Hiperspektrális adatfeldolgozási lánc megalapozása növénytani kutatásokhoz
DOI:
https://doi.org/10.56617/tl.4153Kulcsszavak:
távérzékelés, hiperspektrális, vegetáció, képfeldolgozás, digitális leképezésAbsztrakt
Jelen cikk a hiperspektrális légi- és űrfelvételek feldolgozásával foglalkozik, különös tekintettek ezen felvételek alkalmazási lehetőségeit vizsgálja természetvédelmi és ökológiai kutatásokban. Röviden bemutatásra kerülnek azon módszerek, melyek segítségével egy hiperspektrális adatfeldolgozó lánc állítható össze. A vizsgálódás célja egy olyan módszertan és adatfeldolgozó lánc megalkotása, mely általánosan alkalmazható vegetációs térképezési célokra hiperspektális felvételek segítségével. Jelenleg számos példa áll rendelkezésre specifikus módszerekre, amelyekben hiperspektrális adatok osztályozásával különböző paramétereket nyernek ki ökológiai alkalmazások számára, de ezen módszerek alkalmazhatósága általában csak az adott ökológiai alkalmazásra korlátozódik. A jelen cikkben megfogalmazott célkitűzések és bemutatott részeredmények a paviai egyetemen a HYPER-I-NET program keretében zajló kutatás részét képezik, melyben a hiperspektrális adatok alkalmazási lehetőségeit és tulajdonságait vizsgáljuk általános vegetációs alkalmazások számára. A cikk célja a kutatási munka bemutatása és tudományos megalapozása, valamint az, hogy áttekintést nyújtson a további kutatások irányáról. A program várható eredménye egy olyan moduláris és alkalmazás-centrikus adatfeldolgozó lánc és annak dokumentációja, mely nagyban segítheti a hiperspektrális távérzékelési technológiák nyújtotta lehetőségek kihasználását természetvédelmi és ökológiai tervezési és monitorozási folyamatok során.
Hivatkozások
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
Chang C. I. 2007: Hyperspectral data exploitation. Theory and applications. John Willey and Sons Inc. Fukunaga K. 1990: Introduction to Statistical Pattern Recognition. Academic Press, Second Edition
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
Gualitieri J. A., Cromp R. F. 1998: Support vector machines for hyperspectral remote sensing classification. In: Merisko, R. J. (ed.), 1998: Proc. SPIE-27th AIPR Work-shop Advances in Computer Assisted Recognition, 3584: 221-232.
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, https://doi.org/10.1002/0471221317
Hyressa SWOT and User Needs workshop report, accessed on line at http://www.hyressa.net/documents/, April 2007.
Kruse F. A., Lefkoff A. B., Boardman J. B., Heidebrecht K. B., Shapiro A. T., Barloon P. J., Goetz A. F. H. 1993: The Spectral Image Processing System SIPS - Interactive Visualization and Analysis of Imaging spectrometer Data. Remote Sensing of the Environment, 44: 145-163. https://doi.org/10.1016/0034-4257(93)90013-N
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, 8: 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
Quattrochi D. A., Goodchild, M. F. (eds.) 1997: Scale in remote sensing and GIS. Boca Raton: CRC Lewis Publishers
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, 43: 422-432. https://doi.org/10.1109/TGRS.2004.837326
Richards J. A., Xiuping, J. 2006: Remote Sensing Digital Image Analysis: an introduction. Springer Verlag, Berlin (4th edition) https://doi.org/10.1007/3-540-29711-1
Serra J. P. 1989: Image analysis and mathematica morphology. International Journal of Remote Sensing 10: 1049-1073. https://doi.org/10.1080/01431168908903944
Soille P. 2003: Morphological Image Analysis: Principles and Applications. Springer Verlag, Berlin (2nd edition) 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., 7: 479-500. https://doi.org/10.1080/02693799308901978
Swain P. H., Dawis S. M. (eds) 1978: Remote Sensing. The Quantitative Approach. New York McGraw Hill Woodcock C. E., Strahler A. H., Jupp D. L. B. 1988: The use of semivariogram in remote sensing and simulated images: Real digital images. Remote Sensing Environments 25: 349-379. https://doi.org/10.1016/0034-4257(88)90109-5
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2008 Bakos Károly
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).