CC BY
24Ученые записки Таврического национального университета имени В.И.Вернадского Серия «География». Том 26 (65). 2013 г. № 1, С. 187-195.
УДК 528.8
ДЕШИФРУВАННЯ I КАРТОГРАФУВАННЯ ПО КОСМ1ЧНИМ ЗН1МКАХ
ЗЕМЕЛЬ С/Г ПРИЗНАЧЕННЯ
Шумейко В. О.
1нститут телекомушкацш i глобального тформацшного простору НАН Украти, м. Кшв, Украта
E-mail: [email protected]
Визначено основш дешифрувальш ознаки земель сшьськогосподарського (с/г) призначення. Проаналiзовано юнукге методи дешифрування земель с/г призначення та вибрано самий оптимальний. Визначено основш етапи при ix картографуванш i переваги створення бази геоданих (БГД). Ключовi слова: дешифрування, картографування, даш ДЗЗ, землi с/г призначення, база геоданих, класифкащя.
ВСТУП
Вс об'екти, яю знаходяться на поверхш земл1 мають певш властивосп, за якими вони можуть бути щентифшоваш (дешифрування косм1чних зшмюв) та штерпретоваш (картографування з доповненням описовою шформащею). Отже для щентифшацп на косм1чних зшмках земель с/г призначення необхщно визначити ix дешифрувальш ознаки.
ВИКЛАДЕННЯ ОСНОВНОГО МАТЕР1АЛУ 1. ДЕШИФРУВАННЯ ЗЕМЕЛЬ С/Г ПРИЗНАЧЕННЯ
Основну частину земель с/г призначення становлять сшьськогосподарсью упддя:
- ршля;
- багатор1чн1 насадження;
- сшожап; пасовища;
- перелоги.
Для дешифрування i картографування на коашчних зшмках земель с/г призначення спочатку необхвдно провести ix класифiкацiю та визначити основш дешифрувальш ознаки.
Дешифрувальш ознаки - це характерш особливост об'екпв, за якими !х вдасться розпiзнати, видiлити серед iншиx i iнтерпретувати. 1х подiляють на прямi i непрямi.
Властивостi об'eктiв, що знаходять безпосередне вiдображення на зшмках, прийнято називати прямими дешифрувальними ознаками. До них вщносяться три групи ознак:
- геометричш (форма, тiнь, розмiр),
- яскравост (фототон, рiвень яскравостi, колiр, спектральний образ),
- структурш (текстура, структура, малюнок зображення).
Прямi дешифрувальнi ознаки дозволяють розпiзнати об'екти, якi зображенi на знiмку, проте за ними не завжди вдаеться визначити 1х властивостi, тобто штерпретувати 1х, а також картографувати об'екти, яю не вiдобразилися на зшмках, вивчати процеси та явища. Для цього використовуються непрямi дешифрувальнi ознаки, методолопчною основою застосування яких служить наявшсть взаемозв'язкiв i взаемозумовленостi вшх природних i антропогенних властивостей територп. В якостi непрямих ознак зазвичай виступають прямi дешифрувальнi ознаки шших об'ектiв - iндикаторiв. Серед них видшяють:
- iндикатори об'ектiв, як не вiдобразились на знiмках;
- шдикатори властивостей об'ектiв;
- шдикатори руху або змш [1].
Для дешифрування земель с/г призначення застосовуються наступнi прямi ознаки:
- Розм1р та форма об'екту на зтмку (один iз найважливших об'ектiв даного виду дешифрування - межi земель с/г призначення, яю вiдрiзняються високим контрастом).
- Тон зображення об 'ектгв (залежить не тшьки вiд властивостей самого об'екту, але й вщ його осв^леноси, пори року i умов фотографiчноl обробки). На чорно-бiлих зшмках тон зображення визначаеться 1х вщбивною здатнiстю, яка залежить вiд мшералопчного, органiчного складу rрунтiв та рослинносп, яка проростае на них. Гумусовi речовини i окиси залiза зменшують загальну яскравiсть грунтiв, а карбонати i хлориди пiдвищують 11. Саме тому чорноземи, як вiдрiзняються великим вмютом гумусу, вiдображаються на зшмках темними тонами. Тон земель с/г призначення також може змшюватися вщ виду с/г культури, яка проростае на них та 11 фази розвитку.
- Кол1р об'ектгв (зображення об'екпв у природних або штучних кольорах дае бшьш широкi можливост для дешифрування, нiж чорно-бiле зображення).
Зображення земель с/г призначення мае рiзко виражений геометричний вигляд контурiв, рiзнотоннiсть та часто специфiчний смугасто-лшшний рисунок, який вiдображае наслiдки обробки груш!в чи посадки рослин (рис. 1).
Рис. 1. Приклади земель с/г призначення на космiчних зшмках.
Непрямi ознаки (шдикатори) характеризують об'ект дешифрування через який-небудь компонент природного комплексу чи певш поеднання. Серед не прямих ознак велике значення мають геоморфолопчш, до яких вiдносять типи, форма i частини форм рельефу, а також рiзнi морфологiчнi i морфометричш характеристики. Геоморфологiчнi iндикатори дозволяють судити про будову i склад вщкладень, властивостях порiд, глибинi залягання грунтових вод, прояву сучасних геологiчних процешв i мають велике значення для дешифрування проявiв рiзних геологiчних процешв: карсту, зсувiв, заболочування.
Друге мюце належить рослинностi, яка тiсно пов'язана, з одно! сторони з ктматом, а з друго! сторони, з грунтами.
Пюля визначення об'ектiв дешифрування та !х ознак, необхiдно розглянути основнi методи дешифрування та картографування земель с/г призначення за даними ДЗЗ та вибрати оптимальний.
Процес виявлення i розпiзнавання виявлених об'екпв називаеться дешифруванням зображень. Будь-яке географiчне дешифрування знiмкiв -топографiчне або тематичне - включае в себе операцп розпiзнавання об'ектiв i фшсацл на знiмках !х положення або меж поширення.
Основнi методи дешифрування даних ДЗЗ представлеш на рис. 2.
Рис. 2. Методи дешифрування даних ДЗЗ.
1. Вiзуальнi методи застосовуються при ручному аналiзi зшмюв. Основним iнструментом проведення вiзуального дешифрування являються знання та шту!щя дешифрувальника, спроможнiсть знаходити схожiсть чи вщмшшсть мiж даним образом i образами, яю зберiгаються в пам'ятi бшьш чи менш частiше, що зустрiчалися в минулому досвiдi.
2. Машинно^зуальний. В даному методi, знiмки, яю пiдлягають дешифруванню, попередньо пiддаються машиннш обробцi з цiллю !х вiзуального аналiзу.
3. Для здшснення автоматизованого дешифрування необхщне створення тематичних класифiкаторiв. Процедура навчання класифiкаторiв мае на yBa3i одночасне створення бази знань i бази даних. Класифшатор може бути навчений виходячи з апрюрно вiдомих значень, яю вiдповiдають певному типу с/г земель чи створення навчаемих вибiрок безпосередньо на зшмку.
4. Автоматичний. Вс автоматичнi пристро! для розпiзнавання зображення при перегщщ всього знiмкy можливо роздшити на двi групи: пристро!, яю розпiзнають зображення за певними заздалегiдь пiдiбраними ознаками (працюють за жорсткою програмою), i пристро!, яю самi виробляють оптимальнi ознаки i використовують ix для розпiзнавання зображень.
Так як оптичш властивостi ландшафту постшно змiнюються, створення yнiверсального каталогу дешифрувальних ознак для автоматизованого дешифрування представляеться не пiдйомною задачею. При вiзyальномy дешифрyваннi такими каталогами служать таблищ дешифрувальних ознак (при використанш прямих ознак) i ландшафтно-iндикацiйнi таблищ (при використанш не прямих ознак) [3].
Найбшьш поширеним видом дешифрування являеться класифiкацiя. Класифiкацiя - це комп'ютерне дешифрування знiмкiв чи процес автоматизованого подiлy всix пiкселiв зшмка на групи (класи), якi вщповщають рiзним об'ектам.
Автоматичною класифiкацiею називають процес розбиття пiкселiв неперервного растрового зображення на категорп на основi спектральних значень, в результат чого кожному пiкселю присвоюеться нове значення.
Рис. 3. Основш методи автоматично! класифшацп.
На даний час юнують два пiдходи у реалiзащi автоматично! класифiкацii: керована класифiкацiя (класифшащя „з навчанням") та некерована (класифшащя „без навчання", кластеризацiя). На основi цих пiдходiв створено багато методiв, основнi з яких показанi на рис. 3.
Класифшащя за методом мшмально! вiдстанi полягае в розрахунку евклщово! вiдстанi значень вiдбиття шксела до середнього спектрального значення кожного сигнатури. Пiксель призначаеться до класу, вщстань до котрого е найменшою.
Класифiкацiя за методом максимально! Bipor^Hoeri (рис. 4) вважасться однieю з оптимальних, oскiльки базуеться на ймoвipнiсних принципах. Диспеpсiя значень вщбиття в еталонному пoлiгoнi описуеться функцiею ймoвipнoстi щiльнoстi, яка базуеться на статистищ Байеса. [2]
Рис. 4. Приклад керовано! автоматично! класифшацп (з лiва на право -кoсмiчний знiмoк, методом мiнiмальнo!' вщсташ, методом максимально! вipoгiднoстi).
Алгоритми не керовано! класифшаци (рис. 5) (!х часто називають алгоритмами кластеризацп) застосовують за вiдсутнoстi апpiopнo! iнфopмацi! про об'ект зйомки.
Кластерний аналiз дозволяе видшяти контури з неконтрастною по спектральнш яскpавoстi структурою, наприклад рослиншсть, вiдкpитi грунти, воду, хмари та iншi об'екти. З використанням алгоршмв кластеризацп виконуеться автоматичне poздiлення зображення на групи пiкселiв, пoдiбних за спектральним характеристикам (кластери). Цi алгоритми потребують мiнiмум початково! iнфopмацi! (число клашв, кiлькiсть iтеpацiй). [4]
Метод K-means е пoдiбним до методу ISODATA. Головна вщмшшсть алгopитмiв ISODATA i K-means полягае в тому, що на стади iнiцiалiзацi! алгоритму ISODATA вщбуваеться poзпoдiл пiкселiв, тoдi як для алгоритму K-means вщбуваеться poзпoдiл значень математичних oчiкувань.
Рис. 5. Приклад не керовано! автоматично! класифшаци (з лiва на право -кoсмiчний знiмoк, методом ISODATA, методом K-means).
Пюля пopiвняння юнуючих метoдiв для видiлення та класифшацп земель с/г призначення найбiльш шдходить - класифiкацiя за методом максимально! вipoгiднoстi.
2. КАРТОГРАФУВАННЯ ЗЕМЕЛЬ С/Г ПРИЗНАЧЕННЯ
Наступним етапом автоматизовано! обробки е картографування земель -створення цифрових карт (векторизащя з внесенням атрибутивно! (описово!) iнформацiï).
Космiчнi знiмки представляють цiнний матерiал для створення карт с/г земель та ïx класифiкацiï. Данi ДЗЗ дають об'ективну характеристику природних особливостей територiï, яка дослщжуеться, забезпечують високу точнiсть i детальшсть зображення грунтового покриву.
Створення карт земель с/г призначення за даними ДЗЗ вщбуваеться в три етапи (рис. 6).
Рис. 6. Алгоритм картографування земель с/г призначення.
На попередньому камеральному еташ виконуеться дешифрування зшмюв -попередне дiагностичне визначення земель с/г призначення та ïx класифшащя, яке потм вибiрково перевiряеться в полi. Результати контурного дешифрування i попередньоï прогностичноï класифiкацiï по зшмках переносяться на топографiчнy основу чи фотоплан. В результат цього етапу створюеться карта попереднього дешифрування, яка використовуеться для складання плану польового дослщження -визначення найбшьш рацюнальних маршрyтiв мiсць вибору "дешифрувальних ключiв".
На етапi польових робгг на ключових дiлянкаx прогностично визначеш грунти i типовi структури грунтового покриву, визначаються грунтовими розрiзами. Пюля закладання ключiв виконуеться картографування маршрутним методом. Маршрутно-ключовий метод основуеться на знанш де шифрувальних ознак, що дозволяе yспiшно дешифрувати грунтовий покрив мiж маршрутами, використовуючи принцип географiчниx аналогiй. Результатом польових робiт являеться польовий оригшал грyнтовоï карти з легендою i зразками дешифрування.
3. СТВОРЕННЯ БГД ЗЕМЕЛЬ С/Г ПРИЗНАЧЕННЯ
В пюля польовий камеральний перюд матерiали грунтового знiмання i результати грунтового дешифрування оформляються в кшцевому виглядi -створюеться БГД земель с/г призначення (рис. 7). Пюля аналiтичноï обробки грунтових зразкiв БГД доповнюеться новою iнформацiею.
Рис. 7. Приклад БГД
Омшь Район Сею [о» Лв 1 12,5 Нш[|1 Наннп Пии г И1 Р1! ш РШС и ИМ 1 1 С« Я
Льшма 6рО|П11 Ясетсьи 11«! 84,4 1 3 112 3 23 1, 45, 4 45
Льшсыа 5рорси Ястсш ! 13,1 33/ 3 3 1/2 3 31 45, 4 23
Лмкыа 5рорси ЯСИСШ I • № 23,1 13 15! 3 2? 4/, 5 45
Льшма брорси Ясетсьи 1 58,1 11«! 84,4 3 3 112 3 23 45, 4 45
Лмкыа брорси ЯСИСШ ! 33/ 3 3 1/2 3 31 45, 4 23
Лмкыа брорси ЯСИСШ I 11,3 1)| • № 23,1 13 15! 3 2? 4/, 5 45
Льшсма броршй Ясетсьи 11 11«! 23,2 3 3 112 3 31 43, 2 !2
Лмсыа броршй Ясмсьи 1« Ч 3!( 43,3 3 153 3 31 47, 2 35
Лмкыа брорси ЯСИСШ 1! 1)| 3/5 3 3 1/2 3 31 43, 2 !3
Льшма броршй Ясетсьи 21 ¡1,3 11«! «[ !,! 3 111 3 31 47, 1 71
Лмсыа ЬрОрШ! Ясмсьи 24 12,6 Ч 12/ 3 3 1/2 3 32 45, 3 !4
Лмкыа ЬрорШ! Ясенвсыа ¡5 45,2 11. 5 3 3 1/2 3 31 45, 3 34
с/г призначення.
БГД земель с/г призначення дозволить:
1. Забезпечити ушфжоване сховище даних. Даш можуть збер^атися на сервер^ що дозволяе всiм користувачам звертатися до них (прюритети доступу може задати адмшютратор), а також локально на вашому комп,ютерi. При цьому, локальна БГД збереже всю структуру даних i успадкуе правила i властивостi вЫх об,ектiв, заданi в БГД на сервер^
2. Органiзувати процес редагування i введення ново!" iнформацii. При моделюванш БГД користувач може ввести правила, як в подальшому дозволять уникнути багатьох помилок i неточностей, а спещальш iнструменти перевiрки коректност введення даних дозволять виявити помилки, допущеш ранiше.
3. Забезпечити роботу з штелектуальними об'ектами. Користувач працюе не просто iз звичайними точками, л^ми i полiгонами, iнформацiя про яких збер^аеться в таблицях. У БГД користувач може оперувати такими поняттями, як об'екти реального св^у, встановлювати i налаштовувати властивостi i взаемини об,ектiв.
4. Визначення через тополопчш зв'язки не тiльки властивостей об'еклв, але "х взаемозв'язок мiж собою. Зв'язки об,ектiв, як звичайш так i просторовi, дозволяють вам, наприклад, дiзнатися, що станеться з просторовими об'ектами, якщо перемiстити пов'язаний з ними просторовий об'ект, i як змшиться змiст об'екта (атрибутивна шформащя), якщо змiнити характеристики пов'язаного з ним шшого об'екта.
5. Збер^ати дуже великi об'еми даних. Наприклад листи картосхем можливо збер^ати не поаркушно, як у випадку моделi даних покриттiв, де ращонально кожен аркуш картосхеми записувати в окреме покриття, а у виглядi загального тематичного шару, зшитого з багатьох аркушiв.
6. Забезпечити не тшьки швидкий доступ i ефективну роботу, а й збереження з и допомогою даних. Можливо також задавати правила i вiдносини всередиш сховища i отримати ряд шших корисних можливостей, що дозволяють бшьш продуктивно взаемодiяти з даними i представити iнформацiю як об'екти реального св^у [6].
ВИСНОВКИ
Методи ДЗЗ i3 космосу не можуть цшком замшити контакты методи спостережень навколишнього середовища. Найбiльш ефективне !х комплексне використання, при якому результати вимiрiв контактними методами використовуються для оцшок точностi вимiрiв дистанцiйними та наповнення БГД додатковою iнформацieю.
Список лгтератури
1. Виноградов Б.В. Космические методы землеведения. / Б.В. Виноградов, К.Я. Кондратьев - Л.: Гидрометеоиздат, 1971 - 190 с.
2. Гарбук С.В. Космические системы дистанционного зондирования Земли. / С.В. Гарбук, В.Е. Гершензон - М.: Изд. А и Б, 1997. - 296 с.
3. Книжников Ю.Ф. Аэрокосмические методы географических исследований. / Ю.Ф. Книжников, В.И. Кравцова, О.В. Тутубалина - М.: Академия, 2004. - 336 с.
4. Кондратьев К.Я. Спектральная отражательная способность и распознавание растительности. / К.Я. Кондратьев, П.П. Федченко - Л. Гидрометеоиздат, 1982. - 216 с.
Шумейко В.О. Дешифрирование и картографирование по космическим снимкам земель с/х назначения / Шумейко В.О. // Ученые записки Таврического национального университета имени В.И. Вернадского. Серия: География. - 2013. - Т. 26 (65). - № 1- С. 187-195.
Определены основные дешифровочные признаки земель сельскохозяйственного (с/х) назначения. Проанализированы существующие методы дешифрирования земель с/х назначения и выбран самый оптимальный. Определены основные этапы при их картографировании и преимущества создания базы геоданных (БГД).
Ключевые слова: дешифровка, картографирование, данные ДЗЗ, земли с/х назначения, база геоданных, классификация.
INTERPRETATION AND MAPPING BY SATELLITE IMAGES AGRICULTURAL LAND Shumeyko V. О.
Institute of Telecommunications and Global Information Space of NAS of Ukraine E-mail: [email protected]
All items that are on the ground have certain properties by which they can be identified (interpretation of satellite images) and interpreted (mapping with the addition of descriptive information). So for the identification of satellite images of agricultural land was identified descramble their signs.
To decrypt the agricultural land, the following direct signs:
- The size and shape of the object in the picture (one of the most important objects of this type decoding - the boundaries of agricultural land which are of high contrast).
- Tone image objects (not only depends on the properties of the object itself, but also from its light, seasons and photographic processing conditions). In black-and-white photographs tone of the picture is determined by their reflectivity, which depends on the mineralogical and organic composition of soil and vegetation that grows on them. Humus
substances and iron oxides reduce the overall brightness of soils, carbonates and chlorides increase it. Therefore, soils that are different high content of humus are shown in the pictures darker tones. Tone of agricultural land can also change the type of agricultural culture that grows on them and its development phases.
- Color objects (images of objects in natural or artificial colors gives more opportunities to decrypt than black and white).
Once the decryption objects and their attributes were considered the main methods of decoding and mapping of agricultural land according to remote sensing and selected the best - automated.
Automated classification - the process of partitioning a continuous pixel bitmap into categories based on their spectral values, resulting each pixel is assigned a new value.
The next step is the automated process of mapping land - digital maps (digitizing making the attribute (descriptive) information). Making maps with agricultural land according to remote sensing occurs in three stages: pre-office, field, end-office.
In the period after the field-office removal of soil materials and results of the decipherment of the soil are made in the final form - created geodatabase agricultural land.
This technology has been tested on the example of Lviv region and determined that the methods of remote sensing from space can not completely replace the contact methods for observing environment. The most effective use of their complex, in which the results of measurements of the contact methods used for estimation of accuracy of measurements and remote content geodatabase more information.
Keywords: decoding, mapping, remote sensing data, agricultural land, geodatabase, classification.
References
1. Vinogradov B. V. and Kondrat'ev K. Ya., Space Methods in Geography. Gidrometeoizdat, Leningrad, 1971, 190.
2. Garbuk P.V., Gershenzon V.E. Space systems for remote sensing. M.: Volumes A and B, 1997, 296.
3. Knizhnikov Yu.F., Kravtsova V.I. and Tutubalina O.V., Aerospace Methods in Geographical Research, Moscow: Akademiya, 2004, 336.
4. Kondratyev K.Ya., Fedchenko P.P. Spectral reflectance and recognition of vegetation. Leningrad: Nauka, 1987, 216.
nocmynuna e peda^uw 15.04.2013
