Многочисленные приложения, связанные с мониторингом физических изменений в материалах, требуют трехмерных (3D) изображений. Углубленный анализ материалов необходим для лучшего понимания источников загрязнения в сложных структурах, формах и формациях в различных условиях окружающей среды.

Двумя независимыми методами, которые стали мощными инструментами для удаленного анализа, являются гиперспектральная съемка и LiDAR. Недавние достижения в объединении этих двух методов показали, что получение более детальных изображений обеспечивает большие преимущества для анализа.

Что такое гиперспектральная съемка?

Гиперспектральная съемка, обычно называемая химической или спектроскопической съемкой, сочетает в себе спектроскопию с обычной съемкой для одновременного сбора пространственных и спектральных данных с объекта. Подобласть спектроскопии и фотографии, гиперспектральная съемка включает в себя сбор части или всего спектра в каждом положении вдоль плоскости изображения.

Фраза «гиперспектральная съемка» происходит от усилий дистанционного зондирования по прямой идентификации поверхностных элементов на фотографиях, о которых впервые сообщили Goetz et al. Чтобы точно определить местоположение, идентифицировать материалы или обнаружить процессы, гиперспектральная съемка направлена на получение спектра для каждого пикселя в изображении образца.

Красный, зеленый и синий спектральные каналы являются основными цветовыми полосами, обнаруживаемыми человеческим глазом в видимом свете. Гиперспектральная съемка использует сотни тысяч узких спектральных каналов для формирования гмперкуба. Способность видеть невидимое улучшается, когда гиперспектральные снимки имеют более высокий уровень спектральной информации. Например, гиперспектральное дистанционное зондирование может различать минералы в смеси из-за превосходного спектрального разрешения. Еще одним преимуществом гиперспектральной съемки является то, что оператору не нужно быть знакомым с образцом, потому что весь спектр записывается в каждой точке, а постобработка обеспечивает полный интеллектуальный анализ данных.

Гиперспектральная съемка позволяет быстро и точно исследовать различные материалы в их естественной среде, сохраняя при этом высокое временное разрешение. Эта технология широко применяется в биотехнологии, мониторинге окружающей среды, фармацевтике, медицинской диагностике, криминалистике, сельскохозяйственном мониторинге и нефтегазовой промышленности.

Недостатки, связанные с гиперспектральной съемкой, заключаются в ее стоимости и сложностей в практической работе. Например, из-за размера и сложности гиперспектральных наборов данных требуется большие хранилища данных. Поиск способов программирования гиперспектральных камер для автоматической фильтрации данных и передачи только самых важных изображений представляет собой еще одну проблему. Передача и хранение больших объемов данных являются сложными и дорогостоящими задачами.

Что такое LiDAR?

LiDAR, это аббревиатура «Light Detection and Ranging», представляет собой метод определения дальности, который определяет расстояние до объекта, направляя лазерные лучи на цель. Затем расстояние вычисляется с использованием времени и длины волны отраженного светового луча. В некоторых приложениях, таких как лазерная визуализация, может быть получено 3D-изображение объекта.

LiDAR чем-то похож на RADAR (радиоволновая навигация, используемая кораблями и самолетами) и SONAR (обнаружение подводных звуковых объектов и навигация, в основном используемая подводными лодками). И RADAR, и SONAR используют принцип отражения волн для идентификации объектов и оценки расстояния. LiDAR основан на лазерных лучах, в то время как RADAR и SONAR основаны на радиоволнах и звуке соответственно.

LiDAR может идентифицировать все типы составов материалов, включая неметаллы, камни, дождь, химические соединения, аэрозоли, облака и даже отдельные молекулы. LiDAR использует свет для изображения материалов на нескольких длинах волн, включая ультрафиолетовый, видимый или ближний инфракрасный.

До 1 000 000 световых импульсов в секунду могут быть выпущены системами LiDAR, которые используют время, необходимое для отражения импульсов обратно к детектору, для измерения расстояния до близлежащих объектов и поверхностей.

Основными компонентами устройства LiDAR являются лазер, сканер и усовершенствованный GPS-приемник. Наиболее популярными платформами для сбора данных LiDAR на больших площадях являются самолеты и вертолеты. LiDAR имеет несколько применений из-за его высокой точности и адаптируемости. Например, автономные транспортные средства используют LiDAR для обнаружения мешающих объектов на своих маршрутах.

Мониторинг загрязнения воздуха — еще одно применение LiDAR, где можно обнаружить молекулярные сигнатуры вредных газов в воздухе. Газы, такие как CO2, поглощают определенные инфракрасные диапазоны длин волн, которые детектор LiDAR может точно наблюдать. Другие области применения LiDAR включают наземную съемку с использованием 3D-изображений, разведку концентраций нефти и газа и мониторинг океана.

Наряду со многими преимуществами, предоставляемыми LiDAR, существует несколько ограничений. В зависимости от конкретного применения, во время сильного дождя, тумана или снега системы LiDAR могут работать плохо. Системы LiDAR также создают огромные наборы данных, обработка которых требует больших вычислительных ресурсов. В зависимости от выбранной длины волны высота, на которой эффективны некоторые типы импульсов LiDAR, ограничивает производительность систем LiDAR.

Интеграция гиперспектральной съемки с LiDAR

Область применения как гиперспектральной визуализации, так и LiDAR по отдельности может быть расширена за счет создания системы мониторинга, основанной на интеграции обоих наборов данных. С помощью гиперспектральной съемки можно быстро и точно собрать информацию о материалах в их естественном состоянии с высоким временным разрешением, а с помощью LiDAR можно получить различные формы, образования и геометрические характеристики в пределах концентрированной области исследования.

Сочетание данных LiDAR и методов гиперспектральной съемки позволяет прогнозировать химический состав материалов, что позволяет составить карту свойств поверхности и трехмерное изображение.

В мониторинге строительных конструкций также может быть применен комбинированный метод. Были получены подробные изображения для картографирования городов, химического состава стока, теневых и световых областей, а также форм и узоров городских объектов.

Классификация пород деревьев также проводилась с использованием гиперспектральных и лидарных данных с БПЛА. Модель высоты полога леса (CHM) от LiDAR помогает лучше идентифицировать спектрально похожие виды. Спектральная и структурная информация, предоставляемая обоими методами, подходит для анализа определенных видов.

Спектральная отражательная способность размеров зерен гравия и поверхностей асфальта может быть различной в зависимости от их материального состава. Спектральная визуализация в сочетании с LiDAR может различать микроскопические детали таких материалов, которые чрезвычайно важны в таких приложениях, как автономное вождение и промышленное производство.

Из-за обширных регионов и высоких затрат, связанных с разведкой и картографированием полезных ископаемых, методы дистанционного зондирования и съемки пользуются большим спросом в горнодобывающей промышленности. На основе спектральных и геометрических данных создаются 3D-карты местности окружающей среды с использованием гиперспектральных снимков и облаков точек LiDAR.

Для проведения экологических исследований необходима тщательная и актуальная инвентаризация природных ресурсов и влиятельных факторов окружающей среды. В большинстве экологических исследований важное значение имеют исходные и сравнительные модели топографии и растительности, особенно когда они связаны с экологическими и экологическими изменениями во времени в различных географических и временных масштабах.

Объединение лидарных и гиперспектральных данных использует преимущества синергетических отношений между горизонтальными оценками растительности и голого почвенно-растительного покрова и состава, которые могут быть получены из гиперспектральных данных, и вертикальными оценками растительности и топографии, которые могут быть оценены по данным LiDAR.

Заключение

В целом, потенциал методов, созданных путем интеграции данных LiDAR и гиперспектральной визуализации, играет важную роль во многих приложениях. Ожидается, что быстрый рост в секторе оптоэлектроники внесет существенный вклад в эффективность и скорость обнаружения, миниатюризацию и будущее развертывание таких интегрированных устройств.