A Magyar Hidrológiai Társaság XXXVII. Országos Vándorgyűlése (Pécs, 2019. július 3.)

8. SZEKCIÓ - Hidrológia - 9. Dr. Keve Gábor (NKE Víztudományi Kar): Jégfedettség meghatározása webkamerák segítségével

Egy-egy pixel transzformált méretének meghatározására olyan megoldást kellett keresnem, mely elegendően pontos a további számításokhoz és kellően egyszerű is ahhoz, hogy bonyolult algoritmusok nélkül is használható legyen. A következő ötlettel álltam elő: Az u,v koordinátával adott pixel valós x, y koordinátába való átszámítására már használható megoldást találtam. De egy eddig pontként kezelt pixel felfogható négyzetként, mely megfelelő nagyítás mellett láthatóan az is. A négyzetnek viszont van síkbeli kiteijedése, azaz felülete, mely kiszámítható sarokpontjainak ismeretében. Az ötlet bármennyire triviális is, eddigi kutatásaim során mégsem találkoztam vele, hogy jégfedettség számításánál használták volna.

Itt azzal közelítéssel éltem, hogy a négyszögek oldalai egyenesek maradnak az (u,v)-ből (x, y)-ba való transzfonnáció során. Ez a kis képpontok (pixelek) esetében teljesül is.

Minden egyes megfigyelésre kiválasztott pixel sarokpontjait kiszámíthatjuk a 9. ábrán látható 4 sarokponti koordináta felhasználásával. A sarokpontokat a bal felső saroktól kiindulva az óramutató járásával egyező irányban haladva 1 -4-ig sorszámoztam. A sorszámok felhasználásával, melyeket a továbbiakban a kiszámított valós x, y koordináták indexeként (i) használok a következő összefüggéssel kiszámítottam minden egyes megfigyelni kívánt pixel valóságos területét.

1 v-15

a = 2/_,._ (Wi+i ~ xi+iVi)' aho1 (*i;yi) = fe;ys)

Az így kiszámolt területeket a pixelek u, v koordinátáival indexelt mátrixban helyeztem el, mely az éppen vizsgálatba vont területen mozogva azonnal szolgáltatja majd a kérdéses pixel valós területét.

Jégfelület és vízfelület arányának meghatározása, rögzítése

Az eddigi lépéseket összevonva nincs más hátra, mint egy olyan program megírása, mely mindezt el is végzi számunkra. Eddigi pályafutásom során szinte minden feladatot képes voltam basic programozási nyelven megírt egyszerűbb alkalmazásokkal megoldani. Hiszen ezt a nyelvet használja a legtöbb makró vagy script az általam eddig kezelt felhasználói programokban (Excel, Surfer, AutoCad, ArcMap, stb.). Bár tanáraim többször figyelmeztettek az algoritmusok, minél egyszerűbb és a lehető legkevesebb lépést igénylő megírására, a számítástechnika gyors fejlődése sosem igazolta jóslatukat. Jóslatukban arra figyelmeztettek, hogy lesz majd olyan eset, melyben szükségem lesz erre a tudásra. Most először találkoztam a lassúság kérdéskörével bár nem pontosan a jóslatnak megfelelően. Ugyanis a Visual Basicben megírt programom futási idejével számolva 20 napot igényelt volna csak a bajai webkamera 607.223 képének feldolgozása. Dr. Gálái Antal javaslatára megismerkedtem a Processing (PROCESSING, 2018) programozási nyelvvel, mely valóban gyorsnak bizonyult és tized annyi idő alatt elvégezte a feladatot.

Az új programozási nyelven megírt alkalmazás a kép kijelölt részterületén belül minden egyes pixelt megvizsgált. A pixelek u, v képkoordinátájának megfelelő és az adott kép paramétereinek felhasználásával számított küszöbértékhez hasonlított szürke árnyalat alapján eldönthetővé vált a jég és a víz elválasztása. Egyetlen ciklusban elvégezve ezt az ellenőrzést a jeges és nem jeges pixelek (korábban kiszámított) valós területeinek összegzésével megállapítható volt a valós jégfedettség százalékban kifejezve. Annak érdekében, hogy ez az érték összehasonlíthatóvá váljon a perspektív kép alapján számított fedettségi értékkel utóbbit is számítottam a pixelek számából. Egy ilyen feldolgozott képet mutat be a 10. ábra, melynek jobb felső sarkában a paraméterek és a számítási eredmények is jól láthatók.

A programozás során több, a Processing nyelv által kínált színtér komponenst is kipróbáltam (saturation, brightness, hue, stb.), de nem hoztak jobb eredményt az RGB színtérből szürkeárnyalatba való áttérésnél. A webkamerák képe a látható fény tartományában (320-700 mn) készült, ezért spektrális tartalma gyönge. így más, például műholdképek elemzésénél használható képfeldolgozási eljárások nem jöhettek szóba.

Már a korábbi elemzések során, mikor a webkamerák felvételeiből készített filmeket tekintettem át feltűnt a szelvényen belüli jégzajlási struktúrák időbeli változékonysága. A zajlás szelvényen belüli átrendeződése többször előfordult, azaz nagyjából azonos fedettség mellett hol a jobb, hol pedig a bal part közelében vonultak el a táblák. Csupán a teljes szelvény fedeüségének kiszámításával ennek a jelenségnek a elemezhetősége elmaradna. Annak érdekében, hogy ez a kérdés is vizsgálhatóvá váljon a megfigyelt szelvényt a sodorvonalra merőleges irányban 40 részre osztoüam. A szám tetszőleges, de a nagyjából 400 m széles folyamot így közel 10 m-es sávokra daraboltam. A felosztást követően ellenőriztem, hogy az így kapod részterületek pixeleiből számított területek azonosak-e. A részterületek (sávok) mérete kevesebb mint 1%-os hibahatáron belül teljesen megegyezed, amit elfogadtam. Az így kialakított sávokon belül is meghatároztam a jégfededség értékeket, mely azt is segít kimutatni, hogy a felvétel időpillanatában a szelvény melyik részén volt jég.

A 10. kép rámutat egy hibajelenségre is, jelesül a vizsgálatba vont területbe belógó faágak jégként való felismerésére. Ez következetesen, mindig a kamerához közeli oldalon, nem túl sűrűn előforduló probléma, melynek orvoslására szintén jó lehetőséget ad az imént ismertetett sávozás. Ugyanakkor azt is megvizsgáltam.