Ciencias

El método de eliminación de ruido mejora el monitoreo remoto de acuarela

El uso de datos hiperespectrales en la teledetección de acuarelas es crucial. Un equipo de investigadores ha desarrollado un método de reducción de ruido 1-D para datos hiperespectrales de agua basado en una representación dispersa, según un estudio publicado recientemente en Ciencias Aplicadas.

Estudiando: Imagen escasa que representa la reducción de ruido de los datos hiperespectrales para la detección remota en acuarela. Crédito de la imagen: Vladi333/Shutterstock.com

Para el agua ópticamente compleja, la teledetección requiere datos hiperespectrales. La dispersión y absorción de los parámetros del color del agua, como el material particulado, el fitoplancton y la materia orgánica disuelta coloreada, son los principales reguladores de las características ópticas. Diferentes pigmentos tienen diferentes propiedades ópticas. El espectrómetro debe incluir al menos 15 bandas en los rangos espectrales del infrarrojo cercano y visible en una longitud de onda específica para medir con precisión la concentración de los parámetros del color del agua.

Desafíos asociados con la medición hiperespectral precisa

Usando datos hiperespectrales, es un desafío estimar con precisión la reflectancia de la superficie del agua (Rrs). El enfoque por encima del agua es común en las mediciones de campo porque es confiable y simple. Las geometrías durante la medición requieren agarre para evitar problemas de sombreado del instrumento y extraer Rrs. Los errores aleatorios en la medición se controlan recopilando múltiples espectros en cada estación de muestreo y promediando sus valores como resultado.

Métodos de eliminación de ruido para la mejora de la curva Rrs

El ruido es inevitable en los datos hiperestructurales. Centrándose en este problema, los investigadores utilizan métodos de eliminación de ruido para tratar de mejorar la calidad de las curvas Rrs.

READ  Un fósil de dinosaurio de 125 millones de años tiene el ombligo más antiguo conocido por la ciencia

Estos métodos se dividen en tres categorías: técnicas 1-D, 2-D y 3-D. Los métodos 1-D dependen del espectro, incluido el suavizado de filtro medio, el suavizado polinomial de Savitzky-Golay y el suavizado de regresión kernel (KRS).

Debido a la información espacial deficiente, elegir el nivel de reducción de ruido adecuado para evitar el exceso de ruido en las técnicas 1-D puede ser un desafío. Los métodos 2-D y 3-D se enfocan en imágenes hiperespectrales. Las imágenes hiperespectrales dividen la señal emitida desde el campo de visión en varias bandas de espectro en cada píxel. La división de imágenes hiperespectrales es más desafiante que la medición de campo.

La rápida velocidad orbital del sensor impone restricciones en el tiempo de integración. Es complejo obtener imágenes de alta SNR utilizando sensores remotos a partir de datos hiperespectrales. El enfoque de varianza total, la transformada wavelet y el análisis de componentes principales son ejemplos de técnicas de procesamiento de señales ampliamente utilizadas.

Potencial de los algoritmos de aprendizaje profundo para la reducción de ruido de datos hiperespectrales

Las técnicas recientes de aprendizaje profundo, baja clasificación y representación escasa muestran una gran promesa para eliminar el ruido de los datos hiperespectrales. Al utilizar completamente los datos espectrales y espaciales, estos métodos pueden extraer señales considerables de los datos con ruido en la imagen hiperespectral.

Tanto los métodos 2D como los 3D requieren datos espaciales. Estos métodos solo se pueden aplicar para eliminar el ruido de las imágenes hiperespectrales. Por lo tanto, el enfoque principal de este estudio está en los enfoques 1-D, que pueden usarse para datos hiperespectrales medidos en campo y de detección remota.

READ  La NASA determina la causa del apagado del cohete SLS

Desarrollo de una técnica de reducción de ruido de representación dispersa para datos hiperespectrales

La técnica de eliminación de ruido desafía la variedad de características Rrs producidas por diferentes propiedades ópticas. Para mantener la universalidad y alta precisión del modelo, Guo et al. incluyó un modelo bio-óptico en la técnica de representación dispersa.

El proceso genera inicialmente un conjunto de datos Rrs hiperespectral considerable, después de lo cual las señales Rrs ruidosas se dividen en ruido y señales dispersas. La recomposición de señales dispersas completa el proceso de eliminación de ruido. Los resultados proporcionan información más precisa para crear modelos de acuarela ópticamente complejos y aplicaciones de datos hiperespectrales.

Resultados de la búsqueda

Tanto en conjuntos de datos simulados como reales, la escasa representación del rendimiento de eliminación de ruido se comparó con enfoques ampliamente utilizados. Los resultados muestran que la representación dispersa puede separar la señal de reflectancia hiperespectral de la superficie del agua de las perturbaciones aleatorias. El método sugerido funciona mejor en varios niveles de relación señal-ruido (SNR) de entrada que los otros tres métodos.

Los datos hiperespectrales medidos en campo y de detección remota muestran vibraciones espectrales aberrantes que el método sugerido elimina con éxito. A pesar de tener un diseño 1-D, el enfoque puede manejar el ruido de sal y pimienta en imágenes hiperespectrales PRISMA.

Como resultado, el enfoque de eliminación de ruido sugerido mejora los datos hiperespectrales de un cuerpo de agua ópticamente complejo y proporciona una mejor fuente de datos para el control remoto del color del agua.

El enfoque de reducción de ruido de representación dispersa mejora el monitoreo remoto de acuarelas

Para datos de agua hiperespectrales ópticamente complejos, los investigadores de este estudio crearon un enfoque de reducción de ruido SR, probado en tres conjuntos de datos hiperespectrales.

READ  Elon Musk apoya 'ciudad en Marte, base permanente en la Luna', quiere ser una 'especie multiplanetaria'

Los resultados mostraron que el enfoque SR puede eliminar los errores aleatorios y sistemáticos de los datos hiperespectrales al tiempo que preserva las señales esenciales. El enfoque es resistente a varios tipos de distribución de errores. Los datos hiperespectrales sin ruido pueden mejorar los coeficientes de correlación entre el espectro y los índices Cchla.

Referencia

Guo Y, Bi Q, Li Y, Du C, Huang J, Chen W, Shi L y Ji G (2022). Escaso que representa la reducción de ruido de los datos hiperespectrales para la teledetección en acuarela. Ciencias Aplicadas, 12(15), 7501. https://www.mdpi.com/2076-3417/12/15/7501/htm

Descargo de responsabilidad: Las opiniones expresadas aquí son las del autor expresadas en su capacidad privada y no representan necesariamente las opiniones de AZoM.com Limited T/A AZoNetwork, el propietario y operador de este sitio web. Este aviso forma parte de los Términos y Condiciones de Uso de este sitio web.

Prudencia Febo

"Explorador. Entusiasta de la cerveza. Geek del alcohol. Gurú de Internet sutilmente encantador. Erudito de la web en general".

Publicaciones relacionadas

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

Botón volver arriba
Cerrar
Cerrar