Using of multispectral and hyperspectral remote sensing data in thematic application

1. Using of multispectral and hyperspectralremote sensing data in thematic application Julia Zhuravel State Research and Production Space Centre «TsSKB-Progress»,Samara, Russia Использованиемультиспектральных и гиперспектральных данных дистанционного зондирования в решениитематических задач Ю.Н. Журавель ГНПРКЦ «ЦСКБ-Прогресс», г. Самара, Россия

2. Multispectral and hyperspectral remote sensing data Мульти- и гиперспектральные данные ДЗЗ Multispectralsensor Мультиспектральныйдатчик Hyperspectral sensor Гиперспектральныйдатчик

3. Spacecrafts with hyperspectral sensor КА с гиперспектральной аппаратурой

4. Data cube formation Формирование куба данных λ Разложение изображения строкипо спектру Y Х  Дисперсионноеустройство λмин λмакс Направление полета Y Маршрут съемки Х Проекция строки на местности

5. Atmospheric correction Атмосферная коррекция O3 O2 H2O H2O L д L смеж CO2 L пр L диф 1 – soil 1 2 – vegetation 3 – soil 2 1 – почва первого типа 2 – растительность 3 – почва второго типа

6. Main directions of data using Направления использования данных • classification for applied problems solution in the area of environment monitoring, • objects extraction from a set of similar objects or detection of objects with the size less than the nominal size of pixel (target detection). • проведение классификации для решения прикладных задач в интересах мониторинга природной среды (состояние посевов, экологический контроль предприятий промышленности и городского хозяйства, ресурсно-сырьевое картографирование, т.е. составление карт материалов с указанием географических зон их распространения), • выделение объектов, в том числе искусственного происхождения, из множества подобных или обнаружение объектов, размер которых меньше номинального размера пиксела.

7. Automatic processing methods Методы автоматизированной обработки • Index images creation • Supervised classification • Spectral dimension reduction transformations (PCA, ICA) • Subpixelmethods (matched filtering (MF), spectral unmixing) • Вычисление индексных изображений • Классификация с обучением (выбор классов, формирование обучающей выборки, определение параметров «спектрального образа», построение карты классификации) • Уменьшение размерности (РСА, ICA) • Cубпиксельные методы (согласованная фильтрация, разделение смесей)

8. Vegetation indexes Вегетационные индексы NDVI (индекс «зелёности») red green ratio index (индикатор листовой продуктивности) normalized Difference Lignin Index (содержание «сухого» углерода, старение) carotinoid Reflectance Index (концентрация каротиноида, состояние стресса) moisture Stress Index (содержание влаги)

9. Cyanobacterial bloom monitoring Контроль процессов цветения водохранилищ 560 620 650 680 700 680  = 884 нм

10. Classification by SAMmethod Классификация по методу спектрального угла лес поле 1 ALI ALI поле 2 поле 3 поле 4 пашня Hyperion Hyperion

11. Classification by PCA method Классификация по методу PCA ALI Hyperion

12. Processing by ICA method Обработка по методу ICA

13. Objects detection by MF method Обнаружениеобъектов методом MF 0.65 – 0.75 0.75 – 1.0 0.8 – 0.9 0.9 – 1.0

14. Thanks for your attention! Спасибо за внимание !