Neuartige Ansätze zur atmosphärischen Kompensation in der Langwellen-Infrarot-Hyperspektralbildgebung

Die Langwellen-Infrarot-Hyperspektralbildgebung (LWIR) aus der Distanz, auch als Standoff-Geometrie bezeichnet, ist eine Technologie mit weitreichenden Anwendungen, von der Umweltüberwachung bis zur Sicherheitsanalyse. Die Genauigkeit der aus diesen Systemen gewonnenen Daten wird jedoch maßgeblich durch atmosphärische Effekte beeinträchtigt. Absorption und Emission durch atmosphärische Gase sowie die reflektierte Strahlung am Sensor können die eigentlichen Signaturen von Zielobjekten überdecken oder verzerren. Die atmosphärische Kompensation (AC) ist daher ein kritischer Schritt, um präzise Informationen über die zu untersuchenden Objekte zu erhalten.

Herausforderungen in der atmosphärischen Kompensation

Trotz ihrer Bedeutung wurde die atmosphärische Kompensation in der Standoff-LWIR-Bildgebung lange Zeit als eine schwierige Aufgabe angesehen. Die Komplexität resultiert aus mehreren Faktoren:

• Dynamische Atmosphäre: Die Zusammensetzung der Atmosphäre ändert sich ständig, beeinflusst durch Wetterbedingungen, geografische Lage und Tageszeit.
• Mehrere Einflussfaktoren: Atmosphärische Absorption, Emission und Streuung wirken sich auf das gemessene Signal aus.
• Fehlende In-situ-Daten: Oftmals stehen keine direkten atmosphärischen Messungen zur Verfügung, die für eine präzise Korrektur notwendig wären.
• Modellierungsaufwand: Traditionelle physikbasierte Modelle wie MODTRAN erfordern detaillierte Kenntnisse der atmosphärischen Parameter, die schwer zu beschaffen sind.

Diese Herausforderungen führen dazu, dass die atmosphärische Kompensation oft nur unzureichend oder mit hohem Aufwand durchgeführt wird, was die Qualität der Endprodukte beeinträchtigt.

Ein neuer Ansatz: Set-Based Transformer für die atmosphärische Kompensation

Aktuelle Forschung konzentriert sich auf die Entwicklung neuartiger Methoden, um diese Probleme zu überwinden. Eine vielversprechende Entwicklung ist der Einsatz eines leichtgewichtigen, set-basierten Deep-Learning-Frameworks, das speziell für die atmosphärische Kompensation in der Standoff-LWIR-Hyperspektralbildgebung konzipiert wurde. Dieses Framework zielt darauf ab, die Transmission, die atmosphärische Pfadstrahlung und ein gemeinsames Downwelling-Spektrum gemeinsam zu schätzen.

Funktionsweise des Frameworks

Das vorgeschlagene Deep-Learning-Framework unterscheidet sich von traditionellen physikbasierten Methoden durch seinen datengetriebenen Ansatz. Es nimmt mehrere Radiometermessungen, die aus verschiedenen Entfernungen zum Zielobjekt gesammelt wurden, als Eingabe. Diese Mehrentfernungsmessungen ermöglichen es dem Modell, die Entfernungsabhängigkeit der atmosphärischen Effekte zu nutzen und so eine robustere Schätzung der atmosphärischen Parameter zu erzielen.

• Eingabe: Mehrere Radiometermessungen bei verschiedenen Standoff-Distanzen.
• Ausgabe: Jointe Schätzung von Transmissionsgrad, atmosphärischer Pfadstrahlung und Downwelling-Spektrum.
• Architektur: Ein set-basierter Transformer, der in der Lage ist, Beziehungen innerhalb der Eingabedaten zu erkennen und zu modellieren.

Die Verwendung eines Transformers ist hierbei von Bedeutung, da diese Architekturen besonders gut darin sind, sequentielle Daten und deren Abhängigkeiten zu verarbeiten, was für die spektralen Signaturen und deren Veränderungen durch die Atmosphäre relevant ist.

Der SAE-LWIR Datensatz: Eine Basis für Innovation

Ein wesentlicher Bestandteil der Forschung in diesem Bereich ist die Verfügbarkeit geeigneter Datensätze. Für die Entwicklung und Validierung des set-basierten Transformer-Frameworks wurde ein spezieller Datensatz namens SAE-LWIR (Standoff Atmospheric Compensation in LWIR) erstellt. Dieser Datensatz ist der erste öffentlich verfügbare Datensatz, der speziell auf die atmosphärische Kompensation in der Standoff-LWIR-Hyperspektralbildgebung zugeschnitten ist.

Generierung des Datensatzes

Der SAE-LWIR-Datensatz wurde mit dem atmosphärischen Strahlungstransfermodell MODTRAN5 generiert. MODTRAN (MODerate resolution atmospheric TRANsmission) ist ein weit verbreitetes und anerkanntes Modell zur Simulation der Ausbreitung elektromagnetischer Strahlung durch die Atmosphäre.

• Grundlage: Clear-Sky Atmospheric Profile Database (CSP), abgeleitet aus ECMWF ERA5-Daten.
• Filterung: Die Datenbank wurde auf 36.547 klare Himmelsprofile gefiltert (Wolkenbedeckung ≤ 10%, relative Luftfeuchtigkeit ≤ 90%, Meeresoberflächenprofile wurden entfernt).
• Simulationsparameter: Die "At-Sensor-Radiance" wurde für sieben verschiedene Standoff-Distanzen simuliert: 30, 90, 150, 210, 270, 330 und 390 Meter.

Dieser sorgfältig generierte Datensatz ermöglicht es Forschern, Deep-Learning-Modelle unter kontrollierten Bedingungen zu trainieren und zu bewerten, was für die Entwicklung robuster AC-Algorithmen unerlässlich ist.

Analyse und Ergebnisse

Die Analyse der gelernten Repräsentation des set-basierten Transformers mittels eines Sparse Autoencoders zeigte interessante Ergebnisse. Es wurde beobachtet, dass bestimmte latente Merkmale auf geografisch kohärenten Teilmengen der Testdaten aktiviert wurden, obwohl keine explizite Standortüberwachung erfolgte. Dies deutet darauf hin, dass das Modell in der Lage ist, intrinsische räumliche oder atmosphärische Muster in den Daten zu erkennen und zu verarbeiten.

Die Experimente mit dem MODTRAN-generierten Standoff-LWIR-Datensatz demonstrierten eine geringe spektrale Verzerrung über alle geschätzten Produkte, einschließlich Transmission und atmosphärischer Pfadstrahlung. Dies ist ein Indikator für die hohe Genauigkeit und Robustheit des vorgeschlagenen Frameworks bei der Korrektur atmosphärischer Effekte.

Bedeutung für die B2B-Anwendung

Für Unternehmen im Bereich der Hyperspektralbildgebung und Fernerkundung bieten diese Entwicklungen signifikante Vorteile:

• Verbesserte Datenqualität: Die präzisere atmosphärische Kompensation führt zu genaueren und verlässlicheren Hyperspektraldaten. Dies ist entscheidend für Anwendungen, bei denen geringste spektrale Unterschiede von Bedeutung sind, wie z.B. in der Materialerkennung oder der Umweltanalyse.
• Effizienzsteigerung: Ein leichtgewichtiges Deep-Learning-Framework kann die Verarbeitungszeit im Vergleich zu komplexen physikbasierten Modellen erheblich reduzieren. Dies ermöglicht schnellere Analysen und Entscheidungsfindungen.
• Automatisierungspotenzial: Die datengetriebenen Modelle können in automatisierte Workflows integriert werden, wodurch der manuelle Aufwand für die atmosphärische Korrektur minimiert wird.
• Neue Anwendungsfelder: Die Möglichkeit, auch unter schwierigen atmosphärischen Bedingungen genaue Daten zu erhalten, eröffnet neue Einsatzmöglichkeiten für LWIR-Hyperspektralsysteme, beispielsweise in der Überwachung schwer zugänglicher Gebiete oder bei widrigen Wetterverhältnissen.
• Reduzierung von Unsicherheiten: Durch die gemeinsame Schätzung mehrerer atmosphärischer Parameter wird ein kohärenteres Bild der atmosphärischen Bedingungen geliefert, was die Unsicherheiten in der Dateninterpretation reduziert.

Die weitere Forschung und Implementierung solcher Deep-Learning-Ansätze wird die Leistungsfähigkeit und Anwendbarkeit von Standoff-LWIR-Hyperspektralbildgebungssystemen maßgeblich beeinflussen und neue Standards in der Datenanalyse setzen. Die Bereitstellung des Datensatzes und des Codes als Open Source fördert zudem die Kollaboration und Weiterentwicklung in der Forschungsgemeinschaft.

Zukünftige Perspektiven

Die Entwicklung dieses set-basierten Transformer-Frameworks und des SAE-LWIR-Datensatzes stellt einen wichtigen Fortschritt in der atmosphärischen Kompensation dar. Zukünftige Arbeiten könnten sich auf die Erweiterung des Datensatzes um weitere atmosphärische Bedingungen, die Untersuchung anderer Deep-Learning-Architekturen oder die Integration von Echtzeit-Sensorik zur Validierung der Modelle konzentrieren. Ziel ist es, die Robustheit und Anwendbarkeit dieser Technologien weiter zu verbessern, um den Anforderungen anspruchsvoller B2B-Anwendungen gerecht zu werden.

Die Fähigkeit, atmosphärische Effekte präzise zu modellieren und zu korrigieren, ist ein Schlüsselfaktor für den Erfolg der Hyperspektralbildgebung. Die vorgestellten Entwicklungen weisen den Weg zu einer neuen Generation von Analysewerkzeugen, die es Unternehmen ermöglichen, das volle Potenzial ihrer LWIR-Daten auszuschöpfen.

Bibliography

- Perez, F., Quintero, N., Acevedo, J., & Rueda-Chacón, H. (2026). Set-Based Transformer for Atmospheric Compensation in Standoff LWIR Hyperspectral Imaging. arXiv preprint arXiv:2606.08324. - SemilleroCV/SAE-LWIR Dataset. (2026). Hugging Face. Verfügbar unter: https://huggingface.co/datasets/SemilleroCV/SAE-LWIR - Factral/SAE-LWIR Repository. (2026). GitHub. Verfügbar unter: https://github.com/Factral/SAE-LWIR - Westing, N., Gross, K. C., Borghetti, B. J., Kabban, C. M. S., Martin, J. A., & Meola, J. (2021). Multimodal Representation Learning and Set Attention for LWIR In-Scene Atmospheric Compensation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 127-140. - Forland, B. M., Gallagher, N. B., & Johnson, T. J. (n.d.). Application of Automated Iterative Target Detection for Standoff Hyperspectral Imaging. OSTI.GOV. Verfügbar unter: https://www.osti.gov/servlets/purl/2575615 - Bernstein, L., Gelbord, J., Adler-Golden, S., Guler, N., Sundberg, R., Conforti, P. (2018). An improved in-scene atmospheric retrieval and correction algorithm for long-wavelength infrared hyperspectral imagery. Proc. SPIE 10768, Imaging Spectrometry XXII: Applications, Sensors, and Processing. DOI: https://doi.org/10.1117/12.2321116 - Kim, S., Shin, J., Kim, S. (2021). AT2ES: Simultaneous Atmospheric Transmittance-Temperature-Emissivity Separation Using Online Upper Midwave Infrared Hyperspectral Images. Remote Sensing, 13(7), 1249. - Zelinski, M. E. (2018). Overhead longwave infrared hyperspectral material identification using radiometric models. LLNL-TR-744504. Verfügbar unter: https://www.osti.gov/servlets/purl/1417957 - Galve, J. M., Sánchez, J. M., Coll, C., Villodre, J. (2018). A New Single-Band Pixel-by-Pixel Atmospheric Correction Method to Improve the Accuracy in Remote Sensing Estimates of LST. Application to Landsat 7-ETM+. Remote Sensing, 10(6), 826. - Stelter, D., Brewer, E., & Sundberg, R. (2024). Atmospheric Correction using Diffusion Models and MODTRAN for Constrained Training. SPIE 13031, Algorithms, Technologies, and Applications for Multispectral and Hyperspectral Imaging XXX. DOI: https://doi.org/10.1117/12.3012882