A hiperspektrális képfeldolgozás módszerei és az első magyarországi képalkotó spektrométeres repülés

adatainak elemzése

A DOKTORI ÉRTEKEZÉS TÉZISEI

Hargitai Henrik

Témavezetők: Kardeván Péter, Mari László

ELTE TTK Földtudományi Doktori Iskola

Földrajzi program2006

1

1. Bevezetés – a munka célkitűzéseiA dolgozat a távérzékelés legújabb alkalmazási területeivel, ezen belül a hiperspektrális

képalkotással foglalkozik: az első magyar képalkotó spektrométeres repülés megvalósítását mutatja be

és eredményeit elemzi három terület példáján.

A képalkotó spektrometria – más néven hiperspektrális távérzékelés – során egy területet

képpontokra bontunk és minden képpontról felveszünk egy spektrumot, mely folyamatos görbeként

jelenik meg. A hiperspektrális képek általában több tízes nagyságrendű sávból állnak, ellentétben a

multispektrális képek 5-10-es nagyságrendű sávjaial (a labormérések és terepi – nem képalkotó –

spektroradiométerek több százas nagyságrendű sávra bontják kb. ugyanezt a tartományt). Így a

részletgazdag spektrális felbontás miatt a spektrum olyan részei is érzékelhetővé válnak, melyek

korábban nem: ezek (pl. elnyelési sávok pontos kijelölése) meghatározásával olyan felszínborítás-

típusok is elkülöníthetők, melyek a „durvább” multispektrálissal nem (1-2. ábra).

1. ábra A terepi spektroradiométer 646 sávja (B) és a LANDSAT 7 sávja (A) által szolgáltatott spektrum-görbék összehasonítása egészséges zöld növényzet esetén.

2. ábra Jellemző spektrumok a 2002-es spektroradiométeres mérésekből

2

A munka alapkutatásának célja egy különféle vegetációtípusokat (fajokat és elegyeket) tartalmazó

spektrumkönyvtár (célspektrumok és végállású spektrumok – endmemberek listájának) létrehozása, és

ezzel a recski és gyöngyösoroszi területen lombhullatő erdőtípusok elkülönítése volt, amely

multispektrális képpel nem megoldható. A növények biokémiai összetétele ugyanis nagyjából

megegyezik, bármilyen fajról is legyen szó. A leveleken történő fényvisszaverés és szóródás további

gondot jelent. Ami mégis elkülöníthetővé teheti őket, az a pigmentkoncentráció, biokémiai jellemzők,

levél jellemzők, lombkorona szerkezet, így ezeknek köszönhetően az abszorpció és reflektancia is

különbözik. A multispektrális képekkel az erdőtípusok (lombhullató/tűlevelű) elkülönítése jól

megoldott (különösen, ha a felvétel akkor készül, amikor a lombhullatókon már nincs lomb). A

nagyobb növényzeti egységek, mint erdő, rét, cserjés elkülönítése is nagy biztonsággal megoldott, de

más esetekben, különösen az említett egységeken belül a mélyebb elkülönítés nem automatizálható

biztonsággal. A lombhullató erdőknél probléma az erdőterület heterogenitása pixel szinten (fafajra és a

„belátszó” cserje- és gyepszintre nézve); így nehéz homogén tanítópontokat kijelölni. Egy

magyarországi fajokat tartalmazó vegetációs spektrumkönyvtár minden további hasonló munka

alapjaként szolgálhatna.

Mivel ez az első ilyen összefoglaló jellegű részletes publikáció, célja az is, hogy a későbbi –

jelen pillanatban már (még csak) körvonalazódó hazai kereskedelmi jellegű repülések eredményeit

használó – magyar felhasználók számára egyfajta kalauzként segítséget nyújtson a hiperspektrális

repülések előkészítésében, lebonyolításában és elemzésében. A munka részletesen ismerteti a képek

elkészítésének és feldolgozásának részletes menetét (az ENVI szoftveren) önálló kutatási területem

példáján és az feldolgozás lépéseinek különféle lehetséges variációit, külön felhívva a figyelmet a

hibalehetőségekre, hogy a későbbi felhasználók elkerülhessék azokat. A dolgozat bemutatja a felvett

spektrumgörbéket és külön listában közli a hiperspektrális távérzékelés szakszavainak magyar

irodalomban felmerült fordításait és fordítás-változatait, segítve a magyar nyelvű korábbi publikációk

jobb érthetőségét és a későbbiek elkészítését. A terepbejárás és adatbázisok segítségével elkészített

mintapontok segítségével a gyöngyösoroszi, recski és tedeji területen készült felvételeket elemzi:

célom a területen található vegetációtípusok, ezen belül a lombhullató erdőtípusok elkülönítése volt.

A munka további, nem kevésbé fontos célja az említett repülés előkészítésének és elvégzésének

részletes leírása, dokumentálása, a hiperspektrális repülés ötletének első hazai megfogalmazásától

nyomon követve annak történetét a megvalósításig majd az első elemzések megjelenéséig.

Megjegyzendő, hogy a Magyarországon még iparszerűen nem alkalmazott hiperspektrális technológia

külföldön már jelentős múlttal rendelkezik, így a hazai alkalmazás első eredményei csak hazai

közönségnek jelentenek releváns újdonságot.

3

2. Alkalmazott módszerek

2002. augusztus 17–18-án került sor a Hysens 2002 projekt keretében arra a

hiperspektrális repülésre (Kardeván et al. 2003, 2003b, Hargitai et al 2004, 2006), melynek

eredményeképp elkészültek a jelen dolgozatban használt felvételek, a DAIS műszer 79 sávot

tartalmazó, 6 méter/képpont térbeli felbontású hiperspektrális adatkockái. A németországi DLR-

ben előfeldolgozott (atmoszférikus és geometriai korrekció) felvételeket az ENVI szoftverrel

elemeztem. A topográfia hatásának kiegyenlítésekor az előfeldolgozás nem volt hibamentes,

ezért a felvételek nem tekinthetők teljes értékűnek. Ennek ellenére sikerült eredményeket elérni

a feldolgozás során a nyers képek és a félig előfeldolgozott (atmoszférikus és sík geometrikus

korrekción átesett) képek segítségével. A hiperspektrális képek előkészítő és lebonyolító

fázisában is aktívan részt vettem a MÁFI részéről; amíg lehetőségem volt, a GER3700 640

sávos terepi spektroradiométerrel saját méréseket is végeztem.

A későbbi feldolgozásban önálló munkát a gyöngyösoroszi és recski (3. ábra) területen

végeztem, ahol a terület növénytakarójának azonosítását tűztem ki célul. Ezen belül egyedül végzett

munkát a recski területen folytattam, saját GPS műszer segítségével. Itt már nem állt

rendelkezésemre spektroradiométer. A képfeldolgozás egyik legfontosabb fázisa a terepi ellenőrzés

volt, mivel spektrumkönyvtár a hazai fajokról nem állt rendelkezésre. A terepi munkában

(lényegében egy spektrumkönyvtár összeállításában) háromféle módszert alkalmaztam:

1. A képen homogén területek azonosítása: – az előzetesen feldolgozott képen látható,

markánsan eltérő spektrumú, homogén területek felkeresése és a spektrumokhoz a terepi

felszínborítás kategóriájának hozzárendelése.

2. A valóságban homogén területek azonosítása: – a terepen a vizsgált fafajok homogén

borítású foltjainak megkeresése, majd ezek végállású tagokként, endmemberekként

tanítómezőként való alkalmazása a teljes képre

3. A valóságban azonos elegyarányúként spektrálisan homogénnek tekinthető területek

azonosítása – a terepen a vizsgált erdőtípusok elegyes, azaz kevert, de azonos elegyarányú

foltjainak felkeresése és az egyes, különféle variációkban kevert formáinak célspektrumként

tanítómezőként való alkalmazása a teljes képre

3. Eredmények (tézisek) és következtetések

3.1. (irodalmi kutatás eredményei)

1. Összefoglaltam az első magyar hiperspektrális repülés megszervezésének és lefolytatásának

történetét

2. Összefoglaltam a hiperspektrális technológiával foglalkozó magyarországi és magyar vonatkozású

kutatások eredményeit

4

3. Összeállítottam egy angol-magyar korrelációs terminológialistát

4. Összefoglaltam a hiperspektrális technológia működésének elveit (ez a kitétel a dolgozat

írásának megkezdésekor még újdonságnak számított: mára, azaz 6 évvel később már sok

pontjában bevetté vált módszereket ismertet)

3.2. (önálló terepi kutatás eredményei)

5. Különféle mezőgazdasági haszonnövények (Tedej területen), és más növényfajok

(Gyöngyösoroszi, Recsk területeken) terepi és laborméréséből összeállítottam egy

spektrumkönyvtárat. Ezek a spektrumok a dolgoztat elektronikus változatából (fő rész és

függelék) számszerűen is kiolvashatóak. Az erdőtípusokra létrehozott spektrális kategóriák a

multispektrális képfeldolgozásban is szétválasztható kategóriák esetén (pl.

fenyves/lombhullató/rét) nagy biztonsággal használhatók. A lombhullató erdőtípusoknál

létrehozott spektrális kategóriák csak részben tükrözik az erdőtípusok faji összetételét: a terepi

ellenőrzés során kiderült, hogy ezeket a spektrális kategóriákat („spektrumtájakat”) részben más

tényezők is befolyásolják. Így az adott növényállomány kis területen jelentkező eltérései

domborzati, lejtőkitettségi és mikroklimatikus hatások miatt, az erdő kora, a lombkoronaszint

szerkezete, záródása és árnyékhatásai, a növényzet víztartalma, valamint további, ismeretlen

tényezők, melyek egyes területeken erőteljesebben változtathatják meg a spektrumot, mint a faji

bélyeg. A spektrumok fajon belüli szórása ill. abszolút értéke is lehet indikatív.

6. Megállapítottam, hogy az irodalmi (erdészeti adatbázisok) és a terepi adatok (más helyről vett

tanítópontok) alapján végzett osztályba sorolás hasonló eredményt adott, tehát valós spektrális

osztályokat („spektrumtájakat”) tükröz. Ám az eredmények csak további terepi ellenőrzéssel

verifikálhatóak illetve ültethetők át faji vagy erdőtípus osztályokra (referenciaspektrumokká),

azaz az ilyen jellegű úttörő kutatás kezdeti szakaszában utólagos terepi ellenőrzés(ek)re is

szükség van; ahol az egyes eltérő spektrális megjelenésű, de azonos faji összetételű erdőtípusok

azonosíthatók.

7. Megállapítottam, hogy vegetáció esetén a terepen ill. laborban felvett spektrum különbözik: a

spektrumkönyvtárhoz mindenképp terepen (magasból) felvett spektrumra van szükség, mert a

növényzet labormérésekkel más megjelenésű, mint terepen (azaz az egészséges levelek

spektruma nem azonos a fa fölülről felvett spektrumával). Ehhez különleges felszerelésre (pl.

daru) vagy a légifelvételekre van szükség. A terepen felvett spektrumokat is atmoszférikus

korrekcióval kell ellátni a szórt fény kiszűrésére. Hogy a spektrumkönyvtár eltérő műszerekkel

beszerzett adatokhoz is használható legyen, szerepeltetni kell, hogy a spektrum milyen térbeli

felbontású képelemekről készült, és mik voltak a műszer optikai paraméterei.

5

8. Megállapítottam, hogy a helyes osztályba soroláshoz használható referencia-

spektrumkönyvtárhoz célszerű egy teljes vegetációs perióduson át érdemes követni a

célobjektumok spektrumának változását, ahogy azt a multispektrális mezőgazdasági

elemzéseknél is teszik: erre az erdők esetén a mi régiónkban még nem kerülhetett sor a

technológia új volta miatt. A célterület kiválasztása szempontjából a területen belül minél több

eltérő, de önálló foltjában homogén felszínborítástípus jelenléte a legmegfelelőbb. A

spektrumkönyvtárban a különféle spektrális megjelenésű, de azonos faji összetételű

erdőtípusoknak is azonosíthatóknak kell lenniük. Ha sikerült kijelölni egy olyan időpontot,

amikor a legnagyobb a spektrális különbség a célobjektumok között, ezt az időt célszerű a

további felvételek elkészítésekor választani.

9. A tölgyes és bükkös területek alapján a hiperspektrális képen kijelölt „tölgy” és „bükk”

(spektrális) kategóriák elkülönítésére azok elnyelési sávjai alapján a következő DAIS által

használt sávokat találtam alkalmasnak, a két kategória tanítómezőiből nyert

átlagspektrumspektrumok alapján (4. ábra). A reflektancia abszolút értéke alapján egyértelműbb

elkülönítés lehetséges: annak maximuma (1,035 mikrométeren) a tölgy esetén rendre 25-28, a

bükk esetén 30-35% volt: e tekintetben a két kategória egyértelműen elkülöníthető volt (3-4.

ábra, 1. táblázat).Elkülöníthető növények Növényre jellemző, elkülönítéskor használható spektrális sávok (mikrométer)

Fenyő-lombosfa                            0,869

Fiatalos-nem fiatalos                0,832;  0,86-0,938;      1,66-1,72

Tölgy-bükk 0,623; 0,78, 0,851 1,727; 2,08; 2,115; 2,13; 2,145; 2,158; 2,23

1. táblázat: Növényre jellemző, elkülönítéskor használható spektrális sávok

3. ábra: a „tölgy” (sötét vonal) és „bükk” (világos vonal) kategóriák átlagolt spektrumgörbéi kontinuum-eltávolítás után megmutatják a két görbe elnyelési vonalaiban jelentkező – mint hasonló növényzet esetén várható, minimális –

6

különbségeket (bekarikázva) X tengely: hullámhossz, mikrométer. A spektrumgörbék abszolút értékeinek eltérése ezen a görbén nem látható

A recski terület átlagolt célspektrumai erdészeti adatbázis (A) illetve terepi (B) adatok alapján homogén felszínborítású területeken kijelölt tanítómezőkre

0

50

100

150

200

250

300

350

400

0,50

0,51

0,53

0,55

0,57

0,59

0,61

0,62

0,64

0,66

0,68

0,69

0,71

0,73

0,74

0,76

0,78

0,80

0,81

0,83

0,85

0,87

0,89

0,90

0,92

0,94

0,96

0,97

0,99

1,01

1,02

1,04

1,54

1,57

1,60

1,64

1,67

1,70

1,73

1,76

2,08

2,10

2,12

2,13

2,15

2,16

2,17

2,19

2,20

2,22

2,23

2,25

Hullámhossz (mikrométer)

Ref

lekt

anci

a (*

10) [

%]

Fiatalos bükk (B)

Bükk (A)

Bükk (B)

Tölgy (B)

Tölgy (A)

Fenyő (A)

Fenyő (B)

Klorofill elnyelési tartomány Levélszerkezet és összetétel jellemző elnyelési sávjai

víz elnyelés

víz elnyelés

4. ábra: a recski terület célspektrumai átlagai a kétféle tanítómezős meghatározás alapján.

10. Részleges spektrumszétkeveréssel megállapítottam az egyes területekre jellemző

felszínborítást (5. ábra)

5. ábra: (balról jobbra): Mesterséges, Tölgy, Rét, Bükkös (fiatalos), Fenyves kategóriák spektrumszékeverés

(Matched filtering) részképei (világos: nagy megegyezés a célspektrummal; sötét: kisebb azonosság a

célspektrummal). A kép jobb középső részén lévő folt a recski kőbánya. Jobbra fent Recsk, balra fent

Parádfürdő.

11. A terepen felvett hiperspektrális képek számos olyan sávot tartalmaznak, melyek túl zajosak

ahhoz, hogy szűréssel használhatóvá tegyük őket. A DAIS műszer által felvett képekre

elvégeztem ezen zajos sávok kiszűrésének feladatát, így az eredetileg 79 sávos adatkockából

zajszűrés után is csak 52 sávot használtam.

7

12. Kidolgoztam egy többlépcsős, több lehetséges utas folyamatsort a hiperspektrális képek

elemzésére, az ENVI program használatával (6. ábra).

6. ábra: A hiperspektrális képfeldolgozás néhány lehetséges útjának folyamatábrája (más utak is lehetségesek és nincs

minden opció feltüntetve)

13. Összehasonlítottam a tedeji mezőgazdasági területre egy azonos térbeli felbontású

LANDSAT-szimuláció és a hiperspektrális kép elemzésének eredményeit: ebből azt

8

következtettem, hogy – legalábbis az általam használt elemző módszerekkel – a

hiperspektrális kép nem adott kiemelkedően jobb eredményű osztályba sorolást.

14. Megállapítottam, hogy a hiperspektrális technológia abban az esetben használható

gazdaságosan, ha olyan felszínborítás-típusokat kell elkülöníteni, melyek a létező

multispektrális képeken nem szétválaszthatók. Egy ilyen munka rutinszerű alkalmazását a

munka első fázisában alapkutatásnak, azaz a spektrumok terepi és labormeghatározásának

kell megelőznie. Mivel a hiperspektrális kép rengeteg redundanciát tartalmaz, az

adatdimenzionalitás csökkentésére lehet szükség. Ez történhet automatikusan (pl. PCA

módszerrel) vagy célzottan. Utóbbi esetben a hiperspektrális képen a csak ilyen felbontásban

megjelenő jelentős elnyelési sávok, vagy a vörös él adhat olyan sávokat, melynek

kombinálásával a felszíni objektumok jobban szétválaszthatók. A spektrum általános lefutás

és reflektanciájának abszolút értéke is hordoz információt: ezek más módszerekkel

tanulmányozhatók. Spektrumszétkeveréssel egy képelemen belül a célkategóriák

elegyarányát is meg lehet adni. A hiperspektrális képfeldolgozás során az egyes elnyelési

sávok, a spektrum lefutása és abszolút értéke eltérő aspektusait tükrözhetik a

felszínborításnak. A megfelelő pontosságú osztályozáshoz – a referenciaspektrumok

meglétén túl – azt az eljárást kell használni, mely a célnak megfelelő aspektusát használja ki

a spektrumgörbének. Ehhez azonban pl. egy adott fajú homogén erdőterület különféle, ismert

változók szerint eltérő területeinek spektrumát kell vizsgálni. Jelen munkában a bükk és tölgy

kategóriái csak azt tükrözik, hogy a Recs–Parád–Domoszlói kapu közötti terület homogén

bükkösei és tölgyesei alapján kijelölt átlagspektrumok a 2002. augusztusi időszakban

elkülönültek; az azonban még kérdés, hogy e két kategória spektruma pontosan mi alapján

különül el egymástól és más erdőtípusoktól (pl. lombkoronaszint szerkezete, lokális vízháztartás,

fenofázis stb.).

4. A tézisek alapjául szolgáló közlemények:

HARGITAI H.-VEKERDY ZOLTÁN-ULANBEK TURDUKULOV-KARDEVÁN PÉTER: Képalkotó

spektrométeres távérzékelési kísérlet Magyarországon. Térinformatika, 2004/6. pp12-15

KARDEVÁN P.–VEKERDY Z.–RÓTH L.–SOMMER ST.–KEMPER TH.–JORDAN GY.–TAMÁS, J.

PECHMANN I.–KOVÁCS E.–HARGITAI H.–LÁSZLÓ F. 2003: Outline of scientific aims

and data processing status of the first Hungarian hyperspectral data acquisition flight

campaign, 3rd EARSeL Workshop on Imaging Spectroscopy in Oberpfaffenhofen, 2003.

május 13-16.

9

KARDEVÁN P.–FÜGEDI U.–STEFAN S.–TAMÁS J.–GRUIZ K.–THOMAS K.–JORDÁN GY.–RÓTH L.–

HARGITAI H.–ZELENKA T. 2003b: Légi hiperspektális távérzékelési módszerek alkalmazása

korábbi bányászati tevékenységek környezeti felmérésében In: Proc.Lippay - Ormos - Vas

Tudományos Ülés, Szent István Egyetem, Budapest, Budai Karok, November 6-7.

HARGITAI H.–KARDEVÁN P.–HORVÁTH F. 2006: Az első magyarországi képalkotó

spektrométeres repülés eredményeinek összegzése. III. Magyar Földrajzi Konferencia,

Budapest, 2006. szeptember 6-7. Magyar Tudományos Akadémia (poszterre elfogadva).

HARGITAI H.–KARDEVÁN P.–HORVÁTH F.: Az első magyarországi képalkotó spektrométeres

repülés és eredményeinek értékelése (Geodézia és Kartográfia, jelen kézirat

elkészültekor bírálat alatt, revízió után)

HARGITAI H: Képalkotó spektrometria: új technológia a hazai távérzékelésben (Földrajzi

Közlemények, jelen kézirat elkészültekor bírálat alatt)

HARGITAI H. 2007: Planetary Maps: Visualization and Nomenclature. Cartographica (közlésre

elfogadva)

5. A dolgozat témájához kapcsolódó további publikációk

HARGITAI H.–KERESZTURI Á– SIK A. (2005): A Mars hidrográfiája. Földrajzi Közlemények,

közlésre elfogadva

HARGITAI H. 2002: Hiperspektrális távérzékelés. In: Karátson D. (szerk.): Pannon enciklopédia.

Magyarország földje, Kertek 2000, Budapest. 2. kiadás

HARGITAI H. 2005: Távérzékelés. in: Hargitai H, Kereszturi Á, Lazányi J: Csillagászat. In: Nagy

Világatlasz, 2. kiadás. TOPOGRÁF, Nyír-Karta.

HARGITAI H. 2006: Szemek a bolygókutatásban – A szivárványon túl. Profiterol, szeptember.

HARGITAI H. 2006: The Realization of ICA Commission Projects on Planetary Cartography.

Cartographica 40/4

PAUL SCHENK, HENRIK HARGITAI, RONDA WILSON, ALFRED MCEWEN AND PETER THOMAS

(2001): The Mountains of Io: Global and geological perspectives from Voyager and

Galileo, Journ. Geophys. Res., Vol 106, E12, Pp 33201-33222

HARGITAI H.-KERESZTURI Á. 2002: Javaslat magyar bolygótudományi szaknyelvi norma

létrehozására - Geodézia és Kartográfia LIV, 2002/9, pp. 26-32.

HARGITAI H. 2004: Multilingual Planetary Maps for Non-professional Audience: Visualization

and nomenclature. INTERCARTO-10, Vlagyivosztok

HARGITAI H.–BÉRCZI SZ. 2004: Planetary Science Outreach: Old methods, new packaging.

Education via DVD and Planetary Maps. International Astronautical Congress,

10

Vancouver IAC-04-IAF-4.P4

A tézisek címoldalán a recski területről készült hiperspektrális adatkocka látható.

11