CC BY
95
proximately 200 billion EURO. Of course, with more detailed numerical background information, it would be possible to derive a more exact profitability estimate. Now, the next important step is to make sure that concrete negotiations between the involved parties are initiated and that the real solution comes true.
References
1. Lohmander, P., Strategic options for the forest sector in Russia with focus on economic optimization, energy and sustainability, (Full paper in English with short translation to Russian), ICFFI News, Vol. 1, Number 10, March 2009, http://www.Lohmander. com/RuMa09/RuMa09.htm International seminar, ECONOMICS OF FORESTRY AND FOREST SECTOR: ACTUAL PROBLEMS AND TRENDS, St Petersburg, Russia, March 2009, http://www. lohmander.com/RuMa09/ProgramRuMa09.pdf
2. Lohmander, P., Strategiska mojligheter for skogssektorn i Ryssland, Nordisk Papper och Massa, Nr 2, 2009, http: //www.Lohmander. c o m/PL_NPM_2_2009.pdf http://www.Lohmander.com/PL_RuSwe_09.pdf , http://www.Lohmander.com/PL_RuSwe_09.doc
3. Lohmander, P, Rational and sustainable international policy for the forest sector - with consideration of energy, global warming, risk, and regional development, 2009-08-05, http://www.lohmander.com/ip090805.pdf
4. Lohmander, P, Strategiska mojligheter for skogssektorn i Ryssland, SkogsSverige 2009-08-10, http://www.skogssverige.se/nyheter/nyhetsdokument/ PL_NPM_2_2009.pdf
5. Lohmander, P., Strategic options for the forest sector in Canada with focus on economic optimization, energy and sustainability - Motives for integration in a global project, Presentation at the Canadian Embassy in Stockholm, Sweden, Monday 2009-08-17, http:// www.lohmander.com/CanEmbPL090817.ppt, ttp:// www.lohmander.com/CanEmbPL090817.pdf
6. Lohmander, P., Rational and sustainable international policy for the forest sector with consideration of energy, global warming, risk and regional development, Chilean Embassy (Vinnova) in Stockholm, 2009-1007, http://www.lohmander.com/IntPres091007.ppt
7. Lohmander, P., Derivation of the Economically Optimal Joint Strategy for Development of the Bioenergy and Forest Products Industries, European Biomass and Bioenergy Forum, MarcusEvans, London, UK, 8-9 June, 2009, http://www.lohmander. com/London09/London_Lohmander_09.ppt & http:// www.lohmander.com/London09.pdf
8. Lohmander, P., Optimum Combination of Biomass Production with Investments in Infrastructure, Abstracts, European Biomass and Bioenergy Forum, September 13-15, 2010 http://www.lohmander.com/ EBBF_2010_Lohmander.ppt http://www.lohmander. com/EBB_2010.pdf
9. Lohmander, P, Zazykina, L., Rational and sustainable utilization of forest resources with consideration of recreation and tourism, bioenergy, the global warming problem, paper pulp and timber production: A mathematical approach, Proceedings of the II international workshop on Ecological tourism, Trends and perspectives on development in the global world, Saint Petersburg Forest Technical Academy, April 15-16, 2010 http://www.Lohmander.com/SPb201004/Lohmander_ Zazykina_SPbFTA_2010.pdf http://www.Lohmander. com/SPb201004/Lohmander_Zazykina_SPbFTA_ 2010.doc http://www.Lohmander.com/SPb201004/ PPT_Lohmander_Zazykina_SPbFTA_2010.ppt http:// www.Lohmander.com/SPb201004/PPT_Lohmander_ Zazykina_SPbFTA_2010.pdf
10. Lohmander, P., “Methodology for optimization of
coordinated forestry, bioenergy and infrastructure investments with focus on Russian Federation”, Forests of Eurasia, Moscow, 2010, Complete power point presentation with all derivations and graphs: http://www.lohmander.com/Moscow_2010/
Lohmander_Moscow_2010.ppt
ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ ЛЕСНОГО ПОКРОВА:
инновационный подход
В.В. КОЗОДЕРОВ, заведующий сектором космического землеведения МГУ им. М.ВЛомоносова, д-р физ.-мат. наук,
Е.В. ДМИТРИЕВ, с. н. с. Института вычислительной математики РАН, канд. физ.-мат. наук
В условиях постоянного увеличения пространственного и спектрального разрешения аэрокосмических изображений, уточнения координатной привязки и составления ортофотомозаик выбранной территории дан-
[email protected]; [email protected]
ные дистанционного зондирования начинают играть инфраструктурную роль. В сети Интернет можно найти самые разнообразные данные космического зондирования, доступность которых способствует замещению тра-
ЛЕСНОЙ ВЕСТНИК 1/2012
19
диционных картографических материалов данными космической съемки. Инфраструктура пространственных данных (ИПД), как составная часть «электронного правительства», в кадастровых, геоинформационных и других системах имеет непосредственное отношение к оказанию услуг в сфере земельно-имущественных отношений, строительства, где велика роль бизнеса. При этом пакеты прикладных программ обработки данных аэрокосмического зондирования (ERDAS, ENVI и др.), поставляемые зарубежными фирмами, содержат лишь некоторые стандартные процедуры классификации объектов по их аэрокосмическим изображениям.
Конкуренция разработчиков космических систем с пространственным разрешением менее 1 метра, но с малым числом спектральных каналов, приводит к особой востребованности информационной продукции обработки данных именно такого разрешения со стороны пользователей для целей ИПД. Однако наиболее доступными являются данные систем многоспектрального зондирования (число каналов обычно не превышает десяти) с пространственным разрешением в десятки и сотни метров. Возможности космических систем гиперспектрального зондирования (сотни спектральных каналов) до конца не ясны, как и создание вычислительных сред для развития возникающих новых приложений. Традиционные приложения развиваются в форме создания географических информационных систем (ГИС), интегрирующих базы данных различного назначения. В России основной акцент в ГИС сделан на среду ESRI (Environmental Systems Research Institute), программная составляющая которой невелика по сравнению с вкладом специалистов в области географии, геодезии, картографии и смежных наук. В то же время хорошо известна среда Matlab, в которой сосредоточены основные приложения методов вычислительной математики. При обработке данных гиперспектрального зондирования, когда требуется оптимизация числа спектральных каналов в заданной предметной области, возрастает роль этой среды как связующего звена между традиционными подходами и новыми приложениями [1].
Данные гиперспектрального аэрокосмического зондирования позволяют использовать тонкую структуру регистрируемых спектров для повышения информационного содержания обрабатываемых изображений. Имея спектральное разрешение в единицы нанометра, эти данные содержат информацию о линиях и полосах поглощения излучения в указанной области спектра различными соединениями атмосферы и земной поверхности. Вместе с тем, большое число спектральных каналов усложняет проблему классификации природно-техногенных объектов по данным гиперспектрального зондирования, так как данные этих каналов могут быть зависимы (или даже линейно зависимы). Следствие взаимной зависимости каналов - неустойчивость решаемых систем алгебраических уравнений, относящихся к разным каналам и обучающим пикселам, которые характеризуют выбранные классы объектов. Возникает необходимость обоснования оптимального числа каналов, способствующих решению задачи распознавания указанных объектов с заданной точностью. Требуется выделить определенный набор этих объектов на обрабатываемом гиперспектральном изображении путем представления всего множества измерительных данных в виде, удобном для визуализации пространственного распределения зарегистрированных пикселей, провести оконтуривание выделенных объектов с расчетом средних спектров и их изменчивости в пределах этих контуров и осуществить обучение используемого классификатора по соответствующей тестовой выборке. Итогом реализации перечисленных этапов обработки гиперкубов данных (две пространственные координаты и длина волны) является распознавание выделенных классов природнотехногенных объектов путем экстраполяции обучающих данных на все пиксели обрабатываемого гиперспектрального изображения.
В работах [2-5] показаны примеры обработки данных аэрокосмического зондирования с использованием оригинального программного обеспечения, основанного на новейших разработках в области вычислительной математики с учетом новой поста-
20
ЛЕСНОЙ ВЕСТНИК 1/2012
новки задачи по решению прямой задачи формирования интенсивности уходящего излучения и обратной задачи восстановления параметров, характеризующих состояние наблюдаемых объектов. Результаты основаны на приложениях унифицированного программного обеспечения по распознаванию образов многоспектральных и гиперспектральных изображений и оценке параметров состояния объектов для каждого элемента обрабатываемых изображений.
В работе [2] рассматриваются новые подходы к восстановлению объема фитомассы и других параметров состояния растительности (породный состав лесных насаждений, тип межкроновой растительности и др.) по данным многоспектрального космического зондирования. Продемонстрированы примеры получения новой информационной продукции при обработке изображений аппаратуры MODIS/Moderate-Resolution Imaging Spectroradiometer («Видеоспектрорадиометр среднего разрешения») спутника Terra среднего пространственного разрешения при использовании абсолютных энергетических характеристик данной измерительной системы и результатов моделирования полей уходящего излучения. В работе [3] продемонстрированы технологические аспекты решения соответствующих прикладных задач по многоспектральным космическим изображениям высокого пространственного разрешения. Использовались данные аппаратуры ETM+/ Enhanced Thematic Mapper («Усовершенствованный тематический картограф») спутника Landsat-7. В работе [4] рассматриваются приложения указанных методов, алгоритмов и расчетных программ для обработки данных летных испытаний гиперспектральной аппаратуры видимого и ближнего инфракрасного диапазонов спектра. Важнейшая особенность созданного универсального программного обеспечения в том, что оно применимо как при обработке многоспектральных данных MODIS (пространственное разрешение около 500 метров), ETM+ (пространственное разрешение около 30 метров), так и гиперспектральных данных (пространственное разрешение около 1-2 м с высоты 1.5-2 км).
Известные кривые спектральной отражательной способности различных соединений служат основой распознавания образов природно-техногенных объектов по данным гиперспектрального зондирования [6]. В неорганических соединениях, таких как минералы, химический состав и кристаллическая решетка контролируют форму спектральной кривой отражения света и положение характерных линий и полос его поглощения. Такое селективное поглощение вызвано наличием тех или иных химических элементов и ионов, геометрией химических связей между элементами.
Типичным при обработке данных многоспектрального аэрокосмического зондирования является индексное приближение. Например, хорошо известно отображение результатов обработки таких изображений в терминах «вегетационного индекса нормализованной разности» (Normalized Difference Vegetation Index - NDVI). Слабости использования этого приближения были учтены в процессе создания нового программного обеспечения. Эти слабости связаны с тем, что при построении индексов используются какие-то специально выбранные длины волн дистанционного зондирования [7]. Если же имеются сотни спектральных каналов гиперспектрального зондирования, то постановка задачи требует либо использования данных всех каналов, либо обоснования оптимального числа каналов, обеспечивающих решение прикладных задач с заданной точностью. Кроме того, индексы нельзя увязать с весовыми характеристиками растительности на заданной площади, с которыми имеют дело региональные специалисты по управлению лесными и другими ресурсами. Новые результаты распознавания природно-техногенных объектов и восстановления параметров состояния лесной растительности (объем фитомассы листвы/хвои и др.) для соответствующих пикселей гиперспектральных изображений показаны в работе [8].
Приложения методов аэрокосмической гиперспектрометрии основаны на использовании следующих вычислительных процедур: выбор спектров объектов для
ЛЕСНОЙ ВЕСТНИК 1/2012
21
обучения; рассмотрение признакового пространства исходных данных дистанционного зондирования; построение классификаторов для распознавания объектов. Способ решения прикладных задач распознавания образов природно-техногенных объектов и оценки параметров их состояния по гиперспектральным данным аэрокосмического зондирования запатентован в Российской Федерации [9]. Одновременно получаются авторские свидетельства на отдельные элементы программного обеспечения обработки данных гиперспектрального зондирования [10]. В итоге реализации этого инновационного подхода к обработке гиперспектральных аэрокосмических изображений отрабатываются составные элементы технологии решения рассматриваемых прикладных задач с акцентом на оценку параметров биологической продуктивности лесной растительности разного породного состава, возраста и бонитета. В данной публикации показаны некоторые примеры летных испытаний гиперспектральной аппаратуры разработки НПО «Лептон», г. Зеленоград, работающей в области длин волн 400-1000 нм (около 200 спектральных каналов), на выбранной тестовой территории Савватьевского лесничества в Тверской области.
Некоторые примеры реализации предлагаемого подхода
Один из важных элементов создаваемой технологии - обоснование возможности использования ансамблей обучающих спектров для различных самолетных треков. В данной работе рассматривается идеализированная задача - сравнение результатов классификации смежных треков, полученных в течение одного и того же дня. В случае устойчивости результатов измерений и предлагаемых методов обработки результаты классификации должны иметь схожие точности.
В ходе измерительных кампаний 2011 г. были получены два смежных трека в районе аэропорта Змеево близ г. Тверь (рис. 1). Дата и время съемки составляют 2011-08-12/12-27-53 и 2011-08-12/12-35-44. Высота полета над поверхностью земли приблизительно 2010 м, а над поверхностью леса - 1995 м. Размер
пикселя в направлении, перпендикулярном траектории полета, составил 1.12 м, а ширина полосы захвата - 560 м.
Продольный размер можно оценить, рассчитав отношение длины трека к числу кадров. Так для трека 2011-08-12/12-27-53 размер пикселя вдоль траектории полета составит 0.66 м. Средние скорости пролета составляют для обоих треков, соответственно 148 и 151 км/ч, т.е. различие продольных размеров пикселей составляет около 2 % (1.3 см).
Различия по высоте полета также невелики. Так, для трека 2011-08-12/12-27-53 средняя высота над уровнем моря составила 2141 м, минимальная - 2133 м, а максимальная 2147м. В то же время для другого трека средняя высота отличается всего на 3 метра и составляет 2138 м, минимальная и максимальная высоты практически совпадают (соответственно 2133 м и 2146 м). Следовательно, поперечные размеры пикселей можно считать совпадающими.
По указанным выше трекам были построены смежные сцены, условно названные Zmeevo1 и Zmeevo2. Соответствующие им RGB-синтезированные изображения приведены на рис. 2. Сцены были совмещены по первому и последнему кадру. Для совмещения кадров были использованы хорошо заметные антропогенные объекты.
Как можно видеть из данных рис. 2, выделенные сцены достаточно хорошо соответствуют друг другу по пространству. Однако существуют и видимые глазом артефакты. Они возникают как по причине бокового сноса самолета, так и в связи с техническими ограничениями компенсационных воздействий используемой гиро-стабилизированной платформы, на которую устанавливалась аппаратура в процессе полетов.
Для повышения устойчивости решения задачи распознавания и уменьшения шумовой компоненты в каналах сине-фиолетовой области при преобразовании исходных данных видеосигнала в калиброванные данные гиперспектрометра был использован программный биннинг. Таким образом, разрешение прибора было редуцировано до 5 нм на канал (в каналах инфракрасной области
22
ЛЕСНОЙ ВЕСТНИК 1/2012
Рис. 1. Пролет по смежным траекториям, район аэропорта Змеево, Тверская область (система GoogleEarth). Верхний рисунок - совмещение наземных проекций траекторий, нижний - совмещение на высоте полета
Zmeevol : 2011-08-12 12-27-53
Zmeevo2: 2011-08-12 12-35-44
Рис. 2. Синтезированные RGB изображения смежных треков: верхний рисунок - сцена Zmeevol (дата/время съемки 2011-08-12/12-27-53), нижний - сцена Zmeevo2 (дата/время съемки 2011-08-12/12-35-44). Крайние кадры указанных сцен совмещены по хорошо заметным антропогенным объектам
ЛЕСНОЙ ВЕСТНИК 1/2012
23
Таблица 1
Размеры ансамблей обучающих выборок. Желтым цветом выделены объекты, представляющие основные группы (выбор каналов)
Объект Число спектров
Вода, река Тверда 5712
Вода, пруд 411
асфальтовая дорога 819
Асфальт, круг в аэропорту 856
Асфальт, полоса для самолетов 275
Асфальт, стоянка перед аэропортом 372
лес лиственный, аэропорт 7764
Деревья вдоль реки Тверда 1129
лес хвойный, аэропорт 4820
лес, преимущественно хвойный, нижняя часть изображения 6067
лес, преимущественно хвойный, центр изображения 11578
Луговая растительность 1 7458
Луговая растительность 2 4283
Луговая растительность 3 10417
грунтовая дорога 343
песчаный участок 751
песчаный участок в лесу 627
площадка для вертолетов 5142
Поросль на просеке 2950
Поросль справа от лесного массива 4626
редуцирования не производилось, поскольку их ширина превышает указанную величину).
Для проведения численных экспериментов по распознаванию природно-техногенных объектов было выделено 20 обучающих ансамблей спектров, соответствующих основным характерным классам рассматриваемых сцен Zmeevo1 и Zmeevo2. Все обучающие ансамбли были выделены для сцены Zmeevo1. Смежная с ней сцена использована для валидации результатов распознавания.
Рис. 3. Изменение полной вероятности ошибки при
добавлении новых спектральных каналов
Размеры обучающих ансамблей представлены в табл.1.
Для распознавания объектов были выделены наиболее информативные каналы. Информативность каналов оценивалась с помощью метода последовательного дополнения. В качестве основного подхода классификации с учителем использовался квадратичный дискриминантный анализ. Исследование информативности спектральных каналов производилось с привлечением как всей обучающей информации, так и информации по основным классам (выделены желтым в табл. 1). В качестве параметра отбора использовалась полная вероятность ошибки многоклассовой классификации. Для остановки использовались параметрические критерии значимости редукции данного параметра.
Процесс уменьшения полной вероятности ошибки в случае использования всех обучающих ансамблей представлен на рис. 3. Можно заметить, что уже после 6-го канала, уменьшение априорной ошибки классификации становится достаточно малым. Приблизительно при использовании 19 каналов (в зависимости от выбранного уровня значи-
24
ЛЕСНОЙ ВЕСТНИК 1/2012
Таблица 2
Результаты определения наиболее информативных спектральных каналов.
NN - номера каналов, WL - центральные длины волн, total - использовались все обучающие выборки, main - только для основных объектов,
WLmean - среднее значение между WLtotal и WLmain, final - результат поиска длин волн методом наиближайшего соседа
NNtotal 1 13 18 20 39 42 47
WLtotal 404.2129 468.0563 495.9305 506.8479 619.6382 636.7114 669.3778
NNmain 1 2 22 27 38 40 43
WLmain 404.2129 409.4484 518.3459 547.4105 614.2964 625.1496 642.7817
WLmean 404.2129 438.7523 507.1382 527.1292 616.9673 630.9305 656.0797
NNfinal 1 8 20 24 39 41 45
WLfinal 404.2129 441.3371 506.8479 529.097 619.6382 630.8378 655.5761
48 52 55 57 58 59 70 73
676.7204 709.7494 736.5849 747.3884 753.0188 758.8099 834.9063 860.3731
44 49 50 53 54 58 67 76
649.0636 684.398 692.4415 719.0795 728.9112 753.0188 811.6657 888.342
662.892 697.0737 714.5132 733.234 740.965 755.9144 823.286 874.3575
46 51 53 55 56 58 69 75
662.3395 700.8816 719.0795 736.5849 741.9124 753.0188 826.9257 878.724
75 80 81 83
878,724 930,0024 941,2657 964,8816
79 80 81 83
919,0886 930,0024 941,2657 964,8816
898,9063 930,0024 941,2657 964,8816
77 80 81 83
898,2686 930,0024 941,2657 964,8816
мости) добавление последующих не приводит к значимому уменьшению погрешности классификатора.
Результаты выбора оптимальных спектральных каналов представлены в табл. 2. Первые две строчки таблицы содержат соответственно номера и центральные длины волн оптимальных каналов гиперспектрометра (в рамках рассмотренных сцен) при использовании всей обучающей информации. Следующая пара строк соответствует номерам и центральным длинам волн каналов при использовании информации об основных классах объектов.
Как известно, методика последовательного дополнения достаточно неустойчива к варьированию обучающих ансамблей. Так и в нашем случае мы получили несколько различающиеся ситуации. Для получения конечного результата по выбору оптимального набора каналов, по значениям длин волн, обозначенных
как WLtotal и WLmain, были найдены средние длины волн. Они не совпадают с исходными центральными длинами волн гиперспектрометра. Таким образом, конечные номера и центральные длины волн спектральных каналов были найдены с помощью метода наиближайшего соседа. Результаты представлены в последних двух строках табл. 2.
Полученные обучающие ансамбли были использованы для решения задачи распознавания на выбранных сценах (соответственно Zmeevol и Zmeevo2). Для исключения влияния изменений интенсивности падающей радиации гиперспектральные данные были нормализованы на соответствующие каждому пикселю интегральные яркости. То же было проделано и с ансамблями обучающих спектров.
Поскольку исходные сцены достаточно велики по объему информации, содержащейся в них, проанализируем результаты
ЛЕСНОИ ВЕСТНИК 1/2012
25
распознавания для некоторых выделенных участков. Первый из них расположен южнее аэропорта Змеево (рис. 4) и имеет кодовое название Soil, поскольку содержит значительные участки открытых песчаных почв.
На рис. 5 приведены результаты классификации объектов на сцене Soil. Показанные классы являются составными - объединены различные типы древесной растительности, травянистой растительности, открытых песчаных почв и асфальта дорожной сети. Фиолетовым цветом показаны объекты, не вошедшие в исходную базу обучающих спектров.
Сравнение с объектами, визуально различимыми на синтезированном RGB изображении смежных сцен, показывает весьма хорошее качество распознавания. Древесная и луговая растительность классифицировались практически точно. Наибольшие ошибки классификатора соответствуют открытым песчаным почвам. Так, рассмотрев результаты классификации в левом верхнем углу рис. 5, можно заключить, что в случае, когда травянистая растительность находится в угнетенном состоянии и перемежается с открытыми почвами, пиксели ошибочно классифицируются как песок, вместо того, чтобы классифицироваться как прочие объекты.
Поскольку, увеличение априорной вероятности прочих объектов даже на порядок не приводит к требуемой классификации, можно заключить, что в исходный априорный ансамбль вошли пиксели открытой песчаной почвы с травянистой растительностью, лежащие в полутени растительности. В подтверждение сказанного можно привести пример в правом верхнем углу изображения, где тени на границе древостоя классифицировались как прочие объекты. Также классифицировались пиксели вдоль асфальтовой дороги, лежащие на границе обочины и прилегающего травяного покрова.
Можно отметить хорошее соответствие результатов классификации между смежными сценами. Имеющиеся несоответствия в подавляющем большинстве случаев вызваны различием геометрических искажений исходных треков. Поскольку обучающие выборки для проведения обоих классификаций были
взяты только со сцены Zmeevol, то полученное соответствие говорит о высокой стабильности гиперспектральной съемки. Отметим также, что время накопления ПЗС-матриц используемой аппаратуры при получении изображений смежных сцен не было постоянным. Соответствие полученных результатов свидетельствует о том, что диапазон линейности калибровки гиперспектрометра вполне пригоден для автоматизации разделения градаций спектральных характеристик наземных объектов. В противном случае мы бы имели существенно отличающиеся результаты распознавания.
Далее рассмотрим сцены Tvertza, содержащие крупный водный объект - река Тверца. Соответствующие синтезированные RGB изображения представлены на рис. 6. Указанные сцены содержат также антропогенные объекты в виде крыш построек (преимущественно металлических), различные виды луговой растительности, открытые песчаные почвы в виде дорожной сети и небольшое количество деревьев, растущих вдоль берега реки и точечно на участках.
Для данных сцен при представлении результатов распознавания (рис. 7) более детально представлена луговая растительность. Обучающие выборки были выделены на основе характерных цветов и форм участков травянистой растительности, обычно указывающих на различные видовые составы. Прибрежная лиственная растительность была включена как отдельный объект при построении обучающего ансамбля.
Как и на предыдущих сценах, большая часть прочих объектов соответствует крышам строений. Также можно видеть, что водная поверхность у берегов существенно отличается по спектру от воды в центральной части реки, из которой набирались обучающие спектры. Это может быть связано как с влиянием дна, так и с наличием небольшого цветения воды. При распознавании древесной растительности возникают ложные классификации хвойных пород на берегу реки, причем при переходе к смежной сцене данная ошибка исчезает, что, возможно, сигнализирует о возникновении локальных атмос-
26
ЛЕСНОЙ ВЕСТНИК 1/2012
Рис. 4. Смежные сцены с наличием открытых почв, луговой и лесной растительности. Из антропогенных объектов присутствует участок асфальтовой дороги. Кодовое название - Soil
Рис. 5. Результаты распознавания объектов для смежных сцен Soil
Zmeevo 1 Zmeevo 2
Рис. 6. Смежные сцены с наличием речной водной поверхности (р. Тверца). Антропогенные объекты представлены крышами строений. Растительный покров составляет в основном луговая растительность. Кодовое название - Tvertza
ферных помех либо означает недостаточную репрезентативность обучающей выборки для прибрежной зоны. Также следует отметить ложную классификацию водной поверхности в тени некоторых строений.
Несмотря на указанные неточности, в целом объекты сцен Tvertza распознаются достаточно хорошо. Рассматривая соответствие результатов распознавания между смежными сценами, следует отметить видимые различия
ЛЕСНОЙ ВЕСТНИК 1/2012
27
Zmeevo 1 Zmeevo 2
прочие объекты поросль песок луг (тип 3) луг (тип 2) луг (тип 1) лес хвойный лес лиственный асфальт вода
Рис. 7. Результаты распознавания объектов для смежных сцен Tvertza Zmeevo 1 Zmeevo 2
Рис. 8. Смежные сцены с наличием стоячей воды. Антропогенные объекты представлены крышами строений. Растительный покров представлен различными видами лесной и луговой растительности. Кодовое название - Pool
Zmeevo 1 Zmeevo 2
вода асфальт лес травянистые песок поросль прочие объекты
Рис. 9. Результаты распознавания объектов для смежных сцен Pool
классификации типов луговой растительности. Однако это, скорее всего, связано с недостаточной точностью составления соответствующей части обучающего ансамбля.
Последняя из рассмотренных сцен (Pool, рис. 8) содержит лесную и травянистую растительность, постройки, участки грунтовых дорог и объект со стоячей водой.
28
ЛЕСНОЙ ВЕСТНИК 1/2012
Рис. 10. Применение метода k-средних для классификации объектов «небо» и «растительность». а) - исходное фотоизображение (дубовый древостой), б) результат классификации
Рис. 11. Ошибки метода k-средних при классификации объектов «небо» и «растительность». а) - исходное фотоизображение (дубовый древостой), б) результат классификации. Пример ошибочной классификации выделен красным
Также присутствующий водный объект может характеризоваться разными спектрами, что приводит к дополнительным сложностям при классификации.
Представленные на рис. 9 результаты распознавания наземных объектов показывают заметные ошибки при классификации древостоев в нижней части изображения. В целом, как и в предыдущих примерах, можно наблюдать хорошее соответствие между смежными сценами.
Представленные здесь результаты продемонстрировали перспективность разрабатываемого инновационного подхода к обработке гипеспектральных изображений в части распознавания объектов при использовании разновременных сцен аэросъемки. Требуется, однако, валидация получаемой
информационной продукции обработки таких изображений. Ниже приводятся примеры валидации на основе цифрового фотографирования верхней полусферы при размещении фотоаппаратуры вверх на выделенных площадках наземных обследований.
Наземная валидация данных гиперспектрального аэрозондирования
Цифровые фотографии, получаемые стандартным цифровым фотоаппаратом, сохраняются в виде сжатых изображений в формате JPEG (Joint Photographic Experts Group). Сжатие (с потерями) формата JPEG очень эффективно и в наибольшей степени пригодно для фотографий, содержащих сцены с плавными переходами яркости и цвета. Для проведения обработки в системе Matlab име-
ЛЕСНОИ ВЕСТНИК 1/2012
29
Рис. 12. Схема классификации наземных фотоизображений лесного полога в пространстве Тон-Насы-щенность-Яркость (HSV). Пунктирной линией обозначена дискриминантная поверхность, отделяющая пиксели неба от остальных пикселей
ющиеся изображения преобразовывались в трехмерные массивы, представляющие собой изображение в RGB-каналах.
Первый шаг в обработке наземных фотоизображений лесного полога состоит в классификации пикселей неба и растительного покрова. Поскольку, очевидно, эти два класса должны существенно различаться как минимум по яркости, то для проведения классификации разумно попытаться использовать кластерный анализ. Подход, основанный на иерархической классификации оказался неприменим из-за слишком больших затрат на выделение оперативной памяти (либо временных затрат, в случае альтернативной реализации). Поскольку в данном случае число классов заранее известно (2 класса), то разумно применить метод k-средних.
На рис. 10 приведен пример кластеризации наземной фотографии дубового древостоя. Поскольку края исходных фотографий соответствуют достаточно большим углам визирования, для кластеризации была выбрана центральная часть изображения (между
процентилями 25 и 75), с тем расчетом, чтобы в результате изображение все же содержало несколько деревьев и, таким образом, обеспечивалась возможность расчета параметра сомкнутости полога.
На первый взгляд, применение данного подхода приводит к положительному результату, структура крон вырисовывается достаточно четко. Однако при ближайшем рассмотрении (рис. 11) можно заметить, что листва в верхней части освещенной кроны идентифицируется как небо. Это происходит из-за того, что соответствующие пиксели имеют достаточно высокую яркость. Данную проблему не удается решить ни одним из способов настройки метода k-средних: ни выбором методики инициализации начальных центроидов, ни выбором метрики (расстояния), ни изменением размерности признакового пространства. Вклад неправильно классифицированных пикселей в погрешность оценки проективного покрытия представляется достаточно существенным.
Для решения этой проблемы была предложена достаточно простая и эффективная схема (рис. 12). Исходные яркости, изначально представленные в пространстве RGB, были преобразованы в пространство ТонНасыщенность Яркость (HSV). Оказалось, что все имеющееся разнообразие оттенков неба (различное время суток, наличие разнообразного вида облачности, неправильно выбранная выдержка и т.п.) в пространстве HSV может быть легко отделено от остальных цветов достаточно простой дискриминантной поверхностью, состоящей из сектора и цилиндра (рис. 12). Приведем параметры элементов, составляющих дискриминантную поверхность (приведенные к единице). Центральный цилиндр: Тон - от 0 до 1 (все цвета), Насыщенность - от 0 до 0.2, Яркость - от 0.85 до 1. Сектор цилиндра: Тон - от 190/360 до 240/360 (центральный цвет - голубой), Насыщенность - от 0 до 1 (можно от 0.2 при наличии цилиндра с указанными параметрами), Яркость - от 0.7 до 1.
Для повышения диапазона правильно обрабатываемых снимков после перехода в пространство HSV производилась нормиров-
30
ЛЕСНОЙ ВЕСТНИК 1/2012
фото I фоективное покрытие I тотность крон сомкнутость полога
Рис. 13. Савватьевское лесничество, квартал 54, выдел 2, древостой с преобладанием сосны. Одно из наиболее сложных для обработки изображений. Съемка произведена в вечернее время, поэтому во внутрикроновом пространстве довольно много ярко белых пикселей при достаточно темном общем цвете неба
Фото Проективное покрытие Плотность крон Сомкнутость полога
Рис. 14. Савватьевское лесничество, квартал 55, выдел 5, древостой с преобладанием березы. Увеличенное время выдержки
Фото Проективное покрытие Плотность крон Сомкнутость полога
Рис. 15. Савватьевское лесничество, квартал 79, выдел 18, однородный сосновый древостой. Переменная облачность
ка яркостей на соответствующий процентиль
99.9 %. Теоретически (в идеальном случае) более правильно было бы нормировать просто на максимальную яркость. Однако необходимо учитывать что искажения, которые дает сжатие jpeg, даже для достаточно темного неба (в общем плане) могут давать некоторое количество ложных ярко белых пикселей (максимальная яркость). Как правило, это происходит для пикселей, соответствующих очень малым (точечным) внутрикроновым просветам. Выбранное значение было подоб-
рано из чисто эмпирических соображений, на основе имеющихся данных.
Приведем формулы для расчета проекционных характеристик. Пусть S - площадь всех пикселей фотоизображения, Sfoliage - площадь пикселей, соответствующих листве, Ssky - площадь пикселей, соответствующих небу. Если прочие элементы отсутствуют на изображении, то
S = Sol. + S..
foliage sky
В нашем случае присутствуют ветви и стволы. При существующем фотоматериале,
ЛЕСНОЙ ВЕСТНИК 1/2012
31
Рис. 16. Карта лесотаксации части Савватьевского лесничества с указанием метоположения вы-делов, для которых производилась оценка проекционных характеристик лесного полога
возможности осуществления автоматического распознавания различного типа древесной коры нет. Соответствующие площади будут причислены к площади листвы. Этот пункт в дальнейшем следует исправить за счет усовершенствования схемы измерений.
Площадь проективного покрытия вычисляется по формуле
SProjCov Sfoliage / S
Пиксели неба разделяются на межкроновые Sbjg и внутрикроновые S1Mle просветы - Ssky = Sbig + Slittle. Площадью кроны будем называть сумму пикселей листьев и пикселей внутрикроновых просветов S = S - S .
J А А А crown big
Сомкнутость полога, это отношение площади, занимаемой кронами, к площади всех пикселей
/ S = 1 - Sb. / S.
big
D = S
canopy ci
Плотность кроны - это отношение
площади листьев к площади кроны
■ / (S - Sbig).
D = Sor / S = Sor .
crown foliage crown foliage
Очевидно, что Sp
C = D D .
ProjCov canopy crown
Именно характеристики плотности полога и плотности крон являются основными при реализации моделей восстановления значений фитомассы и других параметров лесной растительности по данным гиперспектрального зондирования.
32
ЛЕСНОЙ ВЕСТНИК 1/2012
Таким образом, для вычисления всех проекционных параметров нам необходимо определить площади Sfoliage и Sb. .
По описанной методике были обработаны все фотографии лесного полога, для которых имеются геоботанические описания. Всего было обработано 32 изображения. Для обработки использовалась только центральная квадратная область, соответствующая интерквар-тильному интервалу по меньшей размерности. Наиболее интересные примеры приведены на рис. 13-15. Местоположение соответствующих кварталов и выделов приведено на рис. 16.
В целом, можно отметить перспективность предлагаемого подхода к валидации результатов обработки гиперспектральных изображений. Перспективы связаны с тем, что результаты наземных обследований тестовых участков способствуют фотоотображению лесной растительности в терминах тех параметров, которые участвуют в моделях восстановления объема фитомассы и других параметров соответствующих древостоев.
Заключение
Описанный здесь инновационный подход позволяет автоматизировать процесс обработки гиперспектральных аэрокосмических изображений при решении задач распознавания наблюдаемых объектов и оценки параметров состояния лесной растительности. Показаны характерные особенности разрабатываемого программно-алгоритмического обеспечения решения соответствующих прикладных задач. Приведенные примеры обработки данных гиперспектрального аэрозондирования показали устойчивость результатов обучения применяемого алгоритма разпознавания. Предложена методика получения дополнительной информации, необходимой для наземной валидации получаемой информационной продукции на основе фотоизображений.
Библиографический список
1. Исследование лесных и торфяных пожаров по данным гиперспектрального аэрозондирования /
В.В. Козодеров, Т.В. Кондранин, Е.В. Дмитриев, В.П. Каменцев // Исследование Земли из космоса.
- 2011. - № 5. - С. 70-79.
2. Восстановление объема фитомассы и других параметров состояния почвенно-растительного покрова по результатам обработки многоспектральных спутниковых изображений / В.В. Козодеров, Т.В. Кондранин, В.С. Косолапов и др. // Исследование Земли из космоса. - 2007. - № 1. - С. 57-65.
3. Инновационная технология обработки многоспектральных космических изображений земной поверхности / В.В. Козодеров, Т.В. Кондранин, Е.В. Дмитриев и др. // Исследование Земли из космоса. - 2008. - № 1. - С. 56-72.
4. Обработка и интерпретация данных гиперспектральных аэрокосмических измерений для дистанционной диагностики природно-техногенных объектов /В.В. Козодеров, Т.В. Кондранин,
О.Ю. Казанцев и др. // Исследование Земли из космоса. - 2009. - № 2. - С. 36-54.
5. Козодеров, В.В. Аэрокосмическое зондирование почвенно-растительного покрова: модели, алгоритмическое и программное обеспечение, наземная валидация / В.В. Козодеров, Е.В. Дмитриев // Исследование Земли из космоса. - 2010. - № 1.
- С. 59-76.
6. Козодеров, В.В. Методы оценки состояния почвенно-растительного покрова по данным оптических систем дистанционного аэрокосмического зондирования / В.В. Козодеров, Т.В. Кондранин. - М.: МФТИ, 2008. - 222 с.
7. Kozoderov, V.V Remote sensing of soils and
vegetation: regional aspects / VV Kozoderov, E.V. Dmitriev // International Journal of Remote Sensing. - 2008. - 29. - P. 2733-2748.
8. Kozoderov, V.V Remote sensing of soils and
vegetation: pattern recognition and forest stand structure assessment / V.V. Kozoderov, E.V Dmitriev // International Journal of Remote Sensing. - 2011.
- 32. - P. 5699-5717.
9. Патент на изобретение № 2422858. Способ распознавания образов природно-техногенных объектов и оценки параметров их состояния по гиперспектральным данным аэрокосмического зондирования / В.В. Козодеров; зарегистрировано в Государственном Реестре изобретений РФ 27 июня 2011 г.
10. Свидетельство о государственной регистрации программы для ЭВМ № 2011616810. Программа первичного анализа гиперспектральных изображений и построения обучающих выборок / Е.В. Дмитриев, В.П. Каменцев, А.С. Каркач и др. зарегистрировано в Реестре программ для ЭВМ 1 сентября 2011 г.
ЛЕСНОЙ ВЕСТНИК 1/2012
33
