényborítottság vizsgálat 7. tábla műveletlen terület Növényborítottság vizsgálat 8. tábla napraforgó Növényborítottság vizsgálat 10. tábla napraforgó Növényborítottság vizsgálat Egyéb erdősáv Növényborítottság vizsgálat Egyéb műút Növényborítottság vizsgálat Egyéb földút Növényborítottság vizsgálat A vizsgálatokba véglegesen bevont területek kiválasztásának kritériuma az volt, hogy az elkészült AISA Dual felvételeken összefüggően és teljes táblaterülettel szerepeljenek az egyes táblák. Ezek alapján kilenc tábla került kiválasztásra (4. táblázat) Hiperspektrális légifelvételezések A tanulmányozott területen 2006 óta folytattunk multi- és hiperspektrális légifelvételezéseket. Az első hiperspektrális felvételezésre én került sor az AISA Dual hiperspektrális szenzorral, amely egyben a hazai érzékelő történetének is egyik legelső, nem teszt célú, "éles" felvételei közé tartozik AISA Dual hiperspektrális érzékelő Az Európai Unió legjelentősebb rendszereinek egyike a finnországi Specim Spectral Imaging Ltd. által kifejlesztett AISA Dual hiperspektrális szenzor. Az AISA kameracsalád tagjaként egyesíti az AISA Eagle és Hawk szenzorokat. A duális tartóban történő rögzítése révén lehetővé teszi, hogy a VNIR és SWIR spektrális tartományokból összehangolt módon (mindkét érzékelő ugyanazt a repülési területet látja) gyűjtsön adatokat maximálisan 498 spektrális sávban. Az AISA Dual rendszer egy kompakt, alacsony 50

51 költségszintű, repülőgépre szerelhető, kiváló működési jellemzőkkel és magas teljesítménnyel l rendelkező képalkotó rendszer. A hiperspektrális képalkotó a következő alapvető rendszerelemeket integrálja: 1. Pushbroom hiperspektrális képalkotó szenzorok (AISA Eagle, AISA Hawk) A két érzékelő egy házba történő összeépítése következtében az optikai tengelyek párhuzamosak (5/a., 5/b. ábra). A két szenzor egy időben azonos földi sávról képes szinkronizálva adatot gyűjteni, a nm spektrális tartományban. AISA Dual fizikai paraméterei: Hosszúság: 400 mm Szélesség: 490 mm Magasság: 630 mm Tömeg: 55 kg 5. ábra AISA DUAL hiperspektrális szenzor kívülről (a. -bal oldali kép) és belülről (b. jobb oldali kép) (AISA Dual hiperspektrális érzékelő leírás) 2. Beépített GPS/INS egység (Oxford RT3003 típus) A repülőgép pozíciójára, valamint térbeli helyzetére vonatkozó adatokat (billegés, bólintás szöge) szolgáltatja. 3. Száloptikás sugárzásmérő (FODIS szenzor) A repülőgép tetején kerül elhelyezésre. Mindkét szenzorhoz tartozik egy-egy beeső sugárzást mérő külön érzékelő. 4. Kompakt ipari célú személyi számítógép (PC) monitorral és egyéb kiegészítő egységekkel (billentyűzet, tápegységek, speciális csatlakozású kábelek). A számítógép gyűjti a mérés során keletkezett adatokat, amelyhez egy - erős napfénynél is jól látható - nagy fényerejű monitor kapcsolódik (6/a., 6/b. ábra). A repülés során az RSCube szoftver kezelése révén van lehetőség a repülési paraméterek beállítására és vezérlésre. 51

52 6. ábra AISA Dual rendszer repülőgépbe szerelt, felvételezésre kész állapotban, az érzékelő és a sugárzásmérő (a. - bal oldali kép), a konzolmonitor (b. - jobb oldali kép) (Deákvári és Kovács, 2007) 5. CaliGeo szoftvercsomag A szoftvercsomag célja, hogy a nyers AISA adatokat olyan formába konvertálja át, hogy az a legtöbb adatelemző ő program által olvashatóvá váljon. Az ENVI környezetben (Windows, Mac OS X és Linux platform alatt is) futtatható szoftver alkalmazásával a mérés során rögzített felvételeken elvégezhetőek a radiometriai és geometriai korrekciók nemcsak a mért, hanem külső GPS vagy radiancia adatok segítségével is. A radiometriai előfeldolgozáshoz a sugárzásmérő kalibrációs adatait, a geometriai korrekcióhoz pedig a GPS/INS érzékelő által a felvétel készítésével szinkronban gyűjtött pozíciós és magassági adatokat használja a rendszer alapvetően. Az AISA rendszer stabil működése mellett, nagy spektrális és térbeli felbontású légifelvételeket eket biztosít számunkra. A nagy sebességű hiperspektrális adatkocka létrehozásával hatékony adatgyűjtést valósít meg, amely megbízható pontos kiértékelést eredményez kutatásainkhoz. A Specim Spectral Imaging Ltd. társalapítójának Timo Hyvärinen bevallása szerint 70 db AISA érzékelő működik a világ különböző kutatási központjában, de megtalálhatóak az üzleti vállalkozásoknál és a védelmi szervezeteknél is. Magas fokú elismertségét mutatta, hogy 2010-ben a Prism Awards esetében a detektorok, érzékelés, képalkotás, kamerarendszerek kategóriában a döntőbe került (Specim Spectral Imaging Ltd. hivatalos weboldal). A évi vizsgálataink során a hazai AISA Dual hiperspektrális szenzorral készült légifelvételeket elemeztünk. Az érzékelők k kutatásaink szempontjából fontos műszaki paramétereit az 5. táblázat tartalmazza. 52

53 5. táblázat AISA Dual technikai paraméterei (AISA Dual hiperspektrális érzékelő leírás) VNIR szenzor (Eagle) SWIR szenzor (Hawk) AISA Dual Spektrális tartomány nm nm nm Spektrális felbontás Spektrális minta/pixel 2,3 nm 5,8 nm 2,3; 5,8 Spektrális mélység (bit) Térbeli pixelszám Optika 18.5 mm 22.5 (vagy 14) mm FOV 37.7 fok 24 fok 24 fok IFOV 0,037 fok 0,075 fok 0,075 fok Képalkotási gyorsaság 100 kép/s-ig 100 kép/s-ig 100 kép/s-ig Az AISA (Airborne Hyperspectral Imaging System leírás) rendszerek sokoldalú felhasználási területei mind a tudományos, védelmi és kereskedelmi alkalmazások területén megjelennek. A légi felvevőeszköz legjellemzőbb felhasználási területei: Környezetvédelmi monitoring Mezőgazdasági növényosztályozás Fajmeghatározás Erdőgazdálkodás Hozam meghatározások Talajtani jellemzők meghatározása Katasztrófa elhárítás: árvíz, vihar, tűzvész, olajszennyezés. Vegyi anyagok Katonai és kriminalisztika emberi tevékenység. 53

54 A hiperspektrális légifelvételezések lebonyolítása A keszthelyi térségben két időpontban történtek hiperspektrális felvételezések. Az első alkalommal ( ) a Keszthelyen folyó kutatásokhoz kapcsolódóan a várvölgyi tesztterületet követően a Zala Völgyén végighaladva a Kis-Balaton egyes területei kerültek pásztázásra. A második esetben ( ) már csak a várvölgyi rész került monitorozásra (Kozma-Bognár, 2008). Az időjárási viszonyok a légifelvételezések végrehajtásához részben megfelelőek voltak. A hőmérsékletre, relatív páratartalomra, és a szélerősségre vonatkozó adataink (13. sz. melléklet) a Sármelléki repülőtér mérőállomásának adatbázisából származnak. A hiperspektrális távérzékelési folyamat tervezését, és a légifelvételezés megvalósítását a Földművelésügyi és Vidékfejlesztési Minisztérium Mezőgazdasági Gépesítési Intézetének és Debreceni Egyetem Víz- és Környezetgazdálkodási Tanszékének munkatársai végezték. A felvételezést követően részünkre átadásra kerültek az adatfájlok és később a rendszer bevezetésének újszerűsége miatt folyamatos egyeztetések folytak az elvégzendő előfeldolgozási feladatokkal kapcsolatban. Ennek megfelelően bizonyos esetekben az általuk szolgáltatott információk kerülnek majd feltüntetésre a disszertációmban. A légifelvételezést megelőzően lehatároltuk a felvételezni kívánt területet (7. ábra) és továbbítottuk a tervezési feladatokat elvégző munkatársak számára, akik ezt felhasználva meghatározták a repülési paramétereket és elkészítették a repülési nyomvonalat. 7. ábra Területi lehatárolás a várvölgyi tesztterületről A várvölgyi tesztterületnél a következő repülési paraméterek kerültek meghatározásra, a Specim Spectral Imaging Ltd. által biztosított segédtáblázat alkalmazásával (8. ábra). Az itt meghatározott paraméterek megegyeznek a repülés során létrehozott Log fájl adataival. 54

55 AISA flight parameters for HIAE / University of Debrecen Local ground elevation 127 [m] from mean sea level AISA Eagle Serial Number SN Local WGS-84 geoid hight 46 [m] Hawk Serial Number SN Average ground elevation 84, [m] from WGS-84 reference surface AISA Eagle focal length 18,04 mm AISA Eagle spatial pixels 46 start 1024 end 978 total Hawk spatial pixels 22 start 320 end 299 total DUAL spatial pixels 25 start 320 end 296 total Change gray areas to calculate FPS, swat width and altitude Ground pixel size [m] [feet] The spatial pixels exclude FODIS area 1,00 3,28 The flight altitude is from mean sea level Max flight altitude for AISA is specified to feet Ground Speed [m/s] [knots] Use the blue highlighted values in CaliGeo ,63064 AISA Eagle SN100026_210606_XB.cal Binning Spectral sampling ~ Spatial pixels MAX FPS FPS Ground pixel size [m] Swat width [m] [feet] Altitude [m] [feet] 8x2 10 nm ,00 1, x2 5 nm ,00 1, x1 2.5 nm ,00 1, x2 2.5 nm ,00 1, x1 1.2 nm ,00 1, x2 1.2 nm ,00 1, AISA Hawk SN300015_200906_B.cal Binning Spectral sampling ~ Spatial pixels MAX FPS FPS Ground pixel size [m] Swat width [m] [feet] Altitude [m] [feet] 1x1 6 nm ,00 1, DUAL DUAL_SN100026_ cal DUAL_SN100026_ cal Binning Spectral sampling ~ Spatial pixels MAX FPS FPS Ground pixel size [m] Swat width [m] [feet] Altitude [m] [feet] Dual mode 4x2 Eagle 5 nm, Hawk 6nm ,00 1, Dual mode 2x2 Eagle 2.5 nm, Hawk 6nm ,00 1, Beállítások Spectral Spatial Eagle 4 2 Hawk 2 1 Dual_2xhiper_5nm.bnd 8. ábra Repülési paraméterek a várvölgyi tesztterületre vonatkozóan (Deákvári és Kovács, 2007) A hiperspektrális felvételezéseket egy Piper Aztec típusú légijárművel végezték (9. ábra), amely az AISA Dual üzemeltetése céljából került átalakításra. A repülőgép a felvételezések során 60 m/s sebesség mellett gyűjtött adatokat, közel 1200 m tengerszint feletti magasságból. A várvölgyi tesztterületről eredményül 359 spektrális sávban készült kb. 1 m 2 /pixel térbeli felbontású felvétel, melynek spektrális felbontása 5-6 nm. Az elkészült adatkocka spektrális sávkiosztását tartalmazza a 14. sz. melléklet. 9. ábra A hiperspektrális felvételezést végző repülőgép és személyzete indulásra készen ( ) 55

56 A én végzett légifelvételezés rögzített nyomvonala látható a 10. ábrán. A felszállás a Siófoki Papkutapuszta reptérről történt. A repülési kampány során a mosonmagyaróvári légifelvételezést követően került csak sor a várvölgyi tesztterület légifelmérésére. 10. ábra Repülőgép rögzített nyomvonala én (Deákvári és Kovács, 2007) A megadott területnagyság és a kapcsolódó geometriai felbontás lehetővé tette, hogy a vizsgálat helyszínét egy repülési sávval fedjék le. Az adatok megbízhatósága, valamint az előfeldolgozási feladatok terén tervezett kutatásaink miatt viszont több felvételi sáv került rögzítésre. A repülések alkalmával az AISA érzékelők k teljes hiperspektrális adatgyűjtő üzemmódban működtek. A felvételezés során az AISA rendszerek repülés ellenőrző szoftvere, a Windows-alapú RSCube kontrollálta a rendszer beállításokat, mint pl. a sávszélesség, a pozíció, és a csatornaszám. Továbbá ellenőrizte a képernyő megjelenítést, a képalkotás sebességét, az expozíciós időt, a GPS/INS státuszt és egyéb valós idejű információkat az adatgyűjtési folyamat során. A GPS által rögzített adatok alapján készített nyomvonalból is látható, hogy a tesztterületünk felett több repülési sávban is készültek felvételek. A két légifelvételezés során eredményül kapott t repülési sávokat összefoglalóan mutatják be a 11/a. és a 11/b. ábrák. 56

57 11. ábra A várvölgyi légifelvételezések során létrehozott i (a. - bal oldali kép) és i (b. - jobb oldali kép) repülési sávok A felvételezés során az egyes repülési sávok közötti fordulók esetében a rendszer nem készít felvételeket, így az egyes sávok felvételezésének indítása és befejezése jól nyomon követhető. A mérés során az AISA Dual rendszer által generált adatstruktúra több adatsorból tevődött össze, amelyek külön fájlként kerültek letárolásra. A fájltípus mögött a várvölgyi i felvételezésekre vonatkozó fájlok neveit tüntettük fel: 1. Log fájl (*.log), File név: runlog _varvolgy.html A Log fájl elején találjuk a mérési beállításokat, később az adatfájlt és a hozzá tartozó Dark fájl nevét, a Header fájlt és a Navigációs fájlt, valamint egyéb a felvételezésre vonatkozó hasznos információkat is (12. ábra). 12. ábra AISA Dual LOG fájl részlet (Deákvári és Kovács, 2007) 57

58 2. Nyers adatfájl (*.raw), Fájlnév: varv-1.raw Az érzékelőről hasznos információként rögzítésre került adatok összességét foglalja magába. 3. Header fájl (*.hdr), Fájlnév pl.: varv-1.hdr A RAW állományra vonatkozó alapadatokat tartalmazza pl. a kép formátumáról; a sávok, sorok, oszlopok számáról; a felvétel készítésének fontosabb időpontjairól; a hullámhosszakról és szélességükről; az adatrögzítés sebességéről, stb. 4. Dark fájl (*drk.dat), Fájlnév: varv-1_drk.dat Az érzékelő saját zajára vonatkozó referencia adatokat tartalmazó állomány. 5. Kalibrációs fájl (*cal), Fájlnév: DUAL2X_SN100026_ cal A FODIS sugárzásmérő által rögzített adatokat talájuk meg ebben az állományban. 6. Navigációs adatok (*.nav), Fájlnév: nav A GPS/INS rendszer adatait összesítő fáljstruktúra. A repülések befejezésével az adatok lementésre kerültek, majd az archiválást követően a repülést koordináló szervezet munkatársai átadták ezeket az elektronikus dokumentumokat. Az előfeldolgozás CaliGeo szoftverrel történő elvégzéséhez a fenti állományok mindegyike szükséges A hiperspektrális felvételek feldolgozása Előfeldolgozás A légifelvételezés lebonyolítása után a megkapott nyers adatsorokon kezdtük el a teljes feldolgozási folyamatot. Mivel a AISA Dual felvételek feldolgozási folyamata - többek között az előfeldolgozás egyes elvégzendő lépéseinek sora - kezdeti stádiumban volt, ezért a teljes adatfeldolgozásban fellelhető nehézségeket és problémákat is fel kívántuk tárni. A pontosítások elvégzéséhez az FVM MGI és a DE AMTC munkatársai voltak a segítségünkre. Az AISA Dual adatainak előfeldolgozását a CaliGeo szoftver alkalmazásával valósítottuk meg, amely Specim Spectral Imaging Ltd. fejlesztés és egy beépülő modulként kerül (egyedi módon telepítve) használatra ENVI környezetben. 58

59 Első lépésként a felvételezést követően kapott Dark fájl és Kalibrációs fájl felhasználásával a radiometriai korrekció került elvégzésre. Esetünkben a radiometriai és geometriai korrekciókat egyetlen lépésben oldottuk meg (13/a., 13/b. ábra). 13. ábra CaliGeo beállításai a radiometriai és geometriai korrekció elvégzése során (a. - felső kép), a speciális beállítási lehetőségek (b. - alsó kép) A kapott radiometriai adatsoron a geometriai korrekció végrehajtása következett, a GPS/INS rendszer navigációs adatainak betöltésével. Az AISA Dual egy giroszkóp nélküli 59

60 képalkotó, így a repülőgép mozgásából adódó eltéréseket (pl. görbe vonalként jelentkező hibák) a GPS/INS rendszerből származó navigációs adatokkal lehet korrigálni a CaliGeo program felhasználásával. A két rendszer közötti pontos adatrögzítéshez szükséges előzetes boresight kalibrációt a közreműködő szervezetek munkatársai már a repülés megkezdése előtt elvégezték. 14. ábra Topográfiai térképre helyezett AISA Dual légifelvétel ( ) a várvölgyi tesztterületről A nagy térbeli felbontású hiperspektrális felvétel megfelelő geometriai pontosságát a két antennával működő Oxford RT3003 típusú GPS/INS egységgel lehet elérni. Sajnos a várvölgyi légifelvételezések alkalmával ezek a berendezések 1 Hz frekvenciával működtek, így m/s repülési sebesség mellett ez esetenként 60 m geometriai pontatlanságot okozott a felvételeken. Ekkora mértékű hiba mellett az automatikus geometriai korrekciók nem voltak elfogadhatóak, így a térinformatikai adatbázisban történő alkalmazáshoz utólagos korrekciókra szorultak. Amennyiben rendelkezésünkre állnak egyéb adatsorok pl. LIDAR adatsor, Digitális terepmodell (DEM), SRTM modell, vagy DGPS terepi pontok, tovább pontosíthattuk volna az elvégzett korrekciókat, és a georeferálás (14. ábra) is megoldhatóvá válik. Ennek hiányában a fenti korrekciók kézzel, manuális úton kerültek elvégzésre. 60

61 A CaliGeo szoftverrel tehát elvégeztük a radiometriai és geometriai korrekciókat (15/a., 15/b. ábra), valamint kijavítottuk és georeferáltuk (pontatlanul) az AISA Dual adatkockát. 15. ábra Várvölgyi tesztterület ( ) a radiometriai és geometriai korrekció előtt (a. - bal oldali kép) és után (b. - jobb oldali kép) 61

62 A felvételek ezt követő vizsgálatához szükséges elemzési funkciókat a CaliGeo nem tartalmazta, ezért a várvölgyi hiperspektrális felvételek elemzését és interpretálását már az ENVI 4.3 illetve ENVI 4.7 programmal valósítottuk meg. Az ENVI egy komplett, fejlett képfeldolgozási és vizualizációs elemzésekre kifejlesztett szoftvercsomag, amely magába foglalja a legfejlettebb, könnyen használható spektrális feldolgozásokat. A hiperspektrális adatok előfeldolgozásának utolsó lépése az atmoszférikus korrekció elvégzése volt. A felvételezés évében az ENVI 4.3 verziója nem tartalmazott atmoszférikus korrekcióra képes modult, így közvetlenül a felvételezéseket követően ezt a funkciót nem futtattuk le. Később az 2009-ben forgalomba hozott ENVI 4.7 verzió már beépített modulokkal rendelkezett az atmoszférikus korrekció elvégzésére (FLAASH, QUICK). A FLAASH nem váltotta be a tőle elvárt eredményeket, így a QUICK által korrigált felvételek kerültek be a feldolgozási eredményeink közé. Az atmoszférikus korrekciók közül jelenleg legmegbízhatóbb a terepi spektrumok alapján számított empirical line = tapasztalati vonal módszer. Ehhez az eljáráshoz szükség van a repüléssel egy időben történt földi spektrofotométeres felvételezésre, amely során a különböző intenzitásértékű, homogén, mesterséges és természetes objektumok spektrális görbéi kerülnek felmérésre. A kutatóhelyünk nem rendelkezett ilyen típusú felvételező berendezéssel, így nem tudtuk ezt az eljárást elvégezni. A várvölgyi tesztterület következő feldolgozási feladata az egyes repülési sávok mozaikolása volt. Mivel ezt a funkciót a CaliGeo már nem tartalmazta, így a korrekciók elvégzése után az egyes térbeli sávok összeillesztését az ENVI programmal próbáltuk megvalósítani. A légifelvételezés során a repülési sávokat a tervezésnek megfelelően legalább 30 %-os átfedéssel kellett volna elkészíteni, de valószínűsíthetően a területi sajátosságokból (jelentős légköri mozgások) adódóan ez több esetben is megoldhatatlanná vált. Az említett GPS pontatlanság nem tette lehetővé, hogy geokódolás alapján végezzük el a mozaikolást és sajnos a pixel alapú illesztés (30 %-os átfedés hiánya miatt) sem hozott megfelelő eredményt. A teljes terület szakadásmentes létrehozását tehát nem sikerült megoldanunk (16/a., 16/b. ábra), így néhány betervezett egész területet érintő képelemzési eljárás nem került elvégzésre. 62

63 16. ábra Mozaikolt repülési sávok én (a.-bal oldali kép) és én (b.-jobb oldali kép) a várvölgyi tesztterületről Mivel a szomszédos sávok különböző megvilágítási tulajdonságai és az érzékelők pozíciója miatt intenzitás különbségek figyelhetőek meg az egyes repülési sávok között, ezért radiometriai normalizációt szerettünk volna végrehajtani MadMan (IDL-ben) módszerrel. Célunk annak megállapítása lett volna, hogy a szakirodalmakban rögzített intenzitás különbségek hatásának kiküszöbölése ezzel a módszerrel valójában megoldhatóe, és így a mozaikolás elvégzése csökkenti-e a felvételek információtartalmát. Ennek igazolását spektrális fraktáldimenzió (SFD) értékek változásaiban kívántuk volna kimutatni, de az ENVI program korlátozásai miatt ez nem volt megoldható. Az egyes repülési sávok mérete egyenként elérte a 3,5-4,0 GB-ot, ezért két sáv összeillesztésekor kapott eredménykép biztosan túlhaladta az ENVI által támogatott exportálási limitet (TIFF fájlméret <4 GB), így az SFD vizsgálataink elvégzéséhez sajnos nem volt lehetőségünk TIFF formátumban elmenteni a felvételeket. 63

64 Az elkészített sávok esetében az időjárási körülményekből adódóan olyan felvételek is rögzítésre kerültek, amelyek felhők által okozott árnyékokat tartalmaztak. Természetesen az alapvető feldolgozások során ezeket a felvételeket kihagytuk és nem használtuk fel a vizsgálataink során. A kutatásaink szempontjából a i felvételezésekből az 1. számmal, a i alkalomból pedig a 7. számmal jelölt sávokat találtuk a legoptimálisabbaknak. A feldolgozás céljainak megfelelően bizonyos esetekben (pl. földhasználati kategóriák megállapítása) elvégeztük a terület térbeli csökkentését (17. ábra). Lehatároltuk a kutatási területet illetve a vizsgálatokba be nem vont területek maszkolását is elvégeztük, így a vizsgálatok szempontjából nem hasznosítható képpontok az elemzésekbe nem kerültek be. A maszkolás után a feldolgozni kívánt felvételek már csak a tesztterület általunk vizsgált növényállományait, valamint azok közvetlen környezetét ábrázoló részletét tartalmazták raszteres formában. 17. ábra Várvölgyi maszkolt felvétel árnyékolt területtel ( ) A hiperspektrális felvételek megjelenítése akkor lenne teljesen egzakt, amennyiben a spektrális sávok számával azonos dimenziójú hipertérben ábrázolnánk őket. Az emberi szem és ehhez kapcsolódóan a raszteres megjelenítő eszközök egy, kettő, vagy három spektrális csatornát tudnak megjeleníteni. A hiperspektrális felvételek nem látható hullámhossz tartományaiban készített sávjait úgynevezett hamis színes képként lehet bemutatni. Amennyiben egy sáv értékét vizsgáljuk szürkeárnyalatos felvételt kapunk, azonban ha három sávot, akkor már (valós) színes felvételt láthatunk. Ennek megfelelően különböző színkompozitokat lehet előállítani a 359 spektrális csatorna felhasználásával, számszakilag összesen 359! 356! 3! = /6= darabot ezek ismétlés nélküli kombinációjából. A színes kompozit képek létrehozásakor lényeges a megfelelő sávkombinációk kiválasztása, mivel az eltérő kutatási célokhoz különböző hullámhosszú és sávszélességű csatornák hordozhatnak az vizuális interpretáció számára értékes 64

65 információt. A kutatásaink során készítettünk néhány - hasznosnak ítélt - színkompozitot (18/a., 18/b., 18/c., 18/d. ábra). 18. ábra Színkompozitok i felvételek alapján: ENVI CaliGeo alapmegjelenítés (a. - első kép), infravörös csúcsok (b. - második kép), teljes kép alapú csúcsok (c - harmadik kép), klorofill abszorpciós sávok (d. - negyedik kép) A felhasznált csatornákat olyan spektrális tartományokból választottuk ki, ahol a gyakorlati megvalósítás szempontjából lényeges vizuális információkat találhatunk (pl. klorofill abszorpciós sávok a látható tartományban (18/d. ábra). A kutatásaink folyamán általában az ENVI CaliGeo szoftvercsomag által automatikusan betöltésre kerülő színkompozitot alkalmaztunk: R = 250. csatorna, G = 179. csatorna, B = 107. csatorna (18/a. ábra). Mivel az adataink együttes elemzését a hipertérben és nem RGB színtérben végeztük el, ezért ezeket az információkat a vizsgálataink során kizárólag képi megjelenítésre használtuk fel Főfeldolgozás Az előfeldolgozást követően a növényállományok kvalitatív tulajdonságainak vizsgálata következett. Első lépésként zajcsökkentés céljából a nagyméretű 359 dimenziós tér adattranszformációját végeztük el a teljes repülési sávokra az ENVI szoftverrel. A rossz jel/zaj arányú csatornák kiválasztásához a minimális zaj (Minimun Noise Fraction = MNF) transzformációt alkalmaztuk. Az MNF olyan lineáris transzformáció, amely két egymást követő főkomponens analízisből (Principal Component Analysis = PCA) tevődik össze. A vizsgált felvételen elválasztja a zajt az adattól, majd a zajjal csökkentett adatsoron végzi el a transzformációt, annak érdekében, hogy az egyes csatornák között ne legyen korreláció (Van der Meer és De Jong, 2001). 65

66 A PCA sajátságértékeket választ ki, és az általuk meghatározott koordinátarendszerbe transzformáljuk a felvételünket (főtengely-transzformáció). A hiperspektrális adatkockában a szomszédos sávok gyakran redundánsak, hasonló adatokat, információkat szolgáltatnak. A részben korreláló sávok lineáris transzformációját követően, a kapott jelentősen alacsonyabb számú főkomponensek már függetlenek egymástól (Fung és Ledrew, 1987). Ezek a sávok a teljes varianciának általában több mint 90 %-át teszik ki, ezért az osztályozáshoz rendszerint csak ezeket az osztályokat használják fel. A nem korreláló zajos sávok az utolsó főkomponensekbe kerülnek, ahol az elvégzett simításokkal és a visszafelé történő transzformációval, a felvételek közel zajmentessé tehetőek (Czimber, 2001). Az egész adatgyűjtést jellemző légköri elnyelési sávok által okozott zaj esetében az MNF úgynevezett statisztikus zaj szűrésére is alkalmazható. A rossz jel/zaj arányú felvételeken a zaj mértékét oly módon csökkenti, hogy még értelmezhető adatokat nyerhessünk ki belőle. Gyakorlatban a túlnyomórészt zajos sávokat már nem szűrik, hanem kihagyják a feldolgozási folyamatból (Jain, 1989). Annak megállapítására, hogy a rossz jel/zaj arányú felvétel mikor tekinthető a kiértékelés szempontjából teljesen használhatatlannak, és az osztályozás eredményét ez milyen mértékben befolyásolja, SFD értékeket számoltunk. Megvizsgáltuk melyik sávok terheltek oly mértékben, hogy a feldolgozásból teljesen kizárásra kerüljenek, vagy előfordulhat, hogy még a zajos sávok is hordoznak hasznos információkat. A zajos sávok kiválasztására az SFD görbék lefutásainak jellemzői alapján következtettünk. Az SFD mérésre vonatkozó információk külön alfejezetben kerülnek részletezésre. A detektor hibájából adódó zajtípussal akkor találkozhatunk, ha pl. a detektor vagy CCD elállítódik, esetleg tönkremegy. A vizsgált felvételeken ez a zajtípus világosabb illetve sötétebb csíkként jelenik meg (Gonzalez és Woods, 1992). Az érzékelő által okozott zaj szűrésére gyakorlatban a periodikusan előforduló zajok szűrésére szolgáló Fast Fourier Transformation-t (FFT) futtattuk le. Az eljárás folyamán a felvételt a képtartományból a frekvenciatartományba konvertáljuk. A frekvenciatérben könnyen felismerhető (pl. vonalként megjelenő) zaj, így az elkülönült terület kivágásával kiszűrhető, és az azt követően elvégzett inverz transzformációval a felvétel zajmentesnek tekinthető. Az FFTvel szűrt felvételeket a további adatfeldolgozási folyamatainkba nem építettük be, mivel a kutatásaink kiindulópontját a nyers adatállományok képezték, ugyanis megítélésünk szerint az SFD alapú vizsgálatok kevésbé érzékenyek az ilyen típusú zajokra. 66

67 A gyakorisági diagramok (hisztogram) elemzéséből következtethetünk arra, hogy a spektrális sávokban az intezitástartománynak mely értékei fordulnak elő. A hisztogramok az egyes cellaértékek előfordulási gyakoriságát ábrázolják sávonként (Bates és McDonnell, 1986). Amennyiben a felvevő eszköz vagy a légkör sajátosságai miatt a radiometriai felbontás kicsi, az intenzitástartomány egy kisebb részén sűrűsödnek az értékek, amely sávonként változó lehet. Általában ennek kiküszöbölésére az információk elemzése érdekében hisztogram széthúzást (histogram streching) kell alkalmazni (Nixon és Aguado, 2008). A hiperspektrális felvételek egész sávjainak a kiegyenlítésre leginkább alkalmazott átviteli függvények: a lineáris, a négyzetgyökös, a normális eloszlást követő és a lépcsős. A képi információk növelésére az automatikus kontraszt kiegyenlítést (autocontrast) választottuk azért, hogy tanulmányozzuk, mennyire befolyásolja a felvételek információtartalmát a látórendszerhez igazított módosítás, illetve ez megmutatkozik-e az SFD értékekben. A hiperspektrális felvételek magas információtartalmukkal növelik az osztályozás pontosságának eredményét, viszont negatív hatással is lehetnek rá, azáltal hogy a nagy csatornaszámból adódó variációikkal fokozzák a zaj jelenlétét. A növényállományok elkülönítése céljából optimálisnak tekinthető csatornák kiválasztására - amelyek kellő információval rendelkeznek a vizsgált tulajdonságra vonatkozóan, de nem tartalmaznak redundáns adatokat és jel/zaj arányuk is megfelelő - úgynevezett csatornaszelekciós eljárásokat használtunk fel (Motta et al., 2006). Az atmoszférikus zajjal terhelt csatornák kizárása után, a következő dimenziószám csökkentő adatbányászati műveleteket hajtottuk végre: Vizuális interpretáció, tapasztalat alapján Atmoszférikus ablak, szakirodalom alapján SFD optimális sávok alapján SFD zaj nélküli sávok alapján SFD zajjal terhelt sávok alapján MNF szűrést követően kiválasztott optimális sávok alapján MNF szűrést követő teljes kép alapján Ezek az adatcsökkentő eljárások megadták azokat az optimálisnak tekinthető csatornákat, amelyekkel a legjobban leírhatóak a vegetációk jellemzői és osztályozhatóak a mezőgazdasági területek. Az egyes csatornaszelekciós műveletek megbízhatóságának elemzéséhez és egymáshoz viszonyított összehasonlításához, a kapott számú csatornákat 67

68 ugyanazon osztályozási módszer bemeneti egységeiként használtuk fel. A különböző input adatokat betöltve az ENVI osztályozó moduljai közül a spektrális szögek módszerével (Spectral Angle Mapper = SAM) végeztük el az osztályozást. Ezt követően értékeltük, melyik dimenziószám csökkentő művelet eredménye jellemzi leginkább a vizsgált növénykultúráinkat. A SAM kiválasztásánál több kritériumot is figyelembe vettünk. Mivel a tesztterületünkön elhelyezkedő felszínborítási kategóriák ismertek voltak számunkra, mindenképpen ellenőrzött osztályozási eljárást kerestünk. A SAM volt a legelső objektumkereső módszerek egyike, amely a hiperspektrális felvételeknél rendszeresen alkalmazott és a spektrálisan definiálható tulajdonságok keresésére mindeddig egyik leghatékonyabbnak mutatkozó osztályozási eljárás (Kruse et al., 1993). Az algoritmus - az elnevezéséből adódóan - két spektrum közötti spektrális hasonlóságot határozz meg. A spektrumgörbe lefutását vizsgálja úgy, hogy a referenciaként szolgáló és a vizsgált pixel spektruma közötti szögeltérést, a vektorok által bezárt szöget adja meg. A spektrális szög kevésbé érzékeny a pixelek intenzitásának változásaira, mivel nem veszi figyelembe a különböző megvilágításokból adódó különbségeket (pl. domborzati különbözőségek, felhők hatása). Az intenzitás csökkenése vagy növekedése a vektorok hosszát megváltoztatja, de a vektorok irányát nem (Shippert et al., 1995), így a SAM az árnyékhatás kiszűrését is csökkenti (Kerse, 2002). A két vektor közötti szöget (0 és π/2 értéket vehet fel) az alábbi képlettel számoljuk az n-dimenziós térben (Luc et al., 2005): θ = cos 1 n i= 1 t 2 i n i= 1 1/ 2 t r i i n i= 1 r 2 i 1/ 2 (7) ahol, n: a képsávok száma, r: referencia spektrum, t: teszt spektrum. A SAM módszer alkalmazásakor előírhatunk egy bizonyos küszöbértéket, amelynél kisebb spektrum eltéréseket hasonlónak, a küszöbértéknél nagyobb szögeket pedig eltérőnek tekintünk. Az osztályba sorolásnál az AISA Dual érzékelő által szolgáltatott teljes spektrális tartományt megvizsgáltuk ( nm). 68

69 A nagy geometriai felbontásból adódóan az osztályozási típusok közül egyéb pixel alapú osztályozási eljárások találati pontosságát is meg kívántuk határozni, ezért a SAM mellett a hiperspektrális felvételek elemzésére leggyakrabban alkalmazott osztályozási eljárások kerültek összehasonlításra. A vizsgálatokat egyforma előfeldolgozottsági szinttel hajtottuk végre, tehát minden osztályozásnál azonos bemenő adatsorral dolgoztunk. Az osztályozási módszerek teljes mértékű összehasoníthatóságának biztosítása érdekében minden esetben azonos tanítóterületekkel valósítottuk meg az ellenőrzött osztályozást. Nem rendelkeztünk referencia spektrumokkal, ezért a felvételről - tanítóterületek segítségével - vettünk fel spektrumokat. A tesztterületen gyűjtött tapasztalataink alapján a sokszög (poligon) típusú tanítóterületek (Region of Interest = ROI) kijelölésével adtuk meg a lehető legnagyobb homogén egységeket. A kutatásaink során az ENVI programba beépített összesen kilenc különböző tanítóterületes osztályozási eljárás közül a gyakorlatban általánosan használt öt módszert hasonlítottuk össze. A képpontok osztályozását és az egyes osztályozási hibákat ezek eredményei alapján mutatjuk majd be. A SAM már korábban kifejtésre került, ezért csak a többi osztályozási eljárás jellemzőit írjuk le, Richards publikációjában közöltek és az ENVI kézikönyv alapján (Richards, 1999; ENVI kézikönyv, 2004): 1. Legközelebbi középpontú osztályozás vagy minimális távolság módszere (Minimum Distance classification = MD) Az MD osztályozás az egyes osztályok középértékeitől mért legkisebb távolság szerint osztályoz. Az osztályozás során az ismeretlen pixel abba az osztályba kerül, amelynek tulajdonságtérbeli osztályközéppontja a legközelebb áll hozzá. A számítás többnyire euklideszi távolság alapján történik, noha más távolságnormák is alkalmazhatók. Kevésbé rugalmas módszernek tekinthető, mivel az osztályközéptől való távolságot veszi csak figyelembe, de az irányát nem. Mivel az osztály variabilitásával nem számol, így alul- vagy túlreprezentált osztályokat eredményezhet. Előnyei az egyszerű osztályleírás, a gyors számítás, hátrányai között az azonos távolságokból adódó nehézségek és az átfedő osztályok kezelhetetlenségei szerepelhetnek. 2. Legnagyobb valószínűség osztályozás (Maximum Likelihood classification = ML) A módszer az adott osztályhoz tartozó pixelek intenzitásainak gyakoriságát, valószínűség-eloszlását veszi figyelembe. Megvizsgálja, hogy az ismeretlen képelem milyen valószínűséggel tartozik egy adott osztályba és oda sorolja be, amelyik osztályban ilyen érték gyakrabban fordul elő. Egy parametrikus módszer, amely függ 69

70 az egyes sávok adatainak normális eloszlásától. Az alapegyenlet feltételezi, hogy a bemenő sávoknak az eloszlása normális. A maximum likelihood eljárásban a minták sajátosságait a számtani középérték vektoraikon kívül a kovariancia-mátrixukkal is jellemezzük, így nemcsak az osztályközéptől való távolságot vizsgájuk, hanem annak irányát is. Ezért általánosságban jobb eredményeket ad, amennyiben megfelelő számú tanuló-pixel kerül kijelölésre minden osztály esetében. Előnyei a pontos osztályleírás, a jó paraméterezhetőség, hátránya a bonyolult számítási eljárás és a lassú számítás. 3. Irány érzékeny távolság osztályozás (Mahalanobis Distance classification = MA) A mahalanobis osztályozás egy irány érzékeny távolság alapú osztályozás, amely statisztikai elemzésekre épül. A távolságokon kívül kovariancia mátrixot is figyelembe vesz az osztályba sorolás alkalmával, ebben különbözik a minimális spektrális távolság módszerétől és emiatt mutat hasonlóságot a maximum likelihood eljáráshoz. Viszont ez a módszer feltételezi, hogy az osztályok kovarianciája megegyezik, ezért gyorsabb lefutást eredményez. A sávok közötti kapcsolat jellemzésére szolgáló alapstatisztikai módszerek a kovariancia (Sváb, 1973) és a korrelációs mátrixok. Két sáv közötti kovariancia: 1 cov( i, j) = ( R 1)( C 1) R y= 1 C x= 1 ( P ixy m )( P i jxy m ) j (8) ahol, R, C: a kép sorainak és oszlopainak száma, P ixy, P jxy : kép i-edik vagy j-edik sávjának, xy pixelének intenzitásértéke, m i, m j : az i-edik és a j-edik képsáv intenzitásértékeinek átlaga. A kovariancia ismeretében a korreláció: cor( i, j) = cov( i, s s i j j) (9) ahol, s i, s j : az i-edik illetve j-edik képsáv intenzitásértékeinek szórása A kiszámított korrelációs mátrix értékei a főátlóra szimmetrikusak, és az egyes sávok közötti lineáris kapcsolat szorosságát fejezik ki. 70

71 4. Tégla vagy boksz osztályozás (Parallelepiped classification = PA) A hipertégla osztályozás során a koordinátatengelyekkel párhuzamos oldalú téglalapot tekintjük az osztály intenzitásterének. Amennyiben az ismeretlen képelem egy felvett dobozba esik, akkor az annak megfelelő osztályba kerül besorolásra, viszont a dobozokon kívül eső, illetve a dobozok között elhelyezkedő pixelek nem kerülnek osztályozásra. A hiperspektrális felvételek sávjai között többé-kevésbé szoros korreláció van, emiatt az egyes osztályok eloszlásai ferdék vagy elnyúltak lehetnek. Mivel a dobozok párhuzamosak a spektrális tengelyekkel, ezért átlapolódhatnak, így bizonyos pixelek ebből kifolyólag nem kerülnek osztályozásra. Előnye a gyors számítás. Több új technika is létezik kifejezetten hiperspektrális adatfeldolgozásra (Independent Component Analysis (ICA), Mutual Information (MI), Markov Random Field (MRF), Support Vector Machines (SVM), Spectral Information Divergence (SID), Neural Net (NN) vagy Binary Encoding (BE). Ezeket azért nem alkalmaztuk, mivel az ENVI nem tartalmazta, így a felhasználók nem találkozhatnak vele a gyakorlatban (ICA, MI, MRF) vagy a módszerek kevésbé ismertek a felhasználók számára (SVM, SID, NN, BE) Utófeldolgozás A képosztályozó programok különböző algoritmusokat, döntési függvényeket használnak fel az osztályba sorolás alkalmával. Mivel a felvételek osztályozási módszereinek megbízhatóságát rendkívül sok változó befolyásolja, ezért a különböző felhasználói igények és adatforrások miatt számos módszer került kidolgozásra az osztályozás pontosságának értékelésére. Az osztályozás értékelése több szinten történhet: Tanulóterület kijelölési hibáinak kiszűrésével Döntéshozási módszer kiválasztásával Eredménytérkép ellenőrzésével A Congalton és Green által meghatározott négy fő eljárás közül (vizuális értékelés, mennyiségi összehasonlítás, térbeli egyezőség elemzése, hibamátrix) a képosztályozás eredményeinek ellenőrzésére hibamátrixot (error matrix, confusion matrix) alkalmaztunk (Congalton és Green, 1993). A hibamátrix a hibaértékelési eljárások során leggyakrabban alkalmazott értékelési lehetőség, amely előnye abban rejlik, hogy az egyes osztályok 71

72 közötti összefüggésekre is rámutat (Hay, 1988; Yuan, 1997). Az osztályozás megbízhatóságának helyességét a hibamátrix átlós értekei mutatják, mivel az ott feltüntetett pixelértékek kerülnek helyesen osztályozásra. Az osztályozási hibák közül a téves osztályba soroláson (comission) kívül a téves osztályból történő kihagyást (omission) is értékelhetjük, előállítói (production accuracy) és felhasználói (user accuracy) pontossági mutatókkal. Az előállítói pontosságnál a helyesen osztályozott pixelek és a tanítóterület összes pixeleinek arányát, a felhasználói pontosság esetén a helyesen osztályozott és az összes talált pixel arányát adjuk meg. Esetünkben mivel a tesztterület minden pontja ismert felszínborítást tartalmazott és a nem osztályozott pontok száma elenyésző ( 0.05%) volt boksz módszer esetén (a többi módszernél minden pont osztályozásra kerül), egységesen az úgynevezett találati pontosságot alkalmaztuk, amely a helyesen osztályozott és a teljes képpontok számának százalékos aránya. A gyakorlatban számos esetben az osztályozásokat meg kell ismételni (pl. nem megfelelő pontosságú geokódolás - előfeldolgozás fejezet; nem megfelelő ROI-k felvétele; nem megfelelő képkivágás; hibás paraméterezésű osztályozás; stb.). Ezek esetünkben elvégzésre kerültek, melyeket a disszertációban jelöltünk vagy a későbbiekben jelölni fogunk. Megtörténtek továbbá a terepi adatok több időpontban történő ellenőrzései, pontosításai is (bővebben a következő fejezetben kerül kifejtésre). Mindezek képezik az utófeldolgozás legfontosabb részeit Terepi adatgyűjtések A év folyamán a várvölgyi tesztterületen 15 alkalommal került sor felvételezésre. Összesen 4 alkalommal történtek légifelvételezések (AISA vagy saját eszközök felhasználásával) és 13 terepi mérést végeztünk. A terepi referencia adatok gyűjtését a repülés időpontjaiban vagy ezen időpontok közvetlen közelében hajtottuk végre, valamint egyéb méréseket is eszközöltünk a tesztterület folyamatos monitorozása céljából (6. táblázat). A terepi mérések során elsődlegesen a növényállomány feltérképezése volt a célunk, megállapításra kerültek a vegetációk típusai, fenológiai fázisai és rögzítettük a területet érintő esetleges változásokat is. 72

73 6. táblázat évi felvételezések időpontjai a várvölgyi tesztterületen Sorszám Időpont Helyszín Felvételezés típusa Várvölgy Terepi mérés Várvölgy Terepi mérés Várvölgy Terepi mérés Várvölgy Légifelvételezés Várvölgy Terepi mérés Várvölgy Terepi mérés Várvölgy Terepi mérés Várvölgy Légifelvételezés (AISA), Terepi mérés Várvölgy Terepi mérés, Talajminta-vételezés Várvölgy Légifelvételezés (AISA), Terepi mérés Várvölgy Terepi mérés Várvölgy Terepi mérés Várvölgy Terepi mérés Várvölgy Terepi mérés Várvölgy Légifelvételezés A vegetációkról fotódokumentáció is készült, amelyhez egy átfogó (28 mm-es képkivágás) és egy közeli (135 mm-es képkivágás) beazonosítást célzó képet készítettünk az egyes táblákról (19/a., 19/b. ábra). Az elkészült felvételek sorszámát minden alkalommal felírtuk a terepi jegyzőkönyvbe. Az alkalmazott kézi kamera CANON 30D vagy CANON 30DIR digitális tükörreflexes fényképezőgép volt. A kamerák által biztosított effektív pixelszám 8,2 Megapixel. A 3:2 képarányhoz tartozó CMOS (22,5 x 15,0 mm) típusú érzékelő az adatokat veszteségmentes formátumban (RAW) rögzíti, 12 bit intenzitással. A teljes terület átláthatósága miatt a helyszínen készített fotókból panorámaképeket is előállítottunk. 19. ábra Az AISA Dual légifelvételezést megelőző terepi adatrögzítés során ( ) késztett átfogó (a. - bal oldali kép) és közeli (b. - jobb oldali kép) felvétel a 6. tábláról A felvételezésekről a későbbi pontosabb vizuális interpretációhoz videó felvételeket is készítettünk. A kompakt HD (High Definition) minőségű JVC Everio GZ-HM200 digitális 73