Global Vision Media Focus
Das Unternehmen wurde insgesamt 15 Mal im chinesischen Staatsfernsehen CCTV erwähnt und erreichte über Parteimedien, zentrale Medien und lokale offizielle Medien insgesamt 50 Millionen Menschen.
Eine Fallstudie zur SAM-basierten Klassifizierung von Algenblüten im Taihu-See
Hintergrund Einführung
Die Satellitenfernerkundungstechnologie spielt eine wichtige Rolle bei der Überwachung der Wasserqualität in Binnengewässern.Umfangreich, relativ schnell, kostengünstigDie Inversion wichtiger Wasserqualitätsparameter ist möglich. Die Überwachung der Binnengewässerqualität stellt jedoch hohe Anforderungen an die Satellitenfernerkundungstechnologie: Kleine Gewässer erfordern eine hohe räumliche Auflösung; sich schnell ändernde Wasserqualität erfordert eine hohe zeitliche Auflösung; und die komplexen und variablen optischen Eigenschaften von Gewässern erfordern eine hohe spektrale Auflösung. Daher bieten Satellitendaten, die gleichzeitig eine hohe räumliche, zeitliche und spektrale Auflösung gewährleisten, erhebliche Vorteile für die Überwachung von Binnengewässern.
Spectral Angle Mapper (SAM) ist eine physikalisch basierte Methode zur Spektralklassifizierung, die n-dimensionale Winkel nutzt, um Pixel mit Referenzspektren abzugleichen. Der Algorithmus bestimmt die spektrale Ähnlichkeit zweier Spektren, indem er die Winkel zwischen ihnen berechnet und diese als Vektoren in einem Raum mit einer Dimension entsprechend der Anzahl der Spektralbänder behandelt. Die von SAM verwendeten Endmember-Spektren können aus ASCII-Dateien oder Spektralbibliotheken stammen oder direkt aus dem Bild extrahiert werden (als Durchschnittsspektrum des relevanten Bereichs). Je kleiner der Winkel, desto wahrscheinlicher gehören die Spektren zur selben Kategorie. Es handelt sich um eine überwachte Klassifizierungsmethode, die in der hyperspektralen Fernerkundung weit verbreitet ist.
Methoden und Prinzipien
Diese Fallstudie verwendet hyperspektrale Bilder der Taihu-See-Region, die am 18. Juni 2025 vom Satelliten Xiguang-1 05 (Tianxianpei) aufgenommen wurden, um eine SAM-Klassifizierung durchzuführen und die räumliche Verteilung von Algenblüten auf der Grundlage der Klassifizierungsergebnisse zu analysieren.
Tabelle 1. Dateneinführung
Die genaue Vorgehensweise ist wie folgt:
1. Datenvorverarbeitung
(1) Strahlungskalibrierung:Die ursprünglichen DN-Wertdaten werden mithilfe der von Radiance bereitgestellten radiometrischen Kalibrierungskoeffizienten radiometrisch korrigiert, um die scheinbaren Strahlungsdaten zu erhalten. Dies kann mit dem Werkzeug „Radiometrische Kalibrierung“ in ENVI erfolgen.
(2) Atmosphärische Korrektur:Die atmosphärische Korrektur wird mithilfe von atmosphärischen Korrekturwerkzeugen durchgeführt, die auf 6S- oder MODTRAN-Modellen basieren, um Oberflächenreflexionsdaten zu erhalten, wie beispielsweise das atmosphärische Korrekturwerkzeug FLAASH in ENVI.
(3) Spektrale Glättung:In ENVI wird der Savitzky-Golay-Algorithmus (SG) zur Glättung der Oberflächenreflexionsdaten verwendet. Dies reduziert spektrales Rauschen und verbessert die Zuverlässigkeit der nachfolgenden Klassifizierung. Sie können die Erweiterung „Savitzky-Golay-Filter“ im App Store von ENVI oder das integrierte Tool „THOR Spectral Smoothing“ nutzen.
(4) Bildregistrierung (optional):Nach der Verarbeitung sollte die Basiskarte georeferenziert werden. Dies kann in ENVI, QGIS oder ArcGIS erfolgen. Als Referenzkarte wird Google Images empfohlen.
(5) Wasserkörpermaske:Durch die Berechnung des normalisierten Wasserindex aus der Oberflächenreflexion und die Auswahl eines geeigneten Schwellenwerts auf Basis des Histogramms der Berechnungsergebnisse wird die Region des Taihu-Sees extrahiert.
(6) Auswahl der ROI-Stichprobe:Klicken Sie auf die Oberflächenreflexionsdaten, wählen Sie mithilfe des ROI-Auswahlwerkzeugs eine geeignete Menge an Wasserkörper- und Algenblütenproben aus und fassen Sie die Spektralkurven zusammen und betrachten Sie sie statistisch. Verwenden Sie die Funktion „ROI-Trennbarkeit berechnen“ (Optionen → ROI-Trennbarkeit berechnen), um die Jeffries-Matusita- und die transformierte Divergenzparameter zu berechnen. Ein Parameterwert über 1,9 deutet auf eine gute Probentrennbarkeit hin; ein Wert unter 1,8 erfordert eine erneute Probenauswahl.
(7) Spektralwinkel-SAM-Anpassung:Wählen Sie das Klassifizierungswerkzeug „Spectral Angle Mapper“ aus:
(a) Als Eingangsdaten wurden gefilterte Oberflächenreflexionsdaten des Taihu-Sees ausgewählt, und als Maskendaten wurden NDWI-Binarisierungsergebnisse ausgewählt, um Bilder von Nicht-Wasserkörpern zu eliminieren.
NDWI-Maske
(b) Wählen Sie die zu klassifizierenden Proben aus, klicken Sie auf „Anwenden“, um das Parametereinstellungsfenster zu öffnen, und legen Sie den Schwellenwert für den Spektralwinkel fest (Standardwert: 0,1 Radiant). Ein höherer Schwellenwert führt zu einem größeren Klassifizierungsbereich; ein niedrigerer Schwellenwert führt zu einer höheren Klassifizierungsgenauigkeit.
Maximalwinkel festlegen: Legt den maximalen Spektralwinkelschwellenwert (0–1,0) in Radiant fest. Sie können einen einzelnen Schwellenwert oder individuelle Schwellenwerte für jede Kategorie festlegen.
Ausgabe von Regelbildern: Gibt an, ob eine Regeldatei ausgegeben werden soll. Die Regeldatei ist eine Bilddatei, die Spektralwinkel als Pixelwerte enthält. Die Ausgabe kann zur Klassifizierung mittels Dichtesegmentierung oder als Referenz zur Schwellenwertbestimmung verwendet werden.
1. Berechnung des Spektralindex
(1) ICH BIN
Die Ausdehnung der Wasserflächen wurde mithilfe der Spektralindexmethode extrahiert. Konkret wurde der Normalized Difference Water Index (NDWI) auf Basis des mit FLASH verarbeiteten Oberflächenreflexionsbildes berechnet. Anschließend wurde anhand des Histogramms des NDWI-Bildes ein Schwellenwert festgelegt, um die Wasserflächenextraktion abzuschließen. Die Berechnungsformel lautet wie folgt:
Die Wassermaske des Taihu-Sees wurde durch Berechnung des NDWI extrahiert und für nachfolgende Klassifizierungsoperationen verwendet.
Ergebnisdarstellung
Abbildung 1 Echtfarben-KompositbildXiguang Nr. 1 05 (Eine perfekte Übereinstimmung) 20250618
Vergleich der Spektralkurven in der Taihu-See-Region vor und nach der SG-Filterung (Reflektivität um das 10.000-fache erhöht, Xiguang-1 05 Satellit (Tianxianpei), 20250406)
Abbildung 2 Vergleich der Spektralkurven vor und nach der SG-Filterung
Aus der Extraktion der Gewässer und der Berechnung des Index auf Basis der XG05-Daten wurden folgende Ergebnisse erzielt:
Abbildung 3: Verbreitungskarte der SAM-Algenblüte Xiguang Nr. 1 05 (Eine perfekte Übereinstimmung) 20250618
Die obigen Ergebnisse zeigen, dass Algenblüten im westlichen Teil des Taihu-Sees stark ausgeprägt sind, mit höheren Chlorophyll-a-Konzentrationen in der Nähe der Blütenstände. Dies liegt daran, dass im westlichen Teil des Taihu-Sees Flüsse in den See münden und große Mengen an Nährstoffen einbringen, was zu starkem Algenwachstum und somit zu Cyanobakterienblüten und erhöhten Chlorophyll-a-Konzentrationen führt. Die zentralen und östlichen Bereiche des Taihu-Sees sind weniger betroffen, was zu einer besseren Wasserqualität als im westlichen Teil führt. Im östlichen Teil des Sees wachsen Wasserpflanzen, und die Chlorophyll-a-Konzentration ist niedriger. Der zentrale Seebereich ist ein großflächiges Verbreitungsgebiet für Algenblüten, und wenn dort im Sommer eine Algenblüte auftritt, bedeckt sie ein großes Gebiet. Im Gegensatz dazu treten Algenblüten im südwestlichen Seebereich selten und im östlichen Teil des Taihu-Sees fast gar nicht auf, was darauf hindeutet, dass die Umweltbedingungen im östlichen Teil des Taihu-Sees besser sind.
Durch die Festlegung unterschiedlicher Schwellenwertparameter für den Spektralwinkel reagiert SAM sehr empfindlich auf Parameter, was zu Rauschverstärkung und Winkelverzerrung im Spektralband führt. Gleichzeitig treten systematische Verzerrungen auf, wenn reine Endglieder schwer zu erhalten sind oder der Schwellenwert falsch eingestellt ist. Dies führt letztendlich zu einer uneinheitlichen Klassifizierung („Salz-und-Pfeffer-Effekt“) und großflächigen Fehldetektionen. Zukünftig kann SAM mit Methoden wie Dimensionsreduktion, räumlichen Beschränkungen und Deep Learning kombiniert werden, um die Klassifizierungsgenauigkeit deutlich zu verbessern und gleichzeitig die physikalische Interpretierbarkeit zu erhalten.