Comparación de datos hiperespectrales satelitales en cartografía geológica (Métodos, Parte 1)

existir Comparación de datos hiperespectrales satelitales en cartografía geológica (Sección de datos)Las secciones anteriores presentaron el área de estudio, los datos de diferentes sensores y el preprocesamiento de datos. Esta sección se centra principalmente en las técnicas de investigación pertinentes.

1. Registro de datos

El registro de datos es el proceso de alinear con precisión conjuntos de datos de diferentes fuentes para permitir la comparación y el análisis directos dentro del mismo marco de referencia espacial. En este estudio, para comparar datos multiespectrales satelitales de los sensores HyMap, EnMAP, PRISMA y EMIT, se realizaron los siguientes pasos para el registro de datos:

1) Selección de subconjuntos de datos: Primero, para los datos de cada sensor, Rupsa et al. seleccionaron una región de subconjunto que corresponde al área de estudio.

2) Uso de las herramientas AROSICS: Utilice el software de registro de imágenes de código abierto (AROSICS, versión 1.11.0) para identificar automáticamente la correlación entre bandas comparables y calcular puntos clave para el registro de datos.

2. Transformación afín global

Se aplica una transformación afín global para ajustar y remuestrear los datos, de modo que todos los conjuntos de datos se reproyecten en la misma cuadrícula que los datos de HyMap. Este paso se realiza utilizando las bibliotecas Rasterio y scikit-image.

3. Remuestreo

Para minimizar el impacto del remuestreo en los resultados finales, Rupsa et al. realizaron el remuestreo de datos lo más tarde posible en la última etapa del proceso de análisis.

Los pasos anteriores garantizan la coherencia espacial entre los diferentes conjuntos de datos de los sensores, lo cual es fundamental para un análisis cualitativo y cuantitativo preciso. El registro de datos permite comparar las características espectrales entre diferentes conjuntos de datos, evaluar su potencial de aplicación en la cartografía geológica e identificar la coherencia y las diferencias entre los distintos sensores.

4. Análisis espectral

El análisis espectral es una técnica importante en el campo de la teledetección para identificar y clasificar materiales superficiales. En este estudio, los investigadores utilizaron dos métodos principales de análisis espectral para comparar y evaluar la aplicación de datos de diferentes sensores satelitales en la cartografía geológica.

4.1 Índice espectral

El análisis del índice espectral genera una imagen dividiendo una banda entre otra. Esta imagen es relativamente insensible a muchos efectos de ruido comunes, como los atmosféricos, ya que estos se cancelan en gran medida durante el proceso de división. Normalmente, las bandas se eligen de forma que el denominador represente el valor mínimo de la característica de absorción objetivo y el numerador sea la reflectancia asociada a una o dos bandas adyacentes. Esto ayuda a distinguir los tipos de minerales, ya que cancela los efectos entre bandas prácticamente idénticas, a la vez que realza las variaciones locales causadas por la absorción mineral.

Rupsa et al. utilizaron varios índices espectrales establecidos para analizar minerales en dos áreas de estudio. En Eppembe, los índices espectrales se emplearon para distinguir los barrancos rocosos ricos en carbonato de calcio de la roca huésped alterada circundante. En Marinkas-Quellen, los índices espectrales se utilizaron para cartografiar la distribución de rocas de carbonato de calcio y carbonato de magnesio. Estas fórmulas y sus fuentes se describen en la Tabla 1.

Los pasos principales del análisis del índice espectral:

(1) Seleccione una banda específica que sea relevante para el mineral objetivo.

(2) Calcular el valor del índice espectral para mejorar la detección de los minerales objetivo.

(3) Utilice estos valores de índice para generar mapas de características geológicas.

Tabla 1. Fórmulas de los índices espectrales utilizados en el estudio.

4.2 Abundancia espectral

La descomposición espectral se refiere al proceso en el que la señal de un píxel espectral es una combinación ponderada linealmente de la abundancia de espectros de componentes extremos. Los componentes extremos son ciertos píxeles prístinos en una imagen que representan las características espectrales de sustancias aproximadamente puras. Mediante la descomposición espectral lineal, se puede estimar la abundancia de diversas sustancias en una imagen. Estas abundancias se pueden representar como mapas de abundancia espectral, que reflejan las variables latentes de variación espectral (es decir, variables ocultas que determinan la variación de los píxeles espectrales). Las variables latentes son cantidades que no se pueden observar directamente; representan aspectos ocultos de los datos y se infieren mediante modelos matemáticos y relaciones entre variables observables. Este enfoque tiene limitaciones en algunos casos: los píxeles prístinos en datos satelitales pueden ser poco comunes debido a la baja resolución espacial, y algunas sustancias pueden mezclarse de manera no lineal dependiente de la escala. Sin embargo, representar las imágenes hiperespectrales como combinaciones dispersas de componentes extremos de píxeles prístinos ponderados proporciona un método para comparar información latente. Por lo tanto, al definir manualmente ubicaciones fijas de píxeles de componentes extremos para cada área de estudio y asumiendo que estas ubicaciones representan "espectros puros" típicos para cada tipo geológico en la escena, se extrajo una biblioteca espectral de componentes extremos correspondiente para cada sensor utilizando estas ubicaciones de componentes extremos.

Rupsa et al. utilizaron EnMAP como referencia y seleccionaron píxeles de componentes extremos porque sus espectros muestreados eran los más similares a los de otros sensores. Se realizó una desmezcla espectral lineal utilizando mínimos cuadrados no negativos para extraer mapas de abundancia de cada imagen. Debido a las diferentes respuestas espectrales, Rupsa et al. seleccionaron diferentes subconjuntos espectrales para la desmezcla en las regiones de Marinkas-Quellen y Epembe. Para Epembe, se consideró el rango VNIR de 450–1150 nm y el rango SWIR de 2000–2480 nm porque existen absorciones características de precipitados de hierro y carbonatos en estos rangos. Para Marinkas-Quellen, solo se consideró el rango SWIR de 2000–2480 nm porque los minerales dominantes aquí son carbonatos. Además, se excluyeron las bandas de absorción de agua durante la desmezcla porque estas bandas suelen tener altos niveles de ruido en los datos de teledetección.

De esta forma, Rupsa et al. generaron mapas de abundancia y los utilizaron para comparar la consistencia entre diferentes sensores. Descubrieron que, incluso con sesgos espectrales significativos en los espectros de los componentes extremos, los mapas de abundancia de los distintos sensores presentaban patrones similares de cambio geológico. Esto sugiere que, a pesar de los problemas de consistencia entre los datos espectrales, las técnicas de deconvolución pueden revelar características subyacentes consistentes con los cambios geológicos. Esta comparación permite evaluar la capacidad de los diferentes sensores para capturar características geológicas e identificar cuáles son más adecuados para la cartografía geológica.

Referencia: [1]: Chakraborty, R.; Rachdi, I.; Thiele, S.; Booysen, R.; Kirsch, M.; Lorenz, S.; Gloaguen, R.; Sebari, I. Comparación espectral y espacial de datos hiperespectrales satelitales para cartografía geológica. Remote Sens. 2024, 16, 2089. https://doi.org/ 10.3390/rs16122089