Hipertemporális UAV felvételek információtartalmának elemzése
Kulcsszavak:
drón, hipertemporális, multispektrális, növényvédelem, osztályozásAbsztrakt
Napjainkban a drónok által szolgáltatott adatok rendkívül hasznos információkat szolgáltatnak a szakemberek számára. A UAV-k által gyűjtött nagy méretű adatsorok feldolgozása viszont eltérő módszertani elemeket igényelhetnek az egyes kamerarendszerekben elhelyezett érzékelők tulajdonságai alapján. A hordozó eszközökön elhelyezett érzékelők nem csupán az adatok gyűjtését, hanem az adott célnak megfelelő kiértékeléseket is jelentősen befolyásolhatják. Az érzékelők által létrehozott adatsorokat az egyes kamerarendszerekre vonatkozóan eltérő geometriai, spektrális és időbeli felbontás jellemezheti. Információelméleti entrópia számításával jellemezhetjük a Bayer típusú, CFA filtert tartalmazó (Color Filter Array) és a Global Shutter érzékelők spektrális rétegeinek információtartalmát. Amennyiben a felvételezést követően eltérő spektrális, geometriai és időbeli adatsorok állnak rendelkezésünkre, a feldolgozás történhet az adatsorok külön-külön vagy ezek együttes feldolgozásával. Az eltérő tulajdonságú légifelvételek esetében az adatfeldolgozás folyamatában adatfúziós eljárásokat is alkalmazhatunk, mely számos kihívást jelent a távérzékeléssel foglalkozó szakemberek számára. A megfelelően elvégzett adatfúzió tovább növelheti az adatokban rejlő lehetőségeket. Cikkünkben bemutatjuk a Kis-Balaton mintaterületén végzett, környezetvédelmi célú légifelvételezéseink információtartalom alapú feldolgozását. A képfeldolgozás során elvégeztük az adatok geodéziai alapú és mintaillesztés alapú integrálását, melynek eredményeit a felvételek entrópia alapú elemzésével is bemutatjuk. A vizsgálatainkat kiterjesztettük a gyakorlatban leggyakrabban alkalmazott képosztályozó eljárásokra is, továbbá bemutatjuk az eljárások eredményképeinek elemzéséhez kapcsolódó hibamátrixok elemzését és a kapott Kappa-indexeket. Mindezeket azért végeztük a fentiekben ismertetett módon, mert nem igényelnek egyedi megoldásokat és a gazdák vagy felhasználók alapismeretek mellett is elvégezhetik.
Hivatkozások
Adão, T., Hruška, J., Pádua, L., Bessa, J., Peres, E., Morais, R., and Sousa, J. 2017. Hyperspectral Imaging: A Review on UAV-Based Sensors, Data Processing and Applications for Agriculture and Forestry. Remote Sensing 9 (11), 1110. https://doi.org/10.3390/rs9111110
Bácsatyai L., Márkus I. 2001. Fotogrammetria és távérzékelés. Kézirat, Sopron.
Carlson, T. N., and Ripley, D. A. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment. 62 (3), 241–252. https://doi.org/10.1016/s0034-4257(97)00104-1
Clevers, J. G. P. W., de Jong, S. M., Epema, G. F., van der Meer, F., Bakker, W. H., Skidmore, A. K., and Addink, E. A. 2001. MERIS and the red-edge position. International Journal of Applied Earth Observation and Geoinformation. 3 (4), 313–320. https://doi.org/10.1016/s0303-2434(01)85038-8
Enyedi, A. – Kozma-Bognár, V. – Berke, J. 2016. Comparison of imaging algorithms for remote sensing based on content and image structure, Remote Sensing Technologies & GIS Journal.6 (6), 464-475.
Európai Unió Tanácsa 2009. A Tanács 428/2009/EK rendelete a kettős felhasználású termékek kivitelére, transzferjére, brókertevékenységére és tranzitjára vonatkozó közösségi ellenőrzési rendszer kialakításáról. Az Európai Unió Hivatalos Lapja. L 134/1. https://eur-lex.europa.eu/legal-content/HU/TXT/HTML/?uri=CELEX:32009R0428&from=en#ntr1-L_2009134HU.01000101-E0001
Feng, H., Tao, H., Zhao, C., Li, Z., and Yang, G. 2021. Comparison of UAV RGB Imagery and Hyperspectral Remote-sensing Data for Monitoring Winter-wheat Growth. https://doi.org/10.21203/rs.3.rs-170131/v1
Kevi, A., Berke J., Kozma-Bognár V. 2023. Comparative analysis and methodological application of image classification algorithms in higher education. Journal of Applied Multimedia 1./XVIII./2023 https://doi.org/10.26648/JAM.2023.1.002.
Kleynhans, W. 2011. Detecting land-cover change using MODIS time-series data. PhD Thesis. University of Pretoria. Pretoria.
Kozma-Bognár V. 2012. Hiperspektrális felvételek feldolgozásának és mezőgazdasági alkalmazásának vizsgálata. PhD Értekezés. Pannon Egyetem Állat- és Agrárkörnyezet-tudományi Doktori Iskola. Keszthely
Lillesand, T., Kiefer, R.W., and Chipman, J. 2015. Remote Sensing and Image Interpretation. Wiley, USA.
Lussem, U., Bolten, A., Gnyp, M. L., Jasper, J., and Bareth, G. 2018. Evaluation of RGB-based vegetation indices from UAV imagery to estimate forage yield in grassland. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 42 (3), 1215–1218. https://doi.org/10.5194/isprs-archives-xlii-3-1215-2018
Maccioni, A., Agati, G., and Mazzinghi, P. 2001. New vegetation indices for remote measurement of chlorophylls based on leaf directional reflectance spectra. Journal of Photochemistry and Photobiology B: Biology. 61 (1–2), 52–61. https://doi.org/10.1016/s1011-1344(01)00145-2
Mucsi L. 2013. Műholdas távérzékelés: Elmélet és gyakorlat. Szegedi Tudományegyetem Természeti Földrajzi és Geoinformatikai Tanszék, Szeged.
Nex, F., Armenakis, C., Cramer, M., Cucci, D. A., Gerke, M., Honkavaara, E., Kukko, A., Persello, C., and Skaloud, J. 2022. UAV in the advent of the twenties: Where we stand and what is next. ISPRS Journal of Photogrammetry and Remote Sensing. 184, 215–242. https://doi.org/10.1016/j.isprsjprs.2021.12.006
Pinke Gy., Pál R. 2005. Gyomnövényeink eredete, termőhelye és védelme. Alexandra, Pécs.
Piwowar, J. M., Peddle, D. R., and LeDrew, E. F. (1998): Temporal Mixture Analysis of Arctic Sea Ice Imagery: A New Approach for Monitoring Environmental Change. Remote Sensing of Environment. 63 (3), 195–207. https://doi.org/10.1016/s0034-4257(97)00105-3
Richards, J. A. and Jia, X. 2005. Remote Sensing Digital Image Analysis: An Introduction 4th Edition, Springer, Berlin. https://doi.org/10.1007/3-540-29711-1
Schowengerdt, R.A. 1997. Remote Sensing. Models and Methods for Image Processing, 3rd Edition, Academic Press, Boston
Shannon, C. 1948. A Mathematical Theory of Communication. Bell System Technical Journal. 27. 379–423.
Solymosi, K., Kövér, G., and Romvári, R. 2019. The Development of Vegetation Indices: a Short Overview. Acta Agraria Kaposváriensis. 23 (1), 75–90. https://doi.org/10.31914/aak.2264
Vastag, V. K. – Óbermayer, T. - Enyedi, A. – Berke, J. 2019. Comparative study of Bayer-based imaging algorithms with student participation, Journal of Applied Multimedia. 14 (1), 7-12. https://www.jampaper.eu, https://doi.org/10.26648/JAM.2019.1.002
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2023 Bíró Lóránt, Berke József, Kozma-Bognár Kristóf, Kozma-Bognár Veronika
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
The articel is under the Creative Commons 4.0 standard licenc: CC-BY-NC-ND-4.0. Under the following terms: You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use. You may not use the material for commercial purposes. If you remix, transform, or build upon the material, you may not distribute the modified material. You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Georgikon for Agriculture