CC BY
52
влияет на «корректность» системы. Если проверка будет делать хотя бы две ошибки на десять результатов, то данная модель покажет существенно худшие результаты, чем муль-тиверсионное программирование с базовым алгоритмом голосования (голосованием абсолютным большинством).
Библиографический список
1. Майерс, Г. Надежность программного обеспече-ния/Г. Майерс, В. Ш. Кауфман; пер. с англ. Ю. Ю. Гали-мова. М.: Мир, 1980.
2. Randell, В. The Evolution of the Recovery Block Concept / B. Randell, J. Xu; University of Newcastle upon Tyne. England, 1995.
3. Avizienis, A. On the implementation of N-version programming for software fault-tolerance during execution /
A. Avizienis, L. Chen// Proc. IEEE COMPS AC 77. ноябрь 1977. P. 149-155.
4. Ковалев, И. В. Имитационная система для среды мультиверсионного исполнения программных модулей (программная система «ИС СМВИ vl .0») / И. В. Ковалев // Компьютерные учебные программы и инновации. 2007. №2.
5. Ковалев, И. В. Имитационная система для среды мультиверсионного исполнения программных модулей (программная система «ИС СМВИ vl.O») / И. В. Ковалев, А. В. Котенок /Номер гос. регистрации 50200501597 от 24.11.2005 г. М.: ВНТИЦ. 2005.
6. Ковалев, И. В. К проблеме выбора алгоритма принятия решения в мультиверсионных системах / И. В. Ковалев, А. В. Котенок//Информационные технологии. 2006. №9. С. 39 44.
A. V. Kotenok
PRELIMINARIES TO CHOOSING OF A N-VERSION APPROACH TO FAULT TOLERANT SOFTWARE SYSTEMS
This paper describes troubles of an appropriate N-Version Approach choosing. It introduces the feature «Correctness» in evaluating systems and find out the relation between this property and the reliability of the used Acceptance Test and the number of versions of system. The chart displaying representing the relation between system «Correctness» and properties of N-Version System is presented.
Keywords: N-Version Approach, model Recovery Blocks, N-Version Programming.
УДК 89.57.35
E. А. Юрикова, А. А. Кокутенко, А. И. Сухинин
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ ПРИМЕНЕНИЯ ДАННЫХ SPOT-4 ДЛЯ ДЕШИФРИРОВАНИЯ ИЗОБРАЖЕНИЙ ПОВРЕЖДЕННЫХ ПОЖАРАМИ УЧАСТКОВ РАСТИТЕЛЬНОСТИ
Рассматривается возможность применения данных, полученных со спутника SPOT-4, для дешифрирования изображений поврежденных пожарами участков растительности. Для анализа информативности данных растительного покрова использовались 2, 3 и 4-й каналы спектрорадиометра HRVIR. Используя программный пакет Erdas Imagine, проведена тематическая обработка изображения, в результате представлена модель расчета нормализованного дифференциального вегетационного индекса, построены спектральные сигнатуры и оценена площадь растительности, поврежденная пожарами.
Ключевые слова: дистанционное зондирование, нормализованный дифференциальный вегетационный индекс, площадь поврежденная пожаром, тестовая гарь.
Введение. Дистанционное зондирование (ДЗ) определяют как процесс или метод получения информации об объекте, участке поверхности или явлении путем анализа данных, собранных без контакта с изучаемым объектом. Суть метода заключается в интерпретации результатов измерения электромагнитного излучения, которое отражается либо излучается объектом и регистрируется в некоторой удаленной от него точке пространства [1].
Основные области применения спутникового дистанционного зондирования, получение информации о состоянии окружающей среды и землепользовании, изучение растительных сообществ, оценка урожая сельскохозяйственных культур, оценка последствий стихийных бедствий - наводнений, землетрясений, извержений вулканов, лесных пожаров [2].
Одной из главных задач дистанционного зондирова-
1 Работа выполнена при финансовой поддержке Красноярского Краевого Фонда Науки (18G152).
ния Земли является изучение и анализ биофизических параметров состояния растительности. На обширных территориях Сибири только космическими средствами можно оценить повреждения леса, вызванные природными и антропогенными факторами.
Для анализа информативности данных спектроради-ометра HRVIR спутника SPOT-4 была выбрана территория, поврежденная пожарами, т. е. гари. Поврежденные пожарами участки леса представляют наибольший интерес для исследования, поскольку используя ДЗ, можно проводить оценку ущерба на глобальном уровне, с малыми экономическими и временными затратами.
На спутнике второго поколения была установлена усовершенствованная съемочная система, состоящая из дву х оптических сенсоров, один из которых - HRVIR (High Resolution Visible and Infra Red) - имеет дополнительный канал регистрации излучения в среднем инфракрасном диапазоне (1,980... 1,730 мкм) (табл. 1), использующийся для изучения растительного покрова.
Дешифрирование. Космический снимок содержит подробную информацию о состоянии объектов земной поверхности в момент съемки. Дешифрирование - это процесс распознавания объектов, их свойств и взаимосвязей по их изображениям на снимке [1; 3]. На первоначальном этапе исследовательской работы был проведен процесс визуального дешифрирования тестовых гарей -участков растительного покрова, повременных пожарами. Одним из самых распространенных методов выделения объектов на космических изображениях Земли является сегментация. Используя метод сегментации, путем наращивания областей были созданы векторные контуры, по которым на растровом изображении были вырезаны тестовые гари.
Этот метод носит черты и детерминированного, и статистического подходов. Под сегментацией, в широком смысле, понимают преобразование полутоновых или цветных изображений в изображения, имеющие меньшее число тонов или цветов, чем исходные. В узком смысле сегментацией называют преобразование полутонового изображения в двухуровневое (бинарное), содержащее всего два уровня яркости - минимальный (обычно это 0) и максимальный (обычно 255). При этом объект и фон разделены, легко определить число объектов, характеристики их местоположения (координаты, поворот выделенной оси объекта относительно координатных осей ит. п.), геометрические характеристики (например, площадь каждого объекта, периметр, средний, минимальный, максимальный размеры) и, наконец, идентифицировать объект - указать, что это такое [2].
Целью сегментации является выделение областей, однородных в каком-то определенном заданном смысле (сегментов). Такие области принято называть кластерами. Однородность является признаком принадлежности области к определенному классу.
Существует три основных способа сегментации изображений: пороговая сегментация, сегментация путем наращивания областей, сегментация путем выделения границ. По сравнению с другими методами, сегментация путем наращивания областей обеспечила самое высокое качество распознавания.
Схема алгоритма сегментации путем наращивания областей предусматривает выбор стартового пиксела и рассмотрение смежных с ним пикселов для проверки близости их значений, например, по евклидову расстоянию. Если значения яркости текущего и какого-либо смежного пикселов оказываются близкими, то эти пикселы зачисляются в одну область. Таким образом, область формируется в результате сращивания отдельных пикселов. На определенном этапе (зависящем от модификации алгоритма) область проверяется на однородность и, если результат проверки оказывается отрицательным, то область разбивается на более мелкие участки. Процесс продолжается до тех пор, пока все выделенные области не выдержат проверки на однородность. Возможны реализации алгоритма, предусматривающие формирование областей как сращиванием отдельных пикселов, так и сращиванием небольших областей.
Общая схема проверки области на однородность состоит в следующем. Пусть /•’(Л’) - заданная мера однородности области^. Если 2 = /^) ГШ,. то критерий однородности можно задать, потребовав, чтобы выполнялось условие /•’(Л’|2) < 6, где 6 - заданный порог.
Различные алгоритмы сегментации классифицируются прежде всего по виду меры /•’(Л’). В самых простых случаях в качестве /• могут использоваться величины размаха
(1)
либо выборочные дисперсии:
(2)
где п - площадь (число пикселов) области і?.
Таким образом, в результате дешифрирования было идентифицировано четыре тестовых гари, общая площадь поврежденной территории составила 1 541,4 га.
Нормализованный дифференциальный вегетационный индекс. Для анализа состояния растительного покрова на тестовых участках гари была использована мо-
Таблица 1
Технические характеристики спектрорадиометра HRVIR спутника SPOT-4
Электромагнитный спектр и номер канала Пространственное разрешение, м Спектральное разрешение, нм Радиометрическое разрешение, Bit
Моноканал 10 610...680 8
В1: зеленый 20 500...590 8
В2: красный 20 610...680 8
ВЗ: ближний инфракрасный 20 780...890 8
В4: средний инфракрасный 20 1580...1750 8
дель расчета нормализованного дифференциального вегетационного индекса.
Установленная на спутнике аппаратура в видимом и ближнем инфракрасном диапазоне регистрирует солнечную энергию, отраженную и рассеянную поверхностью Земли. Особый интерес представляет отражательная способность растительного покрова, которая определяется пигментами листа, особенно хлорофиллом. В синей и красной области видимого диапазона отражательная способность листа низкая из-за наличия полос поглощения с центрами приSL = 0.45 и /... = 0,65 мкм. Поглощение между полосами, т. е. в зеленой области, незначительное, минимум поглощения, т. е. максимум отражательной способности, лежит приблизительно при 0,54 мкм. Из-за этого нормальная, здоровая листва воспринимается глазом как зеленая. Когда растение находится в состоянии стресса и образование хлорофилла уменьшается, происходит уменьшение поглощения энергии в полосах /_ и отражательная способность повышается, особенно это заметно глазом в красной области. Поэтому растение кажется желтоватым [2].
Сравнивая между собой яркости изображения растительности в красном и ближнем ИК участках, можно судить о состоянии растений в данном районе.
NDVI (Normalized Difference Vegetation Index) - нормализованный дифференциальный вегетационный индекс - показатель количества фотосинтетически активной биомассы (обычно называемый вегетационным индексом). Вычисляется по следующий формуле:
NDVI =
NIR-RED
NIR+RED
(3)
-2-й класс поражения, NDVI 0,2.. .0,1;
- 3-й класс поражения, NDVI ОД ...0,0;
- 4-й класс поражения. NDVI 0,0...-1.
где NIR - отражение в ближней инфракрасной области спектра, RED - отражение в красной области спектра.
Если растение находится в нормальном здоровом состоянии, то NDVI принимает Значения, близкие к
0,60...0,65, более низкие значения ND VI свидетельствуют о недостатке влаги или о заболевании растения. Большие площади растительного покрова, как известно, поражены пожарами, поэтому NDVI можно использовать для качественного анализа гарей, для изучения восстановительного процесса внутри поврежденной территории.
Для отображения индекса NDVT используется стандартизованная непрерывная градиентная или дискретная шкала, показывающая значения в диапазоне -1... 1 в %-й или в так называемой масштабированной шкале в диапазоне 0. ..255 (используется для отображения в некоторых пакетах обработки ДЗЗ, соответствует количеству градаций серого), или в диапазоне 0...200 (-100... 100), что более удобно, так как каждая единица соответствует 1 % изменения показателя [4].
Рассмотрим отображение тестовой гари после расчета NDVT (рис. 1). Более темные участки соответствуют низкому значению вегетационного индекса, более светлые - высокому. Полученные результаты демонстрируют наличие разницы в состоянии растительного покрова, поэтому участки тестовой гари по полученным значениям вегетационного индекса можно представить и объединить в несколько классов:
- 1-й класс поражения, NDVI 0.3...0.2:
Рис. 1. Отображение КЕЙП на тестовой гари
Классификация. Таким образом, при визуальном дешифрировании были выделены однородные группы пикселов, отнесенных к таким пространственным объектам, как тестовые гари.
В отличие от визуальной, цифровая классификация заключается в том, чтобы на основе спектральной информации из различных диапазонов проанализировать каждый пиксел и отнести его к тому или иному классу. Этот тип классификации называют также распознаванием спектральных образов. В обоих случаях целью является распределение пикселов снимка по определенным классам объектов. Результирующее изображение является, по существу, тематической картой [1].
При анализе тестовых гарей была использована контролируемая классификация, которая включает в себя создание эталонных областей. Эталон - совокупность спектральных признаков, задающих один класс пикселов на цифровом снимке. В качестве статистических показателей для обучающей выборки были заданы экспериментальные значения вегетационного индекса.
В результате созданы эталонные области, которые принадлежат к определенному информационному классу, определены четыре класса состояния растительности, каждый класс имеет свой цвет (рис. 2). Проведена оценка точности классификации.
Vi'V
Рис. 2. Результаты цифровой классификации
Выделены следующие классы: 1-й класс (черная область вну три контура) и 2-й класс (темно-серая область
внутри контура) - участки восстанавливающейся растительности; 3-й класс (светло-серая область внутри контура) - менее интенсивно поврежденные участки растительности; 4-й класс (белая область внутри контура) -интенсивно поврежденные участки растительности, т. е. открытые почвы после пожара.
Приведем кривые для различных классов степени нарушенное™ (рис. 3).
t\°
£ 100
и
эо 80 70 G0 50 40 30-I
,,^r'
:-X' 4
— Class 1
.. .Class 2
- - Class 3 ....Class 4
12 3 4
Каналы 5Р0Т-4/НПУ1П
Рис. 3. Спектральные сигнатуры
Анализ спектральных сигнатур (рис. 3) показывает, что в 3 -м канале все классы нарушенной пожаром растительности имеют максимум спектральной яркости, в то время как во 2-м канале спектрорадиометра НКУШ. максимум спектральной яркости имеет интенсивно повременная растительность, т. е. открытая почва. Первый класс имеет минимальное значение спектральной яркости во втором канале, что соответствует появлению восстанавливающейся растительности на гарях.
После проведения классификации, на последнем этапе работы для каждого класса тестовых гарей была рассчитана площадь (табл. 2).
Расчет показывает, что участок 1-го и 2-го классов от общей площади повреждения составляют 17 % и 42 % -
это участки гари на которых только начались восстановительные процессы; на участке 3-го класса приходится 22 %, открытые почвы занимают всего 19 %.
Исследована возможность использования данных спутника 8РОТ-4 для анализа поврежденной пожарами территории. Методом сегментации путем наращивания областей оконтурены тестовые гари, для каждой гари рассчитан нормализованный дифференциальный вегетационный индекс, который показал наличие различных степеней поражения растительности. Проведена классификация каждой тестовой гари и построены спектральные кривые. Оценка точности классификации составила 0,05 %, что говорит о хорошей согласованности данных. Рассчитана площадь для каждого класса тестовых гарей.
Сопоставив экспериментальные данные с теоретическими, можно сделать вывод, что данные, получаемые со спутника 8РОТ-4, можно использовать для изучения растительного покрова Земли. Высокое пространственное разрешение спектрорадиометра позволяет более точно проводить оконтуривание обеспечивает большую информативность исследования любых объектов.
Библиографический список
1. Чандра, А. М. Дистанционное зондирование и географические информационные системы / А. М. Чандра, С. К. Гош. М.: Техносфера, 2008.
2. Кашкин, В. Б. Дистанционное зондирование земли из космоса. Цифровая обработка изображений/В. Б. Кашкин, А. И. Сухинин. М.: Логос, 2000.
3. Лабутина, И. А. Дешифрирование аэрокосмических снимков / И. А. Лабутина. М.: Аспект Пресс, 2004.
4. вК-ЬаЬ [Электронныйресурс]. Электрон, дан. Сор. 2002-2008. Режим доступа: http://gis-lab.info/qa/ndvi.html. Загл. с экрана.
Таблица 2
Оценка по врожденной территории
Класс Гарь № 1, га Гарь № 2, га Гарь № 3, га Гарь № 4, га
1-Й 65,6 71,5 67,4 58,2
2-й 389,3 93,8 128,1 36,8
3-й 226,5 46,7 40,3 27,3
4-й 112,2 64,9 27,4 85,4
Общая площадь, га 793,6 276,9 263,2 207,7
E. A. Yurikova, A. A. Kokutenko, A. I. Sukhinin
RESEARCH OF OPPORTUNITIES OF APPLICATION OF DATA SPOT-4 FOR INTERPRETATION THE AREAS OF VEGETATION DAMAGED BY FIRES
The opportunity of application of the data received from satellite SPOT-4 for vegetation areas decoding damaged by fires is considered. For the self-descriptiveness data analysis of a vegetative cover, 2, 3 and 4 channels ofspectroradiometer HRVIR were used. Using software package Erdas Imagine of thematic image processing, the model of the normalized differential vegetative index calculation as a result is presented, spectral signatures are constructed and the vegetation area damaged by fires is estimated.
Keywords: remote probing, normalized differential vegetative index, area damaged by fires.
