Hyperspectrale beeldvorming: elke pixel zijn eigen kleurenvingerafdruk
Ons oog ziet kleur met slechts drie soorten sensoren: gevoelig voor rood, groen en blauw licht. Een gewone camera doet in essentie hetzelfde. Hyperspectrale beeldvorming gaat vele stappen verder: in plaats van drie kleurwaarden meet zo'n camera per beeldpunt honderden verschillende golflengtes van licht, van het zichtbare spectrum tot ver in het infrarood en soms het ultraviolet. Het resultaat is niet zomaar een foto, maar een volledig lichtspectrum per pixel — een soort chemische vingerafdruk van wat er op die plek te zien is.
Stel je een drone voor die over een landbouwveld vliegt. Met het blote oog, of met een gewone camera, zien alle planten er groen en gezond uit. Een hyperspectrale sensor kan echter al waterstress of een beginnende schimmelinfectie detecteren weken voordat een boer dat met het blote oog zou zien, omdat zieke of gestreste plantencellen licht net iets anders reflecteren dan gezonde cellen — een verschil dat voor mensen onzichtbaar is, maar in het spectrum duidelijk naar voren komt.
Wat is het precies?
Licht dat op een object valt, wordt voor een deel geabsorbeerd en voor een deel teruggekaatst. Welke golflengtes worden geabsorbeerd en welke worden teruggekaatst, hangt af van de moleculaire samenstelling van dat object. Water, chlorofyl, een bepaald mineraal of een specifieke verfstof hebben elk hun eigen karakteristieke patroon van absorptie en reflectie. Dat patroon noemen wetenschappers een spectrale signatuur.
Een gewone camera registreert dat patroon met drie brede banden (rood, groen, blauw). Multispectrale camera's, zoals gebruikt door bekende aardobservatiesatellieten als Landsat, meten al iets fijnmaziger met doorgaans vier tot twintig banden. Hyperspectrale sensoren gaan nog een stap verder: ze verdelen het spectrum in honderden smalle, aaneengesloten banden van vaak maar vijf tot tien nanometer breed. Zo ontstaat per pixel een gedetailleerde grafiek van reflectie tegen golflengte, in plaats van drie of twintig losse getallen.
Omdat elke pixel een compleet spectrum bevat, spreekt men van een datakubus: twee ruimtelijke dimensies (breedte en hoogte van het beeld) plus een derde dimensie voor golflengte. Veel sensoren werken volgens het pushbroom-principe: ze scannen lijn voor lijn terwijl het vliegtuig, de satelliet of de drone beweegt, vergelijkbaar met hoe een scanner een document inleest. Nieuwere snapshot-sensoren kunnen een volledige hyperspectrale opname in één keer maken, wat nuttig is voor bewegende objecten.
De ruwe data is op zichzelf niet meteen bruikbaar. Ze moet eerst gekalibreerd worden en gecorrigeerd voor storende factoren zoals atmosferische absorptie door de sensor. Vervolgens wordt het gemeten spectrum van elke pixel vergeleken met bekende spectrale bibliotheken, of geanalyseerd met algoritmes en machine learning, om te bepalen welk materiaal, welke stof of welke conditie er waarschijnlijk aanwezig is.
Wat wil men ermee bereiken?
De kernbelofte van hyperspectrale beeldvorming is dat je op afstand, zonder fysiek contact, kunt bepalen waar iets uit bestaat of in welke toestand het verkeert. Dat opent deuren in uiteenlopende sectoren.
In de landbouw wil men gewasstress, ziekten of voedingstekorten vroegtijdig opsporen, zodat gerichter en zuiniger met water, meststoffen en bestrijdingsmiddelen kan worden omgegaan. In de mijnbouw en geologie helpt de techniek om mineralen te identificeren zonder overal grondmonsters te hoeven nemen. Milieuwetenschappers gebruiken hyperspectrale data om waterkwaliteit, bodemvervuiling of de gezondheid van ecosystemen in kaart te brengen. In de voedingsindustrie kan hyperspectrale inspectie besmetting, bederf of vervalsing van producten opsporen die met het blote oog niet zichtbaar is. In de medische wetenschap wordt onderzocht of de techniek huidkanker of weefselschade kan helpen herkennen, zonder een biopsie te hoeven nemen. En in de kunstwereld gebruiken restauratoren hyperspectrale camera's om pigmenten te identificeren en verborgen onderschilderingen zichtbaar te maken.
De rode draad is telkens dezelfde: informatie zichtbaar maken die met een normale camera of het menselijk oog verborgen blijft, en dat op een niet-destructieve, op afstand uitvoerbare manier.
Voorbeelden uit de praktijk
Een van de langstlopende programma's is AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) van NASA's Jet Propulsion Laboratory, operationeel sinds 1987. Dit vliegtuiggemonteerde instrument wordt al decennialang gebruikt voor onderzoek naar ecosystemen, sneeuwbedekking en geologie.
In 2022 plaatste NASA het instrument EMIT (Earth Surface Mineral Dust Source Investigation) op het internationale ruimtestation ISS. EMIT brengt mineraalstof op het aardoppervlak in kaart om beter te begrijpen hoe stofdeeltjes het klimaat beïnvloeden, bijvoorbeeld doordat lichte of donkere stofdeeltjes zonlicht anders reflecteren of absorberen.
De Italiaanse ruimtevaartorganisatie ASI lanceerde in 2019 de satelliet PRISMA, een van de eerste operationele hyperspectrale aardobservatiesatellieten, gericht op milieumonitoring en landbouwtoepassingen. Het Duitse ruimtevaartcentrum DLR volgde in 2022 met de satelliet EnMAP (Environmental Mapping and Analysis Program), die wereldwijd hyperspectrale data verzamelt voor onderzoek naar bodem, water en vegetatie.
Op kleinere schaal gebruiken musea zoals het Rijksmuseum hyperspectrale scanners om schilderijen van oude meesters te onderzoeken: zo kunnen restauratoren pigmenten identificeren, eerdere overschilderingen ontdekken en de authenticiteit van kunstwerken helpen beoordelen, zonder het werk te beschadigen.
Hoe ver is de techniek?
Voor luchtvaart- en satellietgebaseerde toepassingen is hyperspectrale beeldvorming een volwassen, decennialang beproefde technologie. Met de komst van operationele satellieten als PRISMA en EnMAP is hyperspectrale data de afgelopen jaren bovendien breder toegankelijk geworden voor onderzoekers en bedrijven, in plaats van voorbehouden te zijn aan dure vliegtuigcampagnes.
Tegelijkertijd is er een duidelijke trend richting miniaturisering: waar hyperspectrale sensoren ooit alleen in grote vliegtuigen pasten, zijn er nu compacte varianten beschikbaar voor drones en zelfs handheld-apparaten. Dat maakt de techniek betaalbaarder en toegankelijker voor bijvoorbeeld individuele landbouwbedrijven of kleinere onderzoeksinstellingen, al blijven professionele systemen nog altijd een aanzienlijke investering.
De grootste praktische obstakels zitten niet zozeer in de sensoren zelf, maar in de data die ze produceren. Een hyperspectrale opname genereert enorme hoeveelheden data die opgeslagen, gekalibreerd en geanalyseerd moeten worden, wat gespecialiseerde kennis en rekenkracht vereist. De opkomst van machine learning heeft de interpretatie van spectra versneld, maar betrouwbare, uitgebreide spectrale bibliotheken voor specifieke toepassingen ontbreken soms nog. Voor toepassingen die real-time analyse vereisen, zoals in de medische diagnostiek, staat de techniek nog goeddeels in de onderzoeksfase: klinisch gevalideerde, op de markt toegelaten hyperspectrale diagnoseapparatuur is nog schaars.
Wie werken eraan?
Op ruimtevaartgebied lopen NASA (met name via het Jet Propulsion Laboratory), het Duitse DLR en de Italiaanse ASI voorop met operationele of experimentele hyperspectrale missies. De Europese ruimtevaartorganisatie ESA ondersteunt daarnaast diverse aardobservatieprogramma's, waaronder het bredere Copernicus-programma, waarin ook hyperspectrale toepassingen worden verkend.
Op het gebied van sensorfabricage zijn met name gespecialiseerde bedrijven actief, zoals het Finse Specim, het Amerikaanse Headwall Photonics en Resonon, en het Noorse Norsk Elektro Optikk (NEO). Deze bedrijven leveren zowel vliegtuig- en drone-gemonteerde systemen als laboratoriumapparatuur voor industriële inspectie.
Daarnaast dragen talloze universiteiten en onderzoeksinstituten wereldwijd bij aan de ontwikkeling van toepassingen, van precisielandbouw en geologie tot medische beeldvorming en kunstconservering. Het veld is sterk internationaal en multidisciplinair, met kruisbestuiving tussen ruimtevaarttechniek, optica, scheikunde en data science.