Hyperspektridatan tulkinta

Esitys aiheesta: "Hyperspektridatan tulkinta"— Esityksen transkriptio:

1 Hyperspektridatan tulkinta
Maa Kaukokartoitusaineiston luokittelu ja mallintaminen 2. luento Juho Lumme

2 Luennon aiheita Kuvaavat spektrometrit Hyperspektrikuva
Heijastusspektri Hyperspektridatan tulkintaa visuaalinen tulkinta piirteiden irroitus Hyperspektrikuvan luokittelu Sovelluksia

3 Kuvaavat spektrometrit
Lentokone AVIRIS HyMap AISA (Specim) Satelliitti Hyperion (NASA – EO ) PROBA (ESA ) TANSO (GOSAT-Japani) EnMAP (Saksa – 2013?) UAV (Unmanned Aerial Vehicle)

4 Hyperspektrikuva Useita kapeita peräkkäin sijaitsevia kanavia
3-ulotteinen tietojoukko (data cube) Hyvä spatiaalinen resoluutio Erittäin hyvä spektraalinen resoluutio

5 Heijastusspektri Materiaalin heijastaman säteilyn voimakkuus aallonpituuden funktiona Eri materiaalien heijastusspektrit usein yksilöllisiä Spektrikirjastot

6 Visuaalista tulkintaa
Pystytään esittämään vain 3 kanavaa samanaikaisesti Tietokoneen näyttö RGB Ihmisen näköjärjestelmä kolmen tyyppisiä tappisoluja värisokeilla voi jokin tyyppi puuttua

7 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

8 Piirteiden irroitusmenetelmiä
Pääkomponenttimuunnos PCA - Principal Component Analysis 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

9 Piirteiden irroitusmenetelmiä
Minimum Noise Fraction (MNF) Pienentää datan määrää erottamalla kohinaa Kaksi pääkomponenttimuunnosta perustuu estimoituun kohinan kovarianssimatriisiin on perinteinen pääkomponenttimuunnos kohinasuodatetulle

10 Luokittelualgoritmeja
Spectral Angle Mapper Spectral Correlation Mapper Spectral Unmixing Spectral Feature Fitting Tukivektorikone-luokittelija

11 Spectral Angle Mapper Yksinkertainen ja nopea
Valoisuuserot vaikuttavat eniten vektorien pituuteen – ei niiden väliseen kulmaan!

12 Spectral Correlation Mapper
spektrivektorit standardisoidaan vähentämällä spektrivektoreista vektorien keskiarvo

13 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 Spectral Unmixing:

14 Spectral Feature Fitting (SFF)
SFF vertaa tutkittavan kohteen spektriä vastaavaan referenssispektriin Käyttää hyväksi materiaalien yksilöllisiä absorptio-ominaisuuksia Absorptiopiikkien syvyys ja muoto Usein käytetään pienimmän neliösumman tekniikkaa Esim. kasvin lehtivihreä ja sen sisältämät vesimolekyylit absorpoivat säteilyä Mineraaleilla myös paljon absorptiopiirteitä Kuva:

15 Tukivektorikone-luokittelija
SVM - Support Vector 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

16 Neurovekko-luokittelija

17 Sovelluksia Ilmakehä (aerosolit, pilvet, ilmakehän kaasut, vesihöyry)
Metsät (puulajit) Maatalous (kasvitaudit) Geologia (mineraalit, maaperätyypit) Vesi (klorofylli, orgaaniset aineet, sedimentit) Jää/lumi (vesipitoisuus, hiukkasten koko)

18 Hyperspektritutkimusta Suomessa
TKK GL VTT GTK SYKE Metla Pöyry Group Specim

19 Lisää tietoa Diplomityö, Juho Lumme Spektrikirjastoja:
Spektrikirjastoja: Remote sensing tutorial