Oulun ammattikorkeakoulu
ePooki 44/2019

Hyperspektrikuvaaminen pintavesien laadun mittaamisessa

Metatiedot

Nimeke: Hyperspektrikuvaaminen pintavesien laadun mittaamisessa

Tekijä: Kosamo Joni; Karhunen Kaija; Posio Mikko

Aihe, asiasanat: levät, pintavesi, spektrikuvaus

Tiivistelmä: Tutkimuksen tavoitteena oli selvittää, voidaanko hyperspektrikuvantamista käyttää järviveden laadun seurannassa. Tutkimus tehtiin 2018 laboratorio-oloissa vertaamalla hyperspektrikamerakuvantamisella saatua aineistoa standardimenetelmän (SFS 5772) tuloksiin veden α-klorofyllipitoisuuden mittaamisessa. Tutkimus on osa Oulun Ammattikorkeakoulu Oy:n HYPE TKI –hanketta (Hyperspektrikameroiden ja kauko-ohjattavien ilma-alusten käytön edistäminen).

Hyperspektrikameran mittaustekniikka perustuu laboratoriolaitteeseen (spektrometri), jolla mitataan α-klorofylliä. Mitattavat kasviplanktonlajit olivat sinilevä (Dolichospermum flos-aquae) ja viherlevä (Chlamydomonas). Mittaukset suoritettiin Oamk Oy:n kemian ja ympäristötekniikan laboratorioissa käyttäen kasvatettuja leviä (puhdaskantoja) sekä vesijohtovedessä että järvivedessä (matriisivaikutus). Järvivetenä käytettiin Oulun kaupungissa sijaitsevan Jäälinjärven vettä.

Tässä tutkimuksessa saadut tulokset osoittavat, että hyperspektrikuvantamisella voidaan havaita laboratorio-olosuhteissa erittäin rehevät ja rehevät leväpitoisuudet Jäälinjärven vedestä. Jatkossa haasteena ovat mittaukset esimerkiksi dronella vesistön päällä ja niiden tulosten korrelaatiotukimukset levien osalta. Tämä laboratoriossa tehty tutkimus osoittaa, että hyperspektrikuvaamisella voi olla mahdollista mitata leväpitoisuutta esimerkiksi käyttämällä dronea hyperspektrikameran lennättämiseen vesistön yllä. Jatkotutkimuksilla tulisi selvittää, miten järviveden laatu vaikuttaa hyperspektrikuvantamisen tuloksiin.

Julkaisija: Oulun ammattikorkeakoulu, Oamk

Aikamääre: Julkaistu 2019-06-24

Pysyvä osoite: http://urn.fi/urn:nbn:fi-fe2019060318265

Kieli: suomi

Suhde: http://urn.fi/URN:ISSN:1798-2022, ePooki - Oulun ammattikorkeakoulun tutkimus- ja kehitystyön julkaisut

Oikeudet: CC BY-NC-ND 4.0

Näin viittaat tähän julkaisuun

Kosamo, J., Karhunen, K. & Posio, M. 2019. Hyperspektrikuvaaminen pintavesien laadun mittaamisessa. ePooki. Oulun ammattikorkeakoulun tutkimus- ja kehitystyön julkaisut 44. Hakupäivä 18.7.2019. http://urn.fi/urn:nbn:fi-fe2019060318265.

Järviin ja veden laatuun liittyvän tiedon kysyntä lisääntyy jatkuvasti sekä ympäristöalan ammattilaisten että vesistöjä vapaa-ajallaan käyttävien piirissä. Manuaaliseen näytteenottoon perustuvien laboratorioanalyysien rinnalle etsitään jatkuvasti uusia veden laadun mittaus- ja arviointimenetelmiä. Yksi uusista menetelmistä on hyperspektrikuvaaminen. Tämä laboratoriossa tehty tutkimus osoittaa, että hyperspektrikuvaamisella voi olla mahdollista mitata vesistön leväpitoisuutta esimerkiksi käyttämällä dronea hyperspektrikameran lennättämiseen vesistön yllä.

Johdanto

Järviveden laatua seurataan nykyään pääasiassa manuaaliseen näytteenottoon perustuvien laboratorioanalyysien avulla. Tämä on kuitenkin hidasta ja työlästä ja vain pientä osaa Suomen järvistä pystytään seuraamaan perinteisin menetelmin. Jatkuvatoimisten, automaattisten mittauslaitteiden käyttö on yleistynyt, mutta lisäksi tarvitaan laboratorioanalyysien tuomaa tietoa, sillä kaikkia tärkeitä veden laatua kuvaavia muuttujia ei pystytä mittaamaan suoraan vesistöstä. Järviin ja veden laatuun liittyvän tiedon kysyntä lisääntyy jatkuvasti sekä ympäristöalan ammattilaisten että vesistöjä vapaa-ajallaan käyttävien piirissä Anttila, S., Bröckl, M., Herlevi, A., Kallio, K., Ketola, M., Koponen, S., Kuitunen, P., Pyhälahti, T. Ryynänen, T., Vakkilainen, K. & Kairesalo, T. 2012. Avoin ympäristötieto – yhteistyön kehittäminen vesistöjen seurannassa. Järvien vedenlaatupalvelu -hankkeen loppuraportti. Hakupäivä 27.11.2018. https://helda.helsinki.fi/handle/10138/38726.

Uusia veden laadun mittaus- ja arviointimenetelmiä etsitään ja tutkitaan jatkuvasti. Näitä ovat esimerkiksi kaukokartoitus lentokoneen tai satelliittien avulla Kallio, K. 2012. Water quality estimation by optical remote sensing in boreal lakes. Helsingin yliopisto, Bio- ja ympäristötieteellinen tiedekunta, Ympäristötieteiden laitos. Väitöskirja. Hakupäivä 26.10.2018. http://urn.fi/URN:ISBN:978-952-10-7406-6 Koponen, S. 2006. Remote sensing of water quality for Finnish lakes and coastal areas. Report / Helsinki University of Technology, Laboratory of Space Technology, 67. Väitöskirja. Viitattu 26.10.2018. http://urn.fi/urn:nbn:fi:tkk-008800, levien sisältämien pigmenttien jatkuvatoiminen mittaaminen fluoresenssitekniikan avulla Huotari, J. & Ketola, M. (toim.) 2014. Jatkuvatoiminen levämäärien mittaus. Hyvät mittauskäytännöt ja aineiston käsittely. Ympäristöhallinnon ohjeita 5. Suomen ympäristökeskus, Helsinki. Hakupäivä 26.10.2018. https://helda.helsinki.fi/bitstream/handle/10138/45421/OH_5_2014.pdf?sequence=1 ja hyperspektrikuvaaminen Middleton, M., Salmirinne, H. & Pasanen, A. 2017. UAV-alustainen hyperspektrikuvaus Terrafame Oy:n kaivosalueella Sotkamossa. Geologian tutkimuskeskus, Tutkimusraportti 232 – Geological Survey of Finland, Report of Investigation 232, 2017 UAV-MEMO-projekti, osa I. Miehittämättömät ilma-alukset malminetsinnässä ja kaivostoiminnassa. Hakupäivä 26.10.2018. https://www.researchgate.net/publication/321375167_Unmanned_aerial_vehicles_in_mineral_exploration_and_mining_operations.  

Oulun ammattikorkeakoulun (Oamk) HYPE-TKI-hankkeessa (Hyperspektrikameroiden ja kauko-ohjattavien ilma-alusten käytön edistäminen) oli tavoitteena selvittää, voidaanko hyperspektrikuvausta käyttää järviveden laadun arvioinnissa laboratorio-oloissa vertaamalla hyperspektrikuvantamisella saatua aineistoa standardimenetelmän (SFS 5772) Suomen Standardisoimisliitto SFS ry. 2000. SFS-standardi 5772. Veden a-klorofyllipitoisuuden määrittäminen. Etanoliuutto. Spektrofotometrinen menetelmä. tuloksiin α-klorofylli-pitoisuuden mittaamisessa. 

Kasviplankton veden laadun indikaattorina

Veden α-klorofylli-pitoisuus

Kasviplankton on hyvä vesien tilan indikaattori, sillä se reagoi nopeasti muun muassa ravinnepitoisuuden ja happamuuden muutoksiin vesistössä. Kasviplanktonin määrää ja koostumusta käytetään arvioitaessa vesistöjen tilaa EU:n vesipolitiikan puitedirektiivin (VPD) edellyttämässä sisä- ja rannikkovesien ekologisessa luokittelussa Vuori, K-M., Bäck, S., Hellsten, S., Karjalainen, S M., Kauppila, P., Lax, H-G., Lepistö, L., Londesborough, S., Mitikka, S., Niemelä, P., Niemi, J., Perus, J., Pietiläinen, O-P., Pilke, A., Riihimäki, J., Rissanen, J., Tammi, J., Tolonen, K., Vehanen, T., Vuoristo, H. & Westberg, V. 2006. Suomen pintavesien tyypittelyn ja ekologisen luokittelujärjestelmän perusteet. Suomen ympäristö 807. Suomen ympäristökeskus, Helsinki. Hakupäivä 26.11.2018. https://helda.helsinki.fi/handle/10138/40583.

Veden α-klorofylli-pitoisuus kuvaa kasviplanktonin kokonaismäärää eli biomassaa. Yleensä α-klorofylliä käytetäänkin vedessä olevien levien määrän arviointiin, koska sitä esiintyy kaikissa leväryhmissä runsaana Seppälä, J. 2014. Levien pigmentaatio. Teoksessa J. Huotari & M. Ketola (toim.) Jatkuvatoiminen levämäärien mittaus. Hyvät mittauskäytännöt ja aineiston käsittely. Ympäristöhallinnon ohjeita 5. Suomen ympäristökeskus, Helsinki, 11–16. Hakupäivä 16.5.2019. http://hdl.handle.net/10138/45421. Kasviplanktonin lajikoostumus vaikuttaa siihen, kuinka hyvän arvion α-klorofyllipitoisuus antaa biomassasta. Esimerkiksi uimareita haittaavan Gonyostomum-limalevän osuus kasviplanktonista on usein huomattava humusjärvissä. Tämä levä sisältää runsaasti α-klorofyllia Vuori, K-M., Bäck, S., Hellsten, S., Karjalainen, S M., Kauppila, P., Lax, H-G., Lepistö, L., Londesborough, S., Mitikka, S., Niemelä, P., Niemi, J., Perus, J., Pietiläinen, O-P., Pilke, A., Riihimäki, J., Rissanen, J., Tammi, J., Tolonen, K., Vehanen, T., Vuoristo, H. & Westberg, V. 2006. Suomen pintavesien tyypittelyn ja ekologisen luokittelujärjestelmän perusteet. Suomen ympäristö 807. Suomen ympäristökeskus, Helsinki. Hakupäivä 26.11.2018. https://helda.helsinki.fi/handle/10138/40583. Mitikan Mitikka, S. 2015. Pintavesien yleinen käyttökelpoisuusluokitus. Suomen ympäristökeskus. Hakupäivä 26.10.2018.  http://www.ymparisto.fi/fi-FI/Kartat_ja_tilastot/Vesien_tila mukaan pintavesien käyttökelpoisuusluokituksessa erinomaiseksi luokitellussa järvessä α-klorofylliä on alle 4 µg/l ja hyvässä alle 10 µg/l. Pintavesien laatuluokituksen luokkarajat α-klorofyllin osalta ovat taulukossa 1.

TAULUKKO 1. Pintavesien laatuluokituksen luokkarajat Mitikka, S. 2015. Pintavesien yleinen käyttökelpoisuusluokitus. Suomen ympäristökeskus. Hakupäivä 26.10.2018.  http://www.ymparisto.fi/fi-FI/Kartat_ja_tilastot/Vesien_tila

 Laatuominaisuus

I

Erinomainen

II

Hyvä

III

Tyydyttävä

IV

Välttävä

V

Huono

α-klorofylli (µg/l),
sisävedet
< 4 < 10 < 20 20–50 > 50

Veden α-klorofyllin mittaamismenetelmiä

Veden α-klorofyllipitoisuutta on käytetty leväbiomassan mittana jo pitkään. Perinteisesti α-klorofylli määritetään laboratoriossa liuottimella uutetuista näytteistä spektrofotometrisia (SFS-standardi 5772) tai fluoresenssiin perustuvia menetelmiä käyttämällä. Spektrofotometrisessa menetelmässä mitataan näytteeseen absorboituvan valon määrä α-klorofyllille ominaisella aallonpituudella. Fluoresenssiin perustuvassa menetelmässä α-klorofylli viritetään sille ominaisella aallonpituudella ja mitataan fluoresoituvan valon määrää. Fluoresenssiin perustuva menetelmä mahdollistaa α-klorofyllin mittaamisen myös elävistä soluista pienissäkin pitoisuuksissa Huotari, J. & Ketola, M. (toim.) 2014. Jatkuvatoiminen levämäärien mittaus. Hyvät mittauskäytännöt ja aineiston käsittely. Ympäristöhallinnon ohjeita 5. Suomen ympäristökeskus, Helsinki. Hakupäivä 26.10.2018. https://helda.helsinki.fi/bitstream/handle/10138/45421/OH_5_2014.pdf?sequence=1.

Fluoresenssi mittaa epäsuorasti kasviplanktonin määrää ja sitä voidaan käyttää lähinnä α-klorofyllimääritystä korvaavana automaattisena menetelmänä. Fluorometriä käytetään muun muassa laivoihin kiinnitettyinä tuottamaan tietoa levämäärän alueellisista vaihteluista. Fluorometrin mittaustulos perustuu α-klorofyllin fluoresenssi-ilmiöön Seppälä, J. 2014. Levien pigmentaatio. Teoksessa J. Huotari & M. Ketola (toim.) Jatkuvatoiminen levämäärien mittaus. Hyvät mittauskäytännöt ja aineiston käsittely. Ympäristöhallinnon ohjeita 5. Suomen ympäristökeskus, Helsinki, 11–16. Hakupäivä 16.5.2019. http://hdl.handle.net/10138/45421.

Siimekselä Siimekselä, T. 2017. Jatkuvatoiminen leväpitoisuuden mittaus kosteikkovedestä. Jyväskylän ammattikorkeakoulu. Opinnäytetyö. Hakupäivä 26.11.2018. http://urn.fi/URN:NBN:fi:amk-2017060212037 on tutkinut jatkuvatoimisilla laitteilla kosteikkoveden leväpitoisuutta ja todennut, että EXO2 Total Algae-mittausanturilla voitiin mitata luotettavasti veden leväpitoisuutta tutkimuskohteessa. Tämän tutkimuksen mukaan automaattianturilla mitatut α-klorofyllipitoisuudet vastasivat laboratoriossa määritettyjä pitoisuuksia erinomaisesti. Mittaukset tapahtuivat jatkuvatoimisella α-klorofyllin ja fykosyaniinin fluoresenssin mittauslaitteistolla.

Middleton ym. Middleton, M., Salmirinne, H. & Pasanen, A. 2017. UAV-alustainen hyperspektrikuvaus Terrafame Oy:n kaivosalueella Sotkamossa. Geologian tutkimuskeskus, Tutkimusraportti 232 – Geological Survey of Finland, Report of Investigation 232, 2017 UAV-MEMO-projekti, osa I. Miehittämättömät ilma-alukset malminetsinnässä ja kaivostoiminnassa. Hakupäivä 26.10.2018. https://www.researchgate.net/publication/321375167_Unmanned_aerial_vehicles_in_mineral_exploration_and_mining_operations testasivat UAV-alustaista hyperspektrikuvausta Terrafamen Sotkamon nikkelikaivosalueella sijaitsevalla korkeahumuksisella Kolmisoppijärvellä klorofyllipitoisuuden määrittämisessä. He lennättivät Rikola Oy:n hyperspektrikameraa (500−900 nm, spatiaaliresoluutio 0,5 m) kiinteäsiipisessä UAV:ssä Kolmisoppi-järven päällä. Aiempina vuosina järvestä oli mitattu 15 µg/l klorofyllipitoisuuksia, mutta lentopäivänä 28.8.2016 klorofyllipitoisuudet olivat alle 4,2 µg/l. Tämän tutkimuksen mukaan klorofyllin määrä pystyttiin ennustamaan spektriaineistosta luotettavasti (RMSE= 0,14 µg/l) kahdella laskennallisella menetelmällä, jotka pohjautuvat estimointiin perustuvan klorofylliabsorption käyttöön ja heijastuskerrointen suhteeseen aallonpituusalueilla 672 nm ja 706 nm. Tuloksien luotettavuutta parantaa kuvauspaikalla tehtävä vesistömittaus Middleton, M., Salmirinne, H. & Pasanen, A. 2017. UAV-alustainen hyperspektrikuvaus Terrafame Oy:n kaivosalueella Sotkamossa. Geologian tutkimuskeskus, Tutkimusraportti 232 – Geological Survey of Finland, Report of Investigation 232, 2017 UAV-MEMO-projekti, osa I. Miehittämättömät ilma-alukset malminetsinnässä ja kaivostoiminnassa. Hakupäivä 26.10.2018. https://www.researchgate.net/publication/321375167_Unmanned_aerial_vehicles_in_mineral_exploration_and_mining_operations.

Jäälinjärvi tutkimuskohteena

Jäälinjärvi sijaitsee Oulun kaupungissa, entisen Kiimingin kunnan alueella, ja kuuluu Oulujoen-Iijoen vesienhoitoalueeseen. Sen pinta-ala on 0,931 km² ja valuma-alueen pinta-ala on 45 km². Jäälinjärven ekologinen tila (2013) on hyvä Ympäristöhallinnon yhteinen verkkopalvelu. Suomen ympäristökeskus SYKE. 2017. Pintavesien ekologinen ja kemiallinen tila. Hakupäivä 26.11.2018.  http://www.ymparisto.fi/fi-FI/Vesi/Pintavesien_tila. Jäälinjärvi on ympäristöhallinnon pintavesityypittelyn mukaan matala runsashumuksinen järvi (MRh). Vuosina 2000–2006 järven veden α-klorofyllipitoisuudet ja kokonaisfosforipitoisuudet ilmensivät korkeahkoa rehevyysastetta taulukossa 2 olevan luokittelun mukaan Kainua, K. & Anttila, E-L. 2011. Jäälinjärven tutkimukset kesällä 2011. Raportti. Pöyry Finland Oy.

TAULUKKO 2. Rehevyystason arviointi (Forsberg & Ryding) Kainuan ja Anttilan raportissa Kainua, K. & Anttila, E-L. 2011. Jäälinjärven tutkimukset kesällä 2011. Raportti. Pöyry Finland Oy.

Rehevyystason arviointi

Jäälinjärven kesäaikaiset kokonaisfosfori- ja α-klorofyllipitoisuudet ovat 2000-luvulla olleet rehevien järvien tasolla. Järviveden α-klorofyllipitoisuus on Jäälinjärvellä (Jäälinojan mittauspisteessä) vaihdellut vuosina 2013–2017 välillä 3,7–43 µg/l Kiimingin Jäälin vesienhoitoyhdistys ry. 2018. Vesianalyysit. Hakupäivä 27.11.2018. https://kiiminginjaalinvedet.net/3-vesitutkimukset/vesianalyysit/

Kainua ja Anttila Kainua, K. & Anttila, E-L. 2011. Jäälinjärven tutkimukset kesällä 2011. Raportti. Pöyry Finland Oy.  ovat tutkineet Jäälinjärven kasviplanktonlajistoa kesällä 2011. Tutkimuksen mukaan kasviplanktonlajisto koostui pääosin piilevistä, limalevistä, silmälevistä ja sinilevistä. Limalevien osuus oli kohtalaisen runsas. Jäälinjärvestä löytyi muun muassa Gonyostomum semen -limalevää, jonka esiintyminen korreloi mm. väriluvun ja fosforin määrän kanssa. Sinilevien osuus kasviplanktonnäytteiden biomassasta vaihteli kahdesta prosentista 19 prosenttiin. Suurin osa havaituista sinilevistä kuului Anabaena- ja Aphanizomenon-sukuihin. Näihin sukuihin kuuluvat lajit ovat yleisimpiä sinileväkukintojen aiheuttajia Suomessa. 

Hyperspektrikamerakuvantaminen

Hyperspektrikamerakuvantamisen avulla saatuja spektrejä voidaan käyttää eri komponenttien tunnistamiseen ja kuvantamisella onkin valtavasti sovellusmahdollisuuksia. Tämä perustuu kullekin aineelle ominaiseen sormenjälkeen, jonka jokainen alkuaine tai yhdiste sisältää. Sovelluskohteita ovat muun muassa geologia, maa- ja metsätalous, lääketiede, jätteiden käsittely sekä sotilaalliset käyttökohteet Pellikka, I. 2012. Metsä- ja viljelysvarantojen estimointi miehittämättömästä lentolaitteesta. Jyväskylän yliopisto. Opinnäytetyö. Hakupäivä 7.2.2019. https://jyx.jyu.fi/handle/123456789/37290

Hyperspektrikamerakuvantaminen on erittäin toimiva menetelmä, kun arvioidaan ympäristökatastrofeja, esimerkiksi öljyvuotoa merivedestä, josta öljy voidaan tunnistaa hiilivety-yhdisteistään. Myös öljyn kvantitatiivinen määrä voidaan myös arvioida.  Korkea spektraalinen erotuskyky mahdollistaa ominaisuuksien tunnistamisen esimerkiksi terveistä kasveista. Nuutuneet ja sairaat kasvit näkyvät korkeamman heijastavuuden spektrissä. Nuutuneen tai sairaan kasvin klorofyllin pitoisuus muuttuu, mikä havaitaan spektrimuutoksena. Kasveja voidaan erottaa toisistaan myös tutkimalla tiettyjä solun osia, vesipitoisuutta ja pigmenttejä Pellikka, I. 2012. Metsä- ja viljelysvarantojen estimointi miehittämättömästä lentolaitteesta. Jyväskylän yliopisto. Opinnäytetyö. Hakupäivä 7.2.2019. https://jyx.jyu.fi/handle/123456789/37290

Lääketieteessä hyperspektrikamerakuvantamisen avulla voidaan erotella esimerkiksi väärennetyt lääkkeet, lääkeaineiden koostumuksen jakaantuminen tabletin sisällä, ja lisäksi menetelmää voidaan käyttää tablettien pinnoitteiden laaduntarkkailuun. Prosessiteollisuuden esimerkkinä on paperinvalmistus, jossa voidaan paperinkosteuden mittaamisella muuttaa prosessia nopeasti oikeaan suuntaan kosteuden muuttuessa sekä valvoa erilaisia värilaatuja. Yksi merkittävimpiä sovelluksia on käyttää kameraa erottelemaan kohteita toisistaan, mitä voidaan hyödyntää lajittelun apuna kierrätyksessä Pellikka, I. 2012. Metsä- ja viljelysvarantojen estimointi miehittämättömästä lentolaitteesta. Jyväskylän yliopisto. Opinnäytetyö. Hakupäivä 7.2.2019. https://jyx.jyu.fi/handle/123456789/37290.

Aineisto ja menetelmät

Kuvaustekniikka

Hyperspektrikuvantamisessa saatava data on jatkuva spektri. Jatkuva spektri saadaan siten, että yksittäinen kanava kuvataan omalla aallonpituudellaan, jonka jälkeen Fabry–Pérot interferometri (FPI) -suotimen arvoja muutetaan. Data mitataan radianssina (mW/m^2.str.nm), mutta ilmoitetaan suhteellisena arvona 0 ja 1 välillä Hakala, T., Pölönen, I., Honkavaara, E., Näsi, R., Hakala, T. & Lindfors, A. 2018. Variability of Remote Sensing Spectral Indices in Boreal Lake Basins. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-2, 2018 ISPRS TC II Mid-term Symposium “Towards Photogrammetry 2020”, 4–7 June 2018, Riva del Garda, Italy. Hakupäivä 5.2.2019.  https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-2/411/2018/isprs-archives-XLII-2-411-2018.pdf.

Hyperspektrikuvaus tehtiin Senop Ltd:n Rikola tuoteperheen hyperspektrikameralla (kuva 1). Kamera on snapshot-tyyppinen kamera, joka kuvaa aallonpituuskanavan kaikki kuvattavan alueen pikselit yhdellä kertaa. Kuvatuista kaistoista muodostuu hyperkuutio, joka sisältää kuvatun alueen kaikkien jokaisen pikselin spektrin. Kameran resoluutio on 1010 x 1010 pikseliä ja kuvattavan kohteen spatiaalinen resoluutio on 0,45 mm x 0,45 mm.

hyperspektrikamera

KUVA 1. Senop Ltd:n hyperspektrikamera kiinnitettynä VectorHel:n Vector9 X4 droneen (kuva: Posio Mikko)

Valaistuksena käytettiin halogeenivaloja niiden tasaisen spektrin takia. Kuvauksessa käytettiin Rikola HSI -ohjelmaa, jolla ohjattiin kameran toimintoja sekä poistettiin kameran aiheuttamat virheet datasta dark referenssin avulla. Ohjelmalla myös muutettiin kameran antamat tulokset radiansseista suhdeluvuksi, joka muutettiin reflektiolaatan heijastuksen avulla arvoiksi 0–1 välillä.

Kuvista laskettiin myös näytteiden keskiarvospektrejä Eigenvector-nimisellä ohjelmalla. Useamman pikselin datan sisältämä keskiarvo on parempi tapa tarkastella hyperkuution sisältämää dataa, koska kuvatun alueen yksittäinen pikseli voi sisältää poikkeavan määrän levää (kuvio 1). 

Esimerkki hyperspektrikuvantamisen tuottamasta datasta

KUVIO 1. Esimerkki hyperspektrikuvantamisen tuottamasta datasta, jossa X-akselilla on aallonpituus (nm) ja y-akselilla on suhteellinen arvo

Levänäytteet

Kahta järvilevälajia (viherlevä=Chlamydomonas sp. ja sinilevä=Dolichospermum flos-aquae) kasvatettiin laboratorio-olosuhteissa ohjeiden mukaisesti (kuva 2). 

KUVA 2. Vasemmalla viherlevä ja oikealla sinilevä (kuva: Kosamo Joni)

Leväkasvustoista mitattiin hyperspektrikameralla spektrit (400–900 nm). Sini- ja viherleväseoksesta tehtiin laimennoksia ja laimennosten luokittelu määriteltiin laboratoriomenetelmällä (standardi SFS 5772) Hakala, T., Pölönen, I., Honkavaara, E., Näsi, R., Hakala, T. & Lindfors, A. 2018. Variability of Remote Sensing Spectral Indices in Boreal Lake Basins. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-2, 2018 ISPRS TC II Mid-term Symposium “Towards Photogrammetry 2020”, 4–7 June 2018, Riva del Garda, Italy. Hakupäivä 5.2.2019.  https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-2/411/2018/isprs-archives-XLII-2-411-2018.pdf. Laimennossarjamittausten (=levistä on tehty eri pitoisuuksia veteen) tarkoituksena oli selvittää näytettä laimentamalla α-klorofyllipitoisuuden vähentyminen, joka on suoraan verrannollinen laimennuskertoimeen. Mittauksilla etsittiin korrelaatiota α-klorofyllipitoisuuden (=levien pitoisuus järvissä, rehevyystason määritys) määrittämiseksi hyperspektrikameran avulla. 

Elokuussa 2018 haettiin Jäälinjärven (järvessä ei ollut silminnähtäviä leväkasvustoja) vettä, johon sekoitettiin levien puhdaskantoja. Leviä analysoitiin myös lisäämällä niitä puhtaan hanaveden joukkoon. Tällä tavalla saatiin alustavasti selville järviveden matriisivaikutus eli häiritseekö järvivesi jotenkin levien mittausta. 

Tulokset

Järvivesinäytteiden tulokset

Jäälinjärven veteen lisättiin sini- ja viherleväseosta ja suoritettiin mittaukset sekä hyperspektrikameralla että laboratoriovertailumenetelmällä. Kuviossa 2 hyperspektrikameran tulokset ovat graafiksi muutettuna.

Hyperspektrikameran tulokset Jäälinjärven veteen sekoitetusta leväseoksesta

KUVIO 2. Hyperspektrikameran tulokset Jäälinjärven veteen tehdyistä eri leväpitoisuuksien seoksista

Kuvio 2 osoittaa, että hyperspektrikameralla mitatuilla arvoilla eri leväpitoisuuksista on hyvä korrelaatiokerroin. Tämä tarkoittaa, että näytteestä mitattavissa olevan ominaisuuden ja pitoisuuden välinen suhde on määritetty. On saatu aikaiseksi riittävä vaste leväpitoisuuden (α-klorofyllipitoisuuden) muuttuessa ja nämä pitoisuudet voidaan luotettavasti määrittää. Leväpitoisuusalue on sellainen, jossa leväpitoisuuden ja mittaussignaalin eli hyperspektrikuvantamisen välillä on lineaarinen riippuvuus. R2 eli korrelaatiokerroin kuvaa mitattavissa oleva hyperspektrikameran arvon ja leväpitoisuuden välistä suhdetta ja tässä tapauksessa se on paras mahdollinen eli 1.

Johtopäätökset

Hyperspektrikameramittauksissa löydettiin korrelaatiota leväpitoisuuksiin. Levämittauksissa, jotka tehtiin järviveden ollessa matriisina, löytyi korrelaatiota sini- ja viherleväseokselle. Sini- ja viherleväseoksella saatiin korrelaatiota luokittelualueella erittäin rehevästä ja rehevään asti. Alemman luokituksen näytteitä ei ollut mukana tässä tutkimuksessa.

Jatkotutkimuksilla tulisi lisäksi selvittää, miten järviveden laatu vaikuttaa hyperspektrikuvantamisen tuloksiin. Esimerkiksi veden humuspitoisuus ja useiden eri levälajien seoskasvustot saattavat vaikuttaa tuloksiin. Muita hyperspektrikuvaamista häiritseviä ja tuloksiin vaikuttavia tekijöitä voivat olla veden kemiallinen koostumus kuten esimerkiksi rautapitoisuus, leväkasvuston koostumus, muut vesikasvit ja sääolosuhteet.

Lähteet

    Kommentit

    blog comments powered by Disqus