Zpracování hyperspektrálních dat Princip hyperspektrálního snímání Příklady konkrétních systémů - družice Družice EO-1 (NASA), skener HYPERION – hyperspektrální skener s 242 pásmy v rozsahu 0,4 - 2,5 µm s rozlišením 30 metrů a velikostí scény 7,7 x 42 resp. 185 km, časové rozlišení 16 dní https://eo1.usgs.gov/sensors/hyperioncoverage Fuji (Jap), Palo Alto, Cal) Příklady konkrétních systémů - letadla AVIRIS (Airborne Visible - Infrared Imaging Spectrometer). CASI (Compact Airborne Spectrographic Imager). Senzor CASI-1500 SASI-600 TASI-600 Spektrální oblast VNIR SWIR LWIR Spektrální rozsah [nm] 380-1050 950 – 2450 8 000 – 11 500 Počet prostorových pixelů 1500 600 600 Max. spektrální rozlišení [nm] 3.2 15 110 Zorný úhel [°] 40 40 40 Hyperspektrální vybavení na CzechGlobe • kalibrace dat (radiometrické, spektrální, atmosférické) • tvorba spektrálních knihoven • vizualizace hyperspektrálních dat a knihoven spekter • redukce dimenzionality, výběr (transformace) pásem • automatické porovnání spekter • definování elementárních povrchů (tzv. endmembers) • analýza a automatická klasifikace heterogenních pixelů Základní etapy analýzy dat obrazové spektrometrie Kalibrace dat • radiometrické, atmosférické korekce a korekce na vlivy topografie jsou nezbytnou prvotní částí zpracování • cílem je převést naměřená data, která obsahují charakteristiky celkového vyzařování objektů (angl. radiance), na data charakterizující odrazové vlastnosti objektů (angl. reflectance), radiometrické a spektrální korekce viz přednáška CzechGlobe Atmosférické korekce – modelování • ATCOR 2/3 • ATCORN • ATREM • FODIS • a další Využití pozemních meteorologických metod – kalibrace, regresní analýza, referenční plochy (sunphotometr, pozemní spektrometr) Spektrální knihovny a automatické rozpoznávání objektů Příklady záznamů ze spektrální knihovny pro pět vybraných materiálů. Na ose X jsou vlnové délky, na ose Y normalizované hodnoty odrazivosti (R). (1 - smrkové jehličí, 2 - suchý travnatý povrch, 3 - listy vlašského ořechu, 4 - listy javoru, 5 - kaolinit) Tvorba spektrálních knihoven http://speclab.cr.usgs.gov/spectral.lib06/ http://speclib.jpl.nasa.gov • Uchovávají laboratorně zjištěná spektra odrazivosti stovek nejběžnějších materiálů a druhů povrchů • Obsahují údaje o absolutních hodnotách odrazivosti, lze jich využívat obecně jako určitých „vzorových“ spekter • Mají význam interpretačních klíčů. Důležité prvky křivky odrazivosti (reflectance spectra) jsou absorpční pásy a jejich parametry:  vlnová délka  hloubka  šířka  asymetrie Vizualizace dat • Spektrální kostka • Spektrální profily • Vektor ve vícerozměrném prostoru (viz. klasifikace spektrálním úhlem) Spektrální kostka http://www.erdc.usace.army.mil/Media/FactSheets/FactSheetArticleView/tabid/9254/Article/ 610433/hypercube.aspx Software HyperCube Spektrální profily Druhy minerálů - příklady spektrální odrazivosti Druhy vegetace - příklady spektrální odrazivosti Porovnávání spekter (simple spectral matching) Klasifikace tzv. „spektrálním úhlem“ (Spectral Angle Mapper) Vektor reprezentující spektrum ve 2D spektrálním prostoru Klasifikace tzv. „spektrálním úhlem“ Algoritmus je založen na výpočtu míry podobnosti mezi testovaným spektrálním profilem ze zpracovávaného obrazu a spektrem z knihovny Jako míry podobnosti je využito tzv. spektrálního úhlu, A - vektor známého spektra (např. z knihovny spekter), B vektor spektra testovaného,  - spektrální úhel; data v použitých pásmech jsou korigována na vlivy atmosféry a zastínění Analýza smíšených (heterogenních) pixelů „tradiční“ přístup - zjednodušující předpoklad, že každý jeden obrazový prvek svoji hodnotou reprezentuje pouze jeden objekt či povrch. Křivka spektrálního chování heterogenního pixelu C (mixel - mixture element) je složena z jednotlivých „spektrálně čistých“ (pure) křivek elementárních povrchů tzv. endmembers. ( A a B) Možné přístupy k analýze smíšených pixelů - linear mixing Vychází z předpokladu, že spektrální informace smíšeného pixelu vzniká lineární kombinací spektrálního chování všech obsažených elementárních povrchů Fyzikální model R = 0,5 A + 0,2 B + 0,3 C Lineární kombinace spekter (linear mixing) • Model lineární kombinace (smíchání) spekter - tzv. mixing předpokládá, že známe spektra jednotlivých elementárních povrchů i jejich procentuální zastoupení v ploše pixelu. • Z těchto údajů lze sestavit výsledné spektrum smíšeného pixelu. • Analýza potom spočívá v obráceném procesu označovaném jako tzv. un - mixing, kdy naopak známe spektra jednotlivých elementárních povrchů a spektrum výsledné • Z nich potom hledáme procentuální zastoupení jednotlivých elementárních povrchů. • Předpoklady: počet elementárních povrchů je menší než počet pásem, součet všech koeficientů poměrů zastoupených elementárních (endmember) povrchů = 1, koeficienty jsou kladné Matematický model lineárního smíchání výsledného spektra heterogenního pixelu n - počet elementárních povrchů m - počet zpracovávaných pásem Y - výsledné spektrum X - koeficienty určující zastoupení jednotlivých elementárních povrchů Z - spektrální chování n elementárních povrchů v m intervalech spektra (pásmech) UNMIXING – určení procentuálního zastoupení elementárních povrchů Geometrický model lineárního smíchání výsledného spektra heterogenního pixelu simplex 1. Určení počtu elementárních povrchů Geometrický model lineárního smíchání výsledného spektra heterogenního pixelu 2.1. Odhad spekter elementárních povrchů 2.2. Jejich porovnání s referenčními spektry (knihovně) image endmembers reference endmembers 2. Určení druhu elementárních povrchů Linear mixing Fraction images (redukce dimensionality) Minimum Noise Fraction (MNF) transformace • cílem je odstranit nadbytečnou (redundantní) informaci a potlačit šum v datech • výsledkem je menší množství tzv. MNF snímků • aplikuje metodu PCA ve dvou krocích 1) Odstraní korelaci šumové složky mezi jednotlivými pásmy a transformuje snímky tak, že šum má jednotkový rozptyl 2) V nově transformovaných snímcích (MNF) odděluje užitečnou informaci od šumové složky Hledání „endmembers“ Hledání spektrálně „čistých“ pixelů na snímcích, ze kterých byl odstraněn šum metodou MNF. Čisté pixely (endmembers) se nacházejí na okrajích příznakového prostoru Pixel Purity Index (PPI) Zaznamenává, kolikrát byl daný pixel nalezen na okraji (konvexním obalu) spektrálního prostoru. Následným prahováním se vybírají „čisté“ povrchy. Nejsvětlejší pixely lokalizují „čisté“ povrchy Viualizace n-rozměrného prostoru (n-DV) Další způsob hledání endmembers Hyperspektrální indexy Hyperspectral NDVI „Narrow band indices“ NDVInb = 860ρ ρ– 660 860 660+ρ ρ Red-edge Position Determination (REP) Hyperspektrální indexy Normalized Difference Water Index (NDWI) NIR = 680 nm, SWIR = 1240 nm Hyperspektrální indexy Brantley et al. 2011