Получение фотоспектральных данных с использованием беспилотного комплекса авиационного спектрометрирования

Исследование отражательных характеристик объектов на поверхности Земли с использованием беспилотных летательных аппаратов является одним из развивающихся направлений в дистанционном зондировании Земли. Целью работы являлась разработка способа получения фотоспектральных данных с использованием беспилотного комплекса авиационного спектрометрирования.

Предложена адаптация методики определения пространственной разрешающей способности камер на основе фотофиксации специализированной миры. Также предложен способ синхронизации камеры и спектрометра видеоспектрального комплекса, основанный на проведении эксперимента по регистрации спектров и изображений экрана, где последовательно отображаются различные цвета. Предложен способ комбинирования изображений и спектров с объединением их в единое фотоспектральное изображение. Способ позволяет учитывать смещение летательного аппарата при привязке поля зрения спектрометра к изображению. Предложен способ объединения фотоспектральных изображений, основывающийся на сшивке изображений по особым точкам.

Получены угловые разрешающие способности для 3 камер из состава беспилотного комплекса. Показано, что при движении беспилотного комплекса со скоростью до 5 м/с ухудшение разрешающей способности камеры Zenmuse H20T, вызванное движением носителя аппаратуры, можно не учитывать. Определено время рассинхронизации работы камеры и спектрометра из состава видеоспектрального комплекса. Проведена автоматическая сшивка ряда изображений по особым точкам с привязкой к сшитому изображению областей спектрометрирования (относительная точность привязки к изображению – 84,9 ± 11,6 %). Для каждой из областей спектрометрирования получены коэффициенты спектральной яркости в диапазоне 350–900 нм.

В исследовании выявлено расхождение экспериментальных и теоретических значений углового пространственного разрешения, что свидетельствует о важности проведения экспериментальной оценки пространственного разрешения съёмочной аппаратуры. Определение времени рассинхронизации спектрометра и обзорной камеры видеоспектрального комплекса позволило осуществить коррекцию времени регистрации данных, что привело к уменьшению среднеквадратичной величины ошибки синхронизации со 142 мс до 15 мс. Разработан способ получения данных БЕКАС в фотоспектральном представлении.

1. Lu H., Fan T., Ghimire P., Deng L. Experimental Evaluation and Consistency Comparison of UAV Multispectral Minisensors. Remote Sens., 2020, no. 12(16), рр. 2542. DOI: 10.3390/rs12162542

2. Iizuka K., Itoh M., Shiodera S., Matsubara T., Dohar M., Watanabe K. Advantages of unmanned aerial vehicle (UAV) photogrammetry for landscape analysis compared with satellite data: A case study of postmining sites in Indonesia. Cogent Geosci, 2018, vol. 4, pp. 1498180. DOI: 10.1080/23312041.2018.1498180

3. Dash J.P., Watt M.S., Pearse G.D., Heaphy M., Dungey H.S. Assessing very high-resolution UAV imagery for monitoring forest health during a simulated disease outbreak. ISPRS J. Photogramm, 2017, vol. 131, pp. 1–14. DOI: 10.1016/j.isprsjprs.2017.07.007

4. Bendig J., Yu K., Aasen H., Bolten A., Bennertz S., Broscheit J., Gnyp M.L., Bareth G. Combining UAVbased plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. Int. J. Appl. Earth Obs., 2015, vol. 39, pp. 79–87. DOI: 10.1016/j.jag.2015.02.012

5. Candiago S., RemondinoF., De Giglio M., Dubbini M., Gattelli M. Evaluating Multispectral Images and Vegetation Indices for Precision Farming Applications from UAV Images. Remote Sens., 2015, vol. 7, pp. 4026– 4047. DOI: 10.3390/rs70404026

6. Gutarau A.V., Lamaka A.A., Belyaev B.I., SosenkoV.A., Ivut P.V. Unmanned Aerial Spectrometry Vehicle. The 8th Belarussian Space Congress: materials, Minsk, 2022, October 25‒27, vol. 1, pp. 129–132 (in Russian).

7. Molchanov A.S. Methodology of evaluation of linear permit per pixel of aerophotosystems of military purpose when conducting flight tests. Izvestia vuzov. Geodesy and Aerophotosurveying, 2018, vol. 62(4), pp. 390– 396 (in Russian). DOI 10.30533/0536-101X-2018-62-4-390-396

8. Peisahson I.V. Optics of Spectral Instruments. Ed. 2nd, add. and reworked. Instruments with concave diffraction gratings. Leningrad: Mashinostroenie Publ., 1975, Ch. 6, pp. 222–227.

9. Katkovsky L.V. Calculation of objects thermal imaging parameters from unmanned aerial vehicles. Doklady BGUIR, 2020, vol. 18(2), pp. 53‒61 (in Russian). DOI: 10.35596/1729-7648-2020-18-2-53-61

10. Box and linearly constrained optimization [Electronic resource]. ALGLIB – Optimization (nonlinear and quadratic). Avialable at: https://www.alglib.net/optimization/boundandlinearlyconstrained.php. (accessed: 01.09.2022).

11. Kaehler A., Bradski G. Learning OpenCV 3. Published by O’Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA, 2016, pp. 511–583.

12. Lamaka A.A. Considering camera distortion panoramic images forming method for unmanned aerial vehicle multispectral data. Journal of the Belarusian State University. Physics, 2022, vol. 2, pp. 60–69 (in Russian). DOI: 10.33581/2520-2243-2022-2-60-69

13. Katkouski L.V. Hardware-software system “Calibrovka” for ground-based spectrometry of the underlying surface and atmosphere. The 7th Belarussian Space Congress: materials, Minsk, 2017, October 25‒27, vol. 2, pp. 36‒40 (in Russian).