Орчин үеийн хайперспектрийн мэдээний онцлог
Одоо үеийн шинжлэх ухаан, технологийн хөгжил нь хүрээлэн буй орчны судалгаа болон эх дэлхийг зайнаас тандан судлах арга зүйд шинэ хувьсгал авчирсан билээ. Зайнаас тандан судлал нь анх энгийн гэрэл зургийн аргаар эхэлж байсан бол өнөөдөр спектрийн маш олон зурваст, улмаар хайперспектрийн системд тулгуурласан нарийн дүн шинжилгээ хийх түвшинд хүрээд байна.
Хайперспектрийн мэдээний гол онцлог нь ихэнх тохиолдолд хэдэн зуун сувгийн мэдээг цахилгаан, соронзон долгионы нарийн зурвасаар цуглуулдагт оршино. Энэ нь тухайн пикселийн радиометрийн тодролыг дан ганц өнгөний утгаар бус, харин олон төрлийн долгионы уртад харгалзах тусгалын муруйгаар илэрхийлэх боломжийг олгодог.
Иймээс, хайперспектрийн өгөгдөл нь мэдээллийн куб буюу нэн олон хэмжээст өгөгдлийн бүтцийг бий болгодог гэж хэлж болно. Энэ кубын X ба Y тэнхлэг нь орон зайн координатыг, харин Z тэнхлэг нь λ буюу долгионы уртыг илэрхийлнэ. Нэг пикселийн доторх спектрийн муруйг спектрийн сигнатур гэж нэрлэдэг ба энэ нь тухайн биет, юмсын ялгах шинжийг илтгэдэг чухал хэмжигдэхүүн юм.
Зураг 1. Хайперспектрийн мэдээний бүтэц.
Хүн төрөлхтөн гэрлийн долгионы уртын маш нарийн хэсгийг л нүдээрээ ялгаж хардаг. Гэвч дэлхийн гадарга, түүн дээрх янз бүрийн объектууд нь гэрлийг илүү өргөн мужид, өөр өөр байдлаар шингээж, тусгадаг. Үүнийг 400нм–2500нм-ийн өргөн мужид хэмжиж чаддаг хайперспектрийн мэдээ нь бидэнд илүү нарийн, үнэн зөв мэдээлэл өгдөг. Жишээлбэл, ургамлын хлорофилл хөх болон улаан гэрлийн мужид гэрлийг ихээр шингээж, харин 700нм–900нм орчимд буюу ойрын нэл улаан туяаны мужид гэрлийг хүчтэй ойлгодог. Энэ үзэгдэл нь фотосинтезийн идэвхтэй бүсийг илтгэж, ургамал, хөрсний янз бүрийн индексүүдийг тооцолоход хэрэглэгддэг. Усны гадарга 1400, 1900, 2200 нм орчимд хүчтэй шингээлт үзүүлдэг бол эрдэс, чулуулаг бүр өөрийн гэсэн спектрийн шингээлтийн зурвастай байдаг.
Зураг 2. Ургамал, хөрс, усны спектр ойлголтын муруй.
Хайперспектрийн мэдээг ашиглахын тулд, түүнийг олон шатны боловсруулалт, анхан шатны заслын аргуудаар бэлтгэх шаардлагатай. Эх өгөгдөл буюу сенсороос шууд ирсэн мэдээнд нарны цацрагийн тусгалын өнцөг, сенсорын хариу үйлдэл, агаарын молекул, усны уур, аэрозолын нөлөө зэрэг олон гажуудал орсон байдаг. Тиймээс хамгийн эхний алхам нь радиометрийн засал юм. Тус заслын зорилго нь өгөгдлийн тоон утгыг бодит эрчим, дараа нь гадаргын тусгалын хувь болгон хөрвүүлэх явдал юм. Үүний дараа, атмосферын засал хийгддэг.
Агаар дахь молекул, усны уур, тоосонцор нь гэрлийн долгионыг сарниулж, гажуудал үүсгэдэг учир энэ нөлөөг FLAASH, ATCOR, MODTRAN зэрэг загварын тусламжтайгаар засдаг. Атмосферын болон радиометрийн заслуудыг хийсний дараа өгөгдөл бодит тусгалыг илэрхийлэх чадвартай surface reflectance хэлбэрт ордог.
Үүнээс гадна, геометрийн засал хийх шаардлагатай. Тандан судлалын системүүд ихэвчлэн нисдэг төхөөрөмж, хиймэл дагуул дээр байрладаг учир тухайн мэдээнд хөдөлгөөний, өнцгийн болон газрын гадаргын хэлбэлзлээс үүдэлтэй гажуудал зайлшгүй үүсдэг бөгөөд геометрийн засал нь тухайн мэдээг газрын бодит координаттай нийцүүлж, бусад мэдээтэй хоршлол хэлбэрээр ашиглах боломжийг бүрдүүлдэг.
Хайперспектрийн өгөгдөл нь маш олон зурвасыг агуулдаг тул өгөгдлийн хэмжээ асар их байдаг. Үүнтэй холбоотойгоор илүүдэл, давхардсан мэдээлэл үүсч, дүн шинжилгээний нарийвчлалд сөргөөр нөлөөлөх магадлалтай. Тиймээс мэдээний хэмжээсийг багасгах буюу dimensionality reduction аргуудыг ашигладаг. Гол компонентын шинжилгээ (ГКШ), тусгаар компонентын шинжилгээ, хамгийн бага шуугианы хувь буюу minimum noise fraction зэрэг статистик аргууд нь өгөгдлийн өндөр хамаарал, шуугианыг арилгаж, хамгийн их мэдээлэл агуулсан гол хэсгүүдийг сонгон авдаг. Энэ нь дараагийн шатны ангилал, дүн шинжилгээний чанарт чухал нөлөөтэй байна.
Зураг 3. ГКШ-ний эх өгөгдлийн хэмжээсийг багасгах зарчим.
Дараагийн чухал шат бол хайперспектрийн мэдээг ангилах явдал юм. Ангиллын зорилго нь тухайн газар нутаг дээрх биет, объектуудыг спектрийн шинж чанараар нь аливаа нэгэн ангид хамааруулах явдал бөгөөд хиймэл оюуны (нейрон сүлжээн дээр суурилсан - artificial neural network, recurrent neural network, сonvolutional neural network, гэх мэт), машин сургалттай (санамсаргүй ойн, шугаман регрессийн, логистик регрессийн, шийдвэрийн модны, тулах векторын, k-ойрх хөршийн, бүлэглэлийн, boosting хийдэг аргууд-AdaBoost, XGBoost, LightGBM, гэх мэт), уламжлалт сургалттай (хамгийн их төсөөтэйн, хамгийн бага зайн, Махаланобисын зайн, гэх мэт), сургалтгүй (изодата, к-means, гэх мэт) ангиллын аргууд өргөн ашиглагдаж байна.
Дээрх аргуудаас гадна, хайперспектрийн мэдээг ангилах өндөр түвшингийн тусгай аргууд бий болсон бөгөөд тэдгээрийн тоонд спектрийн өнцгийн маппер зүй ёсоор багтана. Тус арга нь спектрийн муруйн хоорондын өнцгийг тооцож, төстэй байдлыг тодорхойлдог ба олон хэмжээст спектрийн огторгуйд хамгийн оновчтой ялгах шугам үүсгэн, объектуудыг материалын төрөл, гадаргын онцлогийн дагуу ангилах боломжийг олгоно.
Сүүлийн үед, объектод суурилсан арга хайперспектрийн өгөгдөлд өргөн хэрэглэгдэх болсон. Уг арга нь нэг пиксел биш, харин объектын түвшинд шинжилгээ хийх зарчимд тулгуурладаг ба спектрийн утга, текстур, хэлбэр, хэмжээ, орчны харилцан хамаарлыг нэгэн зэрэг авч үзэх боломжийг бий болгодог. Ингэснээр, хайперспектрийн өндөр нарийвчлалтай өгөгдөлд физик болон геометрийн утгаар илүү нарийн ялгарал гаргах, зарим нэг жижиг хэмжээний онцлог обьектуудыг илүү үнэн зөв тодорхойлох нөхцөл болдог.
Хайперспектрийн мэдээний хэрэглээний салбар асар өргөн юм. Хөдөө аж ахуйд энэ мэдээг ургамлын төрөл, ургалтын үе шат, шим тэжээлийн дутагдал, усалгааны байдал, хортон шавьжийн халдвар зэргийг илрүүлэхэд ашигладаг. Ургамлын индексүүд болох NDVI, MCARI, PRI гэх мэт нь спектрийн тодорхой зурвасын харьцаанд тулгуурлан ургамлын биофизик үзүүлэлтүүдийг тооцоолох боломж олгодог.
Уул уурхайн салбарт хайперспектрийн мэдээг ашиглан эрдсийн найрлага, чулуулгийн төрөл, газрын гадаргын бүтэц, шаварлаг эрдсийн илрэлийг тодорхойлно. Энэ нь уламжлалт геологийн судалгаанаас илүү хялбар бөгөөд өргөн талбайг хамарсан үнэлгээг хийхэд тустай.
Байгаль орчны мониторингийн салбарт хайперспектрийн мэдээг ашиглан усны чанар, ойн доройтол, газрын доройтлын түвшин, цөлжилтийн байдал зэргийг тодорхойлдог бол хот төлөвлөлт, барилгын салбарт барилгын материалын төрөл, дулаан тусгалын шинжилгээнд хэрэглэдэг.
Эцэст нь дүгнэхэд, хайперспектрийн технологи нь зөвхөн шинжлэх ухааны судалгаанд бус, манай дэлхийн нөөц баялгийн зохистой ашиглалт, байгаль орчин-экологийн хамгаалал, хүнсний аюулгүй байдал, хот төлөвлөлт, улс, үндэстний аюулгүй байдлын салбарт чухал үүрэг гүйцэтгэж буй орчин үеийн дэвшилтэт шийдэл юм.
Мэдээг бэлтгэсэн: Д.Амарсайхан, Д.Энхжаргал, ШУА-ийн Газарзүй, геоэкологийн хүрээлэн
Эх сурвалжууд:
- Basantia, N. C., & Kamruzzaman, M. (Eds.). (2018). Hyperspectral Imaging Analysis and Applications for Food Quality. Routledge.
- Chang, C.-I. (Ed.). (2022). Advances in Hyperspectral Image Processing Techniques. Wiley online.
- Deshpande, S. S., & Inamdar, A. B. (2023). Hyperspectral Remote Sensing in Urban Environments. CRC Press.
- Prasad, S., & Chanussot, J. (Eds.). (2023). Hyperspectral Image Analysis: Advances in Machine Learning and Applications. Springer.
Vohland, M., & Jung, A. (Eds.). (2021). Hyperspectral Imaging for Fine to Medium Scale Applications in Environmental Sciences. MDPI.
Бусад мэдээлэл
