ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS HIPERSPEKTRÁLIS ADATOKON

ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS HIPERSPEKTRÁLIS ADATOKON Kozma-Bognár Veronika 1, Dr. Berke József 2 1 - Pannon Egyetem, Georgikon Kar, Keszthely, kbv@ex1.georgikon.hu 2 - Gábor Dénes Főiskola, Alap és Műszaki Tudományi Intézet, Budapest, berke@gdf.hu Abstract. Napjainkban a távérzékelési módszerek közül a többsávos légifelvételezés egyre szélesebb körben használt technológia. Kiválóan alkalmazzák olyan kutatási területeken, ahol a megfelelő szintű eredmény elérése érdekében nagy spektrális felbontású felvételekre van szükség. Jelenleg az adatok gyűjtése fejlettebb szinten áll, mint azok feldolgozása, hasznosítása. Mivel az érzékelők technikai fejlődését a feldolgozási módszerek és az alkalmazások jelentős késése követi, indokolttá válik a feldolgozási eljárások pontosítása valamint a gyakorlati alkalmazások (mezőgazdaság, környezetvédelem) lehetőségeinek kibővítése. A multi- és hiperspektrális érzékelők által szolgáltatott adatok mennyisége, és komplexitása rendkívül nagy, ezért elemzésükhöz megfelelő szintű hardware és szoftver eszközháttérrel kell rendelkezni. A feldolgozást támogató programok köre elég korlátozott. Számos térinformatikai szoftver esetében (pl. ENVI, IMAGINE) önálló képfeldolgozó modulok tartalmazzák a sok csatornaszámú felvételek esetében alkalmazható főbb képfeldolgozási módszereket (maximum likelihood, cluster analysis, stb.). A 2004. évben bevezetésre került egy olyan új - fraktálszerkezetre épülő - vizsgálati módszer, amely tapasztalataink alapján más technikákhoz képest spektrálisan pontosabb mérést tesz lehetővé. A spektrális fraktáldimenzióként (SFD) elnevezett matematikai eljárás közvetlen alkalmazható több dimenziós szintérben is, lehetővé téve ezzel a többsávos felvételek vizsgálati módszerének újszerű megválasztását. Segítségével növelhetjük a nagy spektrális felbontás kínálta hasznos információk kinyerését vagy olyan sávok kiválasztását, amelyeket más módszerekkel kívánunk feldolgozni. Jelen publikációban bemutatásra kerül az SFD paraméter matematikai alapjai mellett a gyakorlatban történő alkalmazás néhány lehetősége (spektrumgörbék, zajos képek vizsgálata). Bemutatjuk az SFD alapú spektrumok gyakorlati alkalmazhatóságát fontosabb növénykultúrák esetén, valamint javasoljuk SFD alapú spektrumkönyvtárak létrehozását. A vörös-él számítás új, SFD alapú számítási módszerére teszünk javaslatot. Keywords: Hyperspectral Remote Sensing, Image Processing, Multispectral Remote Sensing, Spectral Fractaldimension, Red Edge Inflection Point, Stress Detection, Spectral Noise Detection

2 Kozma-Bognár Veronika1, Dr. Berke József2 1 Bevezetés A távérzékelt felvételeket többféle szempont szerint is csoportosíthatjuk, pl.: adatgyűjtés célja, felvételek készítésének magassága, geometriai felbontás, hullámhossz-tartomány, csatornaszám. A csatornák száma alapján a következő csoportokat különíthetjük el egymástól: Pankromatikus kép: 1 db csatorna Színes kép (RGB kamerák): 3 db csatorna Multispektrális felvételek: 4-20 db csatorna Hiperspektrális felvételek: 21- db csatorna [16] A pankromatikus felvételek általában nagy geometriai felbontásúak, a látható és a közeli infravörös tartomány integrálásával készülnek. A multispektrális felvételek több szélesebb sávszélességű csatornát tartalmaznak, míg a hiperspektrális felvételek szűk sávszélességűek (0,01 µm) és nagy csatornaszámúak [24, 25]. A több sávban készített felvételekkel köszönhetően a nagy spektrális felbontásnak - a tereptárgyak és felszínrészletek általában jobban elkülöníthetőek, mint az egyetlen sávban készítettek. Ezért napjainkban egyre hangsúlyosabb szerepet kap a multi és hiperspektrális képalkotó berendezések alkalmazása. A távérzékelés során a földfelszín tárgyairól visszavert illetve kisugárzott elektromágneses energia kerül rögzítésre. Az detektáló berendezések 3000 nm alatt hullámhosszoknál elsősorban a visszavert energiát, míg 5000 nm felett a kibocsátott energiát detektálják. A anyagok fizikai és elektromágneses jellemzőitől valamint az elektromágneses sugárzás hullámhosszától függően a különböző tulajdonságú elemek eltérő reflexió (illetve emissziós) értékeket vesznek fel az egyes hullámhossztartományokban. Az objektumok hullámhossz függvényében ábrázolt visszaverődési értékeit spektrális visszaverődési görbének nevezzük [7, 24]. 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 [1, 28], jelentős szerepet játszanak a spektrális azonosításban. Az itt található standard spektrális profilokat általában referenciaként használják az elemek meghatározásánál. A felszín reflektancia viszonyaival foglalkozó szakirodalmakban számos indexet találunk, amelyeket az állományok visszaverődési görbéinek bizonyos értékeiből, változásaiból generálhatunk. A távérzékelésben igen elterjedt vegetációs index az NDVI (Normalised Difference Vegetation Index), ami egy első generációs index, és a fotoszintetikusan aktív vegetációt mutatja. Amennyiben a vizsgált növényállományban talaj foltok is találhatóak, abban az esetben a talajjal módosított vegetációs indexet a SAVI-t (Soil-Adjusted Vegetation Index) kell alkalmazni. A második generációs indexnek tekintjük a Vörös Él Indexet (Red Edge Index), [8], ami a reflektancia görbék alakját és relatív helyzetét (Red Edge Inflection Point - REIP) írja le. A görbe értékelése során az inflexiós pont eltolódásából következtethetünk a növény egészségi állapotára, stressz tűrő képességére, klorofill tartalomra, fertőzöttség mértékére, stb. [15, 27, 29]. A többféle számítási módszer közül alapvetően két, egyszerű módszer került a gyakorlatban használatra:

ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS HIPERSPEKTRÁLIS ADATOKON 3 A REIP kiszámítása [12] szerint: λ re = 700 + (740-700) [(R re - R 700 )/( R 740 - R 700 )], ahol R re = (R 670 +R 780 )/2 (1) A REIP kiszámítása [22] szerint: λ re = 695 + (742-695) [(R re - R 695 )/(R 742 -R 695 )], ahol R re = (R 663 +R 788 )/2 (2) ahol R re = inflexiós pont reflektanciája, R λ = reflektancia a λ hullámhosszon A többsávos képalkotó technológiák működtetése során az adatok egy adatkocka formájában kerülnek rögzítésre, melynek minden sávját egy-egy a vizsgált területet lefedő kép alkotja. Az azonos területet ábrázoló képelemek függőleges mentén kiolvasott intenzitásértékeiből áll össze a terület felszíni anyagának folyamatos eloszlású spektruma. A multi és hiperspektrális szenzorok által rögzített adatok nyers számértékek, amelyeket a későbbiek folyamán a terepen felvett spektroradiométeres referenciák és egyéb korrekciók (pl. atmoszférikus) elvégzése után reflektancia értékekké lehet átalakítani. Az így kapott reflektancia adatok a beeső napfény folyamatosan mért radianciáját is figyelembe veszik. Ezután a korrekció után a felvételen rögzített spektrum már alkalmas más, pl. laborspektrumokkal való összehasonlításra [13]. A spektrumkönyvtárakban laboratóriumi körülmények között meghatározott adatokat gyűjtenek, amelyekben a természetben jelentkező befolyásoló tényezők hatásai nem tükröződnek. Általában tiszta vagy kevert anyagok értékeit tartalmazzák, míg a távérzékelő berendezéseink ettől jelentősen eltérő, számos atmoszférikus és érzékelőre jellemző egyedi információt is integrálnak kimenő adataikba. Gyakran a pontosabb referenciaadatok felvételezése érdekében terepi spektrométerek kerülnek alkalmazásra, amelyekkel az érzékelők közötti különbség részben kompenzálható (azonos szériájú érzékelők alkalmazása) azonban az atmoszférikus hatás nem. További problémát okoz az is, hogy a helyszíni spektroszkópiás vizsgálatok pontosságát is több tényező befolyásolhatja (pl. kalibráció, látószög, detektortípus, időjárási viszonyok), melyek utólagos korrekcióval nem javíthatóak és megismétlésükre sincs lehetőség [9]. Anyag és módszer A vizsgálataink helyszíne a Keszthelytől 15 km-re fekvő Várvölgy község határában elhelyezkedő tesztterületünk volt, ahol több mezőgazdasági hasznosítás alatt álló tábla található. A tanulmányozott területen 2006 óta folytatunk multi és hiperspektrális légifelvételezéseket. Az első hiperspektrális felvételezésre 2007-ben került sor AISA Dual hiperspektrális szenzorral, ami az Európai Unió legjelentősebb rendszerei közé tartozik. Az AISA Dual, az AISA kameracsalád (finnországi SPECIM fejlesztette ki) tagjaként, az AISA Eagle és Hawk szenzorok egy duális tartóban történő összeszerelése révén került kialakításra. A két szenzor egy időben azonos földi sávról képes szinkronizálva adatot gyűjteni, a 400-2450 nm spektrális tartományban, maximum 498 sávban. A keszthelyi térségben két időpontban is történtek repülések. Az első alkalommal 2007. 05. 21-én a várvölgyi tesztterületet követően a Zala Völgyén végighaladva a Kis-Balaton egyes területei kerültek pásztázásra. A második esetben 2007. 06. 19-én már csak a várvölgyi rész került monitorozásra. A szenzor közel 1200 m repülési

4 Kozma-Bognár Veronika1, Dr. Berke József2 magasságból gyűjtött adatokat. Eredményül 359 spektrális sávban készült kb. 1 m/pixel terepi felbontású felvétel [17]. A nagy csatornaszámból adódóan több olyan sávot is találtunk, amelyek különböző típusú zajjal terheltek. Az AISA felvételeken vizuális interpretáció alapján három zaj típust különítettünk el egymástól [20]: geometriai, érzékelő okozta, légköri. Az 1. ábra egy zajmentes AISA felvételt (254. sáv), a 2. ábra pedig légköri zajjal terhelt (273. sáv) sávot ábrázol, geometriai és radiometriai korrekciók után, amelyeket egy speciális szoftvercsomaggal a Caligeo-val végeztünk. 1. ábra Zajmentes AISA felvétel (254.sáv). 2. ábra Zajos AISA felvétel (273.sáv, Várvölgy). A 2007. 06. 19.-én készült zajmentes felvételeken jól elkülöníthetőek a földhasználati, művelési módok, jól láthatók a mezőgazdasági táblák határai, a talajművelés iránya. A felvételek igen részletes információkat szolgáltatnak a felszín spektrális tulajdonságairól, de a terepi felbontás tekintetében nem érik el a szubméteres nagyságrendet. Olyan felhasználási területeken ahol nagyobb terepi felbontást szeretnénk elérni, de nem szükséges a sok csatornaszám, illetve az anyagi háttér nem engedi meg ennek a technológiának a használatát, ott megfelelő eredményeket érhetünk el repülőgépre szerelt kézi felvevő eszközökkel is. A várvölgyi tesztterületünkön végeztük, olyan multispektrális felvételezéseket is, amelyek esetében elértük, sőt jelentősen túlhaladtuk az 1 méter alatti terepi felbontást, 10-30 cm. A repülés során alkalmazott digitális eszközök: egy látható fény tartományát érzékelő (400-700nm) Canon EOS digitális kamera, egy a közeli infravörös tartományt (720-1150 nm) érzékelő Canon EOS digitális kamera, és egy a Hexium cég által kifejlesztett termális infravörös (12 000 nm) kamera [14]. A kamerák által készített állóképek összeillesztése után a felvételek georeferálásra kerültek, így megfelelő pontosságú mérésekre, elemzésekre alkalmassá váltak (3, 4, 5. ábra), [6, 18]. A terepi referencia adatok gyűjtésére a repülés időpontjaiban vagy ezen időpontok közvetlen közelében került sor. A terepi mérések során elsődlegesen a növényállomány feltérképezése volt a célunk, megállapításra kerültek a vegetációk típusai. A későbbi felvételezések folyamán rögzítettük a területet érintő esetleges változásokat. A tanulmányozott területről GPS adatok [11], meteorológiai adatok, színhőmérsékleti adatok, és talajminta-vételezési adatok gyűjtését végeztük. A mért adatokat minden alkalommal jegyzőkönyv formájában rögzítettük, és mellékeltük a munka folyamán kézi kamerával készített fotókat [19].

ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS HIPERSPEKTRÁLIS ADATOKON 5 3., 4., 5. ábra Illesztett és georeferált légifelvételek a látható, a közeli és a távoli infravörös tartományban, a Várvölgyi tesztterületről. A várvölgyi tesztterületről készített multi és hiperspektrális felvételeiből és a jellemző referencia adatokból indultunk ki, amikor a különböző vegetációk spektrális fraktáldimenziójának mérését elkezdtük. Az SFD [26] egy, az általános fraktáldimenzióból [21, 23] származtatott szerkezetvizsgálati eljárás. Nemcsak a térbeli szerkezetnek, hanem a spektrális sávok színszerkezetének mérésére is alkalmas, és elegendő információt ad számunkra a színek, színárnyalatok (fraktál) tulajdonságaira vonatkozóan is [2, 3, 4, 5]. Legyen a spektrális fraktáldimenzió (SFD) [6], [7]: LS 2 log L (3) S1 SFD SS1 log SS 2 ahol L S1 és L S2 a az N-dimenziós színtérben mért spektrális hosszúságok, S S1 és S S2 pedig a használt spektrális mérték nagysága (azaz a spektrális felbontás). Gyakorlatban az N={1, 3, 4, 6, 7, 8, 10, 12, 32, 60, 79, 126, 254, 488, 498, } értékeket vehet fel, ahol

N=1 fekete-fehér kép N=60 COIS VNIR szenzor N=3 színes megjelenítők N=79 DAIS7915 all szenzor N=4 színes nyomtatók N=126 HyMap szenzor N=7 Landsat ETM+ N=254 AISA Hawk szenzor N=6, 8, 10, 12 fotónyomtatóknál N=488 AISA Eagle szenzor N=32 DAIS7915 VIS, NIR N=498 AISA Dual szenzor A spektrális felbontás mértékének megfeleltethetjük a gyakorlatban az {S i =1,, S i =16, ahol i=1 vagy i=2} bit információelméleti fogalmát. Tipikus spektrális felbontások: színtrevágott kép - 1 bit szürkeárnyalatos kép 2-16 bit színes kép 8-16 bit A dimenzió kiszámításához (két vagy több képsáv esetén) a spektrális fraktáldimenzió definíció alkalmazható a mért adatokra, mint függvényre (értékes spektrális dobozok száma az összes spektrális doboz függvényében) egyszerű matematikai átlagolással számítva az alábbiak szerint: S 1 log( ) BM j n j 1 log( BTj ) SFD (4) mérhető S 1 ahol n a képrétegek vagy képcsatornák száma S a spektrális felbontás bitben BM j - értékes képpontot tartalmazó spektrális dobozok száma j-bit esetén BT j összes lehetséges spektrális dobozok száma j-bit esetén A lehetséges spektrális dobozok száma j-bit esetén az alábbiak szerint számítható: BT S n (2 ) (5) j Eredmények A vizsgálataink során 10 táblát vizsgáltunk, amelyben 5 különböző vegetáció típust tudtunk elkülöníteni: kukorica, tritikálé, búza, napraforgó, műveletlen terület. Vizsgálataink alá vontunk egyéb objektumokat is, mint a műutat, és az út mellett húzódó erdősávot is, amelyet főleg akácfák alkottak. A fentiekben ismertetett SFD szerkezeti paraméter sávonkénti mérésével elsőként készítettük el a hullámhossz alapú spektrális, 16 bites görbéket ujjlenyomatokat [18, 20] a fenti növényekre, objektumokra (6. ábra) valamint a zaj elemzéséhez a teljes képekre is (7. ábra). A 6. ábra (valamint a mért adatok) alapján egyértelműen elkülöníthetők a növénykultúrák, megállapíthatók az egyes vizsgálatokhoz leginkább alkalmas spektrális sávok. A 7. ábrán az erdő, az út és a fenti kultúrnövények átlagának görbéi láthatók a csatornák sorszámának függvényében. A fenti állítások itt is jól érzékelhetők.

ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS HIPERSPEKTRÁLIS ADATOKON 7 6. ábra Spektrális SFD 16 bit alapú ujjlenyomatok kukorica, napraforgó, búza és tritikálé esetén AISA DUAL adatok alapján. Kukorica, napraforgó, búza és tritikálé 16 bites SFD ujjlenyomata AISA DUAL /2007. 06. 19./ felvétel alapján 0,9100 0,8900 0,8700 0,8500 SFD érték 0,8300 0,8100 0,7900 0,7700 0,7500 401 435 471 507 543 580 617 654 691 728 766 804 842 880 918 956 1007 1057 1107 1157 1208 1258 1308 1359 1409 1459 1510 1560 1610 1660 1711 1761 1811 1862 1912 1962 2013 2063 2113 2163 2214 2264 2314 2365 2415 Hullámhossz /nm/ Kukor ica SFD 16 bit Napraforgó SFD 16 bit Búza SFD 16 bit Tritikálé SFD 16 bit 7. ábra A teljes AISA DUAL kép (2007.06.19., Várvölgy) spektrális SFD 16 bit alapú ujjlenyomata zajos sávok elkülönítéséhez. SFD 16 bites mérések eredményei a teljes AISA DUAL 2007. 06. 19., Várvölgy képek esetén, sávonként S F D é rté k 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106 113 120 127 134 141 148 155 162 169 176 183 190 197 204 211 218 225 232 239 246 253 260 267 274 281 288 295 302 309 316 323 330 337 344 351 358 Csatornaszám 16 bit A teljes sávok alapján készített görbék jellegének elemzésével közvetlenül következtetni lehet a zajos sávokra. Megállapítottuk, hogy a teljes képen jelentkező zaj hatására (pl. atmoszférikus hatás) a színszerkezet jelentősen romlik, azaz az SFD értékek jelentősen és ugrásszerűen csökkennek, esetleg oszcillálnak. Ilyen tartományok a 116-125, 146-154, 183-204, 284-359 sávok. Mindez jól látható a 1. és 2. ábrán bemutatott képen is, ahol SFD 2ábra = 0,4451, SFD 3ábra =0,1622. A közölt tartományok teljes összhangban vannak a vizuális interpretációval megállapított zajos tartományokkal. Vörös-él inflexiós pontjának tapasztalati úton történő meghatározásához összehasonlító elemzéseket végeztünk. Az elemzésekhez felhasználtuk [12, 22] által javasolt összefüggéseket, ezek SFD és reflektancia alapú (8. ábra) számítási összefüggéseit (1), (2). AISA DUAL felvételeken történő méréseink alapján megállapítható, hogy növényi vegetáció esetén, a 640-770 nm valamint a 690-720 nm közötti tartományokban az SFD alapú spektrumokon ujjlenyomatokon történő lokális minimum (9. ábra) keresésével közvetlenül megállapítható a vörös-él inflexiós pont.

8 Kozma-Bognár Veronika1, Dr. Berke József2 8. ábra Vörös-él inflexiós pont meghatározás AISA DUAL felvételeken SFD ujjlenyomatok és reflektancia adatok felhasználásával Reflektancia és SFD alapú REIP értékek összehasonlítása 780,00 REIP érték /nm/ 760,00 740,00 720,00 700,00 Műveletlen terület Búza Tritikálé 680,00 REIP-SFD-Berke-Kozma-Bognár SFD lok. min. 640-770 nm SFD lok. min.690-720 nm Mutanga-Skidmore Clevers SFD-Mutanga-Skidmore SFD-Clevers Kukorica Erdő Napraforgó Növény REIP módszer Erdő Kukorica Napraforgó Tritikálé Búza Műveletlen terület 9. ábra Vörös-él inflexiós pont meghatározása 16 bites SFD görbéken AISA DUAL felvételeken lokális minimum alapján. Vörös-él meghatározás kulturnövényeken 16 bites SFD ujjlenyomat /AISA DUAL /2007.06.19. felvétel/ alapján 0,9 0,89 SFD érték 0,88 0,87 0,86 0,85 621 626 631 635 640 645 649 654 659 663 668 672 677 682 686 691 696 700 705 710 714 719 724 728 733 738 742 747 752 757 761 766 771 776 780 785 790 795 799 804 Csatornaszám Kukorica SFD 16 bit Napraforgó SFD 16 bit Búza SFD 16 bit Tritikálé SFD 16 bit Műveletlen terület SFD 16 bit Erdő SFD 16 bit 1. táblázat Vörös-él inflexiós pont meghatározásához mért és számított adatok nanométerben, AISA DUAL felvételeken 16 bites SFD görbék és reflektancia adatok alapján. REIP-SFD-Berke- Kozma-Bognár SFD lok. min. 640-770 nm SFD lok. min. 690-720 nm Kukorica 716,29 719,07 719,07 Napraforgó 716,26 719,07 719,07 Búza 716,89 761,28 719,07 Tritikálé 715,93 719,07 719,07 Műveletlen terület 715,75 719,07 719,07 Erdő 716,36 686,44 691,09 Javasoltuk [18], hogy SFD spektrumgörbéken az alábbi összefüggés segítségével történjen a vörös-él inflexiós pont meghatározása (1. táblázat): λ re = 690 + {SFD ÁTLAG (690-720)}*30 (6)

ÚJ ÉRTÉKELÉSI MÓDSZEREK FEJLESZTÉSE ÉS ALKALMAZÁSA MULTI-ÉS HIPERSPEKTRÁLIS ADATOKON 9 Látható, infra és hőkamerával készült felvételeken történő méréseink alapján megállapítható, hogy növényi vegetáció esetén, a 660-820 nm közötti tartományban az SFD alapú spektrumokon ujjlenyomatokon a lokális minimum 780 nm. Mindez elsősorban az eltérő típusú érzékelőkre és a multispektrális adatokra vezethető vissza. Vagyis az általunk ismertetett SFD alapú mérések ugyan lehetővé teszik az eltérő terepi és spektrális felbontású felvételek feldolgozását, azonban a (6) során javasolt összefüggés hiperspektrális adatokon mért SFD értékek alapján használható, multispektrális esetben nem. Összefoglalás Az általunk kifejlesztett SFD alapú adatfeldolgozási módszer közvetlenül a távérzékelő berendezések képi adatainak szerkezetén végzett számításokra épül [3, 4, 5], nem feltétlenül igényli kiegészítő légi vagy terepi sugárzásmérők alkalmazását, mégis számos esetben jól alkalmazható információkkal szolgál. Az SFD alapú szerkezeti adatok kevésbé érzékenyek a terepi, atmoszférikus vagy egyéb korrekciós tényezőkre, hiszen logaritmikus számításokra épülnek. Kifejlesztettünk olyan ujjlenyomatokat, amely a terepi beazonosításon kívül, csak képi információk felhasználásával is számíthatóak, kiküszöbölve ezzel a fent említett korrekciók hiányából vagy pontatlanságából eredő hátrányokat. Létrehoztunk olyan SFD spektrum görbéket, amelyekkel a reflektancia görbékhez hasonlóan leírhatóak, jellemezhetőek, beazonosíthatóak és térképezhetőek az egyes felszíni formák. REIP meghatározásához tapasztalati összefüggést javaslunk (6), amely a jelenleg használt tapasztalati összefüggésekhez hasonlóan, könnyen számítható eredményt ad SFD spektrumgörbe használatával. Irodalom 1. Aster Spectral Library: http://speclib.jpl.nasa.gov/. 2. Berke, J. 2004. Fractal dimension on image processing. 4th KEPAF Conference on Image Analysis and Pattern Recognition. Vol.4, pp.20. 3. Berke, J. 2006. Measuring of Spectral Fractal Dimension, Advances in Systems. Computing Sciences and Software Engineering. Springer pp. 397-402., ISBN 10 1-4020- 5262-6. 4. Berke, J. 2007. Measuring of Spectral Fractal Dimension. Journal of New Mathematics and Natural Computation. ISSN 1793-0057, 3/3: 409-418. 5. Berke, J. 2008. Using Spectral Fractal Dimension in Image Classification. CISSE2008, International Joint Conferences on Computer, Information, and Systems Sciences, and Engineering, December 5-13, 2008. 6. Berke, J. und Kozma-Bognár, V. 2008. Fernerkundung und Feldmessungen im Gebiet des Kis-Balaton I.. Moorschutz im Wald / Renaturierung von Braunmoosmooren. Lübben. 7. Berke, J., Hegedűs, Gy. Cs., Kelemen, D. and Szabó, J. 2004. Digital image processing and applications. 128-142 pp. ISBN 963 00 5744 1.

10 Kozma-Bognár Veronika1, Dr. Berke József2 8. Broge, N. H. and Mortensen, J. V. 2002. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data. Remote Sensing of Environment. 80. 45 57. 9. Burai, P. 2006. Első magyarországi légi hiperspektrális képalkotó rendszer AISA DUAL, 4. Fény-Tér-Kép Konferencia, Dobogókő. 10. Burai, P. 2007. Távérzékelési módszerek összehasonlító elemzése mezőgazdasági mintaterületeken. Debreceni Egyetem, Agrártudományi Centrum, Mezőgazdaságtudományi Kar, Víz- és Környezetgazdálkodási Tanszék. PhD dolgozat. 11. Busznyák, J., Nagy, G. és Berke, J. 2008. Georgikon GNSS bázisállomás üzembehelyezésének tapasztalatai. Informatika a Felsőoktatásban 2008 Konferencia, Debrecen. ISBN 978-963-473-129-0. 12. Clevers, J.G.P.W., De Jong, S.M., Epema, G.F., Van Der Meer, F.D., Bakker, W.H., Skidmore, A.K. and Scholte, K.H. 2002. Derivation of the red edge index using the MERIS standard band setting. International Journal of Remote Sensing. 23 (16), 3169 3184. 13. Hargitai, H. 2006. A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés adatainak elemzése. ELTE TTK FDI. PhD dolgozat. 14. Hexium Műszaki Fejlesztő Kft. Hexium hordozható hőkamera: HX-IDS-M 110. www.hexium.hu. 15. Jung, A. 2005. Spektrális információk alkalmazása a városklíma-kutatásban. Budapesti Corvinus Egyetem Kertészettudományi Kar, Kertészettudományi Doktori Iskola. PhD. Dolgozat. 16. EU Council, 149/2003/EK belső rendelet. 17. Kozma-Bognár, V., Hegedűs, G. and Berke, J. 2007. Fractal texture based image classification on hyperspectral data. AVA 3 International Conference on Agricultural Economics, Rural Development and Informatics. Debrecen. ISBN 978-963-87118-7-8. 18. Kozma-Bognár, V. and Berke, J., 2008. New Applied Techniques in Evaluation of Hyperspectral Data, Georgikon for Agriculture, a multidisciplinary journal in agricultural sciences, Vol. 12./2., preprint. 19. Kozma-Bognár, V., Hermann, P., Bencze, K., Berke, J. and Busznyák, J. 2008. Possibilities of an Interactive Report on Terrain Measurement. Journal of Applied Multimedia. No. 2/III./2008. pp. 33-43., ISSN 1789-6967. http://www.jampaper.eu/jampaper_eng/issue_files/jam080202e.pdf. 20. Kozma-Bognár, V., Kovács, ZS., Berke, J. 2008. 8 bit or 16 bit, 6th Fény-Tér-Kép Conference, Dobogókő. 21. Mandelbrot, B. B. 1983. The fractal geometry of nature. W.H. Freeman and Company. New York. 22. Mutanga, O. and Skidmore, A. K. 2004. Integrating imaging spectroscopy and neural networks to map grass quality in the Kruger National Park, South Africa. Remote Sensing of Environment. 90 (2004) 104 115. 23. Peitgen, H-O. and Saupe, D. 1988. The Science of fractal images. Springer-Verlag.NY. 24. Sabins, F. F. 1987. Remote Sensing. Principles and Interpretation. W. H. Freeman and Co. Los Angeles. ISBN 0-7167-1793-X. 25. Schowengerdt, R. A. 2007. Remote Sensing Models and Methods for Image Processing. Elsevier. ISBN 13: 978-0-12-369407-2. 26. SFD official website: www.digkep.hu\sfd\index.htm 27. Tamás, J. és Róth, L. 2008. Hiperspektrális adatfeldolgozási és megjelenítési lehetőségek. Fény-Tér-Kép 2008 konferencia. Dobogókő. 28. USGS Digital Spectral Library. http://speclab.cr.usgs.gov/spectral-lib.html. 29. Varshney, P. K. and Arora, M. K. 2004. Advanced Image Processing Techniques for Remotely Sensed Hyperspectral Data. Springer-Verlag. New York.