Analyzing the Impact of Simulated Multispectral Images on Water Classification Accuracy by Means of Spectral Characteristics

• Autorzy: Głowienka Ewa , Michałowska Krystyna

Identyfikatory

DOI

10.7494/geom.2020.14.1.47

Warianty tytułu

PL

Analiza wpływu charakterystyki spektralnej symulowanych obrazów multispektralnych na dokładność klasyfikacji wody

• Języki publikacji: EN

Abstrakty

EN

Remote sensing is widely applied in examining the parameters of the state and quality of water. Spectral characteristics of water are strictly connected with the dispersion of electromagnetic radiation by suspended matter and the absorption of radiation by water and chlorophyll a and b. Multispectral sensor ALI has bands within the ranges of electromagnetic radiation: blue and infrared, absent in sensors such as Landsat, SPOT, or Aster. The main goal of the article was to examine the influence of the presence of these bands on water classification accuracy carried out for simulated images ALI, Landsat, Spot, and Aster. The simulation of images was based on the hyperspectral image from a Hyperion sensor. Due to the spectral properties of water, all the operations on the images were carried out for the set of bands in visible and near-infrared (VNIR) spectral range. In the framework of these studies, the impact of removing individual bands or sets of bands on the classification results was tested. Tests were carried out for the area of the water body of the Dobczyce Reservoir. It was observed that the lack of a spectral response in the infrared range of ALI image can reduce the accuracy of a classification by as much as 60%. On the other hand, the lack of blue and red bands in the dataset for the classification decreased the accuracy of water classification by 15% and 10%, respectively.

PL

Teledetekcja jest szeroko wykorzystywana w badaniu parametrów stanu oraz jakości wody. Charakterystyka spektralna wody jest ściśle związana z rozpraszaniem promieniowania elektromagnetycznego przez materię zawieszoną oraz absorpcją promieniowania przez wodę i chlorofil a i b. Multispektralny sensor ALI wyposażony jest w kanały w zakresach promieniowania elektromagnetycznego niebieskiego i czerwonego, których nie mają sensory, np. Landsat, SPOT czy Aster. Głównym celem artykułu było zbadanie, jak wpływa obecność tych kanałów na dokładność klasyfikacji wody przeprowadzonej na symulowanych obrazach ALI, Landsat, Spot i Aster. Symulację obrazów wykonano na podstawie hiperspektralnego obrazu z sensora Hyperion. Ze względu na właściwości spektralne wody wszystkie operacje na obrazach wykonywane były dla zakresu VNIR. Przetestowano wpływ na wyniki klasyfikacji usuwania pojedynczych kanałów lub zestawów kanałów symulowanych obrazów. Testy wykonano dla obszaru Dobczyckiego Zbiornika Wodnego. Zaobserwowano, że brak odpowiedzi spektralnej w zakresie podczerwonym obrazu ALI może obniżyć dokładność klasyfikacji nawet o 50%. Natomiast brak w zestawie danych do klasyfikacji kanału z zakresów niebieskiego i czerwonego powoduje obniżenie dokładności klasyfikacji wody odpowiednio 15% i 10%.

Słowa kluczowe

EN

spectral simulation; ALI; Spectral Angle Mapper (SAM); hyperspectral images; multispectral images

PL

symulacja spektralna; ALI; Spectral Angle Mapper (SAM); obrazy hiperspektralne; obrazy multispektralne

• Wydawca: AGH University of Science and Technology Press
• Czasopismo: Geomatics and Environmental Engineering
• Rocznik: 2020
• Tom: Vol. 14, no. 1
• Strony: 47--58
• Opis fizyczny: Bibliogr. 20 poz., rys., tab., wykr.

Twórcy

autor

Głowienka Ewa

• AGH University of Science and Technology, Faculty of Mining Surveying and Environmental Engineering, Krakow, Poland

autor

Michałowska Krystyna

• Gdańsk University of Technology, Gdańsk, Poland

Bibliografia

• [1] Brando V., Dekker A.: Satellite hyperspectral remote sensing for estimating estuarine and coastal water quality. IEEE Transactions on Geoscience and Remote Sensing, vol. 41, no. 6, 2003, pp. 1378–1387.
• [2] Hejmanowska B., Drzewiecki W., Głowienka E., Mularz S., Zagajewski B., Sanecki J.: Próba integracji satelitarnych obrazów hiperspektralnych z nieobrazowymi naziemnymi danymi spektrometrycznymi na przykładzie Zbiornika Dobczyckiego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 16, 2006, pp. 207–216.
• [3] Koponen S., Pulliainen J., Kallio K., Hallikainen M.: Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data. Remote Sensing Environment, vol. 79, 2002, pp. 51–59.
• [4] Mularz S., Drzewiecki W., Hejmanowska B., Pirowski T.: Wykorzystanie teledetekcji satelitarnej do badania procesu akumulacji zanieczyszczeń w rejonie Zbiornika Dobczyckiego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 16, 2006, pp. 425–435.
• [5] Rundquist D., Han L., Schalles J., Peake J.: Remote measurement of algal chlorophyll in surface waters: the case for the first derivative of reflectance near 690 nm. Photogrammetric Engineering and Remote Sensing, vol. 62, 1996, pp. 195–200.
• [6] Schalles J., Yacobi Y.: Remote detection and seasonal patterns of phycocynin, carotenoid and chlorophyll pigments in eutrophic waters. Archive for Hydrobiologie – Special Issues Advancements in Limnology, vol. 55, 2000, pp. 153–168.
• [7] Gitelson A.: The peak near 700 nm on radiance spectra of algae and water: relationships of its magnitude and position with chlorophyll concentration. International Journal of Remote Sensing, vol. 13, 1992, pp. 3367–3373.
• [8] Kavzoglu T.: Simulating Landsat ETM imagery using DAIS 7915 hyperspectral scanner data. International Journal of Remote Sensing, vol. 25, no. 22, 2004, pp. 5049–5067.
• [9] Barry P., Mendenhall J., Jarecke P., Folkman M., Pearlman J., Markham B.: EO-1 Hyperion hyperspectral aggregation and comparison with EO-1 Advanced Land Imager and Landsat 7 ETM+. Geoscience and Remote Sensing Symposium, IEEE International, vol. 3, 2002, pp. 1648–1651.
• [10] Börner M., Wiest L., Keller P., Reulke R., Richter R., Schläpfer D., Schaepman M.: SENSOR: a tool for the simulation of hyperspectral remote sensing systems. ISPRS Journal of Photogrammetry and Remote Sensing, vol. 55, no. 6, 2001, pp. 299–312.
• [11] Goetz A., Kindel B., Ferri M., Qu Z.: HATCH: Results from Simulated Radiances, AVIRIS and Hyperion. IEEE Transactions on Geoscience and Remote Sensing, vol. 41, no. 6, 2003, pp. 1215–1222.
• [12] Jarecke P., Barry P., Pearlman J., Markham B.: Aggregation of Hyperion hyperspectral spectral bands into Landsat 7 ETM+ spectral bands. [in:] IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium (Cat. No.01CH37217), Sydney, NSW, Australia, 2001, vol. 6, pp. 2822–2824.
• [13] Kruse F., Perry S.: Regional Mineral Mapping by Extending Hyperspectral Signatures Using Multispectral Data. [in:] 2007 IEEE Aerospace Conference, 2004.
• [14] Jacquemoud S., Bacour C., Poilvé H., Frangi J.: Comparison of Four Radiative Transfer Models to Simulate Plant Canopies Reflectance: Direct and Inverse Mode. Remote Sensing of Environment, vol. 74, 2000, pp. 471–481.
• [15] Schläpfer D., Böerner A., Schaepman M.: The potential of spectral resampling techniques for the simulation of APEX imagery based on AVIRIS data. [in:] Summaries of the Eighth Annual JPL Airborne Earth Science Workshop, February 9–11, 1999, 1999, pp. 377–384.
• [16] Steven D., Malthus T., Baret F., Xud H., Chopping M.: Intercalibration of vegetation indices from different sensor systems. Remote Sensing of Environment, vol. 88, 2003, pp. 412–422.
• [17] Milton E., Choi K.: Estimating the spectral response function of the CASI-2. [in:] RSPSoc2004: Mapping and Resources Management (Annual Conference of the Remote Sensing and Photogrammetry Society, Aberdeen, Scotland, 7–10 Sep 2004), Remote Sensing and Photogrammetry Society, 2004, pp. 1–15.
• [18] Earth Observing 1 (EO-1), U.S. Geological Survey, https://archive.usgs.gov/archive/sites/eo1.usgs.gov/hyperion.html [access: 2.10.2019].
• [19] Głowienka E.: Przetwarzanie wstępne danych z hiperspektralnego sensora satelitarnego Hyperion. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 18, 2008, pp. 131–140.
• [20] Głowienka E.: Analiza porównawcza metod przetwarzania danych hiperspektralnych o zróżnicowanej dokładności. AGH 2014 [PhD thesis, unpublished].

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).