CC BY
54
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
4) определение информативного перечня оптических сенсоров спутникового базирования;
5) оценка вклада и необходимости использования сенсоров других диапазонов.
Тематическая и предметная ориентация компьютерных средств, необходимых для реализации всех функций АИИС, определяется структурой ее блоков. Software для ГИС широко распространено. Ряды компьютерных моделей функционирования элементов окружающей среды охватывают широкий спектр пространственных шкал от региональных до глобальных. Особое место в программном обеспечении АИИС занимают реализации алгоритмов обработки и интерпретации результатов измерений в режиме мониторинга [4, 5].
В составе АИИС имеются эффективные алгоритмы обработки данных мониторинга, которые были апробированы на многочисленных задачах диагностики элементов окружающей среды с применением дистанционных методов сбора данных. Эти алгоритмы позволяют осуществлять восстановление данных и их интерпретацию в условиях, когда их географическая привязка характеризуется наличием зон неопределенности. В частности, метод гармонических функций позволяет
восстанавливать радиояркостную температуру внутри замкнутого контура только по измерениям на его границе. Метод дифференциальной аппроксимации дает конструктивную процедуру восстановления данных по отрывочным во времени и фрагментарным в пространстве измерениям.
Синтез АИИС с функциями контроля растительного покрова требует выполнения следующих этапов теоретических и экспериментальных исследований (табл. 3).
Библиографический список
1. Бурков, В.Д. Экоинформатика / В.Д. Бурков, В.Ф. Крапивин. - М.: МГУЛ. - 2009. - 430 с.
2. Крапивин, В.Ф. Методы экоинформатики / В.Ф. Крапивин, И.И. Потапов. - М.: ВИНИТИ. - 2002.
- 496 с.
3. Савиных, В.П. Информационные технологии в системах экологического мониторинга / В.П. Савиных, В.Ф. Крапивин, И.И. Потапов. - М.: Гео-дезкартиздат. - 2007. - 388 с.
4. Haarbrink, R., Krapivin, V.F., Krisilov, A., Krisilov, V, Novichikhin E.P., Shutko A.M., Sidorov I. Intelligent data processing in global monitoring and security.
- Sofia-Kiev: ITHEA. - 2011. - 410 pp.
5. Shutko, A.M., Krapivin, V.F., Haarbrink R.B., Sidorov
I.A., Novichikhin E.P., Archer F., and Krisilov A.D. Practical microwave radiometric risk assessment. -Sofia. - Professor Marin Drinov Academic Publishing House. - 2010. - 88 pp.
ОБРАБОТКА МОДЕЛИ ГИПЕРСПЕКТРАЛЬНОГО СНИМКА
с использованием дополнительных дешифровочных признаков
Ю.С. ГАЛКИН, проф. каф. физики МГУЛ, д-р техн. наук,
В.Н. ПОТАПОВ, асп. каф. физики МГУЛ
В настоящее время аэрокосмический мониторинг земной поверхности является стратегическим направлением решения многих проблем, стоящих перед обществом: климат, экология, контроль состояния и воспроизводства природных ресурсов, ход и последствия антропогенного и техногенного воздействия на экосферу и др. В соответствии с этим стремительно растет и развивается техника и технология дистанционного зондирования Земли (ДЗЗ) от базовых основ
galkin@mgul.ac.ru
до практического внедрения в производство в виде эффективных инноваций.
Базовой основой дистанционных съемок как в оптическом, так и в радиодиапазоне является физический механизм отражения электромагнитного излучения от объектов и регистрации его на борту авиационного или космического аппарата.
На данном этапе широко распространено использование для съемок оптического и ближнего инфракрасного (ИК) диапазонов,
ЛЕСНОЙ ВЕСТНИК 9/2012
111
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Таблица 1
Значения дешифровочных признаков
сосна ель береза осина ольха
Сумма амплитуд 60 58 159 172 133
Период переколебаний 75 25 25 50 100
Разница полупериодов 45 15 45 20 45
Таблица 2
Разрешающая способность дешифровки по каждой породе
сосна ель береза осина ольха
Сумма амплитуд 51 % 0 % 50 % 136 % 147 % 114 %
Период переколебаний 136 % 45 % 45 % 91 % 182 %
Разница полупериодов 132 % 44 % 132 % 58 % 132 %
Дешифровка по NDVI 30 % 32 % 23 % 24 % 23 %
Дешифровка методами кластерного анализа 35 % 35 % 25 % 30 % 25 %
Дешифровка статистическими методами 25 % 25 % 20 % 20 % 20 %
в которых наиболее значимо проявляются особенности коэффициентов спектральной яркости (КСЯ) и яркостных контрастов (ЯК), которые создают набор дешифровочных признаков объектов, особенно растительной природы [1].
Для обработки этой информации создан ряд мощных программных пакетов (ENVI, ERDAS и др.), имеющих широкое использование на практике.
Появление и применение нового класса регистраторов спектров - гиперспектрометров [2], обеспечивающих спектральное разрешение порядка 2-10 нм в диапазоне от 200 до 2500 нм, гармонично вписалось в существующие технологии обработки снимков, обеспечивая оператору-дешифровщику дополнительные возможности в оценке КСЯ и настройке ЯК объектов.
В то же время известно [1], что КСЯ растительных объектов различаются на 25 % в видимой области спектра и на 5-10 %
- в инфракрасной области, что определяет их низкую помехоустойчивость при влиянии внешних факторов съемки (условий освещенности, состояния атмосферы и др.). Необходимость подбора оптимального контраста объекта относительно фона, требует участия дешифровщика, а в технологическом аспекте
- наличие субъективного фактора.
Вместе с тем, в работе [3] на основе высокого спектрального разрешения гиперс-
пектрометров предложен и алгоритмически описан метод создания дополнительных к КСЯ дешифровочных признаков, которые не зависят от внешних условий съемки, формируются и обрабатываются полностью в автоматическом режиме без участия дешифровщика.
Данная статья предназначена для подтверждения работоспособности и эффективности предложенного метода обработки информации на примере модельного гиперспектрального снимка.
В качестве определяемых объектов приняты древесные породы: сосна, ель, береза, осина, ольха, для которых есть спектральные характеристики в диапазоне 400-1100 нм.
Спектральный шаг гиперспектрометра взят 10 нм.
Для приблизительной оценки ситуации данные гиперспектрометра визуализированы на рис. 1, так как таблица имеет 600 значений и менее наглядна. На рисунке видно, что лиственные породы по значению КСЯ различить затруднительно.
Согласно работе [3], по данным гиперспектрометра создается разностная матрица, визуализированная на рис. 2. Здесь видно, что по ряду параметров кривые пород разделяются в большей степени, чем по спектрам. Цвет пикселя на экране монитора физической интерпретации не имеет.
112
ЛЕСНОЙ ВЕСТНИК 9/2012
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
400 435 470 505 540 575 610 645 680 715 750 785 820 855 890 925 960 995 10301065 1100
Рис. 1. Кривые отражательных способностей сосны (красный), ели (синий), березы (зеленый), осины (фиолетовый), ольхи (голубой)
400 435 470 505 540 575 610 645 680 715 750 785 820 855 890 925 960 995 10301065 1100
Рис. 2. Визуализация разностной матрицы
По оси y приведены значения величин элементов разностной матрицы в безразмерном масштабе. По оси х - длины волн в нанометрах.
В качестве дешифровочных признаков приняты следующие параметры:
- суммы положительных и отрицательных амплитуд значений в рядах матрицы;
- периоды переколебаний в рядах матрицы;
- разницы полупериодов переколебаний в рядах матрицы.
Полученные характеристики были нормированы на ее среднее значение (одновременное присутствие на участке всех пород) и определен процент разрешающей способности дешифровочного признака относительно указанного фона.
Проведено сравнение с аналогичной оценкой стандартных методов дешифровки,
ЛЕСНОЙ ВЕСТНИК 9/2012
113
ИНСТИТУТ СИСТЕМНЫХ ИССЛЕДОВАНИИ ЛЕСА
Обозначения:
■ Сосна
■ Ель
' Берега Осина Н Ольха
Все спектры
Новый снимок Обработать снимок
Количество определенных пород:
Эталон Выходные данные:
Сосна: 1873 -37 2 1873-37 2
Ель: 1266 • 25% 1266-252
Береза: 506 • 10 2 506 • 10 2
Осина: 810-162 810-162
Ольха: 658 -13 2 658-13 2
Другое: 58 - 1 2 58 • 1 2
Другое 1: 12 - 02 12 • 02
Другое 2: 35 - 1 2 35 - 1 2
Не определено: 0-02 0-02
Рис. 3. Результат работы программы Trees при отсутствии шумов
Обозначения:
■ Сосна
■ Ель
’ Береза Осина Ц Ольча
Все спектры
Рис. 4. Результат работы программы Trees при 15 % шумов на входе
приведенных в литературе [4], и результаты приведены в табл. 2.
Табл. 2 наглядно иллюстрирует преимущества предложенных новых дешифро-вочных признаков.
Для практического применения предложенных дешифровочных признаков был
разработан подробный алгоритм и специальный пакет программ Trees. Пакет позволяет из данных гиперспектрометра автоматически создать три цифровых трехмерных гиперкуба, которые реализуют разработанный метод в технологии дешифровки. Для проверки последнего положения была построена модель
114
ЛЕСНОЙ ВЕСТНИК 9/2012
