190 likes | 376 Views
Hyperspektridatan tulkinta. Maa-57.3210 Kaukokartoitusaineiston luokittelu ja mallintaminen 2. luento 26.1.10 Juho Lumme. Luennon aiheita. Kuvaavat spektrometrit Hyperspektrikuva Heijastusspektri Hyperspektridatan tulkintaa visuaalinen tulkinta piirteiden irroitus
E N D
Hyperspektridatantulkinta Maa-57.3210 Kaukokartoitusaineiston luokittelu ja mallintaminen 2. luento 26.1.10 Juho Lumme
Luennon aiheita • Kuvaavat spektrometrit • Hyperspektrikuva • Heijastusspektri • Hyperspektridatan tulkintaa • visuaalinen tulkinta • piirteiden irroitus • Hyperspektrikuvan luokittelu • Sovelluksia
Kuvaavat spektrometrit • Lentokone • AVIRIS • HyMap • AISA (Specim) • Satelliitti • Hyperion (NASA – EO-1 - 2000) • PROBA (ESA - 2001) • TANSO (GOSAT-Japani) • EnMAP (Saksa – 2013?) • UAV (UnmannedAerialVehicle)
Hyperspektrikuva • Useita kapeita peräkkäin sijaitsevia kanavia • 3-ulotteinen tietojoukko (data cube) • Hyvä spatiaalinen resoluutio • Erittäin hyvä spektraalinenresoluutio
Heijastusspektri • Materiaalin heijastaman säteilyn voimakkuus aallonpituuden funktiona • Eri materiaalien heijastusspektrit usein yksilöllisiä • Spektrikirjastot • http://speclib.jpl.nasa.gov/ • http://speclab.cr.usgs.gov/spectral.lib06/
Visuaalista tulkintaa • Pystytään esittämään vain 3 kanavaa samanaikaisesti • Tietokoneen näyttö • RGB • Ihmisen näköjärjestelmä • kolmen tyyppisiä tappisoluja • värisokeilla voi jokin tyyppi puuttua
Piirteiden valinta ja irroitus • Hyperspektridatasta on erityisen tärkeää löytää oleellinen tieto • Turha data hidastaa/vaikeuttaa tulkintaa • Oleelliset piirteet voivat olla hyvin vaikeasti erottuvia (katoaa massaan) • Piirteiden valinta • Piirteiden irroitus • Kanavista voidaan laskea uusia piirteitä: suhde, erotus, indeksit, kertominen
Piirteiden irroitusmenetelmiä • Pääkomponenttimuunnos • PCA - PrincipalComponentAnalysis • PCA kääntää kuva-avaruuden akseleita siten että niiden varianssi maksimoituu • Hyperspektrikuvan data pakataan muutamalle ensimmäiselle pääkomponenttikanavalle • Suosittu menetelmä • Erityiset kohteet erottavat piirteet saattavat siirtyä loppupään pääkomponenttikanaville, joiden oletetaan olevan kohinaa ja epäoleellista tietoa
Piirteiden irroitusmenetelmiä • Minimum Noise Fraction (MNF) • Pienentää datan määrää erottamalla kohinaa • Kaksi pääkomponenttimuunnosta • perustuu estimoituunkohinankovarianssimatriisiin • on perinteinen pääkomponenttimuunnos kohinasuodatetulle
Luokittelualgoritmeja • Spectral Angle Mapper • Spectral Correlation Mapper • Spectral Unmixing • Spectral Feature Fitting • Tukivektorikone-luokittelija
Spectral Angle Mapper • Yksinkertainen ja nopea • Valoisuuserot vaikuttavat eniten vektorien pituuteen – ei niiden väliseen kulmaan!
Spectral Correlation Mapper • spektrivektorit standardisoidaan • vähentämällä spektrivektoreista vektorien keskiarvo
Spectral Unmixing • Hyperspektriaineiston kuvapikselit kuvaavat usein alueita, jotka koostuvat eri materiaaleista • Selvitetään pikselissä esiintyvien materiaalien suhteelliset osuudet • Puhtaiden materiaalien heijastusspektri pitää tuntea • Metsässä valoisuuserot vaikeuttavat • Materiaalien spektrit sekoittuvat lineaarisesti • Lineaarinen SpectralUnmixing:
Spectral Feature Fitting (SFF) • SFF vertaa tutkittavan kohteen spektriä vastaavaan referenssispektriin • Käyttäähyväksimateriaalienyksilöllisiäabsorptio-ominaisuuksia • Absorptiopiikkien syvyys ja muoto • Usein käytetään pienimmän neliösumman tekniikkaa • Esim. kasvin lehtivihreä ja sen sisältämät vesimolekyylit absorpoivat säteilyä • Mineraaleilla myös paljon absorptiopiirteitä Kuva: http://cstars.ucdavis.edu/classes/mexusenvi/images/tut10_6.gif
Tukivektorikone-luokittelija • SVM - SupportVector Machine • Ohjattuja opetusmenetelmiä • Soveltuu hyvin hyperspektridatan tulkintaan • SVM erottaa moniulotteisen piirreavaruuden näytejoukot • maksimoimalla havaintoluokkien välisten marginaalitasojen välimatkaa • minimoimalla luokitteluvirheiden lukumäärää • aineistoa analysoidaan suoraan hyperdimensioisessa piirreavaruudessa • Kernelifunktio • piirreavaruus kuvataan useampidimensioiseen avaruuteen • ei-separoituvat näytejoukot saadaan separoituviksi
Sovelluksia • Ilmakehä (aerosolit, pilvet, ilmakehän kaasut, vesihöyry) • Metsät (puulajit) • Maatalous (kasvitaudit) • Geologia (mineraalit, maaperätyypit) • Vesi (klorofylli, orgaaniset aineet, sedimentit) • Jää/lumi (vesipitoisuus, hiukkasten koko)
Hyperspektritutkimusta Suomessa • TKK • GL • VTT • GTK • SYKE • Metla • Pöyry Group • Specim
Lisää tietoa • Diplomityö, Juho Lumme • http://foto.hut.fi/publications/diplomityot/koko/lumme_juho.pdf • Spektrikirjastoja: • http://speclib.jpl.nasa.gov/ • http://speclab.cr.usgs.gov/spectral.lib06/ • Remotesensingtutorial • http://rst.gsfc.nasa.gov/Sect13/Sect13_5.html