VYUŽITÍ HYPERSPEKTRÁLNÍCH DAT PŘI ŘEŠENÍ ENVIRONMENTÁLNÍCH ÚLOH DR. VERONIKA KOPAČKOVÁ PRACOVIŠTĚ DÁLKOVÉHO PRŮZKUMU ZEMĚ ČESKÁ GEOLOGICKÁ SLUŽBA veronika.kopackova@seznam.cz OBSAH PREZENTACE •Představení pracoviště •Dálkový průzkum Země (DPZ): principy a metody, obrazová spektroskopie •Testovací lokalita Sokolov, pořízená data •Environmetální aplikace obrazové spektroskopie •Budoucí satelitní mise •Shrnutí PRACOVIŠTĚ DÁLKOVÉHO PRŮZKUM ZEMĚ DPZ •Založeno v r. 2005 Veronika Kopačková M.Sc. team coordinator veronika.kopackova@geology.cz Jan Mišurec M.Sc. jan.misurec@geology.cz Lucie Koucká B.Sc. lucie.koucka@geology.cz Jan Jelének M.Sc. jan.jelenek@geology.cz SPOLUPRÁCE Spolupráce v rámci ČR: •Karlova univerzita v Praze, Přírodovědecká fakulta •Katedra experimentální biologie rostlin •Katedra aplikované geoinformatiky a kartografie •CzechGlobe (AV ČR) Mezinárodní spolupráce: •BRGM (French geological survey) •DLR (German Aerospace Center) •GSFC NASA (Goddard Space flight Center, NASA) •TAU (Tel-Aviv University) •Helmholtz center Freiberg (HIF) •GFZ Potzdam DRUHY DAT - METODY POZOROVÁNÍ ZEMĚ (DÁLKOVÝ PRŮZKUM ZEMĚ) Každý typ dat má své výhody a limity, nejlepších výsledků lze dosáhnout jejich integrací… ELECTROMAGNETIC SPECTRUM D:\Irak\obr\Vis_ultraviol.bmp D:\Irak\obr\Electrom_spectrum.bmp spectrum_radio spectrum_microwave spectrum_IR2UV spectrum_xray spectrum_gamma WAVEBANDS AND TERMINOLOGY Wavelength in microns 0.1 Optical - range reflective range 0.3 - 2.5 VIS (visible) 0.4 - 0.7 NIR (near infrared) 0.7 - 1.3 SWIR (short wave infrared) 1.3 - 2.5 TIR (thermal infrared) emissive range 2.5 - 14.0 Photographic Sensors 0.3 - 0.9 Multispectral Scanners 0.3 - 14.0 0.5 1.0 5.0 10.0 50.0 Microwave bands (activ) 0.5 5.0 1.0 10.0 50.0 100.0 Wavelength in centimeters K-band X-band C-band S-band L-band P-band 0.8-2.4 2.4-3.8 3.8-7.5 7.5-15.0 15.0-30.0 30.0-100.0 PARAMETRY OBRAZOVÝCH DAT DPZ Prostorové vs. spektrální rozlišení Velikost nejmenší objekt, který je v obraze identifikovatelný SPEKTRÁLNÍ DIMENZE OBRAZOVÁ SPEKTROSKOPIE OPTICKÝ SENSOR Pozemní spektroradiometr Letecký sensor Satelit Nově i bezpilotní letadla PARAMETRY OBRAZOVÝCH DAT DPZ: SPEKTRÁLNÍ ROZSAH A ROZLIŠENÍ Rozsah – region/oblast EM spektra v rámci něhož jsou obrazové záznamy (pásy) pořizovány Rozlišení – fce šírky (v nm) pořizovaných pásem SPEKTRÁLNÍ DIMENZE 1024 pix ~ 220 bands => spectral dimension ! Up to 33000 pix PROSTOROVÉ VS. SPEKTRÁLNÍ ROZLIŠENÍ detailed assessments, monitoring with infrequent coverage AVIRIS (from 20000 m) HyMap DAIS 7915 reflective; from 3000 m DAIS 7915 thermal TIMS (from 3200 m) TM/ETM xs HRG xs HRG pan LISS-1C ETM pan TM thermal METEOSAT AVHRR MODIS reflective MODIS thermal MERIS full spatial resolution MERIS red spatial resolution Large scale assessments, monitoring with frequent coverage Spatial resolution (GSD in meter) 1 10 100 1000 10 000 300 100 10 1 EnMAP from space AHS reflective thermal IKONOS pan Hyperion Spektrální rozsah: VNIR/SWIR TEORIE OBRAZOVÉ SPEKTROSKOPIE Chemické, fyzikální, mechanické vlastnosti Reflektance Emisivita -měření in situ pozemní přístroj) - nebo distančně (senzor) OBRAZOVÁ SPEKTROSKOPIE ems Reflektance Senzory zaznamenávají radianci, data musí být převedena na reflektanci (relativní nebo absolutní) OBRAZOVÁ SPEKTROSKOPIE Wavelengths [µm] VNIR 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 SWIR- II SWIR- I Spectral information of vegetation condition Spectral information of C-O, Al-OH, Mg-OH bearing minerals Spectral information of Fe2+,3+ content Specifická absorpce na dané vlnové délce – chem. a fyz. vlastnosti povrchu TEORIE VS. REALITA C:\Program Files (x86)\Microsoft Office\MEDIA\CAGCAT10\j0251301.wmf BRDF Bi-directional reflectance distribution function Odraz: spekulární vs. difusivní Chyba, stabilita a kalibrace senzoru, technické parametry Vliv atmosféry At sensor radiance Reflectance Problém míchání - směsi vs. TESTOVACÍ LOKALITA: SOKOLOV qOpen-cast lignite mining qMines under operation as well as abandoned mines and dumps Studenec Habartov Erika Mezihorská Jiří Družba PVS Lítov Medard VÝZKUMNÉ GRANTY - UZAVŘENÉ (2009-2013) SOKOLOV – POŘÍZENÁ DATA (2009-2011) Flight campaigns •2009, 2010, 2011 Cal/Val campaings Ground truth •(2009-2011) LI4B HS AERIAL DATA : HYMAP Spectral Configuration – 126 channels Module Spectral range Bandwidth across module Average spectral sampling interval VIS 0.45 – 0.89 um 15 – 16 nm 15 nm NIR 0.89 – 1.35 um 15 – 16 nm 15 nm SWIR1 1.40 – 1.80 um 15 – 16 nm 13 nm SWIR2 1.95 – 2.48 um 18 – 20 nm 17 nm • Australian sensor (HyVista) • 126 bands • 0.4-2.5 mm • 5 m pixel Sokolov: 07/2009 and 08/2010 FOV: 61.3° HYMAP DATA 07/2009 (HypSo) HYMAP (07/2009, 08/2010) – optimalization due to the strong BRDF effect in 2009 data CASI & AHS DATA (07/2011) Obrazová data: •AHS (day + night data) –VIS (11 bands; 0.44-0.74 μm) –NIR (9 bands; 0.78-1.00 μm) –SWIR (43 bands; 1.59-2.55 μm) –MIR (7 bands; 3.17-5.25 μm) –TIR (10 bands; 8.31-12.95 μm) •CASI (only day data) –VIS+NIR (96 bands; 0.36-1.050 μm) – – – CIR True RGB NIR SWIR TIR POZEMNÍ KAMPAŇ (CAL/VAL) asphalt concrete sand water artifitial grass •Field measurements and sampling •ASD FieldSpec-3, μfTIR, SR5000 –In-situ spectroscopic measurements (0.350-2.500 μm, 7.500-12.000 μm) •Samples of surface material (0-1 cm depth) –Dried and sieved (<2 mm) –Trace elements, heavy metals, XRD analysis, pH, sulfur, total organic carbon (TOC) •Water samples –pH, dissolved organic matter, conductivity, suspension •Dust samples •Soil profiling –Trace elements and heavy metals, Carbon, Sulphur, pH •Vegetation samples –Leaf pigments, water content, heavy metals, trace elements etc. • APLIKACE OBRAZOVÉ SPEKTROSKOPIE Pracoviště DPZ ČGS - aplikaci metod obrazové spektroskopie jako moderního nástroje pro environmentální monitoring, přičemž se zaměřuje na modelování vybraných geochemických a biochemických parametrů obr_2.jpg Sokolovská pánev: letecká data HyMap Povrchové pH Zdraví smrkových porostů - Vlastnosti povrchových vod POVRCHOVÉ PH HETEROGENNÍHO PROSTŘEDÍ Indikativní minerály ve vztahu k pH Pure min.(A, B) Mixtures (C, D) Specifické spektrální Projevy umožňující identifikaci těchto minerálů i ve formě směsí Model povrchového pH POVRCHOVÉ PH HETEROGENNÍHO PROSTŘEDÍ POVRCHOVÝCH DOLŮ R R2 Adjusted R2 Std. Error of the Estimate Sig. Training ,779 ,606 ,567 1,140 ,003 Validation ,873 ,763 ,744 1,138 ,000 ZHODNOCENÍ FYZIOLOGICKÉHO STAVU SMRKOVÝCH POROSTŮ A IDENTIFIKOVAT VEGETAČNÍ STRESS ZHODNOCENÍ FYZIOLOGICKÉHO STAVU SMRKOVÝCH POROSTŮ A IDENTIFIKOVAT VEGETAČNÍ STRESS Histogram: zastoupení tříd, symetrie Fotosyntetické pigmenty (Car/Cab) - Zdravotní třídy Změna zdravotních tříd (diferenční obraz mezi2009 a 2010) PŮDA VS. VEGETAČNÍ STRES §Larger differences can be observed in the Car/Cab ratios §higher values characterize the samples taken in 09/2010 §Erika exhibits the highest Car/Cab for both years followed by the Mezihorská site §Both sites, Erika and Mezihorská, had low pH, base saturation (BS) and Bc/Al ratios compared to Habartov and Studenec §Erika: underlain by sandstone and quartzite - extremely low BC §Mezihorská: underlain by granite with a low content of BC and low weathering rate POVRCHOVÉ VODY Erika.jpg PVS.jpg Litov2.jpg Medard.jpg Lomnice.jpg Physical parameters pH, redox, conductivity, suspension Anionts (HCO3)-, (NO3)-, F-, (SO4)2-, Cl- Cations Li+, Na+, Mg2+, Al, K+,Ca2+, Mn2+, Fe+, Zn2+, Sr2+, SiO2 Trace elements, HM V, Cr, Co, Cu, As, Cd, Pb Other chemical parameters NH4+, dissolved organic C (DOC) qOpen-cast lignite mining qMines under operation as well as abandoned mines and dumps PROCESNÍ SCHÉMA HyMap reflectance data Water bodies masking Water pure image endmember extraction obr_2.jpg tvorba_masky LSU: fractional abundance images Ground truth Can be LSU employed successfully to model the water property? spektralni_knihovna_ukazka Semi-quantitative mapping Yes POVRCHOVÉ VODY SEMI-KVANTITATIVNÍ MAPY Fe content.jpg HYPERALGO: NOVÝ PŘÍSTUP K ALGORITMIZACI A AUTOMATIZACI POSTUPŮ ZÍSKÁVÁNÍ INFORMACÍ Z HYPERSPEKTRÁLNÍCH DAT SE ZAMĚŘENÍM NA PŮDNÍ A ENVIRONMENTÁLNÍ APLIKACE 2013-2014, MŠMT, Kontakt II (LH 13266) Česká geologická služba / Univerzita Tel Aviv: Prof. Eyal Ben-Dor Logo_CGS OBLAST VÝZKUMU •testování a validaci lineárních a nelineárních statistických přístupů (all-possibilities approach: APA) v prostředí PARACUDA •tvorbu nových algoritmů a nástrojů pro kvantitativní analýzu a klasifikaci hyperspektrálních dat (IDL - programovací jazyk SW ENVI) •Využita jsou data pořízená v rámci předcházejících výzkumných projektů na Sokolově (EO-MINERS, DeMinTIR, HypSo) • TVORBA NOVÝCH ALGORITMŮ A SKRIPTŮ V IDL (PROGRAMOVACÍ JAZYK SW ENVI) vývoj nástrojů, které umožňují automatickou detekci vícečetných absorpčních maxim, princip detekce je postaven na analýze trendu spektrálního záznamu vlnová délka, na které dochází ke specifické absorpci, určuje, o jaký materiál se jedná, přičemž hloubka absorpce pak odráží množství (přímá úměra). V heterogenních (směsných materiálech) – vícečetné absorpce, pokud je jsme schopni detekovat, můžeme určit složení směsného materiálu ρ – reflektance λ – vlnová délka C – kontinuum CR –normalizace spektra k průběhu kontinua CRdepth – hloubka absorpce CRmax – maximální hloubka absorpce Loc_max – lokální absorpční maximum z - počet požadovaných maxim Tot_nm – celkový počet nalezených maxim Calculate CR_max_depth Calculate z loc_max_depth if z =1 Continuum Removal (CR) if z >1 depth z z AUTOMATICKÁ DETEKCE VÍCEČETNÝCH ABSORPČNÍCH MAXIM QUANTOOLS: MINERALOGICKÉ DETEKCE S VYUŽITÍM SPEKTRÁLNÍCH REGIONŮ VNIR/SWIR/TIR QAUNTools rychlá identifikace dle absorpčního záznamu, mohou být také využity jako nástroj pro rychlou fúzi informace obsažené v různých spektrálních regionech: • detekce dominantních absorpcí v různých regionech elektromagnetického spektra (VNIR/SWIR/TIR), • absorpční záznam v rámci VNIR/SWIR/TIR pak lze libovolně kombinovat a dále klasifikovat. QUANTOOLS: ENVI/IDL (V 5.0) QUANTOOLS: MINERALOGICKÉ DETEKCE S VYUŽITÍM SPEKTRÁLNÍCH REGIONŮ VNIR/SWIR/TIR Expertní klasifikační systém •Fuze dat/informace z různých spektrálních regionů (VNIR/SWIR/TIR) •Detekované dominantní absorpce v těchto třech regionech pak lze zobrazit v jednoduché RGB kombinaci a dále jednoduše klasifikovat pomocí běžně používaných klasifikátorů. QUANTOOLS: MINERALOGICKÉ DETEKCE S VYUŽITÍM SPEKTRÁLNÍCH REGIONŮ VNIR/SWIR/TIR •QAUNTools - přesná detekce specifické absorpce. •Pomocí posunu typologické absorpce lze identifikovat různé minerály s Fe3+ kationtem (jarosit a goethite, tyto minerály a jejich asociace jsou stabilní pouze v určitém rozsahu pH a lze je tak využít např. pro modelování pH (Kopačková, 2014) PARACUDA PARACUDA (prototyp TAU): SW prostředí, jež umožňuje testování a validaci lineárních i nelineárních statistických přístupů (velké množství modelů, automatizace a standardizace), s využitím tohoto systému lze nalézt a vybrat ty modely, které dosahují při validaci nejlepších výsledků. PARACUDA Systém PARACUDA byl českým týmem využit pro testování následujících témat: •Porovnání lineárních a nelineárních přístupů pro modelování takových půdních parametrů, které nevykazují přímé absorpční příznaky: pH, CEC (celková výměnná kapacita), BC (obsah bazických kationtů) a As (arzén), tyto parametry nelze identifikovat přímo pomocí specifických indikativních absorpčních příznaků, jedná se obecně o parametry, které jde ve spektroskopii modelovat poměrně obtížně. •Testování, zda u těchto parametrů vylepší výsledky modelování záznam pořízení ve středně-vlnné (MWIR) a dlouho-vlnné (LWIR) části infračerveného záření (termální region, spektroradiometr BRUKA) PARACUDA: UKÁZKA ÚLOHY •Vybrané půdní parametry (pH, CEC, BC a As), dva druhy modelů – PLS regrese (PLSR: Partial least squares regression, lineární přístup) a neuronové sítě (NN: Neuron Network, nelineární přístup), u kterých byly navzájem kombinovány tyto úpravy vstupních spektroskopických dat: •Vyhlazení spektrální křivky (Smoothing) •Převod na absorbanci (Absorbance) •Metoda odstranění trendu kontinua (Continuum Removal) •První derivace spektrální křivky (First Derivative) •Druhá derivace spektrální křivky (Second Derivative) •Finální vyhlazení spektrální křivky (Final Smoothing) •Pro každý testovaný parametr bylo vytvořeno 48 různých modelových kombinací pro PLSR regresi a 48 různých modelů pro NN modelování (Celkem 384 modelů s různým zadáním) INMON INOVACE METOD MONITORINGU ZDRAVOTNÍHO STAVU POROSTŮ SMRKU ZTEPILÉHO V KRUŠNÝCH HORÁCH S POUŽITÍM HYPERSPEKTRÁLNÍCH DAT INMON ASAS (1998) a APEX (Airborne PRISM Experiment, 2013) Spectral range: 380-2500 nm(VNIR, SWIR) Ground resolution: 1.5 m INMON ASAS APEX Vizualizace časových a prostorových rozdílů mezi sledovanými stanovišti pomocí normalizovaných hodnot vegetačního indexu NDVI705 SOUČASNÉ SATELITNÍ MISE BUDOUCÍ SATELITNÍ MISE •VNIR/SWIR •Pixel 30 m •244 pásem •Snad 2017 SENTINEL 2 •Druhá polovina 2015 •Program Copernicus (free access) •Časové rozlišení: 5 dní ZÁVĚR •Obrazová spektroskopie – nové metody pro monitoring různých složek ŽP •výzva/vize pro budoucí satelitní HS mise (EnMAP, PRISMA…) •Kvalitativní a kvantitativní analýza, studium procesů – dynamika prostředí (prostorová i časová variabilita) •Mezioborová disciplína – týmová záležitost •Distanční metody nicméně realita na Zemi nesmí být opomenuta (cal/val/ground truth) VYBRANÉ PUBLIKACE Kopackova, V., Hladíková, L.: Applying Spectral Unmixing to Determine Surface Water Parameters in a Mining Environment. Remote Sensing 11/2014; 6:11204-11224, Notesco, G., Kopačková, V., Rojík, P., Schwartz, G., Livne, I., Ben-Dor, E.: Mineral Classification of Land Surface Using Multispectral LWIR and Hyperspectral SWIR Remote-Sensing Data. A Case Study over the Sokolov Lignite Open-Pit Mines, the Czech Republic. Remote Sensing 07/2014; 6(8):7005-7025. Kopačková, V., Lhotáková, Z., Oulehle, O., Albrechtová, J.: Assessing forest health via linking the geochemical properties of a soil profile with the biochemical parameters of vegetation. International journal of Environmental Science and Technology 01/2014, Kopačková, V. (2014). Using multiple spectral feature analysis for quantitative pH mapping in a mining environment. International Journal of Applied Earth Observation and Geoinformation, 28, 28-42. http://dx.doi.org/10.1016/j.jag.2013.10.008, Kopačková, V., Mišurec, J., Lhotáková, Z., Oulehle, F., & Albrechtová, J. (2014). Using multi-date high spectral resolution data to assess the physiological status of macroscopically undamaged foliage on a regional scale. International Journal of Applied Earth Observation and Geoinformation, 27, 169-186. http://dx.doi.org/10.1016/j.jag.2013.09.009, Lhotáková, Z., Brodský, L., Kupková, L., Kopačková, V., Potůčková, M., Mišurec, J., ... & Albrechtová, J.. (2013). Detection of multiple stresses in Scots pine growing at post-mining sites using visible to near-infrared spectroscopy. Environmental Science: Processes & Impacts, 15(11), 2004-2015. DOI: 10.1039/c3em00388d, Kopačková, V., Chevrel, S., Bourguignon, A., Rojík, P., (2012): Application of high altitude and ground-based spectroradiometry to mapping hazardous low-pH material derived from the Sokolov open-pit mine, Journal of Maps, DOI:10.1080/17445647.2012.705544. Mišurec, J. and Kopačková, V., Lhotáková, Z., Hanuš, J., Weyermann, J., Entcheva-Campbell, P.,Albrechtová, J., (2012): Utilization of hyperspectral image optical indices to assess the Norway spruce forest health status, J. Appl. Remote Sens. 6(1), 063545. doi:10.1117/1.JRS.6.063545. Děkuji za pozornost…