Automatic UAV-borne Monitoring of Inland Waters with Hyperspectral Sensors

Wasser ist für viele Bereiche des täglichen Lebens eine wichtige Ressource, deren Qualität kontinuierlich überwacht werden muss. Dies gilt insbesondere für Oberflächengewässer wie Trinkwasserreservoire, die stärker als Grundwasser Umwelteinflüssen ausgesetzt sind. Häufig werden die zur Überwachung notwendigen Parameter arbeits- und kostenintensiv durch in-situ Messungen oder durch die Analyse von Wasserproben ermittelt. Viele relevante Wasserqualitätsparameter, wie z.B. der Schwebstoffgehalt, die Chlorphyll-a Konzentration und die Temperatur der Wasseroberläche können auch mit Fernerkundungssensoren erfasst werden. ... mehrInsbesondere für die Fernerkundung der Ozeane werden traditionell multispektrale Satelliten eingesetzt. Flugzeuggestützte Systeme hingegen ermöglichen eine flexiblere
Datenerfassung zu gewünschten Zeitpunkten, sind jedoch kostenintensiv und erfordern eine vorgegebene Infrastruktur sowie ausgebildete Piloten. Seit einigen Jahren sind kompakte, bildgebende hyperspektrale Sensoren kommerziell verfügbar, die in kleine UAVs integriert werden können. Dies ermöglicht im Gegensatz zu anderen Fernerkundungsplattformen eine kostengünstige, räumlich und zeitlich flexible Datenerfassung. Diese leichten und ungekühlten Sensoren haben meist eine weniger stabile Sensorcharakteristik und Einflüsse wie Wind und wechselnde Bewölkung können die Datenerfassung und -auswertung erschweren. Daher sind bisher keine vollständig integrierten Systeme kommerziell verfügbar, die eine automatisierte und damit kostengünstige Auswertung der Daten ermöglichen.
Im Rahmen dieser Arbeit wird ein Sensorsystem, bestehend aus einer Wärmebildkamera,
einer Hyperspektralkamera und einem weiteren Spektrometer zur Messung der einfallenden Solarstrahlung, auf einem kompakten UAV integriert. Darüber hinaus werden Methoden entwickelt, die eine weitgehend automatisierte Datenverarbeitung ermöglichen. Als Ergebnis erhält der Nutzer zuverlässige Parameterkarten der Wasseroberflächentemperatur und der Schwebstoffkonzentration. Die entwickelten Methoden werden jeweils anhand realer Daten einer Messkampagne validiert. Die Methoden und Ergebnisse zur Kalibrierung der Spektralsensoren werden vorgestellt. Für die Wärmebildkamera, die aufgrund stark variierender Sensorcharakteristik nicht vorab kalibriert werden kann, werden datengetriebene Methoden von der Korrektur bis zur Berechnung von Mosaiken aus Einzelbildern entwickelt.
Zur Schätzung der Parameter aus den hyperspektralen Bildern werden maschinelle Lernverfahren eingesetzt. Die Modelle werden ausschließlich mit simulierten Daten trainiert und anschließend mit realen Daten evaluiert. Die entwickelten Postprocessing-Methoden berücksichtigen dabei auch Einflüsse wie die Totalreflexion des Sonnenlichts an der Wasseroberfläche und auftretende Wolkenschatten bei wechselnder Bewölkung. Die Evaluierung zeigt hier, dass die maschinellen Lernverfahren ANN und CNN im Vergleich zu einfacheren Verfahren bessere Ergebnisse liefern können und die Parameterschätzung auch weniger durch geringe Wassertiefen beeinflusst wird. Durch die entwickelten Methoden und die mit dem System gewonnenen Erkenntnisse leistet diese Arbeit einen Beitrag zur automatisierten Fernerkundung von Wasserqualitätsparametern mit kostengünstiger mobiler Sensorik.

Water is a relevant resource for many areas of our daily lives, and its quality must be continuously monitored. This applies particularly to surface waters such as drinking water reservoirs, which are more exposed to environmental influences than groundwater. The parameters required for monitoring are often determined through labor-intensive and costly in-situ measurements or by analyzing water samples. Many relevant water quality parameters, such as the total suspended solids concentration, the chlorophyll-a concentration, and the water surface temperature can also be observed using remote sensing sensors. ... mehrMultispectral satellites are traditionally used for remote sensing of the oceans in particular. On the other hand, airborne systems allow a more flexible data acquisition at desired times but are cost-intensive and require a given infrastructure and professional pilots. Compact hyperspectral imaging sensors that can be integrated into small UAVs have been commercially available for several years. In contrast to other remote sensing platforms, this enables cost-effective, spatially and temporally flexible data acquisition. These lightweight and uncooled sensors usually have less stable sensor characteristics, and influences such as wind and changing cloud cover can make data acquisition and evaluation more difficult. As a result, fully integrated systems enabling automated and cost-effective data evaluation are not yet commercially available.
This work integrates a sensor system consisting of a thermal imaging camera, a hyperspectral camera, and a further spectrometer for measuring the incident solar irradiance on a compact UAV. In addition, methods are developed that enable largely automated data processing. As a result, the user receives reliable parameter maps of the water surface temperature and the suspended solids concentration. The methods developed are validated using real data acquired during a measurement campaign. The methods and results for calibrating the spectral sensors are presented. Due to varying sensor characteristics, the thermal camera cannot be calibrated in advance. Therefore, data-driven methods for image correction and calculating mosaics from the individual images are developed.
Machine learning methods are used to estimate the parameters from the hyperspectral images. The models are trained exclusively with simulated data and then evaluated with real data. The developed post-processing methods also consider influences such as the total reflection of sunlight on the water surface and cloud shadows that occur when cloud cover changes. The evaluation shows that the machine learning methods ANN and CNN can achieve better results than simpler methods. Also, the parameter estimation is less influenced by shallow water depth. This work contributes to automated remote sensing of water quality parameters with low-cost mobile sensors through the methods developed and the knowledge gained with the system.