Zpracování multispektráln lních a hyperspektráln lních dat v rámci r projektu NIKM pro identifikace kontaminovaných a potenciáln lně kontaminovaných místm Jana Petruchová Lenka Jiráskov sková Mezinárodní konference Průmyslová ekologie II, Beroun 24. 3. 2011
NIKM V první etapě projektu NIKM jsou multispektrální data dostupná na třech testovací území o velikosti strany 50 km označená A, B a C Doposud byla metodami DPZ analyzována oblast A 2
cíl zpracování multispektrálních družicových snímků identifikace PKM na vybraném testovacím území použitá multispektrální data družice RapidEye testovací oblast A (území mezi Podbořany, Plzní, Příbramí a Prahou) zvolená metoda klasifikace obrazu Multispektráln lní data výsledná klasifikovaná vrstva indikuje lokality PKM - jsou ověřovány v terénu (např. typ kontaminace) 3
Multispektráln lní data pro vytvoření spektrálních charakteristik PKM bylo identifikováno deset lokalit KM ze SEKM ID lokalita parametr A1 Buštěhrad/ Stehelčeves povrch rekultivované skládky NO A2 Skládka Rynholec povrch rekultivované skládky KO A3 Veltrusy Strachov povrch skládky NO A4 Hořovice Hrádek povrch skládky KO A5 Králův Dvůr Jarov (halda Jarov) povrch skládky IO A6 Řevnice povrch skládky KO A7 Libčice odkaliště galvanických kalů A8 Příbram skládka odpadů z hutí výroby Kovohutě Příbram A9 Příbram laguny a odkaliště sodné strusky Kovohutě Příbram A10 Uhy povrch skládky KO, z části rekultivované Systém evidence kontaminovaných míst (SEKM) je současný integrovaný databázový systém pro evidenci lokalit postižených kontaminací zemin, stavebních konstrukcí nebo půdního vzduchu a podzemních či povrchových vod 4
Multispektráln lní data vytvořeny trénovací množiny Určena jejich odlučitelnost kontrola spektrální separability trénovacích množin Nástroj využívající testy Jeffries-Matusita a Transformed Divergence výsledek potvrdil správnost volby trénovacích ploch 5
Multispektráln lní data klasifikace řízená klasifikace Maximum Likelihood s prahem pravděpodobnosti odlišným pro jednotlivé trénovací množiny post-klasifikace určení přesnosti klasifikace jednotlivých tříd na výsledku klasifikace byl odstraněn šum mediánový filtr upravený rastr byl exportován do formátu shapefile identifikovaná PKM vektorová vrstva identifikovaných PKM je používána pro terénní šetření a ověření výsledků metody probíhající ověření - spolehlivost metody 75 % 6
Multispektráln lní data terénn nní šetření Plocha u letiště Hořovice Rekultivovaná plocha Klasifikováno jako rekultivovaná skládka Halda Beroun - Jarov Obnovená skládka hutního odpadu Byla identifikována jako skládka inertního odpadu Halda Nový Jáchymov Bývalá halda strusky z hutní výroby Klasifikována jako halda strusky 7
Hyperspektráln lní data součástí projektu ověření možnosti využití hyperspektrálních dat pro vytvoření referenční spektrální knihovny kontaminantů a detekci PKM pro tyto účely jsou zpracovávána hyperspektrální data družicová letecká laboratorně měřená hyperspektrální data obsahujířádově stovky velmi úzkých spektrálních pásem, skládaných těsně vedle sebe plynulý průběh spektrální křivky 8
Hyperspektráln lní data - družicov icová vědecké mise NASA - Earth Observing-1 (EO-1), senzor Hyperion (Hyperspectral Imager) data obsahují 242 pásem (158 je kalibrovaných) se spektrálním rozsahem od 357 do 2576 nm velikost jednoho snímku 7,5 x 100 km, při prostorovém rozlišení 30 m data byla stažena z archivu Geologické služby Spojených států (USGS) pro územíčr bylo k dispozici sedm snímků, ke zpracování byly vybrány dva v okolí Prahy 9
Hyperspektráln lní data - družicov icová formát dat z USGS - L1Gst (Geometric Systematic Terrain Corrected) radiometricky opravena, georeferencována a ortorektifikována zbývající kroky předzpracování: atmosférická korekce - převedení dat z hodnot záření na odrazivost odstranění šumu software ENVI nabízí nástroje pro atmosférické korekce založené na různých principech redukce vlivu atmosféry (empirická kalibrace, matematický model, určení parametrů ze scény, atd.) byly použity nástroje dva typy atmosférických korekcí obsažených v software EVNI použitého ke zpracování dat: Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH) - MODTRAN4 QUick Atmospheric Correction (QUAC) 10
výstupy FLAASH má několik výstupů: rastru obsahujícího informaci o povrchové odrazivosti rastr odhadnutého množství vodních par a typu oblaků na těchto výstupech je dobře patrný vliv systematických chyb (šumu) na kvalitu snímku Poměr signálu a šumu pro senzor Hyperion Hyperspektráln lní data - družicov icová 11
Hyperspektráln lní data - družicov icová pro odstranění šumu snímku funkce Maximum Noise Fraction (MNF) MNF je lineární transformace redukující rozměr hyperspektrálních dat založena na analýze hlavních komponent výpočet statistik pro MNF transformaci se ideálně provádí na tmavém homogenním povrchu (např. dostatečně velké vodní ploše) pokud tuto plochu použijeme pro výpočet směrodatné odchylky hodnot záření, vidíme rozložení šumu v nezpracovaném snímku 12
Spektráln lní projevy testovacích ch míst m nad snímky Hyperionu zjištění spektrálních projevů kontaminovaných míst na snímcích Hyperionu posouzení spektrální rozdílnosti identifikovaných kontaminovaných míst z příznakového prostoru závislost mezi oblastmi C2, C2a, C4 silné míchání spektrálních projevů s vegetací C2, C2a stará a nová halda Záběhlice C4 skládka Ďáblice C6 S-NO Tišice, uhlí SAM analýza spektrálních projevů SEKM oblastí Hyperionů - podobnost spektrálních projevů většiny částečně nebo zcela zarostlých skládek - vegetace
Hyperspektráln lní data pro zpracování hyperspektrálních dat se používají metody souhrnně nazývané spektrální analýzy získávají se kvantitativní a kvalitativní informace o materiálech, a to díky jejich známým spektrálním projevům (odlišné odrazivosti v závislosti na vlnové délce) materiály detekované touto metodou mohou být zcela libovolné jako půda, vegetace atd., tedy i kontaminanty nejpoužívanější metody spektrální analýzy jsou: Spectral Angle Mapper (SAM) určuje podobnost dvou spekter pomocí výpočtu spektrálního úhlu mezi nimi Spectral Feature Fitting (SFF) zjišťující podobnost dvou spekter prostřednictvím metody nejmenších čtverců 14
Hyperspektráln lní data - letecká v projektu jsou zpracovávána také data z leteckého snímkování senzorem AISA Eagle maximální spektrální rozlišení senzoru je 2,4 nm prostorové 0,4 m až 6 m podle výšky letu spektrální rozsah je 400-1000 nm předzpracování a zpracování leteckých dat probíhá stejně jako u družicových dat bylo provedeno AV ČR Skládka Chvaletice L6 - skládka uhlí, popílkové haldy, těžební prostor 15
Hyperspektráln lní data - laboratorní laboratorní měření se provádějí ve spolupráci s Katedrou pedologie a ochrany půd České zemědělské univerzity v Praze přístroj pozemní spektroradiometr FieldSpec 3 rozsah 350 do 2500 nm spektrální projevy několika typických kontaminantů komunální skládky plasty textil papír sklo dřevo stavebních materiály kovy, atd. 16
určení limitů detekce komunálního odpadu a popílků: Band Detection Limit (BDL) a Material Detection Limit (MDL). MDL min. detekovatelná plocha pixelu pokrytá materiálem závisí na: hloubce absorpčních pásu (spektrálním kontrastu) prostorovém rozlišení snímku (velikost pixelu). BDL min. hodnota spektrálního kontrastu absorpčního pásu nutná k detekci látky: závisí na vlastnostech snímače materiál pásmo (µm) Plast PP bílý SNR Band FWHM (µm) Hyperspektráln lní data - laboratorní SI (µm) CF d GSD (m) BDL f min MDL (m 2 ) 1170 70 125 10 2 0,73 30 0,0081 0,0110 9 1410 10 125 10 2 0,86 30 0,0566 0,0657 59 1680 90 250 10 2 0,25 30 0,0044 0,0178 16 2150 40 80 10 2 0,32 30 0,0177 0,0552 49 2350 20 100 10 2 0,49 30 0,0316 0,0652 59 17
Hyperspektráln lní data - laboratorní Míchání spektrálních projevů - posouzení vlivu vegetace na spektrální projevy materiálů: laboratorního měření - použity vzorky stavebního materiálu postupně překryty 20 %, 50 %, 100 % identifikace smíchaných spektrálních projevů s původním materiálem - SAM při obsahu pětiny vegetace v pixelu není dobrá shoda ověření lineárního míchání identifikace: matematický výpočet lineárně smíchaného spektrálního projevu laboratorně měřený smíchaný spektrálních projev Výsledky: 20 % obsahu vegetace - dobrá shoda=>míchání spekter lineární 50 % obsahu vegetace - špatná shoda=>míchání spekter nelineární
Výsledky řešení SFF analýza Voda SCALE RMS 2D rozptylogram výběr Uhlí FIT FIT SAM Uhlí Popílky
Výhledy Multispektrální data: vytvoření vrstvy PKM na dalších oblastech Hyperspektrální data: Tvorba referenční knihovny spektrálních projevů a to: Látek vytvořených člověkem Kontaminantů Vegetace, vegetace v různých životních cyklech Půd Hornin 20
DĚKUJEME ZA POZORNOST Jana Petruchová jana.petruchova@cenia.cz Lenka Jirásková lenka.jiraskova@cenia.cz