Минералогическое картирование с использованием скорректированных SWIR данных, полученных под углом с БПЛА.

Samuel T. Thiele 1,*, Zakaria Bnoulkacem 1,2, Sandra Lorenz 1, Aurélien Bordenave 3, Niccolò Menegoni 4, Yuleika Madriz 1, Emmanuel Dujoncquoy 5, Richard Gloaguen 1 and Jeroen Kenter 5

1 Helmholtz-Zentrum Dresden-Rossendorf, Helmholtz Institute Freiberg for Resource Technology, 09599 Freiberg, Germany; z.bnoulkacem@hzdr.de (Z.B.); s.lorenz@hzdr.de (S.L.); y.madriz-diaz@hzdr.de (Y.M.); r.gloaguen@hzdr.de (R.G.) 2 Department of Photogrammetry and Cartography ESGIT, IAV Hassan II University, Rabat 10101, Morocco 3 Applied Geology and Sedimentology, Technopole Hélioparc, 64000 Pau, France; aurelien.bordenave@ageos-science.com 4 Department of Earth and Environmental Sciences, University of Pavia, 27100 Pavia, Italy; niccolo.menegoni01@universitadipavia.it 5 TotalEnergies, 64000 Pau, France; emmanuel.dujoncquoy@total.com (E.D.); jeroen.kenter@totalenergies.com (J.K.) * Correspondence: s.thiele@hzdr.de

Remote Sens. 2022, 14(1), 5; https://doi.org/10.3390/rs14010005

Аннотация

В то время как беспилотные летательные аппараты обычно используются в качестве платформ для гиперспектральных датчиков, их применение в основном ограничено ориентацией изображения по надиру. Получение наклонных гиперспектральных изображений затруднено из-за отсутствия надежных протоколов регистрации и коррекции, которые необходимы для получения точной информации. Эти поправки особенно важны для обнаружения типично небольших спектральных характеристик минералов, а также для получения инфракрасных данных, полученных с помощью сенсоров pushbroom. Сложные перемещения нестабильных платформ (таких как беспилотные летательные аппараты) требуют строгих геометрических и радиометрических корректировок, особенно в условиях пересеченной местности, часто встречающейся в геологических целях. В этой статье мы предлагаем новую методологию коррекции и связанный с ней набор инструментов, предназначенных для точного получения гиперспектральных данных, полученных с помощью беспилотных летательных аппаратов, без каких-либо ограничений относительно углов обзора или геометрии цели. Мы предоставляем эти коды в свободном доступе сообществу и, таким образом, надеемся стимулировать более широкое использование гиперспектральных данных в науках о Земле и продемонстрировать их, выпустив, насколько нам известно, первой полностью скорректированной наклонной съемки SWIR-дроном.. Это исследование охватывает вертикальный обрыв в Доломитовых Альпах (Италия) и позволило нам выделить отдельные кальцитовые и доломитово-карбонатные образования, составить карту качественного состава глинисто-слюдяных минералов и, таким образом, охарактеризовать фациальную архитектуру сейсмического масштаба.

Ключевые слова: инфракрасный; гиперспектральный; беспилотный летательный аппарат; кальцит; доломит

1. Введение

Беспилотные летательные аппараты (БПЛА) произвели революцию в геологическом картографировании, облегчив детальную и количественную характеристику первичного выявления. Недавние обзоры освещают различные области применения, включая геотехнические исследования, оценку геоопасности, структурный анализ, стратиграфическое картографирование и обучение [1,2,3,4]. Большинство из этих исследований основывались на интерпретации цвета первичного выявления, полученного с помощью обычных легких камер RGB, и геометрической информации, полученной при обнаружении света и определении дальности (ЛиДАР), или структуры, полученной с помощью рабочих процессов multiview stereo (SfM-MVS) [5].

Недавно миниатюрные гиперспектральные камеры, работающие в коротковолновом инфракрасном диапазоне (SWIR; 1000-2500 нм), предоставили возможность для аналогичных детальных исследований первичных выявлений, но с дополнительным гиперспектральным измерением, позволяющим определить распределение и количество многих породообразующих минералов (например, карбонатов, глин, слюд, хлоритов, амфиболов и других минералов с диагностической целью). объекты в SWIR; [6]), которые будут нанесены на карту.

Предыдущие исследования с использованием датчиков, установленных на штативах, продемонстрировали значительный потенциал данных SWIR для геологического картографирования (например, [7,8,9,10]), но их разрешение было ограничено из-за ограничений доступа и наклонных углов обзора. Эти ограничения могут быть особенно сложными при сканировании скал или шахт, поскольку (1) углы обзора, направленные вверх, приводят к очень наклонным изображениям и связанным с ними искажениям, и (2) опасность камнепада и ограниченный доступ к осыпям не позволяют использовать (как правило, тяжелое) оборудование для картографирования крупным планом.

Чтобы избежать этих ограничений, гиперспектральные датчики все чаще устанавливаются на платформы беспилотных летательных аппаратов. Доступно множество датчиков, совместимых с БПЛА в видимой и ближней инфракрасной области (VNIR) (см. [11]); однако весовые ограничения создают серьезные проблемы для SWIR-камер, которым требуются тяжелые и энергоемкие тепловые насосы для охлаждения детектора до температуры <-100 °C, прежде чем можно будет получить спектрально точные данные. По этой причине SWIR-датчики только недавно стали достаточно компактными и легкими для установки на беспилотных летательных аппаратах [12,13,14].

Большинство гиперспектральных датчиков не собирают весь куб данных одновременно, а либо собирают полосы последовательно (например, Senop Oy Rikola), либо путем разделения узкой полосы входящего света на 2D-датчике для получения непрерывных спектральных данных шириной в 1 пиксель (датчики pushbroom; [11]). Все доступные в настоящее время SWIR-камеры, совместимые с беспилотными летательными аппаратами, используют режимы сбора данных в ручном режиме. В результате перемещение датчика во время сбора данных приводит к сложным геометрическим искажениям, которые необходимо исправить, прежде чем можно будет получить пригодные для использования данные. Для минимизации влияния вибраций можно использовать подвесные системы, но искажения, связанные с перемещением БПЛА по траектории полета, неизбежны (особенно для сенсоров, которые требуют, чтобы это перемещение охватывало интересующую область; рис. 1). Эти искажения больше для платформ беспилотных летательных аппаратов, чем для обычных самолетов, из-за их меньшего веса и более высокого разрешения при отборе проб с поверхности земли, что связано с малыми высотами полета (подробное описание проблем, связанных с датчиками перемещения, приведено в [15]).

Для кадровых датчиков методы сопоставления изображений и компьютерного зрения могут использоваться для совместной регистрации гиперспектральных полос и, таким образом, коррекции геометрических искажений [10,16,17]. Датчики Pushbroom более сложны; необходимы инерциальный процессор (IMU) и глобальная система позиционирования (GPS) для точной количественной оценки движения датчика и устранения искажений с помощью обратной проекции (например, [15]). Несмотря на эти проблемы, несколько авторов успешно использовали датчики Pushbroom VNIR для сбора данных с чрезвычайно высоким разрешением (2–10 см) с разумными уровнями пространственной точности (5–100 см; [15,18,19,20]). Все эти авторы исправили искажения, возникающие в результате движения БПЛА, с помощью геометрических поправок с закрытым исходным кодом, реализованных в программном обеспечении PARGE [21]. Этот подход применяет алгоритм трассировки лучей для определения центральной точки каждого гиперспектрального пикселя на цифровой модели рельефа высокого разрешения (ЦМР), а затем интерполирует их для заполнения пробелов по мере необходимости. Из-за неопределенностей в измерении положения и ориентации датчика с использованием инерциального процессора (IMU) большинство авторов затем деформируют полученную гиперспектральную ортомозаику, чтобы она соответствовала измеренным наземным контрольным точкам [21] или фотограмметрической ортомозаике RGB высокого разрешения [18,20]. Из-за зависимости от наборов растровых данных этот метод коррекции плохо работает в топографически сложных областях, которые не могут быть сжаты в 2,5D растр [15]. Области геологического интереса и хорошей экспозиции, такие как скалы, карьеры и шахты, часто включают в себя субвертикальные грани с множественной ориентацией, поэтому их нельзя спроецировать на 2D сетку (ЦМР/ортомозаику) без внесения проективных искажений, которые значительно ухудшают качество данных [10,22,23]. Чтобы смягчить эти проблемы и облегчить сбор геологических данных с потенциально важных, но в противном случае недоступных обнажений, разрабатывается все больше методов для объединения гиперспектральных данных дистанционного зондирования с плотными трехмерными облаками точек для создания гипероблаков [8,10,17,23,24], которые объективно регистрируют геометрию и состав обнажений.

В этой статье мы представляем (1) новый рабочий процесс на языке python с открытым исходным кодом для применения надежных геометрических и радиометрических поправок к гиперспектральным данным, независимо от геометрии объекта, и (2) результаты демонстрационного исследования, проведенного для составления карты распределения доломитовых, кальцитовых и глинисто-карбонатных пород, обнаруженных вдоль скал. недалеко от Пассо-Джиау, Италия (рис. 2). Этот разрез достаточно велик (>500 × 100 м), чтобы быть прямым аналогом геологических структур, которые можно определить по данным подземной сейсморазведки.

2. Местоположение

Изучаемая территория расположена на юго-восточной стороне обнажения Гузела-дель-Нуволау [25], к северу от Пассо-Джау в центрально-восточных итальянских Доломитах (рисунок 2). Этот обрыв длиной 600 м и высотой 300 м (рисунок 3) обнажает остатки эксгумированной карбонатной платформы Кассианского яруса верхнего ладинского - нижнего карнийского яруса, включая переход от платформенной (формация доломита Кассианского яруса) к бассейновым (формация Сан-Кассиано) фациям [26]. Доломит Кассианского яруса представляет собой серовато-белый мелкозернистый доломит с текстурой сахарозы, который из-за всепроникающей доломитизации платформы Кассианского яруса сохраняет мало первоначальных характеристик породы (например, первоначальные текстуры, окаменелости или осадочные структуры; [27]). Формация Сан-Кассиано состоит из чередующихся мергелей и известняков с оолитовыми/биокластовыми грейнстоунами [26,27]. В целом, геометрия платформы Кассиан и формации Сан-Кассиано (рисунок 3) предполагает северо-восточное (СВ) продвижение склоновых отложений на бассейновую единицу [25,28].

Сегодня первичное выявление доступно благодаря альпийскому орогеническому событию, во время которого Доломиты претерпели лишь незначительную тектоническую деформацию [29,30,31]. Это позволило сохранить геометрию осадконакопления сейсмического масштаба среднетриасовой платформы [25] в Гусела-дель-Нуволау (рисунок 3). Геологическое определение литофациального разделения (т. е. количественное определение пространственного сопоставления и пропорций геологических типов пород) обычно затруднено сочетанием ограничений доступа и субъективной, невоспроизводимой интерпретации геологами. Основными целями развертывания БПЛА и камеры VNIR-SWIR являются предоставление точного и объективного метода картирования литологических и минералогических изменений (здесь кальцит, доломит и глина), что способствует реконструкции реалистичных и точных моделей в недрах для энергетической промышленности (геотермальной, секвестрации CO2 и углеводородов). Выступ Пассо-Джау был выбран в качестве технического испытательного полигона для демонстрации потенциала метода, тестирования процедур коррекции и проверки гиперспектральных изображений, полученных с помощью дистанционного зондирования.

3. Методы

3.1. Получение гиперспектральных данных

Мы использовали систему HySpex Mjolnir VS-620 (таблица 1), которая позволяет одновременно получать гиперспектральные данные в диапазоне VNIR (400–1000 нм, датчик HySpex Mjolnir V-1240 с 1024 пространственными пикселями) и диапазоне SWIR (970–2500 нм, датчик HySpex Mjolnir S-620 с 620 пространственными пикселями). Эти датчики работают как сканеры pushbroom для создания спектрального куба данных путем постоянного получения и перемещения вдоль интересующей цели (рисунок 1).

Таблица 1. Параметры датчика комбинированной гиперспектральной системы HySpex Mjolnir VS-620 для получения и фотограмметрии, развернутой в исследовании. Данные с датчика V-1240 были пространственно уменьшены (объединены) для соответствия датчику S-620 для данного исследования.

В отличие от типичных сенсоров, ориентированных в надирном направлении, мы установили Mjolnir боком на подвеске Gremsy gStabi H16 XL таким образом, чтобы камера была обращена к поверхности скалы, а линия сканирования была субвертикальной. Эта установка осуществлялась с помощью специально изготовленного беспилотного летательного аппарата octocopter (рис. 4), который при установленной полезной нагрузке ~ 8 кг может достигать времени полета 15-20 минут в идеальных условиях.

В текущем исследовании две полосы гиперспектральных данных (далее именуемые полосой A и полосой B) были получены путем полета по плавно нисходящим линиям полета (параллельно напластованию) на расстоянии 140 (полоса A) и 90 м (полоса B) от скалы (рисунок 5). Из-за в целом солнечных условий частота кадров 50 кадров в секунду и результирующее время интеграции 10 (VNIR) и 20 мс (SWIR) были достаточными для обеспечения адекватной экспозиции изображения, а скорость ~2 м/с была выбрана для получения приблизительно квадратных пикселей. Такая конфигурация привела к теоретическому расстоянию отбора проб земли 8 см (полет A) и 5 ​​см (полет B) для датчика SWIR (таблица 1).

Сильный ветер (~14 м/с) и плохой сигнал GPS представляли значительные проблемы во время сбора данных, поскольку датчики pushbroom требуют, чтобы линии полета проводились максимально плавно. Они были (частично) смягчены путем ориентации сканера таким образом, чтобы он был обращен к скале, в то время как БПЛА летел вперед, в отличие от ориентации сканера в направлении вперед и полета БПЛА боком. Такая конфигурация оказалась более стабильной, поскольку БПЛА не нужно постоянно маневрировать, чтобы поддерживать фиксированный курс. Плавно снижающиеся линии полета также помогли стабилизировать БПЛА.

3.2. Фотограмметрия

Камера HySpex Mjolnir также была оснащена совмещенной 24,2-мегапиксельной беззеркальной камерой DSLR (Sony Alpha 6400), которая снимала RGB-изображение каждые 200 гиперспектральных кадров, что дало 205 изображений с горизонтальным перекрытием ~80%. Эти изображения были дополнены дополнительными 144 изображениями, снятыми с помощью DJI Spark, и 132 изображениями с Parrot Anafi, чтобы гарантировать, что весь выступ был адекватно покрыт, а затем обработаны с помощью Agisoft Metashape (v. 1.6.3 build 10732) для создания разреженного облака, содержащего 249 329 точек, с использованием структуры из движения (SfM). Это разреженное облако было вручную отфильтровано для удаления выбросов, а затем геопривязано с использованием 14 наземных контрольных точек, обследованных с помощью ровера PPK GNSS (8 точек; точность 3–5 см) и Total Station (6 точек; точность ~10 см), прежде чем повторно запустить корректировку пакета для смягчения потенциальных фотограмметрических искажений. Наконец, плотное облако, содержащее 99 141 154 точек, было создано с помощью многовидовой стереотехники, реализованной в Agisoft Metashape, и экспортировано в CloudCompare [32], где оно было подвыборочно путем удаления близко расположенных точек до тех пор, пока их среднее расстояние не составило 5 см, и обрезано по интересующей области. Подробности фотограмметрической реконструкции можно найти в Дополнительных материалах 1.

3.3. Геометрические исправления

Как и во всех бортовых сканерах Pushbroom, сложные геометрические искажения, вызванные изменениями положения и ориентации камеры во время полета, требуют исправления, прежде чем можно будет получить пригодное для использования изображение. Эти исправления основаны на точных данных о положении и ориентации, записанных инерциальным процессором (IMU) Applanix APX-20, установленным в камере Hyspex Mjolnir для моделирования и удаления геометрических искажений. Однако устоявшиеся рабочие процессы исправления (например, [11,15]) основаны на 2,5D-представлениях геометрии сцены и поэтому не могут исправить сильно наклонные съемки, охватывающие, например, скалы или открытые карьеры. По этой причине мы разработали и внедрили новую процедуру геометрической коррекции в наборе инструментов с открытым исходным кодом hylite (см. [10]).
Во-первых, как было ранее описано в [15], мы обработали данные APX-20 с помощью программного обеспечения Trimble PosPAC для применения постобработанных кинематических (PPK) поправок к данным о положении GNSS и совместили их с измерениями акселерометра и ориентации с IMU с помощью набора инструментов слияния инерциальной навигационной системы (INS) Applanix. Данные с бортовой GNSS были скорректированы с помощью базовой станции Trimble, которую мы установили на месте с помощью антенны Zephyr 2 GNSS и приемника R5. Положение нашей базовой станции было определено с помощью статического измерения со временем работы 5 ч и скорректировано с помощью Trimble Business Centre и постоянных данных базовой станции из Больцано, Больцано, Черчивенто, Роверето, Падуи и Венеции.

Скалы закрывали значительную часть неба во время сбора данных, что означало, что бортовой приемник GNSS регистрировал данные только с 5-12 спутников во время полета, что приводило к сильному ухудшению качества GNSS-решений (PDOP < 4 в течение ~30% времени полета). Из-за этого мы обрабатывали каждую линию полета отдельно и вручную удаляли поврежденные участки. Это снизило общее качество обработки, особенно потому, что для каждой съемки была доступна только одна калибровочная цифра IMU, что привело к расхождениям между двумя линиями полета. Каждый полет обрабатывался дважды с использованием алгоритма слияния INS в POSPac; первое решение использовалось для определения положения рычага между приемником GNSS и IMU, а второе - для получения окончательной сглаженной наилучшей оценки траектории (SBET).

Эта траектория была экспортирована и обработана с помощью программного обеспечения, предоставленного Hyspex (Hyspex Nav), для получения измерений ориентации и положения камеры для центров пикселей каждой гиперспектральной линии (рисунок 5). Коррекция оси визирования также была применена с помощью HySpex Nav и значений, определенных из наземных контрольных точек, обследованных во время калибровочного полета, проведенного производителем датчика. Затем мы использовали hylite [10] для проецирования фотограмметрического облака точек на гиперспектральное изображение, используя измеренное положение и ориентацию датчика во время получения каждой линии гиперспектральных пикселей, и таким образом построили разреженную матрицу картирования (M), которая связывает точки на сцене с пикселями в каждой полосе. M имеет такие размеры, что каждая строка соответствует точке в облаке точек, а каждый столбец — (сплющенному) индексу гиперспектрального пикселя. Таким образом, Mij представляет видимость точки i (с позицией ui) в пикселе j с учетом вектора положения камеры c и матрицы ориентации R в начале (n) и конце (n + 1) гиперспектрального кадра. Обратите внимание, что в отличие от обычных кадровых датчиков, режимы получения pushbroom часто отображают одну и ту же точку несколько раз (из-за вращения датчика во время получения), поэтому M представляет собой отображение «многие ко многим» между точками и пикселями. Для датчиков pushbroom точка может считаться видимой из пикселя j, если она пересекла линию сканирования датчика во время экспозиции этого пикселя, что приводит к изменению знака (sgn) скалярного произведения между вектором движения камеры и вектором относительного положения точки (в координатах камеры), удовлетворяющему требованиям:

Это будет верно только в том случае, если пиксель пересек плоскость датчика между кадрами n и n + 1. Затем отбираются точки вне поля зрения датчика (на основе перспективной проекции и фокусного расстояния f), так что точки считаются видимыми только в том случае, если они удовлетворяют уравнению (1) и:

где либо m = n, либо m = n + 1 (см. [33] для обзора математики, лежащей в основе перспективной проекции).

Построение M для больших облаков (10-100 миллионов точек) и гиперспектральных полос (>1000 сек. линий) потребовало бы непомерно дорогостоящих вычислений, поскольку уравнения (1) и (2) необходимо вычислять для каждой точки и каждой линии пикселей. Наш алгоритм сокращает количество требуемых вычислений, разбивая каждое гиперспектральное изображение на фрагменты шириной 200 пикселей и для каждого фрагмента рассматривая только точки, которые пересекают плоскость датчика между его первой и последней линией и находятся в поле зрения перекрестия. Эта форма выбраковки в форме усеченного конуса (широко применяемая техника для быстрого трехмерного рендеринга; [33]) значительно сокращает требуемые вычисления за счет проецирования только небольшого подмножества общего облака точек на каждую линию пикселей, предполагая, что положение и ориентация камеры плавно меняются с течением времени (требование для сбора полезных данных).
Чтобы облегчить идентификацию и удаление закрытых точек (которые отображаются на сенсоре после перспективной проекции, но не видны из-за объекта, блокирующего свет на переднем плане), значение, обратное расстоянию между каждой парой точка-пиксель, было сохранено в качестве элементов матрицы отображения M. Это позволяет эффективно выполнять запросы. глубины точек в пикселях (путем вычисления значения argmax от M вдоль его столбцов) и создания буфера глубины [33], который может быть использован для идентификации и удаления элементов в M, возникающих в результате использования закрытых точек.

Затем к M могут быть применены различные нормализации или фильтрация для получения нормализованной матрицы отображения, обозначаемой Mf, которая может быть умножена на вектор пиксельных спектров (Ps) или атрибутов точек (Va) для получения спектров точек с обратной проекцией (Vs) или проецируемого изображения атрибутов точек (Па):

Метод нормализации будет определять, сколько взаимосвязей между точками и пикселями будет обрабатываться. Если Mf вычисляется путем нормализации M таким образом, что сумма его столбцов равна единице, то спектры во всех пикселях, из которых видна точка, будут усреднены (взвешены по их близости к датчику). В качестве альтернативы, количество точек, содержащихся в каждом пикселе (которое пропорционально размеру пикселя на местности), может быть вычислено путем суммирования столбцов M и использовано для получения отфильтрованного Mf, который отображает спектры от ближайшего (наименьшего по площади) пикселя непосредственно к каждой точке (без использования усреднение), так что сохраняется максимальное пространственное разрешение.

Код для построения M и выполнения этих операций фильтрации для быстрой передачи данных между облаками точек SfM-MVS и гиперспектральными изображениями pushbroom был реализован на python как часть пакета hylite с открытым исходным кодом и доступен по адресу https://github.com/samthiele/hylite (дата обращения 16 декабря 2021 года).

3.4. Оптимизация прицела

Несмотря на точность IMU Applanix в оптимальных условиях, сочетание ошибок GPS, неопределенности ориентации IMU и разницы в радиусе обзора между IMU и каждым гиперспектральным датчиком привело к относительно большому смещению (1-2 м/10-20 пикселей) между проецируемыми гиперспектральными пикселями и их фактическим местоположением в облаке точек (определяемом с помощью Цвета RGB от SfM-MVS). Эти ошибки не были устранены путем применения стандартной калибровки прицела с использованием значений, оцененных с помощью SfM во время предыдущего калибровочного полета (см. [15]), вероятно, потому, что они являются результатом смещений локальной системы координат, вызванных плохим сигналом GPS во время съемки и калибровочной диаграммой IMU (см. раздел 3.3), а не из-за местоположения физического датчика. Эта недопустимо большая ошибка была уменьшена за счет разработки нового алгоритма оптимизации boresight, который находит значения boresight, обеспечивающие максимальную корреляцию между проецируемыми цветами RGB и эквивалентными цветами в облаке точек SfM-MVS.

Во-первых, мы предполагаем, что суммарные ошибки выравнивания IMU могут быть аппроксимированы одним поворотом твердого тела между системами координат IMU и облака точек SfM-MVS. Ошибки позиционирования, скорее всего, также приводят к смещению рычага, но это постоянное смещение окажет меньшее влияние на проецируемое местоположение пикселя, чем ошибка ориентации (которая увеличивается пропорционально расстоянию между датчиком и целью).

Затем была найдена оптимальная настройка оси визирования для исправления этого вращения (несовпадения IMU) для каждой линии полета путем многократного проецирования красной, зеленой и синей полос каждого из изображений VNIR на субвыбранное облако точек и максимизации корреляции с цветами точек, полученными из модели SfM-MVS. Эта оптимизация была достигнута с помощью итеративного алгоритма наименьших квадратов, реализованного в SciPy (scipy.optimise.minimize; [34]).

После этой процедуры мы смогли совместно зарегистрировать две гиперспектральные полосы в пределах ~1 пикселя друг от друга и ~2 пикселей облака точек SfM-MVS (на основе визуальной оценки проецируемых цветов точек; Рисунок 6). Количественная оценка ошибки повторного проецирования была невозможна, поскольку обследованные наземные контрольные точки не могли быть размещены на скалах. Матрица проекционного картирования, рассчитанная с использованием значений направления визирования, затем сохранялась для каждого полета для последующего использования при радиометрической коррекции (раздел 3.5) и слиянии полос (раздел 3.6).

3.5. Радиометрические коррекции

Гиперспектральные данные для каждого полета были предварительно обработаны с использованием специального программного обеспечения, предоставленного HySpex (HyspexRad), для преобразования необработанных цифровых чисел в яркость и коррекции искажений улыбки и трапецеидальных искажений. Калибровочные спектры из двух калибровочных панелей Zenith (R = 5% и 50%), размещенных у основания скалы в каждой сцене (см. Рисунок 5), затем были извлечены путем обратной проекции на подмножество облако точек, содержащее только панели. Кроме того, непрямое освещение было количественно определено путем усреднения пикселей затененной панели Spectralon R90 (R = 90%), которая была размещена перед камерой после каждого обследования (после приземления БПЛА).

Следуя методу [35], эти спектры использовались для характеристики нисходящего солнечного света, небесного света и траекторной яркости в каждой сцене. Измеренная яркость (r) каждой панели с известными спектрами отражения R может быть описана приблизительно ламбертовским отражением смеси диффузного небесного света и солнечного света [35]:

где I и S — спектры падающего солнечного света (прямое освещение) и небесного света (непрямое освещение), соответственно; a — доля видимого неба от панели, θ — угол между нормалью панели и нисходящим солнечным светом, а P — яркость пути. Мы находим три неизвестных в этом уравнении (S, I и P), решая следующую линейную систему:

где A, B и C соответствуют каждой из трех используемых панелей (5%, 55% и (затененная) 90% панель соответственно). Коэффициент обзора неба (a) и угол падения (θ) панелей были рассчитаны с использованием модели SfM-MVS, как описано в следующем параграфе. Обратите внимание, что включение полностью затененной панели (такой, для которой известно, что I равен 0) обеспечивает правильную характеристику приблизительно всенаправленного небесного света (ср. [35]).

Эти три спектра освещения (рисунок 7c,d) позволили нам смоделировать и скорректировать влияние атмосферных и топографических эффектов. Как подробно описано в [35], углы падения и обзора для каждого пикселя были рассчитаны путем проецирования трехмерного облака точек на каждое гиперспектральное изображение (ср. уравнение (4)) и вычисления двунаправленной функции распределения отражательной способности (BRDF) Орена-Наяра [36], которая имитирует долю α солнечного света, отраженного в сторону камеры от каждого пикселя. Факторы обзора неба (a) были рассчитаны для каждой точки с использованием плагина PCV [37] в CloudCompare и спроецированы из облака точек на каждый пиксель гиперспектрального изображения. Это позволило оценить отражательную способность пикселя (R) из измеренной яркости (r) с помощью следующего уравнения [35]:

где числитель обозначает отраженное излучение от цели, а знаменатель - комбинированное прямое и непрямое освещение всей сцены.

3.6. Объединение и картирование минимальной длины волны

Из-за различных расстояний съемки (см. Рисунок 5) полоса обзора полета A охватывала большую протяженность, чем полета B, но с более низким разрешением. Таким образом, после применения радиометрических и геометрических поправок, описанных в Разделе 3.4 и Разделе 3.5, они были объединены для получения объединенного набора данных с оптимальным пространственным покрытием и разрешением. Спектры из каждой полосы были спроецированы на два отдельных гипероблака с использованием отфильтрованной матрицы картирования Mf, которая проецирует пиксель с наименьшим следом на каждую точку в облаке SfM-MVS (см. Раздел 3.3). Затем спектры по точкам из каждой полосы были усреднены с использованием весового коэффициента, пропорционального расстоянию выборки земли каждого пикселя, так что два обзора были усреднены для объединения их протяженности и (немного) уменьшения спектрального шума, но без значительного ухудшения пространственного разрешения. Наконец, к этому объединенному гипероблаку была применена коррекция корпуса от 2100 до 2500 нм, чтобы подчеркнуть особенности поглощения, связанные с глинистыми и слюдяными минералами в сланцах (~2200 нм), кальците (~2345 нм) и доломите (~2325 нм), и создать композит ложных цветов, представленный в Разделе 4. Затем было выполнено картирование минимальной длины волны положения и глубины особенности поглощения (ср. [38,39,40,41]) с использованием алгоритма подгонки особенностей мультигауссового поглощения, реализованного в hylite. Это использовалось для одновременного подгонки трех основных минералогических особенностей поглощения (AlOH, FeOH и CO3), ожидаемых в диапазоне 2150–2360 нм, и, таким образом, для различения различных минералов в Пассо-Джау.

3.7. Сбор проверочных спектров

Измерения точечных спектров проводились с использованием портативного спектрометра для получения данных наземной проверки для проверки дистанционно измеренных спектров. Десять мест отбора проб были выбраны на основе оценки геологии и стратиграфии на месте, ограничений доступа и для обеспечения пространственного охвата протяженности обнажения. На каждом из этих участков было собрано десять измерений, охватывающих диапазон доминирующих фаций или микрофаций (как интерпретировал геолог), с использованием спектрометра FieldSpec, оснащенного контактным зондом, который позволял измерять спектры отражения с областей площадью ~1 см2. Затем эти места отбора проб были отмечены с помощью распыляемого мела таким образом, чтобы их можно было легко идентифицировать в фотограмметрической модели области. Из этих участков 5 совпадали с областью исследования БПЛА и могли быть идентифицированы в фотограмметрическом облаке точек, что позволило получить эквивалентные спектры в пределах ±1 м от нанесенных мелом маркеров и в пределах соответствующих микрофаций (определенных на основе полевых наблюдений и интерпретации фотограмметрической модели).

4. Результаты

Процедура геометрической коррекции и оптимизации оси визирования, описанная в Разделе 3.3 и Разделе 3.4, позволила успешно выполнить коррекцию и геопривязку необработанных гиперспектральных полос (Рисунок 8), несмотря на сбор в неблагоприятных условиях (сильный ветер и слабый сигнал GPS), чтобы создать геометрически и радиометрически скорректированное гипероблако. Записные книжки Jupyter, демонстрирующие применение этих методов, доступны в Дополнительных материалах.

Полученные точечные спектры близко соответствуют измеренным на месте с использованием FieldSpec (рисунок 9). Спектры Mjolnir и FieldSpec сравнивались путем вычисления средней средней ошибки (MAE; чувствительна к форме и величине спектра) и спектрального угла (SA; чувствительна только к форме спектра) между спектрами Mjolnir и ближайшими спектрами FieldSpec на каждом из опорных участков (рисунок 10). Это говорит о том, что большинство дистанционно зондируемых спектров Мьёльнира имеют точность 2–4% (MAE) и 3,5–5,5° (SA). Учитывая значительные проблемы, связанные с дистанционным зондированием точных спектров отражения, мы считаем эти ошибки приемлемыми.

Рисунки 9 и 10 также показывают, что спектры Mjolnir и FieldSpec последовательно идентифицируют изменения в положении и глубине особенностей поглощения AlOH и CO3 (при ~2200 и 2320–2345 нм соответственно). Эти тонкие различия были использованы для картирования доминирующей минералогии по всему обнажению и, таким образом, для различения мелкозернистого доломита формации Cassian Dolomite Formation (DCS; Рисунок 9) от переслаивающихся микритовых известняков и мергелей формации San Cassiano Formation (SCS; Рисунок 9) и их эквивалентов доломита (SCS-D; Рисунок 9). SCS и SCS-D оба показывают особенность AlOH, указывающую на присутствие глинистых минералов, в то время как положение особенности CO3 отличает кальцитовый SCS (2345 нм) от доломитового SCS-D и DCS (2325 нм).

Визуализация ложных цветов (рисунок 11а), созданная с использованием глубины поглощения при 2200, 2320 и 2340 нм, подчеркивает эти различия, четко отделяя доломит (зеленый) от известняка (синего), а также богатые сланцем аргиллиты (от фиолетового до красного). Аналогичным образом, карта минимальной длины волны показывает изменения в положении особенности поглощения CaCO3 от 2320 нм (доломит) до 2340 нм (кальцит), обеспечивая визуализацию соотношения кальцита к доломиту (рисунок 11b). Кальцитовый известняк (2340–2345 нм) можно четко отличить от залегающих выше доломитов (2315–2325 нм), и он коррелирует с аргиллитами (свита Сан-Кассиано), идентифицированными на основе их отчетливой текстуры (тонкие слоистости) в фотограмметрической модели и обильных глинистых или слюдяных минералов, идентифицированных путем картирования глубины особенности поглощения AlOH 2200 нм (рисунок 11c).

Интересно, что часть этого известняка была доломитизирована на расстоянии ~2–5 м вдоль его верхнего контакта (рисунок 12), наблюдение, которое, вероятно, было бы упущено, если бы единица была нанесена на карту с использованием только традиционных методов. Геофизическая интерпретация этих результатов выходит за рамки этой текущей работы, но мы представляем некоторые предварительные интерпретации в следующем разделе (раздел 5). Визуализации в ложных цветах и ​​результаты карты минимальной длины волны можно загрузить с https://tinyurl.com/nuvolau (дата обращения: 16 декабря 2021 г.).

5. Обсуждение

Наши результаты подчеркивают значительный потенциал гиперспектральных камер SWIR, совместимых с БПЛА, для создания подробных, точных и объективных геологических карт в недоступной местности. Как показано на рисунках 9, 10 и 11, дистанционно картированные спектры SWIR точны и могут различать литологии и минеральные изменения (доломитизацию) в масштабе и разрешении, которые было бы сложно реализовать с помощью наземных датчиков или полевого картирования. Хотя необходимо проявлять осторожность, чтобы полностью понять потенциальные эффекты выветривания [42,43], эти данные значительно дополняют геометрическую и текстурную информацию высокого разрешения, полученную с помощью обычных методов цифрового картирования обнажений, и, в частности, способствуют предоставлению подробной карты минералогии по всему переходу от склона к бассейну в Гусела-де-Нуволау. Потенциальные приложения этого подхода гораздо шире, чем картирование карбонатной минералогии в аналогах резервуаров, и включают, например, картирование глин, слюды и хлорита, связанных с гидротермальными изменениями вокруг месторождений полезных ископаемых или вулканических построек для разведки полезных ископаемых или оценки геологической опасности.

В нескольких геологических исследованиях использовались гиперспектральные камеры SWIR БПЛА (например, [14]), но мы предполагаем, что сохраняется значительный потенциал для разработки и инновационного применения обоих методов. Мы надеемся, что наш новый подход к обработке поможет реализовать этот потенциал, (1) облегчая точные исправления в областях крутого рельефа (например, скалы или открытые карьеры) и (2) сохраняя истинную трехмерную информацию, избегая необходимости проецировать данные в двухмерную ортомозаику. Первое имеет важное значение, поскольку области исключительного геологического воздействия редко бывают плоскими, в то время как последнее позволяет избежать артефактов сетки и перепроецирования, связанных с рабочими процессами на основе ЦМР (ср. [23]), поскольку реальные пиксельные следы сохраняются в M, а также приводит к данным облака точек, подходящим для цифрового анализа обнажений (например, LIME, CloudCompare, VRGS; [32,44,45]) или трехмерного моделирования.

Чтобы продемонстрировать это, мы использовали VRGS [45] для выполнения предварительной интерпретации результатов гиперспектрального минерального картирования и связанного с ним облака точек SfM-MVS (рисунок 13). Это синтезирует результаты минерального картирования с текстурной информацией высокого разрешения, полученной с помощью модели SfM-MVS, и региональными знаниями, чтобы помочь лучше ограничить стратиграфическую природу связи склона с бассейном (например, наложение склоновой брекчии на клин бассейна или переплетение), а также пространственное распространение доломитизирующих жидкостей от грубых склоновых осадков до бассейновых, тонкослоистых, мелкозернистых известняковых интервалов, чередующихся со сланцами и мергелями (рисунок 13). Часть доломитизирующих жидкостей интерпретируется здесь как циркулирующая через разломы и связанные трещины (рисунок 13), латерально проникая в пористые и проницаемые объемы горных пород. Смежные непористые и непроницаемые фации бассейнов действовали как барьер для доломитизирующих жидкостей, предохраняя связанный тип породы от доломитизации. Процессы доломитизации являются сложными и многофазными в регионе Доломитовых Альп и не входят в объем данного исследования. Вместо этого этот вклад доказывает надежность разработанной технологии и рабочего процесса, открывая возможности для получения аналогичной, беспристрастной и точной геометрической и минералогической информации вдоль вертикальных обнажений, что имеет важное значение для оценки подземных аналогов для геотермальной, секвестрации CO2 и традиционной разведки и добычи углеводородов.

Однако, как и в случае с любой технологией дистанционного зондирования, использующей БПЛА, сбор данных особенно чувствителен к полевым условиям (например, погоде и сигналам GPS). Сильные ветры и плохой прием GPS, которые мы испытали во время сбора данных, подчеркивают необходимость надежных решений для обработки, которые могут точно корректировать данные с хаотично движущейся платформы. Наши новые процедуры геометрической коррекции и оптимизации оси визирования являются шагом в этом направлении и позволили нам извлекать точные данные, несмотря на неблагоприятные условия, но все еще остается значительный потенциал для улучшения. Инструментов для планирования автоматизированных съемок БПЛА, которые используют углы обзора камеры, отличные от надира (из-за топографической сложности), также не хватает, особенно если топографическая информация высокого разрешения недоступна. В отрасли инженерного контроля начинают появляться мелкомасштабные коммерческие решения (Skydio; www.skydio.com, дата обращения 16 декабря 2021 г.), но в настоящее время их нельзя использовать для дронов с высокой полезной нагрузкой.

Наконец, мы предлагаем, чтобы процедуры анализа и контроля качества (QAQC) хорошего качества, которые можно применять в полевых условиях для обеспечения достаточного качества данных, были необходимы. Некоторый прогресс был достигнут в применении геометрических поправок в реальном времени [46], но необходимо сделать больше, чтобы сделать эти решения доступными, надежными и готовыми к полевым работам.

Соответствующий полевой QAQC имеет важное значение для многих геологических исследований, поскольку полевые местоположения часто недоступны, а многократное посещение нецелесообразно или чрезмерно дорого. Возможности обработки в реальном времени также позволяют адаптировать планы съемки и параметры сбора данных, когда области интереса определены и потенциально проверены или наземно проверены на месте. Внедряя наш метод в набор инструментов Hylite с открытым исходным кодом, мы надеемся способствовать прогрессу в этих направлениях для реализации потенциала быстро развивающихся технологий гиперспектральной визуализации БПЛА.

6. Выводы

Мы предоставляем набор инструментов с открытым исходным кодом для точной коррекции гиперспектральных данных, полученных без надира. Наш надежный алгоритм позволяет обрабатывать данные VNIR и SWIR, полученные наклонно, и ориентироваться на на первичное выявление со сложной геометрией, такие как скалы или шахты. На первом этапе этот алгоритм был разработан для Hyspex NEO Mjolnir, но мы ожидаем, что пользователи смогут использовать наши инструменты для обработки данных с любого датчика глубины, при условии, что также будет доступна подробная фотограмметрическая модель обнажения. Процедура включена в пакет hylite с открытым исходным кодом (https://github.com/samthiele/hylite, доступ к которому был получен 16 декабря 2021 года), и авторы приветствуют дальнейший вклад. Мы продемонстрировали потенциал этого набора инструментов, используя данные, собранные в условиях, характерных для операционных приобретений. Несмотря на неоптимальную погоду и неоптимальный прием GPS, искажения и связанные с ними артефакты могут быть успешно исправлены для получения согласованного и спектрально точного набора данных. Этот вклад открывает двери для новых типов гиперспектральных снимков с помощью беспилотных летательных аппаратов и поддерживает развитие технологий получения изображений с помощью беспилотных летательных аппаратов в науках о Земле.

Дополнительные материалы

Следующие материалы доступны в Интернете по адресу https://www.mdpi.com/article/10.3390/rs14010005/s1, S1: Отчет об обработке Agisoft Metashape, N1: Блокнот визуализации IMU, N2a: Блокнот геометрических коррекций полета A, N2b: Блокнот геометрических коррекций полета B, N3a: Блокнот коррекции освещенности полета A, N3b: Блокнот коррекции освещенности полета B, N4: Блокнот слияния данных, N5: Блокнот картирования минимальной длины волны

Вклад авторов

Концептуализация - R.G., J.K., S.T.T., E.D. и S.L.; методология - S.T.T., Z.B. и S.L.; программное обеспечение - S.T.T., Z.B. и Y.M.; валидация - S.T.T., N.M., A.B., E.D. и J.K.; написание — подготовка первоначального проекта, S.T.T., S.L., Z.B., A.B. и N.M.; рецензирование и редактирование, S.T.T., S.L., A.B., R.G., E.D. и J.K.; администрирование проекта, R.G. и J.K.; привлечение финансирования, R.Дж. и Дж.К. Все авторы прочитали опубликованную версию рукописи и согласились с ней.

Финансирование

Авторы хотели бы выразить признательность за финансирование от TotalEnergies, Европейского социального фонда (ESF) и земли Саксония.

Заявление о доступности данных

Данные, представленные в этом исследовании, доступны по адресу https://doi.org/10.6084/m9.figshare.17126321.v1, дата обращения 16 декабря 2021 г.

Конфликты интересов

Авторы заявляют об отсутствии конфликта интересов.

Ссылки
1.        Bemis, S.; Micklethwaite, S.; Turner, D.; James, M.R.; Akciz, S.; Thiele, S.T.; Bangash, H.A. Ground-based and UAV-Based photogrammetry: A multi-scale, high-resolution mapping tool for structural geology and paleoseismology. J. Struct. Geol. 2014, 69, 163–178. [Google Scholar] [CrossRef]
2.        Dering, G.M.; Micklethwaite, S.; Thiele, S.T.; Vollgger, S.A.; Cruden, A.R. Review of drones, photogrammetry and emerging sensor technology for the study of dykes: Best practises and future potential. J. Volcanol. Geotherm. Res. 2019, 373, 148–166. [Google Scholar] [CrossRef]
3.        Janiszewski, M.; Uotinen, L.; Merkel, J.; Leveinen, J.; Rinne, M. Virtual Reality Learning Environments for Rock Engineering, Geology and Mining Education. In Proceedings of the 54th U.S. Rock Mechanics/Geomechanics Symposium (ARMA-2020-1101), Golden, CO, USA, 28 June–1 July 2020. [Google Scholar]
4.        Nesbit, P.; Durkin, P.R.; Hugenholtz, C.H.; Hubbard, S.; Kucharczyk, M. 3-D stratigraphic mapping using a digital outcrop model derived from UAV images and structure-from-motion photogrammetry. Geosphere 2018, 14, 2469–2486. [Google Scholar] [CrossRef] [Green Version]
5.        Marques, A.; Horota, R.K.; de Souza, E.M.; Kupssinskü, L.; Rossa, P.; Aires, A.S.; Bachi, L.; Veronez, M.R.; Gonzaga, L.; Cazarin, C.L. Virtual and digital outcrops in the petroleum industry: A systematic review. Earth-Sci. Rev. 2020, 208, 103260. [Google Scholar] [CrossRef]
6.        Laukamp, C.; Rodger, A.; LeGras, M.; Lampinen, H.; Lau, I.; Pejcic, B.; Stromberg, J.; Francis, N.; Ramanaidou, E. Mineral Physicochemistry Underlying Feature-Based Extraction of Mineral Abundance and Composition from Shortwave, Mid and Thermal Infrared Reflectance Spectra. Minerals 2021, 11, 347. [Google Scholar] [CrossRef]
7.        Kurz, T.H.; Buckley, S.J.; Howell, J.A. Close-range hyperspectral imaging for geological field studies: Workflow and methods. Int. J. Remote Sens. 2013, 34, 1798–1822. [Google Scholar] [CrossRef]
8.        Kurz, T.H.; Buckley, S.J.; Howell, J.A.; Schneider, D. Integration of panoramic hyperspectral imaging with terrestrial lidar data. Photogramm. Rec. 2011, 26, 212–228. [Google Scholar] [CrossRef]
9.        Lorenz, S.; Salehi, S.; Kirsch, M.; Zimmermann, R.; Unger, G.; Vest Sørensen, E.; Gloaguen, R. Radiometric Correction and 3D Integration of Long-Range Ground-Based Hyperspectral Imagery for Mineral Exploration of Vertical Outcrops. Remote Sens. 2018, 10, 176. [Google Scholar] [CrossRef] [Green Version]
10.     Thiele, S.T.; Lorenz, S.; Kirsch, M.; Acosta, I.C.C.; Tusa, L.; Herrmann, E.; Möckel, R.; Gloaguen, R. Multi-scale, multi-sensor data integration for automated 3-D geological mapping. Ore Geol. Rev. 2021, 136, 104252. [Google Scholar] [CrossRef]
11.     Aasen, H.; Honkavaara, E.; Lucieer, A.; Zarco-Tejada, P.J. Quantitative Remote Sensing at Ultra-High Resolution with UAV Spectroscopy: A Review of Sensor Technology, Measurement Procedures, and Data Correction Workflows. Remote Sens. 2018, 10, 1091. [Google Scholar] [CrossRef] [Green Version]
12.     Kim, J.; Chi, J.; Masjedi, A.; Flatt, J.E.; Crawford, M.M.; Habib, A.F.; Lee, J.; Kim, H. High-resolution hyperspectral imagery from pushbroom scanners on unmanned aerial systems. Geosci. Data J. 2021. [Google Scholar] [CrossRef]
13.     Goldstein, N.; Wiggins, R.; Woodman, P.; Saleh, M.; Nakanishi, K.; Fox, M.E.; Tannian, B.E.; Ziph-Schatzberg, L.; Soletski, P. Compact visible to extended-SWIR hyperspectral sensor for unmanned aircraft systems (UAS). In Proceedings of the Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XXIV, Bellingham, WA, USA, 17–19 April 2018; Volume 10644, p. 106441G. [Google Scholar]
14.     Barton, I.F.; Gabriel, M.J.; Lyons-Baral, J.; Barton, M.D.; Duplessis, L.; Roberts, C. Extending geometallurgy to the mine scale with hyperspectral imaging: A pilot study using drone- and ground-based scanning. Min. Met. Explor. 2021, 38, 799–818. [Google Scholar] [CrossRef]
15.     Arroyo-Mora, J.; Kalacska, M.; Inamdar, D.; Soffer, R.; Lucanus, O.; Gorman, J.; Naprstek, T.; Schaaf, E.; Ifimov, G.; Elmer, K.; et al. Implementation of a UAV–Hyperspectral Pushbroom Imager for Ecological Monitoring. Drones 2019, 3, 12. [Google Scholar] [CrossRef] [Green Version]
16.     Booysen, R.; Jackisch, R.; Lorenz, S.; Zimmermann, R.; Kirsch, M.; Nex, P.A.M.; Gloaguen, R. Detection of REEs with lightweight UAV-based hyperspectral imaging. Sci. Rep. 2020, 10, 17450. [Google Scholar] [CrossRef] [PubMed]
17.     Kirsch, M.; Lorenz, S.; Zimmermann, R.; Tusa, L.; Möckel, R.; Hödl, P.; Booysen, R.; Khodadadzadeh, M.; Gloaguen, R. Integration of Terrestrial and Drone-Borne Hyperspectral and Photogrammetric Sensing Methods for Exploration Mapping and Mining Monitoring. Remote Sens. 2018, 10, 1366. [Google Scholar] [CrossRef] [Green Version]
18.     JuanManuel, J.R.; Padua, L.; Hruska, J.; Feito, F.R.; Sousa, J.J. An Efficient Method for Generating UAV-Based Hyperspectral Mosaics Using Push-Broom Sensors. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2021, 14, 6515–6531. [Google Scholar] [CrossRef]
19.     Turner, D.; Lucieer, A.; McCabe, M.; Parkes, S.; Clarke, I. Pushbroom Hyperspectral Imaging from an Unmanned Aircraft System (UAS)—Geometric Processingworkflow and Accu-racy Assessment. ISPRS Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2017, XLII-2/W6, 379–384. [Google Scholar] [CrossRef] [Green Version]
20.     Angel, Y.; Turner, D.; Parkes, S.; Malbeteau, Y.; Lucieer, A.; McCabe, M.F. Automated Georectification and Mosaicking of UAV-Based Hyperspectral Imagery from Push-Broom Sensors. Remote Sens. 2020, 12, 34. [Google Scholar] [CrossRef] [Green Version]
21.     Schlaepfer, D.; Schaepman, M.E.; Itten, K.I. PARGE: Parametric geocoding based on GCP-calibrated auxiliary data. SPIE’s Int. Symp. Opt. Sci. Eng. Instrum. 1998, 3438, 334–344. [Google Scholar] [CrossRef]
22.     Ghamisi, P.; Shahi, K.R.; Duan, P.; Rasti, B.; Lorenz, S.; Booysen, R.; Thiele, S.; Contreras, I.C.; Kirsch, M.; Gloaguen, R. The Potential of Machine Learning for a More Responsible Sourcing of Critical Raw Materials. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2021, 14, 8971–8988. [Google Scholar] [CrossRef]
23.     Inamdar, D.; Kalacska, M.; Arroyo-Mora, J.P.; Leblanc, G. The Directly-Georeferenced Hyperspectral Point Cloud: Preserving the Integrity of Hyperspectral Imaging Data. Front. Remote Sens. 2021, 2, 9. [Google Scholar] [CrossRef]
24.     Buckley, S.; Kurz, T.H.; Howell, J.A.; Schneider, D. Terrestrial lidar and hyperspectral data fusion products for geological outcrop analysis. Comput. Geosci. 2013, 54, 249–258. [Google Scholar] [CrossRef]
25.     Bosellini, A. Progradation geometries of carbonate platforms: Examples from the Triassic of the Dolomites, northern Italy. Sedimentology 1984, 31, 1–24. [Google Scholar] [CrossRef]
26.     Neri, C.; Gianolla, P.; Furlanis, S.; Caputo, R.; Bosellini, A. Note Illustrative Della Carta Geologica d’Italia. In Foglio Cortina D’ampezzo 029; ISPRA: Rome, Italy, 2007. [Google Scholar]
27.     Inama, R.; Menegoni, N.; Perotti, C. Syndepositional fractures and architecture of the lastoni di formin carbonate platform: Insights from virtual outcrop models and field studies. Mar. Pet. Geol. 2020, 121, 104606. [Google Scholar] [CrossRef]
28.     Blendinger, W.; Blendinger, E. Windward-leeward effects on Triassic carbonate bank margin facies of the Dolomites, northern Italy. Sediment. Geol. 1989, 64, 143–166. [Google Scholar] [CrossRef]
29.     Bosellini, A.; Neri, C. The Sella Platform. Dolomieu Conference on Carbonate Platforms and Dolomitization; Guidebook Excursion B; KARO-Druck: Ortisei, Italy, 1991. [Google Scholar]
30.     Cadrobbi, L.; Nobile, G.; Lutterotti, G. Studio Di Supporto Alla Stesura Del Piano Regolatore Generale Del Comune Di Canazei, Studio Associato Di Geologia Applicata; Canazei, Italy, 1995; Volume 1955-1. [Google Scholar]
31.     Mollema, P.N.; Antonellini, M. Development of strike-slip faults in the dolomites of the Sella Group, Northern Italy. J. Struct. Geol. 1999, 21, 273–292. [Google Scholar] [CrossRef]
32.     Girardeau-Montaut, D. CloudCompare. 2020. Available online: https://cloudcompare.org/ (accessed on 16 December 2021).
33.     Akenine-Moller, T.; Haines, E.; Hoffman, N. Real-Time Rendering; AK Peters/crc Press: Natick, MA, USA, 2019; ISBN 1-315-36545-6. [Google Scholar]
34.     Virtanen, P.; Gommers, R.; Oliphant, T.E.; Haberland, M.; Reddy, T.; Cournapeau, D.; Burovski, E.; Peterson, P.; Weckesser, W.; Bright, J.; et al. SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nat. Methods 2020, 17, 261–272. [Google Scholar] [CrossRef] [PubMed] [Green Version]
35.     Thiele, S.T.; Lorenz, S.; Kirsch, M.; Gloaguen, R. A Novel and Open-Source Illumination Correction for Hyperspectral Digital Outcrop Models. IEEE Trans. Geosci. Remote Sens. 2021, 14, 1–12. [Google Scholar] [CrossRef]
36.     Oren, M.; Nayar, S.K. Seeing beyond Lambert’s law. In Proceedings of the Computer Vision—ECCV ’94; Springer: Berlin/Heidelberg, Germany, 1994; pp. 269–280. [Google Scholar]
37.     Berthaume, M.A.; Winchester, J.; Kupczik, K. Ambient occlusion and PCV (portion de ciel visible): A new dental topographic metric and proxy of morphological wear resistance. PLoS ONE 2019, 14, e0215436. [Google Scholar] [CrossRef]
38.     Huguenin, R.L.; Jones, J.L. Intelligent information extraction from reflectance spectra: Absorption band positions. J. Geophys. Res. Space Phys. 1986, 91, 9585–9598. [Google Scholar] [CrossRef]
39.     Van der Meer, F. Analysis of spectral absorption features in hyperspectral imagery. Int. J. Appl. Earth Obs. Geoinf. 2004, 5, 55–68. [Google Scholar] [CrossRef]
40.     Van Ruitenbeek, F.; Bakker, W.H.; van der Werff, H.; Zegers, T.E.; Oosthoek, J.H.; Omer, Z.A.; Marsh, S.; van der Meer, F.D. Mapping the wavelength position of deepest absorption features to explore mineral diversity in hyperspectral images. Planet. Space Sci. 2014, 101, 108–117. [Google Scholar] [CrossRef]
41.     Sunshine, J.; Pieters, C.M.; Pratt, S.F. Deconvolution of mineral absorption bands: An improved approach. J. Geophys. Res. Space Phys. 1990, 95, 6955–6966. [Google Scholar] [CrossRef] [Green Version]
42.     Beckert, J.; Vandeginste, V.; McKean, T.J.; Alroichdi, A.; John, C.M. Ground-based hyperspectral imaging as a tool to identify different carbonate phases in natural cliffs. Int. J. Remote Sens. 2018, 39, 4088–4114. [Google Scholar] [CrossRef] [Green Version]
43.     Kurz, T.H.; San Miguel, G.; Dubucq, D.; Kenter, J.; Miegebielle, V.; Buckley, S.J. Quantitative Mapping of Dolomitization Using Close-Range Hyperspectral Imaging: Kimmeridgian Carbonate Ramp (Alacón, NE Spain). Geosphere 2022, in press. [Google Scholar]
44.     Buckley, S.J.; Ringdal, K.; Naumann, N.; Dolva, B.; Kurz, T.H.; Howell, J.A.; Dewez, T.J. LIME: Software for 3-D visualization, interpretation, and communication of virtual geoscience models. Geosphere 2019, 15, 222–235. [Google Scholar] [CrossRef]
45.     Hodgetts, D.; Gawthorpe, R.L.; Wilson, P.; Rarity, F. Integrating Digital and Traditional Field Techniques Using Virtual Reality Geological Studio (VRGS). In Proceedings of the 69th EAGE Conference and Exhibition Incorporating SPE EUROPEC 2007; EAGE Publications BV: Utrecht, The Netherlands, 2007; p. cp-27-00300. [Google Scholar]
46.     Koirala, P.; Løke, T.; Baarstad, I.; Fridman, A.; Hernandez, J. Real-time hyperspectral image processing for UAV applications, using HySpex Mjolnir-1024. In Proceedings of the Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XXIII; SPIE: Bellingham, WA, USA; Washington, DC, USA, 2017; Volume 10198, p. 1019807. [Google Scholar]