Analyzing the Impact of Simulated Multispectral Images on Water Classification Accuracy by Means of Spectral Characteristics - Publikacja - MOST Wiedzy

Wyszukiwarka

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

Abstrakt

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 absorp-tion of radiation by water and chlorophyll a and b.Multispectral sensor ALI has bands within the ranges of electromagnetic radia-tion: 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 hyper-spectral 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 data-set for the classification decreased the accuracy of water classification by 15% and 10%, respectively.

Cytowania

  • 0

    CrossRef

  • 0

    Web of Science

  • 1

    Scopus

Cytuj jako

Pełna treść

pobierz publikację
pobrano 15 razy
Wersja publikacji
Accepted albo Published Version
Licencja
Creative Commons: CC-BY otwiera się w nowej karcie

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Publikacja w czasopiśmie
Typ:
artykuły w czasopismach
Opublikowano w:
Geomatics and Environmental Engineering nr 14, strony 47 - 58,
ISSN: 1898-1135
Język:
angielski
Rok wydania:
2020
Opis bibliograficzny:
Michałowska K., Głowienka E.: Analyzing the Impact of Simulated Multispectral Images on Water Classification Accuracy by Means of Spectral Characteristics// Geomatics and Environmental Engineering -Vol. 14,iss. 1 (2020), s.47-58
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.7494/geom.2020.14.1.47
Bibliografia: test
  1. Brando V., Dekker A.: Satellite hyperspectral remote sensing for estimating estu- arine and coastal water quality. IEEE Transactions on Geoscience and Remote Sensing, vol. 41, no. 6, 2003, pp. 1378-1387. otwiera się w nowej karcie
  2. Hejmanowska B., Drzewiecki W., Głowienka E., Mularz S., Zagajewski B., Sanecki J.: Próba integracji satelitarnych obrazów hiperspektralnych z nieobrazo- wymi naziemnymi danymi spektrometrycznymi na przykładzie Zbiornika Dob- czyckiego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 16, 2006, pp. 207-216.
  3. Koponen S., Pulliainen J., Kallio K., Hallikainen M.: Lake water quality classi- fication with airborne hyperspectral spectrometer and simulated MERIS data. Re- mote Sensing Environment, vol. 79, 2002, pp. 51-59. otwiera się w nowej karcie
  4. Mularz S., Drzewiecki W., Hejmanowska B., Pirowski T.: Wykorzystanie te- ledetekcji 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, carot- enoid and chlorophyll pigments in eutrophic waters. Archive for Hydrobiologie - Special Issues Advancements in Limnology, vol. 55, 2000, pp. 153-168. otwiera się w nowej karcie
  7. Gitelson A.: The peak near 700 nm on radiance spectra of algae and water: relation- ships of its magnitude and position with chlorophyll concentration. International Journal of Remote Sensing, vol. 13, 1992, pp. 3367-3373. otwiera się w nowej karcie
  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. otwiera się w nowej karcie
  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 Sympo- sium, IEEE International, vol. 3, 2002, pp. 1648-1651. otwiera się w nowej karcie
  10. Börner M., Wiest L., Keller P., Reulke R., Richter R., Schläpfer D., Schaep- man M.: SENSOR: a tool for the simulation of hyperspectral remote sensing sys- tems. ISPRS Journal of Photogrammetry and Remote Sensing, vol. 55, no. 6, 2001, pp. 299-312. otwiera się w nowej karcie
  11. Goetz A., Kindel B., Ferri M., Qu Z.: HATCH: Results from Simulated Radi- ances, AVIRIS and Hyperion. IEEE Transactions on Geoscience and Remote Sensing, vol. 41, no. 6, 2003, pp. 1215-1222. otwiera się w nowej karcie
  12. Jarecke P., Barry P., Pearlman J., Markham B.: Aggregation of Hyperion hyper- spectral spectral bands into Landsat 7 ETM+ spectral bands. [in:] IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 Interna- tional Geoscience and Remote Sensing Symposium (Cat. No.01CH37217), Sydney, NSW, Australia, 2001, vol. 6, pp. 2822-2824. otwiera się w nowej karcie
  13. Kruse F., Perry S.: Regional Mineral Mapping by Extending Hyperspectral Sig- natures Using Multispectral Data. [in:] 2007 IEEE Aerospace Conference, 2004. otwiera się w nowej karcie
  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. otwiera się w nowej karcie
  15. Schläpfer D., Böerner A., Schaepman M.: The potential of spectral resampling techniques for the simulation of APEX imagery based on AVIRIS data. [in:] Sum- maries 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 veg- etation indices from different sensor systems. Remote Sensing of Environment, vol. 88, 2003, pp. 412-422. otwiera się w nowej karcie
  17. Milton E., Choi K.: Estimating the spectral response function of the CASI-2. [in:] RSPSoc2004: Mapping and Resources Management (Annual Conference of the Re- mote Sensing and Photogrammetry Society, Aberdeen, Scotland, 7-10 Sep 2004), Remote Sensing and Photogrammetry Society, 2004, pp. 1-15. otwiera się w nowej karcie
  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]. otwiera się w nowej karcie
  19. Głowienka E.: Przetwarzanie wstępne danych z hiperspektralnego sensora sateli- tarnego Hyperion. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 18, 2008, pp. 131-140.
  20. Głowienka E.: Analiza porównawcza metod przetwarzania danych hiperspektral- nych o zróżnicowanej dokładności. AGH 2014 [PhD thesis, unpublished]. otwiera się w nowej karcie
Weryfikacja:
Politechnika Gdańska

wyświetlono 70 razy

Publikacje, które mogą cię zainteresować

Meta Tagi