Vergleich hyperspektraler Satellitendaten in der geologischen Kartierung (Methoden Teil 1)

existieren Vergleich von hyperspektralen Satellitendaten in der geologischen Kartierung (Datenteil)In den vorangegangenen Abschnitten wurden das Untersuchungsgebiet, die Daten verschiedener Sensoren und die Datenvorverarbeitung vorgestellt. Dieser Abschnitt beschreibt hauptsächlich die relevanten Forschungsmethoden.

1. Datenerfassung

Die Datenregistrierung ist der Prozess der präzisen Ausrichtung von Datensätzen aus verschiedenen Quellen, um einen direkten Vergleich und eine Analyse innerhalb desselben räumlichen Bezugssystems zu ermöglichen. In dieser Studie wurden zur Vergleichbarkeit von Satelliten-Multispektraldaten der Sensoren HyMap, EnMAP, PRISMA und EMIT die folgenden Schritte zur Datenregistrierung durchgeführt:

1) Auswahl der Datenteilmenge: Zunächst wählten Rupsa et al. für die Daten jedes Sensors eine Teilmenge aus, die dem Untersuchungsgebiet entsprach.

2) Verwendung von AROSICS-Tools: Nutzen Sie die Open-Source-Bildregistrierungssoftware (AROSICS, Version 1.11.0), um automatisch die Korrelation zwischen vergleichbaren Bändern zu ermitteln und Schlüsselpunkte für die Datenregistrierung zu berechnen.

2. Globale affine Transformation

Eine globale affine Transformation wird angewendet, um die Daten anzupassen und neu zu berechnen, sodass alle Datensätze auf dasselbe Raster wie die HyMap-Daten projiziert werden. Dieser Schritt wird mithilfe der Bibliotheken Rasterio und scikit-image durchgeführt.

3. Resampling

Um den Einfluss des Resamplings auf die Endergebnisse zu minimieren, führten Rupsa et al. das Daten-Resampling so spät wie möglich im letzten Schritt des Analyseprozesses durch.

Die oben genannten Schritte gewährleisten die räumliche Konsistenz zwischen verschiedenen Sensordatensätzen, was für eine präzise qualitative und quantitative Analyse unerlässlich ist. Die Datenregistrierung ermöglicht den Vergleich spektraler Eigenschaften verschiedener Datensätze, die Bewertung ihres Anwendungspotenzials in der geologischen Kartierung sowie die Identifizierung von Übereinstimmungen und Unterschieden zwischen verschiedenen Sensoren.

4. Spektralanalyse

Die Spektralanalyse ist eine wichtige Technik im Bereich der Fernerkundung zur Identifizierung und Klassifizierung von Oberflächenmaterialien. In dieser Studie verglichen und bewerteten die Forscher mithilfe zweier gängiger Spektralanalysemethoden die Anwendung verschiedener Satellitensensordaten in der geologischen Kartierung.

4.1 Spektralindex

Die Spektralindexanalyse erzeugt ein Bild, indem ein Spektralband durch ein anderes dividiert wird. Dieses Bild ist relativ unempfindlich gegenüber vielen gängigen Störfaktoren, wie z. B. atmosphärischen Einflüssen, da diese während der Division in der Regel weitgehend kompensiert werden. Typischerweise werden die Spektralbänder so gewählt, dass der Nenner den Minimalwert des zu untersuchenden Absorptionsmerkmals und der Zähler die Reflexion eines oder zweier benachbarter Bänder darstellt. Dies erleichtert die Unterscheidung von Mineralarten, da Effekte zwischen weitgehend identischen Bändern aufgehoben und gleichzeitig lokale Variationen, die durch die Absorption von Mineralien verursacht werden, verstärkt werden.

Rupsa et al. nutzten mehrere etablierte Spektralindizes zur Mineralanalyse in zwei Untersuchungsgebieten. In Eppembe dienten die Spektralindizes dazu, kalkhaltige Felsrinnen vom umgebenden veränderten Wirtsgestein zu unterscheiden. In Marinkas-Quellen wurden die Spektralindizes verwendet, um die Verteilung von Kalziumkarbonat- und Magnesiumkarbonatgesteinen zu kartieren. Die Formeln und ihre Quellen sind in Tabelle 1 beschrieben.

Die wichtigsten Schritte der Spektralindexanalyse:

(1) Wählen Sie ein spezifisches Band aus, das für das Zielmineral relevant ist.

(2) Berechnen Sie den Spektralindexwert, um die Erkennung der Zielmineralien zu verbessern.

(3) Verwenden Sie diese Indexwerte, um geologische Merkmalskarten zu erstellen.

Tabelle 1. Formeln für die in der Studie verwendeten Spektralindizes.

4.2 Spektrale Häufigkeit

Spektrale Entmischung bezeichnet den Prozess, bei dem das Signal eines Spektralpixels eine linear gewichtete Kombination der Häufigkeiten von Endgliedspektren darstellt. Endglieder sind bestimmte, reine Pixel in einem Bild, die die spektralen Eigenschaften annähernd reiner Substanzen repräsentieren. Mithilfe der linearen spektralen Entmischung lässt sich die Häufigkeit verschiedener Substanzen in einem Bild abschätzen. Diese Häufigkeiten können als Spektralhäufigkeitskarten dargestellt werden, welche die latenten Variablen der spektralen Variation widerspiegeln (d. h. verborgene Variablen, die die Variation von Spektralpixeln bestimmen). Latente Variablen sind Größen, die nicht direkt beobachtet werden können; sie repräsentieren verborgene Aspekte der Daten und werden durch mathematische Modellierung und Beziehungen zwischen beobachtbaren Variablen abgeleitet. Dieser Ansatz hat in einigen Fällen Einschränkungen: Reine Pixel in Satellitendaten können aufgrund der groben räumlichen Auflösung selten sein, und manche Substanzen können skalenabhängig nichtlinear gemischt sein. Die Darstellung hyperspektraler Bilder als spärliche Kombinationen gewichteter reiner Pixelendglieder bietet jedoch eine Methode zum Vergleich latenter Informationen. Daher wurde durch die manuelle Definition fester Endmember-Pixelpositionen für jedes Untersuchungsgebiet und die Annahme, dass diese Positionen typische „reine Spektren“ für jeden geologischen Typ in der Szene darstellen, für jeden Sensor eine entsprechende Endmember-Spektralbibliothek unter Verwendung dieser Endmemberpositionen erstellt.

Rupsa et al. nutzten EnMAP als Referenz und wählten Endpixel aus, da deren Spektren denen anderer Sensoren am ähnlichsten waren. Mittels linearer spektraler Entmischung und nichtnegativer Kleinste-Quadrate-Regression wurden aus jedem Bild Häufigkeitskarten extrahiert. Aufgrund der unterschiedlichen spektralen Empfindlichkeiten wählten Rupsa et al. für die Regionen Marinkas-Quellen und Epembe unterschiedliche Spektralbereiche zur Entmischung aus. Für Epembe wurden der VNIR-Bereich von 450–1150 nm und der SWIR-Bereich von 2000–2480 nm berücksichtigt, da in diesen Bereichen charakteristische Absorptionen von Eisenpräzipitaten und Karbonaten auftreten. Für Marinkas-Quellen wurde nur der SWIR-Bereich von 2000–2480 nm berücksichtigt, da hier Karbonate die dominierenden Mineralien sind. Darüber hinaus wurden Wasserabsorptionsbänder bei der Entmischung ausgeschlossen, da diese Bänder typischerweise ein hohes Rauschen in Fernerkundungsdaten aufweisen.

Auf diese Weise erstellten Rupsa et al. Häufigkeitskarten und verglichen damit die Übereinstimmung verschiedener Sensoren. Sie stellten fest, dass die Häufigkeitskarten trotz signifikanter spektraler Verzerrungen in den Endgliedspektren ähnliche Muster geologischer Veränderungen aufwiesen. Dies deutet darauf hin, dass Entmischungstechniken trotz der Übereinstimmungsprobleme zwischen den Spektraldaten zugrundeliegende Merkmale aufdecken können, die mit geologischen Veränderungen übereinstimmen. Dieser Vergleich ermöglicht die Bewertung der Fähigkeit verschiedener Sensoren, geologische Merkmale zu erfassen, und die Identifizierung derjenigen Sensoren, die sich besser für die geologische Kartierung eignen.

Referenz: [1]: Chakraborty, R.; Rachdi, I.; Thiele, S.; Booysen, R.; Kirsch, M.; Lorenz, S.; Gloaguen, R.; Sebari, I. A Spectral and Spatial Comparison of Satellite-Based Hyperspectral Data for Geological Mapping. Remote Sens. 2024, 16, 2089. https://doi.org/ 10.3390/rs16122089