Vergleich von hyperspektralen Satellitendaten in der geologischen Kartierung (Methoden Teil 2)

Im vorangegangenen Artikel „Vergleich hyperspektraler Satellitendaten in der geologischen Kartierung (Methoden Teil 1)“ … (Siehe den Beitrag vom 5. Dezember 2024)In den vorangegangenen Abschnitten wurden die Datenregistrierung, die spektrale Entmischung, die spektrale Häufigkeit und der spektrale Index verschiedener Sensoren im Untersuchungsgebiet vorgestellt. Dieser Abschnitt führt die verwandten Forschungsmethoden weiter ein.

3.3 Vergleich von Sensoren anhand quantitativer spektraler Konsistenz

Rupsa et al. entwickelten vier Konsistenzmetriken für Vergleiche über breite bis hin zu anwendungsspezifischen, schmalen Spektralbereichen. Um Interpretierbarkeit und Konsistenz zu gewährleisten, nutzten sie den weit verbreiteten R²-Wert als Vergleichsgrundlage. Zusätzlich wurde Rabs², eine absolute Konsistenzmetrik, berechnet. Dabei wurde die mittlere quadratische Abweichung der Reflexionswerte (über alle Bänder jedes Sensors) zwischen den Sensoren relativ zum Wert des Sensors mit der höchsten Standardabweichung verglichen. Diese Metrik liegt zwischen 0 und 1, wobei 1 perfekte Datenkonsistenz anzeigt und Werte von 0 oder minus unendlich bedeuten, dass die Differenz zwischen den Sensoren gleich oder größer als die interne Variabilität der Daten ist.

Absolute Konsistenzmaße sind zu konservativ, da die verwendeten Methoden typischerweise nur auf relative spektrale Variationen, nicht aber auf absolute Reflexionswerte reagieren. Daher schlugen Forscher ein zweites Konsistenzmaß vor, Rprop², das anhand der Residuen zwischen der linearen Regression und der optimalen linearen Regression berechnet wird, anstatt sie mit einer 1:1-Linie zu vergleichen. Dieser Index entspricht dem R²-Wert der linearen Regression für jedes Paar von Reflexionsmessungen und liegt somit zwischen 0 (keine Korrelation) und 1 (perfekte Korrelation).

Hierbei ist SSR die Summe der Residuen der optimalen linearen Regression und SST die Summe der Quadrate der Summen der abhängigen Variablen.

Um die absolute und relative Konsistenz der Sensoren zu vergleichen, haben Rupsa et al. alle Reflexionsdaten auf die gleiche Pixelgröße von 60 Metern wie bei EMIT neu abgetastet und die spektrale Auflösung auf etwa 125 Bänder angepasst, genau wie bei HyMap.

Beide Metriken reagieren empfindlich auf Daten über den gesamten Spektralbereich oder einen ausgewählten Teilbereich. Viele Spektralanalysen, wie die Spektralindexanalyse und die lineare Spektralentmischung, verwenden jedoch nur wenige spezifische Spektren, sodass die meisten spektralen Unterschiede in diesen Vergleichen irrelevant sind. Daher schlugen Rupsa et al. eine dritte Konsistenzmetrik, Rfeat², vor, die speziell für den Vergleich spezifischer Spektralindex-Ergebnisse entwickelt wurde. Sie ist nicht absolut, sondern eine lineare Kombination spezifischer Pixel (Endmember). Diese latenten Merkmale können durch Sensoreffekte und/oder atmosphärische und topografische Korrekturartefakte verzerrt sein, können aber die Konsistenz wahren, solange sie auf jedes Pixel im Bild denselben Einfluss haben. Dieser Vergleich latenter Merkmale ist zudem anwendungsspezifisch und basiert auf der Auswahl einer spezifischen Menge von Endmember-Pixeln, die in beiden Datensätzen konsistente Positionen aufweisen. Auf diese Weise verwendeten die Forscher die Methode der nichtnegativen kleinsten Quadrate, um die Bilder linear zu entmischen und die Metrik Rfeat² durch Vergleich der spektralen Häufigkeit der Ergebnisse zu berechnen.

Zusammenfassend berechneten Rupsa et al. vier auf dem R²-Wert basierende Vergleichsmetriken, um die Übereinstimmung ausgewählter Sensoren in zwei Untersuchungsgebieten zu bewerten. Rabs² misst die Übereinstimmung der Rohreflexionsschätzungen, während Rprop² die Übereinstimmung der relativen spektralen Variationen misst. Rfeat² und Rlat² sind anwendungsspezifische Vergleiche, die spezifische Spektralindizes bzw. linear entmischte spektrale Häufigkeiten vergleichen. Rupsa et al. betonten, dass sie die ursprüngliche Auflösung der Spektraldaten während der Spektralanalyse beibehielten und die Daten für den abschließenden Vergleich auf 60 Meter resampelten. Dieser Ansatz ermöglicht die Bewertung der praktischen Leistungsfähigkeit verschiedener Sensoren in der geologischen Kartierung und die Identifizierung der Sensoren, die mit spezifischen Spektralanalysemethoden die besten Ergebnisse liefern.

[1]: Chakraborty, R.; Rachdi, I.; Thiele, S.; Booysen, R.; Kirsch, M.; Lorenz, S.; Gloaguen, R.; Sebari, I. Spektraler und räumlicher Vergleich satellitengestützter hyperspektraler Daten für die geologische Kartierung. Remote Sens. 2024, 16, 2089. https://doi.org/10.3390/rs16122089