Hiperspektrális adatok felhasználásának perspektívái a vegetációs vizsgálatokban
DOI:
https://doi.org/10.56617/tl.4090Kulcsszavak:
távérzékelés, hiperspektrális, vegetáció, képfeldolgozás, digitális képkezelésAbsztrakt
Jelen cikkben röviden bemutatjuk azon rendelkezésre álló módszereket, melyek alkalmasak hiperspektrális légi-, és űrfelvételek feldolgozására. Munkák célja az, hogy egy olyan átfogó jellegű módszertant dolgozzunk ki, mely segítségével hatékonyan és egyszerűen lehet hiperspektrális felvételek segítségével felszínborítási, illetve földhasználati térképeket előállítani. Napjainkban a hiperspektrális szenzorok egyre elterjedtebbek, mégis az alkalmazási köre az általuk készített felvételeknek elég szűk, és rendszerint az alkalmazott módszertan rendkívül specifikus az adott alkalmazásra nézve. Ezeket alapul véve munkánk célja az olyan hatékonyan alkalmazható algoritmusok és módszerek azonosítása, melyek alkalmasak egy általánosabb értelemben vett térképezési folyamat elvégzésére hiperspektrális felvételek segítségével. Fő hátránya az ilyen felvételeknek az egyéb például multispektrális felvételekkel szemben, hogy a képekben hatalmas adatmennyiség kerül tárolásra rögzítve a felvett felszín visszaverődési tulajdonságait akár 200–300, igen keskeny hullámhossz-tartományon is. Ezen adatok feldolgozása jelentős nehézségekkel jár, hiszen az egymáshoz közeli frekvenciákon sok redundáns információ található. Jelen kutatásunk első lépéseként az alkalmazható módszerek körét vizsgálta és próbálta leszűkíteni azon eljárások körérem melyek továbblépést jelenthetnek egy általánosan is alkalmazható térképezési eljárásban felszínborítási, illetve földhasználati térképek előállítására. A cikk röviden áttekinti a rendelkezésre álló releváns módszereket, és a rövid bemutatás mellett javaslatokat fogalmaz meg az alkalmazhatóságuk formájáról, előnyeiről és esetleges hátrányairól. Mivel a cikk terjedelme nem engedi meg, hogy teljes és átfogó képet adjunk a lehetséges módszerekről, így jelen cikkben azon eljárások kerülnek bemutatásra, melyek már egy előzetes tesztelési folyamat eredményeként kiválasztásra kerültek. Az itt bemutatott módszerek és eljárások alkalmazásával a jövőben egy olyan összetett adatfeldolgozó rendszer kialakítása a célunk, mely eléggé rugalmas a felhasználók számára, ugyanakkor rendkívüli hatékonysággal képes a felvételek interpretálására és a térképi termékek előállítására. A teljes kutatási munka anyaga a HYPER- I-NET program keretei között kerül majd a későbbiekben bemutatásra.
Hivatkozások
Bakos K., Gamba P. 2009: Potential of hyperspectral remote sensing for vegetation mapping of high mountain ecosystems, 6th EarSEL SIG IS workshop 2009 Tel Aviv (Acceppted)
Benediktsson, J. A., Pesaresi, M., Arnason, K. 2003: Classification and Feature Extraction of Remote Sensing Images from Urban Area based on Morphological Approaches. IEEE Trans. On Geoscience and Remote Sensing, 41: 1940-1949. https://doi.org/10.1109/TGRS.2003.814625
Berk, A., Bernstein, L. S., Anderson, G. P., Acharya, P. K., Robertson, D. C., Chetwynd, J. H., Adler-Golden, S. M., 1998: MODTRAN cloud and multiple scattering upgrades with application to AVIRIS. Remote Sensing of Environment, 65: 367-375. https://doi.org/10.1016/S0034-4257(98)00045-5
Chang, C. I. 2007: Hyperspectral data exploitation. Theory and applications, John Willey and Sons Inc. https://doi.org/10.1002/0470124628
Fukunaga, K. 1990: Introduction to Statistical Pattern Recognition, Second Edition, Academic Press. https://doi.org/10.1016/B978-0-08-047865-4.50007-7
Gamba, P., Dell'acqua, F., Ferrari, A., Palmason, J.A., Benediktsson, J.A., Arnasson, K. 2004: Exploiting spectral and spatial information in hyperspectral urban data with high resolution. IEEE Geosci. Remote Sensing Letters, 1: 322-326. https://doi.org/10.1109/LGRS.2004.837009
Gong, P.,, Howarth, P. J. 1992: Land-use classification of SPOT HRV data using a cover-frequency method. International Journal of Remote Sensing, 13: 1459-1471. https://doi.org/10.1080/01431169208904202
Grauch, V. J. S. 2002: High-Resolution Aeromagnetic Survey to Image Shallow Faults, Dixie Valley Geothermal Field, Nevada U.S. Geological Survey, MS 964, Federal Center, Denver CO 80225 (Open-File Report 02-384) https://doi.org/10.3133/ofr02384
Gualitieri, J. A., Cromp, R. F. 1998: Support vector machines for hyperspectral remote sensing classification. Proc. SPIE-27th AIPR Workshop Advances in Computer Assisted Recognition, 3584: 221-232. https://doi.org/10.1117/12.339824
Haralick, R. M., Shanmugam, K., Dinstein, I. 1973: Texture features for image classification. IEEE Trans. Systems Man Cybernet, 3: 610-621. https://doi.org/10.1109/TSMC.1973.4309314
Hyvarinen, A., Karhunen, J., Oja, E. 2001: Independent Component Analysis. John Wiley and Sons, New York, HYRESSA SWOT and User Needs workshop report, accessed on line at http://www.hyressa.net/documents/, April 2007. https://doi.org/10.1002/0471221317
Landgrebe, D. A. 2003: Signal Theory Methods in Multispectral Remote Sensing, John Wiley and Sons, Hoboken, New Jersey https://doi.org/10.1002/0471723800
Lee, C., Landgrebe, D. A. 1997: Decision Boundary Feature Extraction for Neural Networks. IEEE Trans. on Geoscience and Remote Sensing, Vol. 8, n. 1, pp. 75-83 https://doi.org/10.1109/72.554193
Lillesand, T. M., Kiefer, R. W. 2004: Remote Sensing and Image Interpretation. Wiley & Sons, Fifth Edition.
Matheron, G. 1997: Principles of geostatistics, Econ. Geol. 58, 1246-1266. https://doi.org/10.2113/gsecongeo.58.8.1246
Marino, C. M., Panigada, C., Busetto, L., Galli, A., Boschetti M. 2000: Environmental applications of airborne hyperspectral remote sensing: asbestos concrete sheeting identification and mapping. Proc. of the 14th International Conference and Workshops on Applied Geologic Remote Sensing, Aug. 2000.
Plaza, A., Martinez, P., Perez, R., Plaza, J. 2003: A New Meted for Target Detection in Hyperspectral Imagery Based on Extended Morphological Profiles. Proceedings of the 2003 IEEE International Geoscience and Remote Sensing Symposium CD Rom:, Toulouse, France July 21-25, 2003, IEEE Publication, NY, 2003.
Ramstein, G., Raffy, M. 1989: Analysis of the structure of radiometric remotely-sensed images. International Journal of Remote Sensing 10, 1049-1073 https://doi.org/10.1080/01431168908903944
Richards, J. A. 2005: Analysis of remotely sensed data: the formative decades and the future. IEEE Trans. Geosci. Remote Sensing, vol. 43, no.3, pp. 422-432 https://doi.org/10.1109/TGRS.2004.837326
Richards, J. A., Jia, X. 2006: Remote Sensing Digital Image Analysis An Introduction 4th ed. Springer https://doi.org/10.1007/3-540-29711-1
Serra, J. P. 1989: Image analysis and mathematical morphology. International Journal of Remote Sensing 10, 1049-1073. https://doi.org/10.1080/01431168908903944
Soille, P. 2003: Morphological Image Analysis: Principles and Applications. 2nd Edition, Springer Verlag, Berlin https://doi.org/10.1007/978-3-662-05088-0
Srinivasan, A. 1991: An artificial intelligence approach to the analysis of multiple information sources in remote sensing. Ph.D. thesis, Univ. New South Wales, School of Elect. Eng., Kensington, Australia
Srinivasan, A., Richards, J. A. 1993: Analysis of GIS spatial data using knowledge-based methods, Int. J. Geograph. Inf. Syst., vol. 7, no. 6, pp. 479-500 https://doi.org/10.1080/02693799308901978
Vermote, E. F., Tanre, D., Deuze, J. L., Herman, M., Morcrette, J. J. 1997: Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: An overview. IEEE Transactions on Geoscience and Remote Sensing, 35 3: 675-686 May 1997. https://doi.org/10.1109/36.581987
Woodcock, C. E., Strahler, A. H., Jupp, D. L. B. 1988: The use of semivariogram in remote sensing and simulated images: Real digital images. Rem. Sens. Environments 25, 349-379 https://doi.org/10.1016/0034-4257(88)90109-5
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2009 Bakos Károly, Paolo Gamba
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
A folyóirat Open Access (Gold). Cikkeire a Creative Commons 4.0 standard licenc alábbi típusa vonatkozik: CC-BY-NC-ND-4.0. Ennek értelmében a mű szabadon másolható, terjeszthető, bemutatható és előadható, azonban nem használható fel kereskedelmi célokra (NC), továbbá nem módosítható és nem készíthető belőle átdolgozás, származékos mű (ND). A licenc alapján a szerző vagy a jogosult által meghatározott módon fel kell tüntetni a szerző nevét és a szerzői mű címét (BY).
