CC BY
17
УДК630*(100).9 Здобувач А.М. Цуняк1'2;
доц. О.Г. Часковський3' канд. с.-г наук; доц. М.М. Король3, канд. с.-г. наук
РОЗПОД1Л НАЗЕМНОГО ВКРИТТЯ СТРИЙСЬКО-СЯНСЬКО1 ВИСОЧИНИ НА ОСНОВ1 СУПУТНИКОВИХ ЗН1МК1В LANDSAT
Описано просторову структуру люових масивш Стрийсько-Сянсько'1 височини. Для цього використано чотири супутникових зшмки Landsat, як мiстять 7 спектраль-них каналiв. Пiд час дослiдження використано метод опорних векторш (Support Vector Machines англ.) як основний для класифжацп супутникових знiмкiв. Дешифрування космiчних знiмкiв проводили сучасним методом опорних вектс^в (SVM) у програмно-му середовищi ENVI. Для пiдвищення точност дешифрування даних ДЗЗ проведено перехресну перевiрку моделi штерпретаци для класифшацп кожного зшмка шдивщу-ально. Для зменшення затрат на проведення польових дослщжень використано метод ланцюгово'1 класифшацп знiмкiв, що перекриваються. На основi супутникових знiмкiв Landsat побудовано карти розподшу лiсових масивiв, обчислено 1'х достовiрнiсть та зроблено висновки щодо структури.
Ключовi слова: Стрийсько-Сянська височина, супутниковi знiмки Landsat, прос-торова структура лiсових масивш.
Вступ. Дистанцiйнi методи дослiдження надземного вкриття характеризуются високою оглядовiстю, можливктю одержання одночасно!' iнформацiï про велит територп, а також можливiстю переходу вщ дискретно!' картини зна-чень показникш стану навколишнього середовища в окремих пунктах територiï до безперервно!' картини просторового розподiлу показниюв, що е особливо ак-туальним у лковому i мисливському господарствi.
Природа Украшських Карпат представлена складною системою терито-рiальних одиниць, що створюють високопрний, середньогiрний, низькогiрний та передпрський яруси.
Ландшафти низькогiрного ярусу простягаються двома смугами всереди-нi пр та формують 1хш крайовi структури. Мiжгiрно-верховинськi ландшафти (перевищення до 400 м) пов'язаш з Головним Карпатським вододiлом (Стрийсько-Сянська, Воловецька та iншi верховини, а також Мiжгiрська, Верхньобис-трицька, Ясшська, Ворохтянська та Верховинська улоговини). Тут мiстяться ос-новнi Карпатськi перевали (Ужоцький, Верецький, Воловецький та iншi).
Методика дослвдження. Для забезпечення повного перекриття територп дослвдження було використано чотири супутникових зшмки Landsat (табл. 1). Шд час вибору знiмкiв керувались доступнктю для користувачiв, достатньою кiлькiстю яккних знiмкiв з мiнiмальною хмарнiстю, та зроблених у незначному часовому промiжку. Зшмки мiстять сш спектральних каналiв.
Попередня оброблення зображень полягала у "маскуванш" хмар на зшм-ках вручну. У разi використання рiзночасових зшмюв "вимаскуванi" дшянки на одному компенсуються iншими. Значнi поперечнi та поздовжш перекриття знiмкiв компенсують таю дшянки. Цей крок усунув помилки класифiкацiï, спричиненi хмарами.
1 Львгвський НАУ;
2 Наук. кер1вник: проф. Ю.Й. Каганяк, д-р с.-г. наук - НЛТУ Украши, м. Льв1в;
3 НЛТУ Украши, м. Льв1в
Табл. 1. Сцени Landsat, використаш для анал'пу тершпор 'й
Стовбець- Дата Стовбець- Дата Стовбець- Дата
рядок зтмання рядок зтмання рядок зтмання
186-026 30.09.2000 185-026 02.05.2000 184-026 27.05.2000
- 10.06.2000 - 22.08.2000 - 21.05.2002
- - 185-027 22.08.2000 184-027 12.06.2000
- - - 28.08.2002 - 04.07.2002
Шд час дешифрування використовували шiсть однорозмiрних каналiв однieï сцени. Через складну будову рельефу Украшських Карпат сонце створюе дшянки затшення, що ускладнюе процес дешифрування. Для виртення цього, завдання в процес розпiзнання кожного зшмку вводили додатковий канал зать нення побудований на основi цифрово!' моделi рельефу i точних даних розмь щення свиила в момент проведення знiмання. Отже, у процес опрацювання одно! дшянки ми використали 14 каналш. Це забезпечило можливiсть видiлення змши поверхнi длянок листяних i хвойних лiсiв та сiльськогосподарських угiдь.
Метод опорних векторiв (Support Vector Machines), розроблений в уш-верситетi шеш Гумбольдта, використано як основний для класифжацп супут-никових зшмюв. Зазначений метод не вимагае радiометричноï корекцп, вiн на-дiйний, вiдносно швидкий i апробований в рiзних тематичних дослiдженнях. Алгоритм реалiзувався в програмi ENVI мовою IDL. Класифiкацiя за методом опорних векторiв (МОВ) базуеться на пристосуванш розподальних лiнiйних ri-перплощин мiж двома класами в багатомiрнiй площинi ознак [1-3]. Оптимальну гiперплощину будували, максимiзуючи роздiльнiсть мiж тренувальними полями протилежних клаав. У такий спосiб використовували тшьки iнформацiю, яка характеризуе межу подшу, так званi опорнi вектори [5, 6, 10]. Для розмежу-вання класiв з нелiнiйними межами функщя перебудовуе данi у вищу розмiр-нiсть, у якiй лiнiйний подш е можливим [3]. Це дае змогу МОВ використовува-ти в рiзних модифiкацiях (а саме, нелшйна, мульти-модель), котрi потребують невелику кшьккть тренувальних точок [7, 9]. Детальний математичний аспект наведено в Бургеса [2], а опис його застосування в опрацюваннi зображень мс-титься у працях Гуанга [6] та Фоодi i Мартура [8]. Шд час дослiдження використано МОВ для створення карти наземного вкриття. Як головну використали базову радiальну функщю Гаусса [6], котра потребуе визначення параметра (у). Параметризування МОВ здшснюе контролювання регуляцiйного параметра С, що зменшуе визначення невдалих клас1в [9]. Мале значення С тяжiе до середи-ни, водночас, iгноруе викиди, проте велике значення С може перебшьшити результат. Отже, визначення найкращо! комбiнацiï змiнних С i у залежить ввд тренувальних даних i не приймаеться в апрiорi. Протестовано систематично рiзнi параметри комбiнацiï цих зм^их (у вiд 0.00001 до 100 i С ввд 0.1 до 1000) зас-тосовуючи iндивiдуальну МОВ для кожно1 пари параметрiв та проводили пе-рехресну перевiрку моделi [7, 9]. Це дало змогу використати оптимальш значення та 1х комбiнацiï для класифiкацiï для кожного зшмка iндивi дуально.
У процес розвитку попереднього методу виник метод ландюгово!' кла-сифiкацiï (Chain classification), який базуеться на перенесет дешифрованих да-
лянок з одного зшмка на 1нш1 за допомогою масиву репрезентативних дшянок кожного класу [10]. Мета цього методу забезпечення класифжацда серп сусвд-шх зшмюв, якi взаемно перекриваються. Використовуючи цю особливiсть та попереднiй метод, розроблено такий шдхвд. Спочатку класифшували перший зшмок. Наступним кроком було видшення дiлянки перекриття сумiжних зшм-кiв. У межах цiеí дшянки кожному класу присвоювалося випадковим чином не менше нiж 150 точок. Далi точки переносили на сусвдшй зшмок. Використовуючи iнформацiю, яку несуть точки, визначали спектральнi особливосп кожного класу, отриманi данi використовували для подальшо! класифiкацií. Повторю-ючи алгоритм необхщну кiлькiсть разш, можна дешифрувати зшмки на значну територда. За недостатньо! кiлькостi точок для верифжацп класш використано високо! роздшьносп супутниковi знiмки QuickBird.
Деякi дшянки було видшено в невiрний клас, у зв'язку з близькими оп-тичними характеристиками. Наприклад, кам'янi розсипи на вершинах пр штер-претовано як житловi будинки. Для усунення таких помилкових дiлянок використано цифрову карту висот. Також для невiрно класифшованих рiчок використано програмне забезпечення Definition, котре дае змогу видшяти окремi об'екти (у цьому випадку рiчки) за особливостями !х форми. Використовуючи просторовi особливосп кожного з класш, проведено перевiрку достовiрностi видшених класiв.
Результати дослвджень. На пiдставi проведеного дослiдження та мето-дичних пiдходiв за допомогою даних знiмкiв створено карту наземного вкриття для Стрийсько-Сянсько! височини (рис.).
П1д час порiвняння з даними наземних спостережень, наявними ль совими та топографiчними картами, запропонована карта е достатньо точною. Точнкть класифiкацií, визначе-на за незалежними тестовими дшян-ками, становить 83 %, що е достатнiм для карт такого масштабу [10]. На карп ввдсутш тЫ вiд хребтш, невда-ло класифiкованi рiчки i тлн. Отрима-ну карту можна використати тд час дослiджень наземного вкриття та його динамки. Вiдповiдно до проведеного аналiзу класифкацл регiону за цими зшмками, отримано такi результати: вкрита лком площа у 2000 р. становила 46 % вiд загально! плошд. Листянi, мiшанi та хвойнi т-си, вiдповiдно, 29 %, 5 % та 12 %. Землi пiд сiльськогосподарське ко-ристування покривали 43 % вiд загально! плошi (табл. 2)
Рис. Карта наземного вкриття Стрийсько-СянськоХ височини
Табл. 2. Розподгл площ наземного вкриття, визначених на основ! супутникових знтюв
Вид наземного вкриття Площа, га
га %
Хвойний лю 38098 29,3
Листяний лiс 6548 5,0
Мшаний лiс 15545 11,9
Луки 9077 7,0
Господарськi луки 54800 42,1
Води 98 0,1
Орт землi 953 0,7
Забудова 1487 0,1
Сади 4987 3,8
Разом 130254 100
Така карта дае змогу проводити ан^з наземного вкриття, а в цьому ви-падку - вкритих лковою рослиннiстю земель. Данi, OIриманi за супутниковими знiмками, е найактуальнiшими i близькими до дiйсних, оскшьки точшшими за них е тальки наземш спостереження, котрi е набагато ресурсо- i часозатратшши-ми i в останш роки не проводились.
Для отримання карт за даними супутникових зшмань необхiдно врахо-вувати властивоста зшмкш, а також територiю дослвджень. Для цього в роботi використано найсучаснiшi методи опрацювання зображень.
Такий шдхвд демонструе способи опрацювання супутникових знмкгв на значну територда дослщжень. Використання наведених методiв скорочують час на опрацювання та вивiрення знмкгв, з забезпеченням необхiдноí точностi.
Висновок. Результати проведених дослiдження свiдчать про високу ефективнкть i доцiльнiсть застосування супутникових знiмкiв Landsat для оценки просторово1 структури лiсових масивш Стрийсько-Сянсько1 височини. Для побудови карт розподшу лiсових масивiв необидно застосовувати найсучаснiшi методи опрацювання супутникових зшмюв. Такi карти лiсових масивiв е найоп-тимальнiшим джерелом отримання шформацц про просторову структуру лко-вих насаджень. Вони е iнструментом для прийняття рiшень в галузi лкового господарства та екологií. Отриманi результати можна використовувати для вирь шення низки природоохоронних завдань, а також шдвищити обгрунтовашсть управлiнських рiшень щодо невиснажливого використання бiотичних ресурсiв.
Розроблену методику може бути рекомендовано для проведення опера-тивних повномасштабних дослiджень та монiторингу стану наземних екосис-тем, а також для створення вiдповiдних iнтегрованих шформацшних систем.
Лiтература
1. Козлова А.О. Методика оцшювання та картування бюр1зномашття з використанням ба-гатоспектральних даних дистанцшного зондування Земл1 : автореф. дис. на здобуття наук. ступе-ня канд. техн. наук: спец. 05.07.12 / А.О. Козлова; НАН Украши, 1н-т геолопчних наук, Наук. центр аерокосм1ч. дослщж. земл1. - К. : Вид-во "Либщь", 2007. - 19 с.
2. Burges, C.J.C. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery. - Vol. 2. - Pp. 121-167.
3. Foody, G.M.,&Mathur, A. (2004). Arelative evaluation of multiclass image classification by support vector machines. IEEE Transactions on Geoscience and Remote Sensing. - Vol. 42. - Pp. 13351343.
4. Foody, G. M., & Mathur, A. (2004). Toward intelligent training of supervised image classifications: directing training data acquisition for SVM classification. Remote Sensing of Environment. - Vol. 93. - Pp. 107-117.
5. Foody, G.M., &Mathur, A. (2006). The use of small training sets containing mixed pixels for accurate hard image classification: training on mixed spectral responses for classification by a SVM. Remote Sensing of Environment. - Vol. 103. - Pp. 179-189.
6. Huang, C., Davis, L. S., & Townshend, J. R. G. (2002). An assessment of support vector machines for land cover classification. International Journal of Remote Sensing. - Vol. 23. - Pp. 725-749.
7. Janz, A., vander Linden, S., Waske, B.,&Hostert, P. (2007). image SVM - a user-oriented tool for advanced classification of hyperspectral data using support vector machines. In I. Reusen & J. Cools (Eds.), EARSeL SIG Imaging Spectroscopy Bruges, Belgium.
8. Pal, M., & Mather, P.M. (2005). Support vector machines for classification in remote sensing. International Journal of Remote Sensing. - Vol. 26. - Pp. 1007-1011.
9. Kuemmerle, T., Hostert, P., Radeloff, V. C., van der Linden, S., Perzanowski, K., & Kruhlov, I.
(2008). Cross-border comparison of post-socialist farmland abandonment in the Carpathians. Ecosystems. - Vol. 11. - Pp. 614-628.
10. Kuemmerle T., Chaskovskyy O., Knorn J.,. Radeloff Volker C., Kruhlov I., and Hostert P.
(2009). Forest cover change and illegal logging in the Ukrainian Carpathians in the transition period from 1988 to 2007. Remote Sensing of Environment. RSE-D-08-00683R1.
Цуняк А.Н., Часковский О.Г., Король Н.М. Распределение наземного покрова Стрыйского-Сянской возвышенности на основе спутниковых снимков Landsat
Описана пространственная структура лесных массивов Стрыйско-Сянской возвышенности. Для этого использовано четыре спутниковых снимка Landsat, которые содержат 7 спектральных каналов. При исследовании использован метод опорных векторов (Support Vector Machines) как основной для классификации спутниковых снимков. Дешифрирование космических снимков проводили современным методом опорных векторов (SVM) в программной среде ENVI. Для повышения точности дешифрования данных ДЗЗ проведено перекрестную проверку модели интерпретации для классификации каждого снимка индивидуально. Для уменьшения затрат на проведение полевых исследований использован метод цепной классификации снимков, которые перекрываются. На основе спутниковых снимков Landsat построены карты распределения лесных массивов, вычислена их достоверность и сделаны выводы относительно их структуры.
Ключевые слова: Стрыйско-Сянская возвышенность, спутниковые снимки Landsat, пространственная структура лесных массивов.
Cunjak A.M., Chaskovskyy O.G., Korol M.M. Landcover distribution of Stryj-Sjan sublimity on the basis of Landsat satellite images
Terrestrial structure of forest massif Stryj-Sjan sublimity is carried out. Four Satellite images Landsat are used. The Support Vector Machines method is used as main for the satellite image classification. For the satellite images interpretation is used SVM-Method in ENVI-software implemented. The cross validation of interpretation model of any scene is carried out for the best result of classification. Maps of forest massif distribution on the basis of satellite images Landsat are produced, the accuracy of their maps is calculated and the conclusions are made.
Keywords: Stryj-Sjan sublimity, satellite images Landsat, terrestrial structure of forest massif.
