| dc.description.abstract | HYPSO skjøt opp satellitten HYPSO-1 i bane 13. Januar 2022. Satellitten fanger havfarger med hyperspektral fjernmåling ved å separere lys i det synlige til nær-infrarøde spekteret i mange separate spektralbånd. Dermed øker informasjonen vi mottar fra et bilde. Denne masteroppgaven presenterer og gjennomfører operasjonsmetoder på HYPSO-1 satellitten, som f.eks oppdragsplanlegging, kommunikasjon og systemobservasjoner. Satellittoperasjonene viste seg å møte de fleste av kravene som er studert i denne oppgaven, men oppdragsplanlegging for flere dager i forveien resulterte i unøyaktig tidsstempler og retningskontroll siden HYPSO-1 sine orbitale elementer må oppdateres regelmessig. Dermed er automatisert oppdragsplanlegging med for eksempel SOUIES nødvendig for å redusere manuelt arbeid og feil i dataen. Med høy nedkoblings bithastighet av telemetri og logger kunne operatører regelmessig observere satellittens helse og feilsøke eventuelle problemer. Ved å observere systemets batterispenning, anslås det at satellitten når sin forventede levetid.
Den neste delen presenterer databehandlingsteknikker som kalibrering, utstråling til reflektans konvertering, dimensjonalitetsreduksjon og uovervåket klassifisering med «k-means» algoritmen. Disse teknikkene brukes på hyperspektral data innhentet over Frohavet i Norge for å estimere algekonsentrasjoner. Radiometrisk og spektral kalibrering ble utført, mens korreksjoner for atmosfæriske effekter og "Smile" og "Keystone" var ikke tilgjengelige. Hovedkomponentanalyse og klassifisering oppdaget ikke alger da de led av begrensninger på grunn av den korte perioden satellitten hadde vært i bane. Derimot viste dimensjonalitetsreduksjon med hovedkomponentanalyse og klynging ved klassifisering seg å være vellykket. Innhenting av korrekt georeferering, solens senitvinkel per piksel, solens spektrale irradians per bølgelengde, atmosfæriske korreksjoner og fjerning av kameradefekter var ikke tilgjengelig i skrivende stund. Metoder for å omgå disse begrensningene presenteres for å oppnå tilstrekkelige resultater som kan analyseres, og foreslått fremtidig arbeid presenteres i konklusjonsdelen.
Etter å ha anskaffet og analysert en stor mengde hyperspektrale bilder, valgte vi ett hyperspektralt bilde over Frohavet som presenteres og analyseres i denne oppgaven. Med dette bildet vil vi forsøke å svare på hvor godt HYPSO dekker satellittoperasjonsbehovet fra et ende-til-ende-perspektiv og om de innhentede dataene er vellykket kalibrert og brukbare for sluttbrukere. Det er nødvendig å undersøke hvor HYPSO trenger å sette inn ressurser for å tilfredsstille spesifikke krav, og om disse kravene bør oppdateres for HYPSO-2-satellitten eller ikke. | |
| dc.description.abstract | HYPer-spectral Smallsat for ocean Observation (HYPSO) launched the satellite HYPSO-1 into orbit on the 13th of January, 2022. The satellite captures ocean color with hyperspectral remote sensing by separating light in the visible to near-infrared spectrum into many separate spectral bands. Thus, increasing the information we receive from an image. This thesis presents and conducts methods of operation on the HYPSO-1 satellite, such as mission planning, communication, and system observations. Operations proved to meet most of the requirements studied in this thesis. However, mission planning for several days in advance resulted in inaccurate timestamps and attitudes as HYPSO-1's orbital elements must be updated regularly. Thus, automated mission planning with e.g., Satellite Operations User Interface
Enhancement Suite (SOUIES), is necessary to reduce manual labor and errors. With high bit-rate down-linking of housekeeping telemetry and logs, the operators could regularly observe the satellite's health and troubleshoot any problems. By observing the system's battery voltage, it is estimated that the satellite meets its life expectancy.
The next part presents data processing techniques such as calibration, radiance to reflectance conversion, dimensionality reduction, and unsupervised classification with k-means. These techniques are applied to hyperspectral data acquired over Frohavet in Norway to estimate algae concentrations. Radiometric and spectral calibration were conducted, however, corrections for atmospheric effects and Smile and Keystone were not available. Principal component analysis and classification did not detect algae as they suffered from limitations due to the brief period the satellite had been in orbit. However, dimensionality reduction with principal component analysis and clustering with classification proved to be successful. Acquisition of correct georeferencing, solar zenith angle per pixel, solar spectral irradiance per wavelength, atmospheric corrections, and removal of camera defects were not available at the time of writing. Methods to work around these limitations are presented to achieve adequate results that can be analyzed, and suggested future work is presented in the conclusion section.
After acquiring and analyzing a vast amount of captures, we chose one hyperspectral image over Frohavet to be presented and analyzed in this thesis. With this capture we will attempt to answer how well HYPSO meets the satellite operation needs from an end-to-end perspective and if the acquired data are successfully calibrated and usable for end-users. It is necessary to investigate where HYPSO needs to put resources to satisfy specific requirements and whether these requirements should be updated for the HYPSO-2 satellite or not. | |
