BSE-kuvien digitaaliset kuva-analyysimenetelmät lustosedimenttitutkimuksessa

Transkriptio

1 BSE-kuvien digitaaliset kuva-analyysimenetelmät lustosedimenttitutkimuksessa Turun yliopisto Geologian laitos Pro Gradu -tutkielma Janne Jääskeläinen 2006

2 TURUN YLIOPISTO Geologian laitos JÄÄSKELÄINEN, JANNE: BSE-kuvien digitaaliset kuva-analyysimenetelmät lustosedimenttitutkimuksessa Pro Gradu tutkielma, 84 s., 3 liites. Maaperägeologia Elokuu 2006 Tutkimuksen tarkoituksena oli tarkastella digitaalisen kuva-analyysin soveltuvuutta lustosedimenttitutkimukseen BSE kuvien analysoinnin avulla. Tutkimuksessa on käytetty esimerkkiaineistona kolmea Kortejärven lustosedimenteistä epoksiimeytysmenetelmällä tuotettua kiilloitettua pintahiettä, joista on otettu pyyhkäisyelektronimikroskoopilla korkea-laatuisia näytekuvia. Tutkimuksessa näytekuvista yhdistettiin näytesarjat sekä manuaalisesti että useita yleisimpiä panoramaohjelmia hyväksikäyttäen, ja tutkimustuloksia verrattiin keskenään. Näytesarjoista laskettiin lustojen määrät ja lustojen paksuudet. Lustolaskennan automatisoinnin testaamiseksi tutkimuksen aikana kehitettiin makrokielinen ohjelma, jota käytettiin lustojen laskemiseen näytesarjoista. Yksittäisistä lustoista valituista näytealueista analysoitiin raekokojakauma, mineraaliaineksen määrä ja rakeiden pyöristyneisyys. Lisäksi valituista näytealueista tutkittiin vuodenaikojen tunnistettavuutta. Tutkielmassa analysoitiin myös häviöllisen JPG tiedostoformaatin pakkausasteen vaikutusta raekokojakaumaan, mineraaliaineksen määrään, rakeiden pyöristyneisyyteen, lustolaskentaan ja lustojen paksuuden mittaukseen. Tutkimuksen perusteella BSE kuvista voidaan luotettavasti analysoida lustosedimenttinäytteen raekokojakauma, mineraaliaineksen määrä ja rakeiden pyöristyneisyys. Digitaalisten kuva-analyysimenetelmien käyttö mahdollistaa myös vuodenaikojen tarkkuuteen pääsemisen yksittäisissä lustoissa. BSE kuvien yhdisteleminen kokonaisiksi näytesarjoiksi ei tämän tutkimuksen mukaan ole luotettavasti mahdollista testatuilla ohjelmistoilla. Tutkimuksen aikana kehitetyllä lustolaskentamakrolla päästiin lustojen laskennassa 96 %:n tarkkuuteen. Tutkimuksen mukaan häviöllinen JPG tallennusformaatti vaikuttaa negatiivisesti raekokojakauman, mineraaliaineksen määrän ja rakeiden pyöristyneisyyden analysointiin digitaalisessa kuva-analyysissa. Sen sijaan lustolaskentaan tai lustojen paksuuden manuaaliseen laskentaan JPG tallennusformaatin pakkausasteella ei ollut vaikutusta. Tutkimuksen mukaan on suositeltavaa, ettei häviöllistä JPG tallennusformaattia käytetä tarkkuutta vaativiin kuva-analyyseihin. Asiasanat: BSE, Digitaalinen kuva-analyysi, ImageJ ohjelma, JPGpakkaus, Kortejärvi, lustosedimentti, SEM.

3 1 1. JOHDANTO TERMISTÖ YLEISTÄ KUVA-ANALYYSISTA DIGITAALISET KUVA-ANALYYSIMENETELMÄT LUSTOSEDIMENTTITUTKIMUKSESSA PERINTEISET MENETELMÄT LUSTOSEDIMENTTITUTKIMUKSESSA KUVA-ANALYYSIMENETELMIEN TUTKIMUS KUVA-ANALYYSIMENETELMIEN EDUT KUVA-ANALYYSIN VAIHEET Epoksi-imeytysmenetelmä Digitaalikuvien tuottaminen SEM ja BSE Preparointi Binaarikuvaksi konvertoiminen Booleanoperaatiot Morfologiset filtterit Kuvankäsittelyfiltterit Histogrammin tasapainottaminen ja harmaasävykorjaukset Analyysi Jälkikäsittely, kuvien varastointi ONGELMAT JA VIRHELÄHTEET Datan tulkitseminen Kuvien tuottaminen Laitteiston tarkkuus Tiedon varastoinnin ongelmat Normistojen puute Virhemarginaalit AINEISTO MENETELMÄT LUSTOJEN LASKEMINEN Lustosarjakuvien yhdistäminen manuaalisesti Lustosarjakuvien yhdistäminen ns. autostitching ohjelmien avulla Lustojen laskeminen BSE kuvista manuaalisesti Lustojen laskeminen ImageJ ohjelman plottausdiagrammista Lustojen laskeminen BSE kuvista lustolaskurimakrolla YKSITTÄISISTÄ LUSTOISTA SAATAVAT TULOKSET Raekokojakauma Mineraaliaineksen määrä Luston paksuus...45

4 Pyöristyneisyys Vuodenaikojen tunnistettavuus PAKKAUSFORMAATIN VAIKUTUS DIGITAALISEEN KUVA-ANALYYSIIN JPG pakkausasteen vaikutus lustojen laskemiseen lustosarjasta JPG pakkausasteen vaikutus yksittäisen luston tuloksiin TULOKSET JA TULOSTEN TARKASTELU LUSTOJEN LASKEMINEN Lustosarjakuvien yhdistäminen manuaalisesti Lustosarjakuvien yhdistäminen ns. autostitching ohjelmien avulla Lustojen laskeminen näytesarjasta manuaalisesti Lustojen laskeminen näytesarjan plottausdiagrammista manuaalisesti Lustojen laskeminen näytesarjasta lustolaskurimakrolla YKSITTÄISISTÄ LUSTOISTA SAATAVAT TULOKSET Raekokojakauma Mineraaliaineksen määrä Luston paksuus Pyöristyneisyys Vuodenaikojen tunnistettavuus Pakkausformaatin vaikutus digitaaliseen kuva-analyysiin JPG pakkausasteen vaikutus lustojen laskemiseen lustosarjasta (manuaalisesti ja lustolaskurimakrolla) JPG pakkausasteen vaikutus yksittäisestä lustosta saataviin tuloksiin JOHTOPÄÄTÖKSET KIITOKSET LÄHDELUETTELO OHJELMIEN KOTISIVUT JA MANUAALIT...83

5 3 1. Johdanto Hyvin suuri osa luonnontieteellisistä tutkimusmenetelmistä perustuu vahvasti dataa havainnollistavaan visualisointiin. Erilaisten visuaalisten korostusten ja prosessien periaatteena on tuottaa monimutkaisista ja laajoista datakokonaisuuksista ihmiselle helpommin tulkittavia havaintoesityksiä, joiden avulla materiaalista voidaan vetää oikeanlaisia ja tieteellisesti valideja johtopäätöksiä. Geologia ei ole tässä mielessä poikkeus. Perinteisiä visualisointimetodeja ovat erilaisten karttojen, diagrammien, ohuthieiden ja kuvien käyttäminen tutkimuksen apuvälineenä. Käytännössä kaikki tällaiset metodit nojaavat havainnoitsijan omaan havainnointikykyyn, ja tulokset saattavat vaihdella havainnoitsijasta riippuen. Ihmisen omalla tulkinnalla on erittäin tärkeä rooli koko prosessissa (Stoermer 1996), mutta biologisista ja psykofyysisistä syistä johtuen ihmisen havainnointijärjestelmä on puutteellinen. Digitaalisessa kuva-analyysissa dataa pyritään analysoimaan mahdollisimman pitkälle ohjelmallisesti, ja ihmisen oman havainnointijärjestelmän virheet yritetään minimoida. Digitaalisen kuva-analyysin soveltuvuutta sedimentologisiin tutkimuksiin on tutkittu jo aikaisemminkin (esim. Fortey 1995, Francus 1998), ja saadut tulokset ovat olleet rohkaisevia. Digitaalinen kuva-analyysi on perinteisiin menetelmiin verrattuna nopea, tarkka ja näytettä hajoittamaton tutkimusmenetelmä. Lisäksi tehtävät analyysit on helppo toistaa edullisesti ja suhteellisen nopeasti. Digitaaliseen kuva-analyysiin soveltuvia ohjelmistoja on käytössä eri aloilla ilmaisjakeluversioina. Tällaisia ohjelmia ovat esimerkiksi Java-pohjainen ImageJ ja NIH image. Digitaalinen kuva-analyysi on hyvin laajassa käytössä jo lääketieteessä sekä biologiassa, ja siksi hyvin suuri osa tarjolla olevista ohjelmistoista onkin suunnattu erityisesti näille tieteenaloille. ImageJ ohjelman soveltuvuus sedimentologiseen tutkimukseen on myös osa tämän tutkimuksen ongelmakenttää. Tämän tutkimuksen tarkoituksena oli selvittää, missä määrin digitaaliset kuvaanalyysimenetelmät soveltuvat sedimentologisiin tutkimuksiin, ja erityisesti testata

6 4 kuva-analyysimenetelmien toimivuutta lustosedimenttien tutkimuksessa BSE kuvien (engl. Back Scatter Electron) analysoinnin avulla. Tutkimuksessa käytettiin esimerkkiaineistona lustosedimenteistä epoksi-imeytysmenetelmällä tuotettuja kiilloitettuja pintahieitä, joista on otettu pyyhkäisyelektronimikroskoopilla korkealaatuisia näytekuvia. Näiden kuvien preparointi, analysointi ja tulkinta olivat tämän tutkimuksen keskeisiä osia. Tutkimuksessa haluttiin selvittää, missä määrin digitaalinen kuva-analyysi soveltuu käytännön sedimentologiseen tutkimustyöhön. Edellisten lisäksi pyrittiin selvittämään, missä määrin BSE kuvista suoritettavaa lustolaskentaa voidaan automatisoida luotettavasti. Markkinoilla on paljon erilaisia automaattisia ja puoliautomaattisia kuvienyhdistelyyn tarkoitettuja ns. panoramaohjelmia, joiden soveltuvuutta BSE kuvien lustosarjojen yhdistämiseen ei aikaisemmin ole tutkittu. Lisäksi tutkimuksessa on yritetty rakentaa makrokielellä lustojen laskentaan soveltuva makro, ja testata sen toiminnan luotettavuutta näytelustojen laskennassa. Lopuksi analysoitiin vielä häviöllisen JPG pakkauksen vaikutuksia saatuihin tutkimustuloksiin.

7 5 2. Termistö Ohessa on selitetty tekstissä esiintyvää termistöä. BMP BSE BSEi CIE (L*a*b) CMYK JPG, JPeG RAW RGB SEM STM TIF, TIFF Väriavaruus Windows käyttöjärjestelmän myötä yleistynyt häviötön bittikarttaformaatti. Ei tue häviötöntä pakkausta. engl. Back Scatter Electron. engl. Back Scatter Electron Image. Universaali värimalli. Neljästä värikomponentista koostuva väriavaruus. Koostuu syaanin (engl. Cyan), magentan (engl. Magenta), keltaisen (engl. Yellow) ja mustan (engl. black) komponentin yhdistelmästä. CMYK väriprofiilia käytetään painoteollisuudessa. Häviöllinen kuvien pakkausformaatti. Lyhenne tulee sanoista Joint Photographic Experts Group. Digikameran raakakuvatiedostoformaatti. RAW formaattia ei ole standardisoitu, joten yhtenäistä tiedostopäätettä ei vielä ole. Valmistajasta riippuen eri päätteet tarkoittavat samaa tiedostomuotoa [BAY (Casio), CR2 (Canon), CRW (Canon), DCR (Kodak), DNG (Samsung, Leica), MRW (Konica, Minolta), NEF (Nikon), ORF (Olympus), PEF (Pentax), RAF (Fujifilm), RAW (Casio, Epson, Konica, Panasonic), RDC (Rollei), SRF (Sony), TIF (Canon, Kodak) ja X3F (Sigma)]. Kolmesta värikomponentista koostuva väriavaruus. Koostuu punaisen (engl. Red), vihreän (engl. Green) ja sinisen (engl. Blue) komponentin yhdistelmästä. Esimerkiksi monitorit käyttävät tätä väriavaruutta. engl. Scanning Electron Microscope. engl. Scanning Tunnel Microscope. engl. Tagged Image File Format on yleinen käytössä oleva häviötön bittikarttakuvien tallennusmuoto. Tukee myös häviötöntä pakkausta. Spektri, väriavaruus, väriprofiili.

8 6 3. Yleistä kuva-analyysista Geologia on vahvasti visualisointiin perustuva tieteenala (Kinnunen 1995). Erilaiset analyysimenetelmät tuottavat tietoa, joita visuaalisesti tulkitsemalla pyritään tuottamaan valideja tutkimuksia käsiteltävistä tutkimuskohteista. Kaikissa tutkimuskeinoissa, joissa käytetään apuna visuaalista tulkitsemista, on kuitenkin suuria erehtymisen mahdollisuuksia. Visuaaliseen havainnointiin vaikuttavat havaitsijan oma tulkinta, valaisuolosuhteet, materiaalit ja viitekehys, jossa tutkimusta tehdään. Tällaisissa tilanteissa tehtyjen visuaalisten analyysien toistettavuus on heikko. Ihmisen optinen havainnointijärjestelmä ei ole luotettava työkalu kvantitatiivisessa kuva-analyysissä. Ihmisillä on hyvä kyky tunnistaa objekteja ja vertailla niitä kolmiulotteisesti muihin objekteihin. Ihmissilmän värien ja valon kirkkauden tulkintakyky on varsin heikko, ellei vieressä ole selkeäkontrastista vertailukohtaa. Toisiaan lähellä olevat sävyt sekoittuvat tulkinnassa helposti. Näkö on altis erilaisille virhetulkinnoille ja illuusioille, jotka vaikeuttavat luotettavaa analysointia pelkkään näköaistiin luottaen (kuva 1). Kuva 1: Esimerkki optisesta illuusiosta. Kohtien A ja B harmaasävyt ovat samat.

9 7 Yksilökohtaisten poikkeavuuksien lisäksi ihmisillä on jo biologisista syistä johtuen huonot edellytykset tulkita värejä kvantitatiivisesti: toiset aallonpituudet suodattuvat toisten kustannuksella. Myös ihmissilmän optiset hermot vääristävät signaaleja. Tämän takia on hyvä pitää oma visuaalinen tulkinta mahdollisimman vähäisenä virheiden välttämiseksi. (Russ 2002). Värien jaottelun ja käytön standardoimiseksi on kehitetty universaali värimalli (L*a*b), johon kaikki nykyisetkin värimallit pohjautuvat. Tämä CIE:n kehittämä värimalli perustuu ajatukseen, että vaikka ihmissilmä ei jotain aallonpituutta havaitsisikaan, on se kuitenkin olemassa ja mitattavissa yksiselitteisessä muodossa. Esimerkiksi tietokonemonitorien CRT kuvaputkien ja TFT näyttöjen käyttämä RGB väriavaruus ylittää ihmissilmän erotuskyvyn kuten myös monitorien nykyisen laatutason (Kinnunen 1995). Ihmissilmän ja monitorin luoman kuvan sijasta tulee siis luottaa mieluummin digitaaliseen kuvadataan kuin henkilökohtaisten aistien tulkintaan. Francuksen mukaan (1998) digitaalinen kuva-analyysi on näytteistä eristetyn kuvadatan analysointia tietokoneavusteisesti. Kuva-analyysi sisältää kaikki tarvittavat operaatiot, jotka tarvitaan kvantitaviisen tiedon jalostamiseksi näytemateriaalista. Kuvadata on yleensä tallennettu digitaaliseen muotoon näytteistä erilaisten menetelmien avulla, esimerkiksi ohutnäytteistä tai valokuvista skannaamalla. Kuva-analyysissa käytettävä kuvamateriaali voidaan hankkia erilaisista lähteistä, mutta paleolimnologisessa kontekstissa kuvat otetaan yleensä tuoreista sedimenttinäytteistä tai ohuthieistä erilaisia kuvausvälineitä ja tekniikoita käyttäen. Käytettäessä kuva-analyysista saatavia tietoja joko korvaamaan tai täydentämään erilaisia kemiallisia, biologisia ja fysikaalisia tutkimustuloksia saadaan uutta ja tärkeää informaatiota menneistä ympäristönmuutoksista (Saarinen ja Petterson 2001). Tietokoneiden, laitteistojen ja kuva-analyysiohjelmien nopea kehitys viime vuosina on mahdollistanut kuva-analyysin käyttämisen standardimenetelmänä paleolimnologiassa luvun loppuun mennessä kuva-analyysimenetelmiä on käytetty vähän paleolimnologiassa, vaikka tekniikkaa onkin käytetty onnistuneesti alaan liittyvissä tutkimuksissa, kuten vuosirengasanalyyseissa, geologiassa, petrologiassa, merisedimentologiassa

10 8 ja maaperägeologiassa (Saarinen ja Petterson 2001). Lustosedimenttitutkimuksessa digitaalista kuva-analyysia on käytetty menestyksellä mm. tutkittaessa rhythmiittien luonnetta lustosedimenttikerrostumien pohjakerroksissa Bredåkran deltassa kaakkois- Ruotsissa (Lindeberg ja Ringberg 1999). Digitaalisen kuva-analyysin perusongelmat ovat luonnollisesti samat kuin perinteisimmissäkin tutkimusmenetelmissä. Vaikka tietokoneella onkin mahdollista suorittaa erittäin vaativia laskuoperaatioita, ei analyysi silti poista näytteenotosta ja preparoinnista aiheutuvia virhelähteitä. Eräs keskeisimmistä digitaalisen kuva-analyysin virhelähteistä on tarvittavan kuvamateriaalin tuottamisprosessi. Tuotettavan kuvamateriaalin tulisi olla analyysin tarpeet huomioon ottaen sen verran tasalaatuista ja laadukasta, että digitaalinen kuva-analyysi olisi mielekästä (Russ 2002). Kuva-analyysissa digitaaliseen formaattiin tallennettua visuaalista dataa pyritään tulkitsemaan matemaattisilla apumenetelmillä. Jotta tulkitsemista voitaisiin tietokoneavusteisesti tehdä, täytyy data muuttaa ensin formaattiin, joka mahdollistaa analyysien suorittamisen. Käytännössä tämä tarkoittaa esimerkiksi näytteestä otetun kuvamateriaalin, kuten diojen tai valokuvien, skannaamista. Joissain tapauksissa tutkimusprosessin kuluessa saadaan jo aikaisessa vaiheessa hyvälaatuista dataa sähköisessä muodossa. Esimerkiksi BSE kuvia voidaan käyttää sellaisenaan digitaalisen kuva-analyysin raakamateriaalina (Bollmann ja muut 2004). Kuva-analyysi on yleensä jaettavissa selkeästi erilaisiin päävaiheisiin. Jaottelu riippuu tutkimuksen suorittajista ja tarkastelun fokuksesta. Yleisimmin kuva-analyysi jaetaan kuitenkin kolmeen erilliseen päävaiheeseen: 1) Tallentaminen digitaaliseen formaattiin (engl. data/image acquisition) 2) Kuvan prosessointi (engl. image processing) 3) Kuva-analyysi (ts. erityisten kiinnostuksen kohteena olevien alueiden mittaus) (Saarinen ja Petterson 2001). Joissain kuva-analyysijärjestelmissä (esim. IBAS 2 järjestelmä) on vielä omat vaiheensa segmentaatiolle ja varjostuksen korjaamiselle, mutta tässä yhteydessä on

11 9 järkevämpää olla käsittelemättä IBAS 2 järjestelmää. IBAS 2 järjestelmää on käytetty onnistuneesti tefrojen tutkimiseen (Eiríksson ja muut 1996). Edellä mainittujen vaiheiden lisäksi jokaiseen kuva-analyysiin liittyy vielä erillisenä jälkikäsittely, eli kuvien varastointi ja säilytys. Digitaalisen kuva-analyysin menetelmistä on kerrottu tarkemmin luvussa Digitaaliset kuva-analyysimenetelmät lustosedimenttitutkimuksessa Suotuisissa geologisissa ja geomorfologisissa olosuhteissa järvet Suomen boreaalisilla alueilla muodostavat kerrostuneita sedimenttejä, jotka heijastelevat sedimentaation vuosittaista sykliä. Tällaiset järvet eivät ole harvinaisia Suomen boreaalisilla vyöhykkeillä. Lustojen muoto, koostumus ja rakenne riippuu useista erilaisista sedimentologisista muuttujista, kuten pohjan ja kerrostumisaltaan muodosta ja kerrostuman sisältämästä aineksesta. Yksittäinen vuoden mittainen kerrostuma eli lusto muodostuu kahdesta tai useammasta kerroksesta (talvi/kesäkausi), jotka voidaan erottaa toisistaan perustuen niiden paksuuteen, rakenteeseen ja tekstuuriin. (Tiljander ja muut 2002). Lustosedimenteillä on erittäin tärkeä rooli kalibroitaessa muilla menetelmillä saatua näytedataa kronologista dataa pehmeiden järvi- tai merisedimenttien tutkimuksessa. Lustosedimenttikerrostumat ovat myös tärkeä työkalu korkearesoluutioisten pitkän aikavälin biologisten ja fysikaalisten sedimenttisysteemien tutkimiseen järviympäristöissä. (Tiljander ja muut 2002, Prokoph ja Patterson 2004). Lustosedimenttidata heijastaa lyhyellä ja pitkällä aikavälillä tapahtuvaa kerrostumaaltaaseen tapahtuvaa materiaalivirtaa. Jotkut kerrostumista ovat seurausta paikallisista tapahtumista, kuten metsäpaloista ja maanvyöryistä, kun taas toiset muutokset ovat seurausta menneistä ilmastonmuutoksista, yleisimmin lumen sulamisvesien ja kevättulvien aiheuttamina. (Petterson 1999, Tiljander ja muut 2002). Useimmissa tapauksissa kerrokset lustoissa kuitenkin kuvaavat pelkkiä vuodenaikoja (Petterson 1999). Kausittaiset vaihtelut lustojen rakenteessa ja paksuudessa kuvaavat tapahtuneita ilmastonmuutoksia (Ripepe ja muut 1991, Tiljander ja muut 2002). Raekokojakauma lustoissa ja muissa kerrostuneissa sedimenteissä liittyy usein läheisesti klastisen materiaalin sisääntuloon (inflow) kerrostuma-altaaseen. Esimerkiksi keväällä

12 10 tulvavesien purkautuminen aiheuttaa eroosiota kerrostumissa, jolloin mineraaliainesta ja karkeampia rakeita kulkeutuu syvänteisiin. (Saarinen ja Petterson 2001). Olennaista lustosedimenteissä on tutkimuksen kannalta se, että lustoihin kerrostuu erilaista ainesta vuodenajasta riippuen. Esimerkiksi Pohjois-Ruotsissa on erotettavissa 3-4 erilaista kaudellista kerrosta. Keväällä syntyy ohut mineraalikerros sulavan lumen ja tulvien seurauksena. Kesällä ja alkusyksystä syntyy tummempi orgaaninen kerros, joka kuvastaa järven orgaanisen materiaalin kasvamista. Syksyllä saattaa syntyä ohut mineraalipitoinen kerrostuma syyssateiden seurauksena, mutta tämä kerros on hankala erottaa johtuen juuri sateiden määrästä. Talviaikaan kerrostuu ainoastaan orgaanista materiaalia, sillä järvi on kokonaan jään peitossa ja ainoastaan orgaaninen aines pääsee kerrostumaan. Talvikerros on kuitenkin selkeästi ohuempi kuin kesän biologisen kuorman tuottama kerros (Petterson ja muut 1993). Lustojen talvikauden kerrostuma on usein ruskeaa ja rakenteeltaan homogeenista. Talvikerros sisältää hyvin vähän tai ei ollenkaan mineraaliainesta saviaineksen seassa. Talvikauden kerrostuman alapuolella oleva kontaktipinta kesäkerrostumaan on useimmiten aaltoileva, teräväreunainen ja ehjä (Lindeberg ja Ringberg 1999). Lustosedimenttien tutkiminen tarjoaa useita eri hyötyjä verrattuna samantyyppiseen tutkimukseen homogeenisissa sedimenteissä. Ensinnäkin, lustosedimenttikerrostumat muodostavat tarkan ja jatkuvan kronologisen sarjan. Toiseksi, lustosedimenttikerrostumat sisältävät kerrostumatietoja vuosi- ja jopa vuodenaikatasolla, ja mahdollistavat paleoekologisen datan tutkimisen. Lustosedimentit tallentavat myös tietoa kerrostumaaltaan valuma-alueiden muutoksista ja kerrostumissykleistä. (Ojala 2001). Lustosedimenttien digitaalisessa kuva-analyysissa on mahdollista hahmottaa lustojen rakenne, mitata yksittäisten kerrosten paksuudet, röntgentiheyden vaihtelut lustoissa ja laskea lustojen lukumäärä (Saarinen ja Petterson 2001, Tiljander ja muut 2002). Tämän lisäksi näytesarjassa voidaan tutkia lustojen kausittaista vaihtelua. Lustoja tai kerroksia vasten kohtisuoraan piirretään yhtenäinen viiva ja koko tämän viivan matkalta mitataan harmaasävyarvot (Saarinen ja Petterson 2001). Tavallisempien operaatioiden lisäksi lustoista voidaan eristää myös tietoja lustojen sisältämän mineraaliaineksen raekoosta.

13 11 Kuva-analyysin eniten käytetty ominaisuus paleolimnologiassa on ollut pelkkä lustojen lukumäärän laskeminen ja lustojen paksuuden mittaaminen. Vaikka tällaisen datan saaminen onkin tärkeää, tarjoaa kuva-analyysi enemmänkin mahdollisuuksia lustosedimenttitutkimuksessa. Lähdekirjallisuudesta saadut viitteet myös tukevat tätä päätelmää. (Saarinen ja Petterson 2001) Perinteiset menetelmät lustosedimenttitutkimuksessa Ilmastonmuutokset, samoin kuin antropogeeniset vaikutukset järviin ja niiden kerrostuma-altaisiin, näkyvät myös sedimenttikerrostumien fyysisissä ominaisuuksissa. Sedimenttikerrostumien vesipitoisuus, kuivatiheys, mineraaliaineksen raekoko, magneettisten mineraalien konsentraatio ja akustiset ominaisuudet vaihtelevat kerrostumisympäristön fysikaalisten piirteiden mukaisesti. Myös kuiva-aineksen geokemia ja paleobiologiset jäänteet antavat tietoa kerrostumisaltaasta. Perinteisesti näitä tietoja on mitattu sedimenteistä otetuista kairasydännäytteistä. Mittaukset on suoritettu yleensä muutaman millimetrin paksuisista näytteistä joko loggaamalla tai paloittelemalla näytepalat laboratoriossa tai kentällä. (Francus 1998) Kairasydämestä on mahdollista ottaa viiden vuoden mittaisia näytepaloja kvantitatiivisesti, mutta prosessi on erittäin työläs ja virhealtis. Toivottava lopputulos olisi, että näytteet voitaisiin analysoida vähintään yhden vuoden tarkkuudella mm paksujen lustojen erottaminen manuaalisesti toisistaan on kuitenkin erittäin hankalaa, varsinkin jos lustojen värit ovat lähellä toisiaan tai lustot ovat kaareutuvia. (Petterson ja muut 1999). Tämän lisäksi perinteisissä tutkimuksissa käytetty lustojen tutkimusmenetelmä tuhoaa alkuperäisen näytteen, jolloin tutkimusta ei enää voida toistaa. Prosessin aikana lustot pääsevät kuivumaan, jolloin lustoihin varastoitunut vesi pakenee haihtumalla ja lustojen tilavuus pienenee (Petterson ja muut 1999). Kuivumisen lisäksi myös lustojen värit muuttuvat veden poistuessa näytteestä (Saarinen ja Petterson 2001). Kuva-analyysimenetelmillä näytteistä otetut kuvat voidaan säilyttää pysyvästi ja parametrit voidaan analysoida tarvittaessa myöhemmin uudelleen. Tiedot säilyvät digitaalisissa kuvatallenteissa varastoinnin aikana kuten perinteisissä valokuvissa. Kuvat ovat kallisarvoisia, jos näytteenotto joudutaan suorittamaan uudelleen (Saarinen ja Petterson 2001).

14 Kuva-analyysimenetelmien tutkimus Erilaisten kuva-analyysimenetelmien soveltuvuutta sedimentologiaan on tutkittu. Esimerkiksi hiekkasedimenttitutkimuksissa käytetty kuva-analyysi on osoittanut vertailukelpoisuutensa perinteisiin seulontamenetelmiin verrattuna. Samoja metodeja on käytetty myös erittäin ohuiden ja pienten näytemäärien analysointiin. (Bonardi ja Tosi 1995). Kuva-analyysi on osoittautunut myös toimivaksi metodiksi agronomisten kuvien tulkitsemisessa (Ewing ja Horton 1999) ja tefratutkimuksissa (Eiríksson ja muut 1996). Lustosedimenttitutkimuksessa käytetään erilaisia metodeja, riippuen siitä mitä tietoa kuva-analyysilla on tarkoitus näytteistä saada. Pelkkien lustojen laskemiseen soveltuu useita kuva-analyysikeinoja, mutta esimerkiksi raekokomäärityksiin tarvitaan röntgenradiografisia menetelmiä. Röntgenradiografia on nopea ja näytettä hajoittamaton loggaustekniikka, jossa näyte altistetaan röntgensäteilylle ja takaisinheijastuva ja läpäisevä säteily taltioidaan röntgenfilmille. Röntgenradiografiaa on käyttänyt paleolimnologisessa tutkimuksessa ensimmäisen kerran jo Hamblin (1964), joten metodi ei ole uusi. Myös erilaisten muotojentunnistamisohjelmien käyttämistä digitaalisessa kuva-analyysissa on tutkittu. Tutkimuksessa käytetyt oppivat neuroverkot tuottivat laadukkaita tuloksia pienillä näytemäärillä, mutta tekniikan jalostuminen käytännön laboratoriotyöskentelyyn on vielä kehitysvaiheessa. (Williams ja muut 1998, France ja muut 2004). Sedimenttien analyysien laatuvaatimukset kasvavat koko ajan. Näytteiden tutkimisen tarkkuudeksi halutaan vuositaso, mielellään jopa vuodenaikataso, jotta näytteistä saatavien tietojen avulla voidaan parantaa ilmastoanalyysien ja muutoksien ennustamista. Kairaussydänten loggaustekniikat ovat myös kehittyneet merellisten sedimenttien tutkimuksen myötä. (Francus 1998). Lustojen laskemisessa on käytetty erilaisia soveltuvia työkaluja. Tällainen on esimerkiksi puiden vuosirenkaiden laskemiseen tarkoitettu ohjelma DendroScan (Tiljander ja muut 2002) ja vuosirengasmikroskooppi. Lustot tai kerrokset sedimentissä tunnistetaan visuaalisesti luston värin tai harmaasävyjen eroista. Visuaaliset erot selittyvät kerrosten ainesten erilaisesta tiheydestä, raekoosta tai sedimentin koostumuksesta (Saarinen ja Petterson 2001). Puulustorengasmikroskoopilla suoritetta-

15 13 vat laskemiset ovat kuitenkin todella aikaa vievää, ja tulokset vaihtelevat tarkastelijasta riippuen (Petterson ja muut 1993). Lustojen manuaalinen laskeminen voidaan korvata kuva-analyysilla. Digitaalinen kuvaanalyysi voidaan suorittaa joko käyttämällä valomikroskoopista otettuja kuvia tai röntgenradiografisia menetelmiä (Francus 1998). Näistä menetelmistä on kirjoitettu tarkemmin luvussa Kuva-analyysimenetelmien edut Digitaaliset kuva-analyysimenelmät tarjoavat lukuisia etuja perinteisiin lustosedimenttien analyysimetodeihin verrattuna: 1) Tekniikka ei tuhoa alkuperäistä näytettä, ja on toistettavissa (Bonardi ja Tosi 1995). 2) Tekniikka on objektiivinen: jokaiselle väri/harmaasävylle saadaan tarkka digitaalinen arvo, ja arvioitsijan visuaaliset arviointikyvyn puutteet eivät pääse vääristämään mittaustulosta (Petterson ja Saarinen 2001). 3) Tekniikka on nopea, erityisesti verrattaessa osanäyteottoon (Bonardi ja Tosi 1995, Petterson ja Saarinen 2001, Francus ja muut 2004). 4) Näytteistä voidaan eristää tietoa, jonka saaminen aikaisemmin on ollut mahdotonta tai erittäin vaikeaa (Ojala 2001): a. Lustojen sisäiset kerrokset voidaan analysoida. Tämä tarkoittaa paleoklimatologisessa mielessä sitä, että näytteiden analysoinnissa päästään jopa vuodenaikojen tarkkuuteen. Perinteisillä metodeilla tämä ei ole ollut mahdollista. (Petterson ja muut 1993, Petterson ja Saarinen 2001). b. Pienestäkin näytteestä voidaan eristää raekokoon liittyviä parametreja, kuten esimerkiksi rakeen pyöristyneisyys (Bonardi ja Tosi 1995). c. Keskiarvollinen raekokomittaus digitaalisen kuva-analyysin avulla on tarkempi kuin mekaanisessa seulonnassa, jossa ainoastaan pienin raekoko on asetettu. Alustavat testit ovat osoittaneet, että raetta riittää tilastollisesti hyvin kuvaamaan raekokojakaumaa näytteessä (Bonardi ja Tosi 1995).

16 14 d. Digitaalisessa kuva-analyysissa on mahdollista tunnistaa rakeet, jotka ovat perinteisissä seulontamenetelmissä tulkittu yhdeksi ja samaksi rakeeksi. 5) Pienet näytekoot mahdollistavat hyvin ohuidenkin kerrostumien yksityiskohtaisen tutkimisen. Stratigrafista historiatietoa voidaan eristää jopa sellaisista näytteistä, jotka näyttäisivät visuaalisesti homogeeniseltä ainekselta. 6) Raekokojen määrittelyä on mahdollista muuttaa vielä myöhemminkin muuttamalla parametreja, jotka määrittelevät raekoot näytteestä. Perinteisessä seulontamenetelmässä koko seulonta jouduttaisiin toistamaan (Bonardi ja Tosi 1995). Myös uudet loggausinstrumentit mahdollistavat jatkuvan, korkearesoluutioisen ja eituhoavan fysikaalisten ominaisuuksien tallentamisen. Näitä ominaisuuksia ovat mm. sedimentin väri, tiheys, P-aaltonopeus, magneettinen suskebiliteetti ja koostumus. Näitä tekniikoita on käytetty useiden vuosien ajan merellisten sedimenttien tutkimuksessa. (Francus 1998). Digitaalinen kuva-analyysi on nopea, objektiivinen, näytettä tuhoamaton metodi, ja se mahdollistaa korkearesoluutioisten tulosten tuottamisen rutiininomaisesti ja edullisesti. Menetelmä soveltuu varsin hyvin kairasydännäytteiden dokumentointiin, lustojen laskemiseen, lustojen paksuuden mittaamiseen, sedimenttikoostumuksen analysointiin sekä raekoko- ja mineraalisisällön vaihtelevuuden tutkimiseen. (Stoermer 1996, Francus 1998, Petterson ja Saarinen 2001). Röntgentiheys- ja BSE kuvien digitaalinen kuva-analyysi ovat osoittautuneet toimiviksi metodeiksi tutkia klastis-orgaanisia sedimenttisarjoja (Ortiz ja muut 2004). BSE kuvien analysointi taas on hitaampaa, mutta tarjoaa sellaista informaatiota (esim. mineraalien raekoko), jota ei pystytä pelkillä röntgentiheysmittauksilla tutkimaan. Joissain tapauksissa myös röntgentiheysmittauksen yhdistäminen viivaskannaukseen (Dendro-Scan) on tuottanut hyviä tuloksia mitattaessa lustojen kronologiaa, paksuuksia ja rakennetta. Tekniikat osoittautuivat myös huomattavasti paremmiksi kuin perinteisesti käytetyt metodit. (Ojala 2001).

17 15 Röntgenradiografialla tuotettujen harmaasävyarvojen on huomattu korreloivan varsin hyvin sedimenttien sisältämän mineraaliaineksen suhteellisen raekoon kanssa. (Lindeberg ja Ringberg 1999, Petterson ja muut 1999). Harmaasävyarvot ovat esimerkiksi ilmastotutkimuksessa tärkeämpää dataa kuin lustojen paksuus (Petterson ja muut 1999). Myös raekokomääritykset onnistuvat välillä mm rutiininomaisesti kuva-analyysimenetelmiä käyttämällä. Nämä menetelmät ovat myös toistettavissa (Francus 1998). Myös neuraaliverkkojen käyttämistä SEM kuvien analyysin apuna on tutkittu (Bollmann ja muut 2004). Tulokset olivat lupaavia, ja neuraaliverkkojen käyttäminen analysoinnin apuna tulee lisääntymään todennäköisesti jo aivan lähitulevaisuudessa (Thomas ja muut 1998). Digitaalinen kuva-analyysi on mahdollistanut nopeamman analyysikeinon sedimenttien tutkimiseen, ja kuva-analyysia käyttämällä voidaan manuaaliset työt suorittaa lähes automaattisesti (Soreghan ja Francus 2004). Tämä on tuonut tutkijoiden käyttöön myös uusia parametreja, joita aikaisemmin ei ole voitu hyödyntää. Esimerkiksi käyttämällä värijärjestelmää harmaasävyjärjestelmän sijaan voidaan saada runsaasti lisätietoa sedimentin ulkoasusta ja koostumuksesta, erityisesti sellaisista näytteistä, jotka sisältävät bakteerien ja mineraalien aiheuttamia värivaihteluita (Petterson ja Saarinen 2001). Värijärjestelmän käyttämistä muissa soveltuvissa geologisissa tutkimuksissa on tutkinut onnistuneesti mm. Juurela (2001) sekä Nederbragt ja Thurow (2004). Lähdeaineistoon tutustuttaessa tuli selkeästi esille, että standardimetodia digitaalisten kuva-analyysimenetelmien kuvankäsittelymetodien käyttöön ei ole olemassa. Näytteenottometodien suhteen tilanne on jo melko vakiintunut. Näytteenottometodit ovat standardisoituneet, koska tavat noutaa sedimenttinäytteitä kerrostuma-altaasta ovat melko lailla samanlaisia. Sen sijaan kuva-analyysissa metodit ja tavat vaihtelevat. Jotta keskenään vertailukelpoisten kronologioiden muodostaminen olisi mahdollista, tulisi kehittää jonkinlainen standardi tai ohjenuora lustojen mittaamiseksi ja kronologioiden luomiseksi (Ojala 2001). Kuvien taltiointi ja prosessin toistettavuus tulisi olla mahdollisimman tasalaatuista koko näytesarjalle (Francus 1998).

18 Kuva-analyysin vaiheet Näytteen preparointi digitaalisen kuva-analyysin vaatimaan muotoon voidaan toteuttaa useilla eri tavoilla, mutta lupaavin kaikista tässä tutkituista menetelmistä on ollut epoksi-imeytysmenetelmän käyttäminen. Epoksi-imeytysmenetelmä on myös ainoa menetelmä, joka mahdollistaa SEM- ja BSE kuvien käyttämisen digitaalisessa kuvaanalyysissa. Epoksi-imeytysmenetelmä on melko uusi ja vähän testattu preparointitapa. Lustosedimenttinäytteet tulee ottaa sellaisista paikoista, joissa lustot ovat säilyneet mahdollisimman hyvälaatuisina ja häiriintymättöminä. Edellytys lustosedimenttien tiedon luettavuudelle on, että kerrostunut materiaali säilyy kerrostumassa häiriintymättömänä, eikä sitä ole sekoittanut kaivautuvat pieneliöt, vesivirtaukset tai sedimentissä tapahtuva kaasunmuodostus. Hapettomat ja kylmät syvänteet minimoivat veden liikkeet ja bioturbaation pitkien kesä- ja talvikausien aikana. Syvänteet ovat siis parhaita potentiaalisia näytteidenottopaikkoja. (Petterson ja muut 1993). Kerrostumasta tulisi ottaa useita rinnakkaisia näytteitä, jotta saataisiin mahdollisimman tarkka ja yhtenäinen kerrossarja (Tiljander ja muut 2002). Perinteisillä metodeilla vuosilustosedimenttejä logatessa paras hetki on yleensä heti näytteenoton jälkeen. Tällöin näytteen rakenteeseen ja laatuun ei ole ehtinyt vaikuttaa dehydraatiosta johtuva rakenteen ja värin muuttuminen. (Francus 1998). Manuaalinen näytteenkeräys yksittäisistä lustoista on aikaa vievä ja virhealtis prosessi (Petterson ja muut 1999). Näytteestä otetaan vuoden kerrostumasta kahden vierekkäisen kerroksen muodostama pari, lusto. Digitaalista kuva-analyysimenetelmää käytettäessä näytteet tulee kuitenkin analysoida laboratorio-olosuhteissa, joten yksittäisten lustojen sisäisen rakenteen (engl. subsampling) tai koko kairasydännäytteen loggaaminen näytteenottopaikalla eivät tule sellaisenaan kysymykseen johtuen näytteenottopaikkojen vaihtelevista valaisuolosuhteista. Kairasydännäyte tulee toimittaa laboratorioon suojattuna, jotta dehydraatio ei pääse pilaamaan näytettä.

19 17 Kairasydännäytteestä voitaisiin tuottaa digitaalista kuva-aineistoa myös muilla tavoilla, mutta tässä tutkimuksessa on keskitytty nimenomaan epoksi-imeytysmenetelmällä otettujen näytekuvien soveltuvuuden tutkimiseen digitaalisessa kuva-analyysissa Epoksi-imeytysmenetelmä Epoksi-imetysmenetelmän periaate on yksinkertainen. Näytepalassa oleva vesi korvataan epoksilla, jolloin näytepala kovettuu. Tämän jälkeen näytteestä sahataan ohuthie sopivalta syvyydeltä, ja näytettä voidaan tutkia erilaisilla metodeilla. Menetelmien yksityiskohdat vaihtelevat. Francus (1998) käytti tutkimuksissaan metodia, jossa näytteet otetaan kairasydännäytteestä lomittain noin 1.5 cm:n matkalla. Näytteet kerätään painamalla ohutreunainen (0.3 mm) näytelaatikko (180 mm x 25 mm x 7 mm) pehmeisiin kairaussydämiin. Näytteet jäädytetään upottamalla ne nestemäiseen typpeen (-196 C), jolloin näytteen sisältämä vesi muuttuu amorfiseen tai mikrokiteiseen muotoon. Jäätyneet näytteet suljettaan tyhjiöön vähintään 24 tunniksi veden sublimoitumisen varmistamiseksi. Lopuksi näytteet kuivataan tyhjiökaapissa ja kyllästetään matalaviskositeettisellä epoksilla (Araldite LY564/HY2954 Belgian ref.). 30 µm paksut näytteet leikataan n. 3.5 mm pintaa syvemmältä, jolloin saadaan häiriintymätön näyte sedimentistä. (Francus 1998). Ojala ja muut (2002) ovat käyttäneet tutkimuksissaan hieman erilaista metodia. Kairanäytteistä otetaan useita lomittaisia näytteitä alumiinilaatikoilla (10 mm x 13 mm x 120 mm). Palaset asetellaan haponkestäviin polyetyleeni- tai polypropyliinisiin muoviastioihin. Astioiden pohja peitetään paperilla tai puuvillakankaalla, jotta näytteiden alta tapahtuva nesteiden korvautuminen olisi mahdollista. Ensimmäisessä vaiheessa sedimenttien sisältämä vesi korvataan asetonilla. Sedimenttinäytteet peitettiin asetonilla ja suljettiin tiiviiseen astiaan. Asetoni on vaihdettava riittävän usein, tutkimuksessa asetoni vaihdettiin 7-8 kertaa 3-4 päivän aikana. Viimeisessä vaiheessa käytetty asetoni on lähes kirkasta, mikä tarkoittaa sitä, että vesi on korvautunut asetonilla onnistuneesti. Dehydraation jälkeen asetoni korvattiin epoksilla matalapaineessa ja epoksi kovetettiin uunissa. (Tiljander ja muut 2002).

20 18 Epoksi-imetysmenetelmällä tuotetuista näytteistä saadusta ohuthieistä voidaan tuottaa digitaalisia kuvia röntgenradiografisin menetelmin Digitaalikuvien tuottaminen Fyysisestä valokuvasta poiketen digitaalinen kuva on kaksiulotteinen varastomuuttuja, joka koostuu kuvapisteistä eli pikseleistä. Yksittäinen pikseli on kuva-analyysin perusyksikkö (Petterson ja Saarinen 2001). Pikselit ovat järjestyneet mosaiikkimaisesti ja pikseleistä muodostuu yhtenäinen kuva tarpeeksi kaukaa katsottaessa. Kuvan resoluutio eli erotuskyky kertoo, kuinka monta pikseliä mahtuu tuumalle. Resoluution yksikkö on DPI (engl. Dots Per Inch) (Kinnunen 1995). Kuvan tarkkuus riippuu monitorin laadun ja asetuksien lisäksi myös käytettävästä näytönohjaimesta. Jokainen yksittäinen kuvapiste sisältää binaarimuotoista dataa, joka kertoo pisteen kirkkaudesta ja värisävystä (yleensä RGB). Visuaalisessa mielessä pikselimuotoon tallentunut informaatio kuvaa esimerkiksi valon heijastumista sedimenttinäytteestä (väri- tai harmaasävyarvojen vaihtelu), tiheyttä (röntgenradiografia) tai keskimääräisen atomipainon (BSE). (Petterson ja Saarinen 2001). Yleisimmissä kuvaformaateissa käytetään 8- tai 24 bittistä koodausta. 24 bittinen koodaus tarkoittaa, että jokaista värikanavaa kohden on 8 bittiä tietoa, kun taas 8 bittisessä järjestelmässä tietoa mahtuu huomattavasti vähemmän. 24 bittisen kuvaformaatin käyttö mahdollistaa jo yli 16 miljoonan eri värisävyn esittämisen (Kinnunen 1995). Värikuvista tallennetaan yleensä 24 bittiseksi RGB:ksi (Russ 2002). Digitaalista kuvamateriaalia voidaan hankkia useiden eri laitteistojen avulla niin makrokuin mikroskooppisistakin sedimenttinäytteistä. Kuvatieto voidaan saada suoraan digitaalikamerasta (joka tallentaa sedimenttinäytteen pinnan digitaaliseen muotoon), tai skannerista (joka tallentaa sedimentin pinnasta otetun valokuvan digitaaliseen muotoon). Tutkimuksen tarkoitus määrää käytettävän metodin. (Petterson ja Saarinen 2001). Kuvamateriaali voidaan muuntaa digitaaliseen muotoon useilla eri tavoilla. Yleisimpiä keinoja ovat erilaiset skannaukset joko digikameralla, digivideokameralla, pöytä- tai filmiskannerilla tai erillisellä digitaalisella kuva-analysaattorilla. Digitaalisen kuvamateriaalin tuottamistapa tulee valita analysoitavan näytteen ja tarpeiden mukaan. Suositelta-