Fundamemtals Penginderaan Jauh Hyperspectral

Fundamemtals Penginderaan Jauh Hyperspectral

Pengantar

Hyperspectral penginderaan jauh adalah ilmu untuk memperoleh citra digital bahan bumi di banyak sempit band spektral bersebelahan. Sensor hyperspectral atau spektrometer pencitraan mengukur bahan tanah dan menghasilkan lengkap tanda tangan spektral tanpa kelalaian panjang gelombang.Instrumen tersebut diterbangkan kapal ruang dan berbasis platform udara. Handheld versi juga ada dan digunakan untuk misi penilaian akurasi dan investigasi skala kecil.

Instrumen spektral hiper biasanya dengan beberapa band bersebelahan di semua bagian dari spektrum di mana mereka beroperasi. Digital Airborne Pencitraan Spektrometer misalnya adalah itt, memiliki 63 band, 27 di terlihat, dan infra-merah dekat (0,4-1,0 mikron), dua dalam jangka pendek gelombang infra merah (1,0-1,6 mikron), 28 di gelombang pendek inframerah penting untuk pemetaan mineral lempung (2,0-2,5 mikron), dan 6 di inframerah termal.Kemampuan untuk mengukur reflektansi di beberapa band bersebelahan di bagian tertentu dari spektrum memungkinkan instrumen ini untuk menghasilkan kurva spektral yang dapat dibandingkan dengan referensi spektrum untuk sejumlah mineral, sehingga memungkinkan kandungan mineral dari bagian tertentu dari tanah menjadi ditentukan.

Pencitraan itt melibatkan melanggar pita lebar dari terlihat dan infra-merah menjadi ratusan bagian spektral, yang memungkinkan pertandingan yang sangat tepat karakteristik tanah, seperti warna, dengan standar referensi. Teknik ini sangat sensitif sehingga dapat mendeteksi benda disamarkan dan telah digunakan di bidang kehutanan untuk mengukur biomassa dan kerusakan yang disebabkan oleh penyakit tanaman. Penginderaan jauh Hyperspectral menggabungkan pencitraan dan spektroskopi dalam satu sistem, yang sering kali berisi set data yang besar dan memerlukan metode pengolahan baru. Data set Hyperspectral umumnya terdiri dari sekitar 100 sampai 200 band spektral bandwidth relatif sempit (5-10 nm), sedangkan, set data multispektral biasanya terdiri dari sekitar 5 sampai 10 band dari bandwidth yang relatif besar.

General Spektroskopi

Bidang spektroskopi dibagi menjadi emisi dan spektroskopi serapan. Sebuah spektrum emisi diperoleh dengan analisis spektroskopi beberapa sumber cahaya. Fenomena ini terutama disebabkan oleh eksitasi atom dengan cara termal atau listrik, energi yang diserap menyebabkan elektron dalam keadaan dasar untuk dipromosikan ke keadaan tingkat energi yang lebih tinggi. Masa pakai elektron dalam keadaan metastabil pendek, dan mereka kembali ke beberapa negara yang lebih rendah atau ke keadaan dasar, energi yang diserap dilepaskan sebagai cahaya. Sebuah penyerapan spektrum diperoleh dengan menempatkan substansi antara sensor dan beberapa sumber energi yang menyediakan EMR dalam rentang frekuensi sedang dipelajari. Sensor menganalisis energi dipancarkan relatif terhadap insiden energi untuk frekuensi tertentu.

Jadi untuk mempelajari berbagai kurva spektral, kita harus mengurus penyerapan spektrum berbagai fitur, penyerapan puncak dapat karena:

1. Mengisi Transfer serapan

2. Serapan transisi elektron dan

3. Serapan vibrasi.

Spektroskopi adalah studi tentang radiasi elektromagnetik. Spektrometri berasal dari spektrofotometri-fotometri, ukuran foton sebagai fungsi dari panjang gelombang, istilah yang digunakan selama bertahun-tahun dalam astronomi. Namun, spektrometri menjadi istilah yang digunakan untuk menunjukkan pengukuran besaran non-ringan, seperti dalam spektrometri massa. Istilah seperti laboratorium spektrometer, spectroscopist, spektroskopi reflektansi, spektroskopi emisi termal, dll, yang umum digunakan. Para peneliti sedang mempelajari dan menerapkan metode untuk identifikasi dan pemetaan materi melalui penginderaan jauh spektroskopi (disebut pencitraan spektroskopi, pencitraan itt, pencitraan spektrometri, dll), di bumi dan seluruh tata surya menggunakan laboratorium, udara dan pesawat ruang angkasa spektrometer.

Spektrum matahari 400-2500 nm menyediakan cukup radiasi permukaan untuk memungkinkan pencitraan spektral di bawah sinar matahari yang dipantulkan, dan sensor hyperspectral meliputi spektrum ini akan memiliki pada urutan 200 band spektral. Hal ini bertujuan untuk meningkatkan akurasi dan memperluas lingkup penginderaan jauh terestrial dengan sepenuhnya memanfaatkan domain spektral, sambil memberikan informasi spektral dalam konteks spasial sehingga dapat dengan mudah diinterpretasikan dan digunakan.

Ada 4 parameter umum yang menggambarkan kemampuan spektrometer:

1) Kisaran spektral,

2) Bandwidth spektral,

3) spektral sampling, dan

4) rasio Signal-to-noise (S / N).

Rentang spektral penting untuk menutupi penyerapan spektral diagnostik cukup untuk memecahkan masalah yang diinginkan. Ada rentang spektral umum yang umum digunakan, masing-masing untuk urutan pertama dikendalikan oleh teknologi detektor: a) ultraviolet (UV): 0,001-0,4 m, b) terlihat: 0,4-0,7 um, c) dekat-inframerah (NIR): 0,7-3,0 m, d) pertengahan inframerah (MIR): 3,0-30 m, dan d) inframerah jauh (FIR): 30 pM sampai 1 mm (misalnya, lihat The Photonics Desain dan Aplikasi Handbook, 1996 dan The Handbook of Kimia dan Fisika, setiap tahun baru). The ~ 0,4-1,0 um-rentang panjang gelombang kadang-kadang disebut dalam literatur penginderaan jauh sebagai VNIR (-dekat-inframerah terlihat) dan kisaran 1,0-2,5 um-kadang disebut sebagai SWIR (gelombang pendek inframerah). Perlu dicatat bahwa istilah ini tidak diakui persyaratan standar di bidang lain kecuali penginderaan jauh, dan karena NIR dalam konflik VNIR dengan diterima berbagai NIR, VNIR dan SWIR istilah mungkin harus dihindari. Pertengahan inframerah meliputi energi termal yang dipancarkan, yang untuk Bumi dimulai pada sekitar 2,5 sampai 3 m, memuncak mendekati 10 m, penurunan melampaui puncak, dengan bentuk dikendalikan oleh abu-tubuh emisi.

Spectral bandwidth adalah lebar saluran spektral individu dalam spektrometer. Sempit bandwidth spektral, semakin sempit fitur penyerapan spektrometer akurat akan mengukur, jika cukup sampel spektral yang berdekatan diperoleh. Beberapa sistem memiliki saluran yang luas sedikit, tidak contiguously spasi dan, dengan demikian, tidak dianggap spektrometer (Gambar 1a). Contohnya termasuk Thematic Mapper (TM) sistem Landsat dan Moderate Resolution Imaging Spectroradiometer (MODIS), yang tidak bisa menyelesaikan fitur penyerapan sempit. Lainnya, seperti NASA JPL Airborne Visual dan Infra-Red Pencitraan Spectrometer (AVIRIS) sistem memiliki banyak bandwidth yang sempit, contiguously spasi (Gambar 1b). Gambar 1 menunjukkan spektrum untuk nontronit mineral yang bisa diperoleh oleh beberapa contoh broadband dan sistem spektrometer. Perhatikan kerugian halus rinci spektral dalam sistem resolusi yang lebih rendah dibandingkan dengan spektrum laboratorium. Bandwidth dan pengambilan sampel lebih besar dari 25 nm dengan cepat kehilangan kemampuan untuk menyelesaikan fitur penyerapan mineral penting. Semua spektrum pada Gambar 1b adalah sampel setengah Nyquist (sampling kritis) kecuali Spektrometer Pemetaan Inframerah dekat (Nims), yang di Nyquist sampling. Catatan, bagaimanapun, bahwa rincian halus dari fitur penyerapan hilang di ~ 25 nm bandpass dari NIMS. Misalnya, bahu di band penyerapan 2,2 m hilang pada 25-nm bandpass. Visual dan Inframerah Spektrometer Pemetaan (VIMS) dan sistem NIMS mengukur sampai 5 m, sehingga bisa melihat pita penyerapan tidak mungkin diperoleh oleh sistem lain.

hyperRS1

Daftar Sensor itt:

  1. HSI
  2. ARIES
  3. Hyperion
  4. CHRIS
  5. HYDICE

 

Sebagai teknologi sensor baru telah muncul selama beberapa tahun terakhir, data yang multispektral dimensi tinggi dengan ratusan band telah tersedia.Sebagai contoh, sistem AVIRIS mengumpulkan data gambar dalam pita spektrum 210 di 0,4-2,4 pM jangkauan. Dibandingkan dengan data sebelumnya dari dimensi rendah (kurang dari 20 band), data ini itt berpotensi menyediakan banyak informasi. Namun, hal ini juga menimbulkan perlunya perhatian lebih spesifik untuk prosedur analisis data jika potensi ini akan terwujud.

 

Tabel 1. Beberapa sistem hyperspectral dikerahkan (12/00).

Sensor

Rentang panjang gelombang (nm)

Lebar band (nm)

Jumlah band

AVIRIS 400-2500 10 224
TRWIS III 367-2328 5.9 335
HYDICE 400-2400 10 210
CASI 400-900 1.8 288
OKSI AVS 400-1000 10 61
Meris 412-900 10,7.5,15,20 15
Hyperion 325-2500 10 242

 

Data yang Hyperspectral

Data yang dihasilkan oleh spektrometer pencitraan berbeda dengan instrumen multispektral karena jumlah besar wavebands direkam. Untuk wilayah geografis tertentu dicitrakan data yang dihasilkan dapat dilihat sebagai kubus, memiliki dua dimensi yang mewakili posisi spasial dan salah satu yang mewakili panjang gelombang. Meskipun data volume ketat tidak menimbulkan tantangan pengolahan data besar dengan sistem komputasi kontemporer itu tetap berguna untuk memeriksa ukuran relatif data mengatakan TM dan AVIRIS. Jelas, perbedaan utama yang perlu diperhatikan antara keduanya adalah jumlah wavebands (7 vs 224) dan kuantisasi radiometrik (8 vs 10bpppb). Mengabaikan perbedaan dalam resolusi spasial, volume data relatif, per pixel adalah 56:2240. Per pixel ada 40 kali lebih banyak bit sehingga untuk AVIRIS seperti untuk TM.

Dengan 40 kali lebih banyak data per pixel-apakah itu berarti informasi lebih per pixel? Umumnya tentu saja, itu tidak terjadi-banyak data addional tidak menambah kandungan informasi yang melekat untuk informasi tertentu meskipun sering membantu dalam menemukan informasi yang dengan kata lain mengandung redudansi. Dalam penginderaan jauh redundansi data dapat mengambil dua bentuk: spasial dan spektral. Memanfaatkan redundansi spasial yang ada di balik metode konteks spasial. Redundansi spektral berarti bahwa isi informasi dari salah satu band yang dapat sepenuhnya atau sebagian diprediksi dari band lain dalam data.

Kalibrasi

Kalibrasi Data spektroskopi imaging untuk reflektansi permukaan merupakan bagian integral dari proses analisis data, dan sangat penting jika hasil yang akurat dapat diperoleh. Identifikasi dan pemetaan bahan dan sifat material yang terbaik dicapai dengan menurunkan sifat dasar permukaan, pantulan, sementara menghilangkan efek mengganggu penyerapan atmosfer dan hamburan, spektrum matahari, dan bias instrumental. Kalibrasi untuk reflektansi permukaan secara inheren sederhana dalam konsep, namun sangat kompleks dalam praktek karena model transfer radiasi atmosfer dan spektrum matahari belum ditandai dengan akurasi yang memadai untuk memperbaiki data untuk ketepatan beberapa instrumen yang tersedia saat ini, seperti NASA / JPL Airborne Visible dan Infra-Red Pencitraan Spektrometer.

Tujuan kalibrasi data penginderaan jauh adalah untuk menghilangkan efek atmosfer (hamburan dan penyerapan) dan untuk mengkonversi dari nilai-nilai cahaya yang diterima pada sensor untuk nilai reflektansi dari permukaan tanah. Keunggulan yang ditawarkan oleh dikalibrasi spektrum reflektansi permukaan dibandingkan data cahaya dikoreksi meliputi: 1) bentuk dari spektrum dikalibrasi terutama dipengaruhi oleh kimia dan sifat fisik bahan permukaan, 2) dikalibrasi spektrum jauh-merasakan dapat dibandingkan dengan lapangan dan Spektrum laboratorium bahan yang dikenal, dan 3) data dikalibrasi dapat dianalisis menggunakan metode spektroskopi yang mengisolasi fitur penyerapan dan menghubungkannya dengan ikatan kimia dan sifat fisik bahan. Dengan demikian, keyakinan yang lebih besar dapat ditempatkan dalam peta berasal dari data reflektansi dikalibrasi, di mana kesalahan dapat dilihat untuk muncul dari masalah dalam interpretasi daripada data input yang salah.

Normalisasi data:

Ketika koreksi radiometrik rinci tidak layak normalisasi merupakan alternatif yang membuat data dikoreksi independen kebisingan perkalian, seperti efek spektrum topografi dan solar. Hal ini dapat dilakukan dengan menggunakan Residu Log, berdasarkan pada hubungan antara cahaya dan reflektansi.

Jumlah sampel pelatihan yang dibutuhkan untuk melatih classifier untuk data dimensi tinggi jauh lebih besar dari yang dibutuhkan untuk data konvensional, dan mengumpulkan sampel ini pelatihan bisa sulit dan mahal. Oleh karena itu, asumsi bahwa sampel pelatihan yang cukup tersedia untuk secara akurat memperkirakan deskripsi kuantitatif kelas sering tidak puas untuk data dimensi tinggi. Sampel pra-label digunakan untuk memperkirakan parameter kelas dan merancang sebuah classifier disebut sampel pelatihan. Keakuratan estimasi parameter tergantung substansial pada rasio jumlah sampel pelatihan kepada dimensi dari ruang fitur. Dengan meningkatnya dimensi, jumlah sampel pelatihan yang dibutuhkan untuk mencirikan kelas meningkat juga. Jika jumlah sampel pelatihan yang tersedia gagal untuk mengejar ketinggalan dengan kebutuhan, yang merupakan kasus untuk data hyperspectral, estimasi parameter menjadi tidak akurat. Pertimbangkan kasus dari jumlah terbatas dan tetap sampel pelatihan. Keakuratan estimasi statistik menurun karena dimensi meningkat, yang mengarah ke penurunan akurasi klasifikasi. Meskipun peningkatan jumlah spektral band (dimensi) Akibatnya, akurasi klasifikasi pertama tumbuh dan kemudian menurun sebagai jumlah band spektral meningkat, yang sering disebut sebagai fenomena Hughes).

 

Perpustakaan Spectral

Penafsiran resolusi “hyperspectral” data citra spektral tinggi dapat disederhanakan dengan menggunakan contoh-contoh dari laboratorium dan tanah diperoleh perpustakaan spektrum didokumentasikan disebut sebagai perpustakaan spektral.

Perpustakaan spektral mengandung spektrum spesies individu yang telah diperoleh pada uji situs perwakilan beragam medan dan zona iklim, yang diamati di lapangan dalam kondisi alamiah. Termasuk juga adalah deskripsi data lain misalnya, bahan konstruksi, mineral vegetasi dan kain seperti yang diamati di laboratorium di bawah kondisi standar. Seperti perpustakaan atau database dalam kombinasi dengan perangkat lunak dapat memungkinkan dalam identifikasi bahan dengan mencocokkan spektrum mereka dengan data penginderaan jauh untuk tujuan identifikasi.

Analisis dan Interpretasi Imaging Spectrometer data

Teknik yang berbeda telah dirancang untuk memetakan fitur penyerapan untuk membuat diskriminasi positif target reflektansi permukaan. Mereka adalah

Linear Spectral Algoritma unmixing

Yang paling banyak digunakan metode untuk mengekstraksi informasi dari permukaan gambar penginderaan jauh adalah klasifikasi citra. Karakteristik spektral masing-masing kelas pelatihan didefinisikan melalui proses statistik atau probabilistik dari fitur ruang dan pixel diketahui harus diklasifikasikan dibandingkan dengan statistik kelas dikenal dan ditugaskan ke kelas yang mereka sebagian besar menyerupai.

Permukaan alami jarang terdiri dari bahan seragam tunggal. Spektral pencampuran merupakan konsekuensi dari pencampuran bahan yang memiliki sifat spektral yang berbeda dalam GIFOV [dasar bidang sesaat view] dari satu piksel. Jika skala pencampuran besar [makroskopik], pencampuran terjadi secara linear. Untuk fitur mikroskopis atau intim pencampuran terjadi secara non-linear. Linear pencampuran mengacu pada kombinasi aditif dari beberapa bahan yang beragam yang terjadi dalam pola terlalu halus untuk diselesaikan oleh sensor. Model linier mengasumsikan tidak ada interaksi antara bahan. Jika setiap foton melihat salah satu materi, sinyal ini menambahkan [suatu proses linear]. Beberapa hamburan melibatkan beberapa bahan dapat dianggap sebagai perkalian mengalir [proses non-linear].

Apa Penyebab spektral Mixing

Berbagai faktor berinteraksi untuk menghasilkan sinyal yang diterima oleh spektrometer pencitraan

  • Sebuah volume yang sangat tipis bahan berinteraksi dengan insiden sinar berjemur. Semua bahan yang ada dalam buku ini memberikan kontribusi terhadap total energi yang dipantulkan.
  • Spasial pencampuran bahan di daerah diwakili oleh hasil piksel tunggal dalam sinyal tercermin spektral campuran.
  • Pencahayaan variabel karena topografi [teduh] dan bayangan yang sebenarnya di daerah diwakili oleh pixel lebih memodifikasi sinyal yang dipantulkan, pada dasarnya pencampuran dengan “hitam” anggota end.
  • Pencitraan spektrometer mengintegrasikan cahaya yang dipantulkan dari setiap pixel.

Analisis unmixing spektral dikhususkan untuk penggalian spektrum murni yang oleh kebutuhan membentuk masing-masing gambar. Hal ini dapat dicapai hanya jika piksel dibentuk oleh linier pencampuran

Pemodelan Campuran Spectra

Model paling sederhana dari spektrum campuran adalah linear satu, di mana spektrum adalah kombinasi linear dari “murni” spektrum bahan terletak di daerah pixel, dihitung dengan kelimpahan pecahan mereka. Pemodelan Campuran bertujuan menemukan pantulan campuran dari satu set murni end-anggota-spektrum.

Sebuah perpustakaan spektral membentuk matriks data awal untuk analisis. Yang ideal perpustakaan spektral berisi anggota end bahwa ketika dikombinasikan linear dapat membentuk semua spektrum lainnya. Model matematika adalah sederhana. Spektrum yang diamati [vektor] dianggap produk dari mengalikan perpustakaan pencampuran spektrum anggota end murni [matriks] oleh kelimpahan anggota akhir [vektor]. Sebuah kebalikan dari aslinya spektral matriks perpustakaan dibentuk dengan mengalikannya dengan transposes dari matriks orthogonal dan nilai-nilai timbal balik dari matriks diagonal.Sebuah vektor perkalian matriks sederhana antara matriks perpustakaan terbalik dan spektrum campuran diamati memberikan perkiraan kelimpahan anggota akhir perpustakaan untuk spektrum diketahui.

Model pencampuran geometris menyediakan sarana alternatif intuitif untuk memahami spektral pencampuran. Campuran piksel yang divisualisasikan sebagai titik dalam n-dimensi ruang-pencar Plot [spasi spektral], dimana n adalah jumlah band. Dalam dua dimensi, jika hanya dua anggota akhir campuran, maka piksel campuran akan jatuh dalam garis (gambar 2A). Para anggota end murni akan jatuh di kedua ujung garis pencampuran. Jika tiga anggota akhir campuran, maka piksel campuran akan jatuh di dalam segitiga (gambar 2B). Campuran dari anggota akhir “mengisi” antara anggota akhir.

hyperRS2

Gambar 2: Pemilihan anggota End menggunakan PCA

Semua spektrum campuran adalah “interior” kepada anggota akhir murni, dalam simpleks dibentuk oleh simpul anggota akhir, karena semua kelimpahan positif dan jumlah untuk persatuan. Ini “cembung set” pixel campuran dapat digunakan untuk menentukan berapa banyak anggota end hadir dan untuk memperkirakan spektrum mereka. Model geometrik dapat dikembangkan untuk dimensi yang lebih tinggi di mana jumlah anggota akhir pencampuran adalah salah satu lebih dari yang melekat dimensi dari data campuran.

Unmixing spektral

Dua jenis yang sangat berbeda dari unmixing biasanya digunakan: Menggunakan “dikenal” anggota end dan menggunakan “turunan” anggota akhir.

Menggunakan anggota akhir dikenal, orang berusaha untuk memperoleh kelimpahan pecahan nyata dari setiap materi endmembers di setiap pixel, diberi satu set “diketahui” atau diasumsikan endmembers spektral. Ini endmembers dikenal dapat ditarik dari data [rata-rata daerah memilih menggunakan pengetahuan sebelumnya], yang diambil dari sebuah perpustakaan bahan murni dengan interaktif browsing melalui data spektrometer pencitraan untuk menentukan apa bahan murni yang ada di gambar, atau ditentukan dengan menggunakan sistem pakar.

Pencampuran endmembers matriks terdiri dari spektrum dari foto atau perpustakaan referensi. Pencampuran matriks terbalik dan dikalikan dengan spektrum yang diamati untuk mendapatkan estimasi kuadrat-yang tidak diketahui endmembers kelimpahan fraksi. Kendala dapat ditempatkan pada solusi untuk memberikan pecahan positif bahwa jumlah untuk persatuan. Naungan dan bayangan yang termasuk baik implisit [fraksi sum untuk 1 atau kurang] atau eksplisit sebagai endmember [fraksi sum untuk 1].

Metode unmixing kedua menggunakan data spektrometer pencitraan diri untuk “menurunkan” para endmembers pencampuran. Yang melekat dimensi data ditentukan dengan menggunakan prosedur orthozonalization khusus yang berkaitan dengan komponen utama:

  • Sebuah sub-ruang linear, atau “flat” yang mencakup seluruh sinyal data berasal.
  • Data diproyeksikan ke subruang ini, menurunkan dimensi dari unmixing dan menghapus sebagian besar suara.
  • Cembung lambung dari data proyeksi ditemukan.
  • Data “dibungkus plastik” oleh simpleks n-dimensi, memberikan perkiraan endmembers murni.
  • Ini endmembers berasal harus memberikan perkiraan kelimpahan layak [fraksi positif bahwa jumlah persatuan].

Unmixing spektral adalah salah satu daerah penelitian analisis hyperspectral paling menjanjikan. Prosedur analisis menggunakan pendekatan geometri cembung sudah dikembangkan untuk data AVIRIS telah menghasilkan hasil pemetaan kuantitatif untuk berbagai bahan [geologi, vegetasi, oseanografi] dengan pengetahuan apriori. Kombinasi pendekatan unmixing dengan data kalibrasi model berbasis dan kemampuan identifikasi sistem pakar berpotensi mengakibatkan-to-end end metodologi analisis kuantitatif belum otomatis.

Spectral Angle Klasifikasi Mapper  

The Spectral Angle Mapper [SAM] adalah metode otomatis untuk membandingkan spektra gambar untuk spektrum individu atau perpustakaan spektral.Pemetaan sudut spektral menghitung kesamaan spektral antara tes reflektansi spektrum dan spektrum reflektansi referensi. SAM mengasumsikan bahwa data telah dikurangi menjadi reflektansi jelas [reflektansi benar dikalikan oleh beberapa faktor keuntungan diketahui dikendalikan oleh topografi dan bayangan]. Algoritma menentukan kesamaan antara dua spektrum dengan menghitung “spektral sudut” di antara mereka, memperlakukan mereka sebagai vektor dalam ruang dengan dimensi sama dengan jumlah band [nb]. Penjelasan sederhana ini dapat diberikan dengan mempertimbangkan spektrum referensi dan spektrum diketahui dari data dua-band. Kedua bahan yang berbeda akan diwakili dalam plot pencar 2-D dengan satu poin untuk setiap pencahayaan yang diberikan, atau sebagai garis [vektor] untuk semua iluminasi mungkin [Figure3].

hyperRS3

Gambar 3: 2-D Sebar petak

Karena hanya menggunakan “arah” spektrum, dan tidak “panjang” mereka, metode ini sensitif terhadap faktor keuntungan diketahui, dan semua iluminasi mungkin diperlakukan sama. Piksel buruk diterangi akan jatuh lebih dekat ke asal. “Warna” dari suatu material didefinisikan oleh arah vektor satuan nya.Sudut antara vektor adalah sama terlepas dari panjang. Panjang vektor hanya menyangkut bagaimana sepenuhnya pixel menyala.

Spektral kesamaan antara spektrum t diketahui spektrum referensi r, dinyatakan dalam hal rata-rata μ sudut antara dua spektrum

hyperRS4

yang juga dapat ditulis sebagai

hyperRS5

Dimana nb sama dengan jumlah band dalam gambar.

Untuk setiap spektrum referensi yang dipilih dalam analisis citra hyperspectral, sudut spektral yang ditentukan untuk setiap spektrum citra [pixel]. Nilai ini, dalam radian yang memberikan perkiraan kuantitatif kehadiran fitur penyerapan, ditugaskan untuk pixel yang sesuai dalam output SAM gambar, satu gambar output untuk setiap spektrum referensi. Peta-peta sudut spektral diturunkan membentuk kubus data baru dengan jumlah band yang sama dengan jumlah spektrum referensi yang digunakan dalam pemetaan. Grey-tingkat thresholding biasanya digunakan untuk menentukan secara empiris daerah-daerah yang paling cocok dengan spektrum referensi sementara tetap mempertahankan koherensi spasial.

 

Aplikasi Analisis Gambar Hyperspectral

1. Mineral menargetkan dan pemetaan.

2. Hal ini dapat mendeteksi sifat tanah termasuk air, kadar organik, dan salinitas.

3. Vegetasi ilmuwan telah berhasil menggunakan citra hyperspectral untuk mengidentifikasi spesies vegetasi (Clark et al., 1995), studi tanaman kanopi kimia (Aber dan Martin, 1995), dan

mendeteksi vegetasi stres (Merton, 1999).

4. Personil militer telah menggunakan citra hyperspectral untuk mendeteksi kendaraan militer di bawah kanopi vegetasi parsial, dan banyak tujuan deteksi target militer lainnya.

5. Suasana: Studi parameter atmosfer seperti awan, kondisi aerosol dan uap air untuk memantau panjang, variasi atmosfer skala besar panjang sebagai akibat dari

perubahan lingkungan. Studi karakteristik awan, yaitu struktur dan distribusinya.

6. Ocenography: Pengukuran potensi fotosintesis oleh fitoplankton deteksi, deteksi zat kuning dan deteksi materi ditangguhkan. Investigasi air

kualitas, pemantauan erosi pantai.

7. Salju dan Es: Distribusi spasial tutupan salju, permukaan Albedo dan setara air salju. Perhitungan keseimbangan energi dari pak salju, estimasi salju sifat-salju butir

ukuran, kedalaman salju dan kadar air cair.

8. Tumpahan Minyak: Ketika tumpahan minyak di daerah dipengaruhi oleh angin, gelombang, dan pasang surut, yang cepat dan penilaian kerusakan dapat membantu untuk memaksimalkan upaya pembersihan. Lingkungan

daerah sensitif dapat ditargetkan untuk perlindungan dan pembersihan, dan kerusakan jangka panjang dapat diminimalkan. Urutan waktu gambar minyak dapat membimbing usaha secara real-time oleh

memberikan konsentrasi relatif dan lokasi yang akurat.

Referensi

1.Rechards, John.R, dan Jia, X., 1999: Remote Sensing Digital Image Analysis, Springer

2.Schowengerdt, Robert.A, 1997: Remote Sensing kata modal dan Metode Image Processing, Academic Press.

3.Tong, T., Tian, ​​Q., Pu, O., dan Zhao, C. 2001, penentuan Spectrscopic status Air gandum menggunakan 1650-1850 nm fitur penyerapan spektral, Int.J.Rs, Vol

22, No.12, 2329-2338

4.Dyer, Johen.R, 1994:. Penerapan penyerapan Spektroskopi Senyawa Organik, Prentice Hall of India.

5.Curran, Paul.J. 2001, Imaging spektrometri untuk aplikasi ekologi, JAG, Vol.3-Issue 4,305-312

6. http://speclab.cr.usgs.gov/spectral-lib.html untuk perpustakaan spektral

Advertisements