CC BY
110
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
МЕТОД ОБРАБОТКИ ИНФОРМАЦИИ С ГИПЕРСПЕКТРОМЕТРОВ ДЛЯ ОПРЕДЕЛЕНИЯ ПОРОДЫ РАСТИТЕЛЬНОСТИ ПРИ дИСТАНЦИОННОМ МОНИТОРИНГЕ
Ю.С. ГАЛКИН, проф. каф. физики МГУЛ, д-р техн. наук, В.С. ШАЛАЕВ, проф. МГУЛ, д-р техн. наук,
Ю.П. БАТЫРЕВ, доц. каф. физики МГУЛ, канд. техн. наук, В.Н. ПОТАПОВ, асп. каф. физики МГУЛ,
Ч.Д. ЭСЕНАЛИЕВ, асп. каф. физики МГУЛ
Достижения в области технологий аэрокосмического мониторинга леса в первую очередь обязаны достижениям космической техники и космического приборостроения. Для мониторинга лесов широко используются спутниковые данные низкого, среднего и высокого разрешения [1]. Лесные службы используют снимки с зарубежных космических аппаратов (КА): TERRA, Landsat (ETM), SPOT, IRS, ERS(SAR), ENVISAT(ASAR) и снимки с российских КА: «Ресурс-01», «Ме-теор-3М», «Монитор-Э». Все более широко используются данные детального разрешения зарубежных КА: IKONOS, Quick-Bird, ALOS; российские потребители начали работы с данными КА «Ресурс-ДК». Помимо оптических
данных для районов, покрытых облачностью большую часть года, используются радиолокационные данные. Поставкой космических снимков для отечественного рынка занимаются как государственные (ФГУП НЦ КМЗ, Госцентр «Природа»), так и коммерческие организации (ИТЦ Сканэкс, Совзонд и др.).
Большой вклад в создание методов обработки космических снимков лесов внесли организации Рослесхоза (ВНИИЛМ, «Авиалесохрана», «Центрлеспроект», «Севзаплес-проект», «Запсиблеспроект»), академические институты (ИКИ РАН, ИРЭ РАН, ЦЭПЛ РАН, ИЛ СО РАН), научные центры (ЦПАМ «АЭРОКОСМОС»), вузы (МГУЛ, СПбЛТА, Мар-ГТУ).
16
14
12
10
\о 8
о4-
.<&
& ^
У
Ж
у
ж
&
Г г
I I
Sr
У
I ■
I П I I I I
I
I
I
# ^ А** # ^ ъ
у ж & > ^
^ ^ у?’ У'” ■&
* ^ ^ А ^ л*
у у .&■
jf
<?г
А
& ,У
/г?
/V
sS cs
Рис. 1. Оценка спроса на различные типы данных
ЛЕСНОЙ ВЕСТНИК 7/2011
79
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Рис. 2. Спектры травянисто-кустарниковой растительности
Однако в настоящее время отчетливо проявился ряд факторов, сдерживающих развитие и внедрение технологий аэрокосмического мониторинга леса. Уровень методических разработок и практического применения данных дистанционного зондирования в лесном хозяйстве остается недостаточным. Отсутствует координация научно-исследовательских и методических работ на отраслевом, межотраслевом и международном уровнях.
Производственные организации, выполняющие лесоинвентаризационные рабо-
ты, слабо используют информацию аэрокосмических снимков.
Кроме того, данных, полученных со снимков, состоящих из малого числа спектральных каналов (3-30 в зависимости от спутника), зачастую недостаточно для дешифрирования с производственной точностью.
По данным отечественных и зарубежных исследований [2], с каждым годом в мире все большим спросом пользуются гиперспектральные снимки с количеством каналов от 80 и выше. Это отчетливо видно на рис. 1.
80
ЛЕСНОЙ ВЕСТНИК 7/2011
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Поэтому считается перспективным использовать именно такие снимки и актуальным - совершенствование технологии их обработки.
На сегодняшний день в мире и России существуют приборы для гиперспектральной съемки, информация о которых частично известна. Среди них:
1. Гиперспектрометр Hyperion. Входит в состав-спутника Earth-Orbiter 1(EOI), был выведен на орбиту в 2000 г. Содержит 220 спектральных каналов в диапазоне 0,4-2,4 мкм с шириной 10 нм и размером пикселя гиперкуба на поверхности Земли 30 м на 30 м.
2. Канадский гиперспектрометр itres CASI - 1500, используемый ЗАО «НИПИ ИнжГео». Имеет 288 спектральных каналов, спектральный диапазон 380-1050 нм, регистрируемые интервалы спектра/строки 2,4 нм.
3. Прибор MODIS (Moderate-resolution Imaging Spectroradiometer, спектрорадиометр среднего разрешения). Создан NASA/США, имеет 36 спектральных каналов в диапазоне 0,405-14,385 мкм с размером элемента изображения на Земной поверхности 250 м, 500 м или 1000 м в зависимости от канала. Его, правда, нельзя в полной мере отнести к приборам под названием гиперспектрометр ввиду небольшого количества каналов (36, планируется до 100).
4. Малый космический аппарат ДЗЗ «Астрогон» с гиперспектрометром высокого пространственного разрешения, разработанный НТЦ «Реагент» [3].
Основные характеристики КА «Астрогон»:
- количество спектрально-поляризационных каналов измерения > 1000;
- гиперспектральный режим съемки осуществляется в каждом из поддиапазонов по программе, заданной с Земли или сформированной на борту. При этом в спектральных зонах измерения проводятся в двух поляризациях;
- многоспектральный режим съемки осуществляется в фоновом (к гиперспектральному) режиме без поляризации входного излучения. Разрешение фонового вдвое ниже по сравнению с гиперспектральным каналом;
5. По заказу Г азпрома в конце 90-х годов был создан гиперспектрометр для авиационного мониторинга состояния газо- и нефтепроводов на Крайнем Севере.
А также известны некоторые другие, не приспособленные для использования в летательных аппаратах.
Однако все перечисленные гиперспектрометры имеют существенные недостатки. Так, снимки «Астрогон» имеют слишком низкое разрешение и для решения большинства задач лесного хозяйства не подходят. MODIS, как уже было упомянуто, имеет слишком мало каналов. Гиперспектрометр Газпрома подходит в основном для узкоспециализированных задач (поиск нефти, газа), кроме того не имеет открытого доступа.
Поэтому несколько организаций задались целью разработать и сконструировать гиперспектрометры, которые решали бы широкий спектр задач, в том числе задач лесного хозяйства. Некоторые из них продвинулись в этом вопросе до создания прототипных моделей, которые уже прошли экспериментальную проверку и показали результаты, пригодные для решения задач лесного хозяйства.
Ученые и инженеры МФТИ НПО «Лэптон» разработали и экспериментально проверили прибор с характеристиками, позволяющими решать задачи с высокой точностью. Рабочий спектральный диапазон прибора равен 400-980 нм, число спектральных каналов - 150 [4].
Ученые и инженеры ИКИ РАН совместно с НТЦ «Реагент» разработали и экспериментально проверили прибор со следующими характеристиками: число спектральных каналов 106, спектральный диапазон 450-900 нм [3].
В настоящее время методика обработки гиперспектральных снимков ничем не отличается от методики обработки обычных снимков, что не позволяет полностью раскрыть потенциал таких снимков и извлечь максимум информации.
Поэтому был разработан алгоритм, позволяющий увеличить дешифровочную способность гиперспектральных снимков, в частности решить очень важную проблему уменьшения зависимости результатов от вне-
ЛЕСНОЙ ВЕСТНИК 7/2011
81
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Таблица
Относительные диапазоны дешифровочных признаков
Растение Отражение % NDVI Т(+)-Т(-) А(+)+А(-) А(+) - А(-)
Мак 20 0,84 11 35 3
Хлопок 23 0,52 27 38 -14
Лен 24 0,65 10 89 -7
Конопля 35 0,49 25 48 8
Среднее 25 0,62 18 52 8
Относительный диапазон признака 65 % 56 % 88 % 104 % 275 %
шних факторов при съемке (недостаток освещения, угол съемки, задымленность и другие шумовые характеристики). Алгоритм работает следующим способом.
1. Из исходного гиперспектрального изображения создают и записывают матрицу интенсивностей всех спектральных каналов для определяемого пикселя.
2. Сдвигают матрицу по оси частот (по номерам каналов) и записывают ее.
3. Матрицы вычитают (из второй первую) и записывают разностную матрицу.
4. Указанные действия повторяют для всех пикселей изображения.
В результате представленного алгоритма обработки будет получена трехмерная матрица по координатам пикселей и длинам волн (или номеров каналов). Каждому пикселю будет соответствовать некоторая кривая, распределение нулей и экстремумов которой однозначно характеризует класс кластеризации.
Для проверки этого алгоритма была построена соответствующая модель. Моделирование и оценка результатов действия алгоритма иллюстрируется графиками на рисунках 2 и 3.
На рис. 2 приведен образец исходных спектров объектов, которые необходимо классифицировать. Над спектрами проведены операции, требуемые разрабатываемым алгоритмом с шагом по спектру 10 нанометров.
На рис. 3 приведены значения разностей последовательных каналов (третья координата матрицы), которые образуют набор информативных признаков, относящихся к каждому исходному спектру. Такими признаками являются положительная и отрицательная амплитуды (А(+) и А(-) соответственно), расстояния между нулями положительной и
отрицательной полуволн (Т(+) и Т(-) соответственно) и комбинации (например, суммы и разности соответствующих параметров).
Сравнительные характеристики по диапазону дешифровочных признаков существующих и предложенного алгоритма приведены в таблице. Диапазон изменений дешиф-ровочных признаков приведен в отношении к среднему значению используемого параметра, характеризующего возможный уровень шумовой погрешности параметра.
Таким образом, из таблицы следует, что новые дешифровочные признаки более чувствительны к типам растительности, чем традиционные, и позволяют создать многомерное поле признаков (причем в автоматизированном режиме), что повышает надежность дешифрирования.
Можно сделать вывод, что эксперименты показали перспективность использования гиперспектральных снимков для дешифрирования видов растительности.
Библиографический список
1. Сухих, В.И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве: учебник / В.И. Сухих. - Йошкар-Ола: МарГТУ 2005. - 392 с.
2. Г алкин, Ю.С. Современное состояние и тенденции развития техники и технологий дистанционного зондирования земли / Ю.С. Галкин, В.С. Шалаев,
A. Н. Кравченко // Вестник МГУЛ - Лесной вестник. - 2008. - № 1. - С. 106-112.
3. Непобедимый, С.П. Гиперспектральное дистанционное зондирование земли / С.П. Непобедимый, И.Д. Родионов, Д.В. Воронцов и др. // Доклады Академии наук. - 2004. - Т 397. - № 1. - С. 45-48.
4. Кондранин, Т.В. Технология оценки состояния объектов природно-техногенной сферы по данным аэрокосмического мониторинга / Т.В. Кондранин,
B. В. Козодеров, О.Ю. Казанцев и др. // Институт космических исследований РАН.
82
ЛЕСНОЙ ВЕСТНИК 7/2011
