CC BY
49
УДК 528.7: 681.325 Ю.В. Никитина СГГ А, Новосибирск
РАЗРАБОТКА МЕТОДИКИ ПОВЫШЕНИЯ ДОСТОВЕРНОСТИ АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ МНОГОЗОНАЛЬНЫХ СНИМКОВ ЛЕСНЫХ ТЕРРИТОРИЙ
Важной составной частью биосферы является лесная растительность. Однако в лесах периодически возникают пожары, вспышки массового размножения насекомых-вредителей, нередко распространяющиеся на большие площади и оказывающие влияние на продуктивность и стабильность природных комплексов. Для учёта состояния лесов, их динамики и составления прогнозов на будущее необходимо использовать материалы аэрокосмической съёмки, позволяющей выполнить большой региональный охват территорий.
В ходе проведения научных исследований разработана технология мониторинга динамики лесных экосистем, основанная на использовании материалов аэрокосмической съёмки, ГИС-технологий, методов цифровой обработки изображений, математического моделирования биологических процессов в экосистемах, представленная в работе [1].
По одному из вариантов технологии с использованием ГИС MapInfo и материалов спектрозональной аэросъёмки, выполненной
аэрофотоаппаратами АФА-41/10 и MRB-15, созданы тематические карты нарушения лесных территорий Сургутского лесхоза пожарами и состояния экосистемы района Лянторского нефтяного месторождения Сургутского района масштаба 1 : 25 000. С использованием ГИС ЕRDAS IMAGINE и многозональных космических снимков, полученных со спутника Ресурс-01 №3 (съёмочная система МСУ-Э), создана тематическая карта состояния экосистемы Сузунского бора Новосибирской области масштаба 1 : 200 000.
Наиболее трудоёмким процессом при создании экологических карт по снимкам является процесс дешифрирования лесных территорий различных типов и состояний. Для оперативного распознавания объектов и явлений на многозональных снимках требуется автоматизация процесса дешифрирования. Несмотря на относительно недавнее внедрение автоматизированного дешифрирования аэрокосмических изображений, сложилась довольно устойчивая, традиционная, методика его проведения. Путём идентификации элементов изображения и материалов полевого дешифрирования формируются обучающие выборки. C использованием методов статистического анализа производится обработка обучающей выборки и формируется её компактное описание, которое называют обучающим эталоном. Обучающие эталоны используют для классификации изображения, т.е. для принятия решения о принадлежности его элементов к тому или иному классу. Недостатки такой технологической схемы заключаются в том, что из-за особенностей формирования изображения каждый отдельно взятый снимок отличается от других, поэтому обучающие эталоны для их дешифрирования приходится создавать заново. Ошибки при
формировании эталонов приводят к ошибочным результатам классификации объектов.
Одной из задач данной работы является разработка методики автоматизированного дешифрирования многозональных космических снимков, позволяющей уменьшить трудоёмкость формирования обучающих эталонов, повысить достоверность распознавания объектов и обеспечить повторяемость результатов при обработке снимков, полученных в разных условиях. Предлагается несколько вариантов методики дешифрирования снимков.
Первый вариант методики дешифрирования основан на том, что часть объектов (опорные классы) на снимке I уверенно дешифрируются визуально на основе опыта дешифровщика (рис. 1). К таким объектам, например, относятся: реки, озёра, дороги, леса и др. Первоначально создается «образцовый» эталон с использованием результатов полевого дешифрирования, затем формируется эталон по опорным классам снимка I . Из сопоставления эталонов определяется функция зависимости параметров эталонов (Д), сформированных по разным снимкам. С помощью этой функции можно преобразовать параметры «образцового» эталона для дешифрирования других снимков. Ограничения данного варианта методики состоят в том, что ее можно использовать для классификации снимков,
Рис. 1. Методика дешифрирования, основанная на визуальном сопоставлении
опорных классов
полученных только одной съёмочной системой.
Если снимки перекрываются, то можно не выполнять визуальную идентификацию опорных классов. В этом случае вид функции пересчёта (Д) можно определить на основе анализа яркостей перекрывающихся зон снимков. Недостатком данного варианта методики является то, что она
позволяет дешифрировать снимки, полученные одной съёмочной системой и имеющие перекрытие.
Данные варианты методики значительно отличаются от традиционного, требуют гораздо меньшего объёма полевых работ и являются более производительными.
В работе также предлагается вариант методики дешифрирования многозональных снимков, исключающий необходимость создания эталонов полевыми методами (рис. 2). Сущность методики заключается в следующем. Для многих объектов местности существуют данные об их спектральных свойствах - отражательной способности, индикатрисе рассеяния и др. Данный вариант методики предполагает на основе этой информации выполнять построение модели переноса солнечного излучения на датчики съёмочной системы и расчет яркости изображения объектов в заданных зонах спектра при определённых условиях съёмки. Полученная информация рассматривается как некоторый энергетический образ объекта, который используется в качестве эталона для дешифрирования снимков. При моделировании эталон может быть представлен отдельными значениями яркостей объектов или ковариационной матрицей, характеризующей изменение яркостей объектов в разных зонах спектра. Затем выполняется преобразование энергетических параметров сформированного эталона в значения яркостей пикселей обрабатываемого снимка. Данный вариант методики позволяет проводить дешифрирование снимков, полученных различными съёмочными системами, но предполагает наличие достаточно
Рис. 2. Методика дешифрирования, основанная на моделировании эталонов по КСЯ объектов и визуальном сопоставлении опорных классов
полной базы данных о коэффициентах спектральной яркости (КСЯ) объектов.
Во всех рассмотренных вариантах методик отождествление опорных объектов на снимке I для определения функции преобразования яркостей осуществляется дешифровщиком.
В работе предлагается четвёртый вариант методики классификации, основанный на использовании для формирования эталонов базы
коэффициентов спектральной яркости объектов, но отождествление объектов эталона и снимка осуществляется автоматически. При этом выделение объектов на снимке может выполняться по алгоритмам кластеризации.
В работе проведено исследование предложенных методик повышения достоверности автоматизированного дешифрирования многозональных снимков, основанных на визуальном сопоставлении опорных классов с использованием результатов полевого обследования (рис. 1) и на моделировании эталонов по коэффициентам спектральной яркости объектов (рис. 2).
Сначала проводились исследования по определению характера изменения яркостей элементов изображения объектов одних и тех же классов на трёх разновременных многозональных космических снимках, полученных в летний период съёмочной системой МСУ-Э со спутника Ресурс-О1 №3 на территорию Сузунского бора Новосибирской области.
Для этого на исходных снимках были созданы 8 эталонов: «Сосна», «Река», «Озеро», «Гарь», «Болото 1», «Болото 2», «Кустарник» и «Сельхозугодия». Затем значения яркостей соответствующих эталонов были сопоставлены между собой с помощью электронной таблицы Ехсе1. Сопоставление производилось для каждой пары снимков и каждого канала съемочной системы отдельно, в результате чего выявлен линейный характер зависимости между яркостями элементов изображения разных снимков. В соответствии с параметрами выявленной функции проведено преобразование эталонов одних снимков для дешифрирования других и их классификация в ГИС ERDAS IMAGINE.
Для моделирования процесса формирования изображения конкретной съёмочной системой в разных ландшафтных зонах разработана программа «Spectr». В программе с учётом особенностей съёмочной системы, условий съёмки и КСЯ тестируемых классов объектов рассчитываются отклики от датчиков съёмочной системы по каждому из каналов, образуя наборы измерений в пространстве признаков. В работе исследована возможность использования информации о КСЯ объектов и программы «Spectr» для формирования эталонов для дешифрирования снимков. Для описания классов создана база данных спектральных коэффициентов яркости более 400 объектов. Эталоны для дешифрирования сформированы на основе откликов от датчиков съёмочных систем, рассчитанных по КСЯ моделируемых классов.
На основе проведённых экспериментов, в результате которых выявлен линейный характер зависимости между яркостями элементов изображения на разных снимках, сделано предположение, что функция зависимости между эталонами из программы «Spectr» и эталонами на реальных космических сканерных снимках является также линейной вида y=ax+b. Для проверки соответствия эталонов функциональная зависимость была подобрана в интерактивном режиме с использованием большого числа объектов, изображённых на снимке и сформированных по КСЯ. Вначале графически, для каждой пары каналов в отдельности, отображались смоделированные по КСЯ яркости объектов с учётом коэффициентов преобразования и яркостные
характеристики этих же объектов на снимке. Затем производился более точный подбор коэффициентов функции перехода путём совмещения графических образов объектов, смоделированных на основе КСЯ и изображённых на снимке. Относительные расхождения между яркостями соответствующих объектов со снимка и смоделированными по базе КСЯ составили от 10 до 20%, что свидетельствует о работоспособности разработанной методики дешифрирования снимков.
В ходе экспериментов также исследовалось влияние атмосферы на формирование эталонов по КСЯ объектов. В качестве модели атмосферы использовалась однослойная двухпараметрическая модель, рассмотренная в работе Шифрина, Минина [2]. Данная модель атмосферы не учитывает отличие спектра солнечного излучения от излучения абсолютно чёрного тела и поглощение излучения компонентами атмосферы (водяным паром, углекислым газом, озоном). Основным допущением, сделанным в ходе экспериментов, является предположение о постоянстве атмосферных условий при формировании всего изображения (яркость дымки, коэффициент пропускания атмосферы, угол визирования). Относительные расхождения между смоделированными яркостями эталонов, рассчитанными для различных типов атмосферы и без учета влияния атмосферы, составили не более 1 %.
По результатам проведённых экспериментов можно сделать следующие выводы:
1. Спектральные характеристики однотипных объектов на различных снимках, полученных съемочной системой МСУ-Э, не идентичны, но при этом сохраняется четкая линейная зависимость между яркостями этих объектов, что позволяет использовать эталоны, созданные по одному снимку, для дешифрирования других;
2. При формировании эталонов для дешифрирования снимков МСУ-Э можно не учитывать влияние атмосферы, описываемой моделью [2], так как функциональная зависимость вида у = ах + Ь компенсирует систематическое влияние атмосферной дымки (коэффициентом Ь) и ослабление средней величины лучистого потока атмосферой (коэффициентом а). Модель атмосферы должна предполагать изменение спектра солнечного и отражённого земной поверхностью излучения, особенно в зонах поглощения. В данных исследованиях оно не учитывалось, так как выполнялось дешифрирование изображений, сформированных съёмочной системой МСУ-Э, работающей в оптическом диапазоне, а зоны поглощения излучения находятся преимущественно в инфракрасной области спектра;
3. Разработанная методика создания эталонов для дешифрирования, основанная на моделировании процесса формирования изображения по коэффициентам спектральной яркости объектов, позволяет повысить достоверность дешифрирования многозональных космических снимков при отсутствии данных наземного обследования.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Никитина Ю.В. Разработка и исследование технологии изучения динамики лесных экосистем [Текст] / Ю.В. Никитина // Вестник Сибирской государственной геодезической академии / СГГА. - Вып. 6. - Новосибирск, 2001. - С. 101-111.
2. Шифрин К.С. К теории негоризонтальной видимости [Текст] / К.С. Шифрин, И.Н. Минин // Тр. Гл. геофиз. обсерватории им. А.И. Войекова. - Л.: Гидрометеоиздат, 1957. - Вып. 68. - С. 5 - 75.
© Ю.В. Никитина, 2005
