CC BY
216
УДК 528.852
В.В. Асмус, А.А. Бучнев, В.П. Пяткин ИВМиМГ СО РАН, Новосибирск
ПРОГРАММНЫЙ КОМПЛЕКС ОБРАБОТКИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ В ПРИКЛАДНЫХ ЗАДАЧАХ МОНИТОРИНГА ПРИРОДНОЙ СРЕДЫ
Космический мониторинг предполагает получение регулярной информации о состоянии окружающей природной среды на основе данных дистанционного зондирования Земли. Использование методов космического мониторинга является особенно актуальным для России с ее обширными и труднодоступными территориями, суровыми климатическими условиями и низкой плотностью населения. Его роль существенно возросла в связи с сокращением наземной сети гидрометеорологических станций и объемов авиационных наблюдений. Функциональные возможности разработанного в ИВМиМГ СО РАН совместно с НИЦ “Планета” Росгидромета РФ программного комплекса для обработки данных дистанционного зондирования (ДДЗ) Земли дают возможность использовать при обработке ДДЗ практически полный набор предложенных в [1] операций. Это такие операции как предварительная обработка ДДЗ, представленных в виде изображений, геометрические преобразования, кластерный анализ, контролируемая классификация и операции, направленные на обнаружение объектов заданной формы (линеаментов и кольцевых структур) на случайном фоне.
Предварительная обработка реализует обычный набор функций по фильтрации изображений (подавление шумов, подчеркивание границ, медианная фильтрация) и изменению яркостных и контрастных характеристик, включая гистограммные преобразования и преобразования, задаваемые пользователем в интерактивном режиме. Геометрические преобразования включают совмещение, масштабирование и ряд функций по отображению космических снимков на карту местности по набору опорных точек на снимке и карте. Операция совмещения позволяет объединить в один файл несколько наборов данных, соответствующих различным спектральным диапазонам (каналам), и визуализировать требуемое количество каналов (не более трех) при совмещении данных из каналов с различным пространственным разрешением. Функции по отображению космических снимков на карту разбиты на две группы: создание растровой карты и собственно отображение снимка на созданную карту. Создание карты заключается в формировании листа карты в выбранной картографической проекции (стереографической, Гаусса-Крюгера, Меркатора, Каврайского) по заданным географическим координатам и последовательном наложении на этот лист координатной сетки, контурных элементов из файлов в формате CBD (Compressed Binary Data), данных шейпфайлов ГИС ArcView, условных обозначений населенных пунктов и их наименований. Файлы в формате CBD содержат в компактном представлении информацию о данных векторных карт в масштабе 1:2000000. Отображение снимка на карту производится по набору опорных точек на снимке и карте. Реализованы два способа
отображения: на основе триангуляции и полиномиальное отображение. В первом случае по набору опорных точек снимка строится выбранная триангуляция (триангуляция Делоне, либо «жадная» триангуляция) и затем последовательно выполняются аффинные преобразования, отображающие треугольник снимка на треугольник карты. В случае полиномиального отображения по набору опорных точек снимка и карты строятся отображающие полиномы выбранной степени - первой, второй или третьей. Построение полиномов (нахождение их коэффициентов) проводится по критерию минимизации среднеквадратичного отклонения. Редактор опорных точек позволяет в интерактивном режиме позиционировать их на снимке и карте таким образом, чтобы точность отображения увеличивалась. Разработана система, позволяющая объединять изображения с результатами отображения различных снимков на одну и ту же карту (создание мозаик). Система может работать в двух режимах: с интерполяцией, когда с каждым пикселом связывается весовой коэффициент, значение которого зависит от координат пиксела, и пиксел результирующего изображения равен взвешенной сумме соответствующих пикселов, и без интерполяции, когда один пиксел замещает другой. В режиме с интерполяцией можно создать мозаику из 256 изображений. В режиме без интерполяции количество изображений для создания мозаики не ограничивается.
Система контролируемой классификации (классификации с обучением) в программном комплексе состоит из семи классификаторов (один поэлементный классификатор и шесть объектных), основанных на использовании байесовской стратегии максимального правдоподобия, и двух объектных классификаторов, основанных на минимуме расстояния. Под элементом здесь понимается N - мерный вектор признаков х = (х1хм)Т, где N - число спектральных диапазонов, а под объектом блок смежных векторов квадратной или крестообразной формы. Предполагается, что векторы х имеют в классе щ нормальное распределение N(ш1, В1) со средним щ и ковариационной матрицей В. Решение о принадлежности центрального элемента объекта тому или иному классу принимается на основе результата классификации всего объекта.
Необходимые для построения дискриминантных функций статистические характеристики - средние векторы, ковариационные матрицы, коэффициенты пространственной корреляции между значениями координат соседних векторов в горизонтальном и вертикальном направлениях - определяются на основе векторов из обучающих полей. Все классификаторы могут использоваться в двух режимах - тестовом и рабочем. По результатам работы классификаторов в тестовом режиме над векторами обучающих и контрольных полей формируется матрица ошибок, анализируя которую можно оценить (проконтролировать) качество обучения. Результатом работы классификаторов в рабочем режиме является одноканальное (байтовое) изображение, значениями пикселов которого являются номера классов. Это изображение окрашивается в предопределенные цвета, которые в
интерактивном режиме могут быть заменены на определяемые пользователем цвета. Кроме того, к этому изображению можно применить одну из двух функций постклассификации для удаления изолированных пикселов. Система контролируемой классификации имеет следующие характеристики: число обучающих образов - до 9, число классов - до 15, число обучающих и контрольных полей в классе - до 10, размер каждого поля - до 50*50, размер объекта - от 1*1 до 11*11, при этом размерность векторов данных не ограничивается.
Кластерный анализ (неконтролируемая классификация) в программном комплексе представлен двумя алгоритмами - методом к -средних и методом анализа мод многомерной гистограммы [2]. Первый подход основан на итеративной процедуре отнесения векторов признаков классам по критерию минимума расстояния от вектора до центра класса. Оптимальным считается такое разбиение входных векторов на кластеры, при котором внутриклассовый разброс не может быть уменьшен при переносе какого-либо вектора из одного кластера в другой. В основе второго подхода лежит предположение, что исходные данные являются выборкой из многомодового закона распределения, причем векторы, отвечающие отдельной моде, образуют кластер. Таким образом, задача сводится к анализу мод многомерных гистограмм. Гистограмма генерируется последовательным просмотром векторов данных и сравнением каждого вектора с текущим списком векторов. При этом либо изменяется соответствующее значение частоты, либо вектор добавляется в список. Для вычисления адресов векторов в списке используется хэш-кодирование. Первым шагом модального анализа является поиск ближайших соседей данного вектора списка среди других векторов списка. По определению вектор х есть ближайший сосед вектора у, если |хг - у\ < 1 для / = 1,...,N. Поскольку в реальной гистограмме
присутствуют далеко не все ближайшие соседи, то для эффективного их поиска векторы предварительно упорядочиваются в многомерные бинарные деревья. В этом случае время поиска всех ближайших соседей данного вектора становится пропорциональным числу реально существующих соседей. Далее проводится локализация мод гистограммы. Вначале каждому вектору на основе анализа его ближайших соседей ставится в соответствие градиент. Вектору приписывается номер вектора с максимальным значением градиента. Если градиент меньше нуля, то это означает, что координаты вектора являются центром моды и вектору приписывается его собственный номер. В конечном счете каждой моде гистограммы сопоставляется ориентированный граф, корень которого соответствует точке максимума моды. Если количество получаемых кластеров (количество локальных максимумов гистограммы) больше заданного, то проводится сглаживание гистограммы. На завершающем этапе выполняется раскраска ориентированного графа одним цветом, т.е. всем вершинам графа присваивается значение, которое присвоено его корню.
В анализе космических изображений при решении прикладных задач дистанционного зондирования в мониторинге природной среды возникает
проблема обнаружения протяженных объектов заданной формы, например, линейных и кольцевых структур на случайном фоне. При решении этой задачи в силу целого ряда причин предпочтение отдается статистическому подходу [1]. Основная из них в том, что вследствие случайного характера природных процессов данные дистанционных измерений (спектросовмещенные изображения) содержат много случайных вариаций, маскирующих различия значений яркости изображения в точках области объекта и в точках области фона. В такой ситуации для обнаружения объектов эффективны так называемые непараметрические критерии, так как распределения статистик, используемых в этих критериях, не зависят от (неизвестных наблюдателю) распределений наблюдаемых величин, когда в поле зрения объекты отсутствуют. Предлагается следующая схема обнаружения объектов. Последовательно (или параллельно) анализируются (почти) все возможные положения объектов, интересующих исследователя. Для каждого возможного положения решение о наличии объекта принимается по результату проверки, с помощью подходящего критерия гипотезы однородности величин, наблюдаемых соответствующим образом. Удобный непараметрический критерий для проверки этой гипотезы можно построить по значениям двух пар статистик Манна-Уитни [3]. В программный комплекс обработки космических снимков ИВМиМГ СО РАН включены процедуры выделения линейных и кольцевых структур на АИ, в основу которых положен описанный выше статистический подход.
Рассмотренный выше программный комплекс для обработки данных дистанционного зондирования Земли был использован для решения ряда прикладных задач дистанционного зондирования (геологические исследования, изучение сейсмоактивности, анализ многолетней динамики изменения ледового покрова Арктики и Антарктики и др.) [5-7]. Программа прикладных дистанционных исследований Земли из космоса обширна и разнообразна. Кратко остановимся на задачах дистанционного зондирования Земли, для которых важна задача выделения линейных и кольцевых структур на АИ. Прежде всего, это геологические исследования Земли из космоса. Материалы аэрокосмических съемок, показавшие повсеместное распространение линейных и кольцевых образований в структуре земной коры, обусловили широкий к ним интерес со стороны геологов. Предварительные результаты свидетельствуют о перспективности статистического подхода к выделению линейных и кольцевых структур на АИ. Так обработка аэрофотоснимков восточной части Сибирской платформы Якутской кимберлитоносной провинции показала геологически значимую корреляцию выделенной статистическим методом системы линейных элементов и типов зон разрывных нарушений. Результаты выделения линеаментов (ЛЭ) позволяют разбить изображение на зоны разрывных нарушений трех типов (см. рис.1): I - узкие зоны, имеющие высокую плотность ЛЭ одного простирания; II - зоны ЛЭ двух простираний, как правило, более широкие, чем зоны типа I; III - зоны ЛЭ разных простираний. На основе анализа выделенных ЛЭ рассматриваемая территория может быть
отнесена к категории «блоковых», кроме того, по известным месторождениям можно сделать вывод, что кимберлитопрявления тяготеют к зонам типа !,являющимся результатом длительного направленного развития разрывов. Таким образом, районирование на основании характеристик ЛЭ, выделенных предложенным методом, и привлечение априорной
информации помогает производить оценку перспективности территории при поисково-разведочных работах в геологии.
Рис.1. Зоны разрывных нарушений трёх типов
Статистический метод выделения линейных и кольцевых структур на АИ оказался достаточно эффективным при решении ряда задач экологических исследований Земли из космоса. В проблеме космической охраны Земли существует настоятельная необходимость изучения процессов падения небесных тел на Землю и картирование мест их падения. Два исторических космических факта подчеркивают актуальность решения проблемы выделения импактных кратеров на космических снимках. Это, безусловно, падение на Землю Тунгусского метеорита (1908 г.) и столкновение кометы Шумейкера-Леви с планетой Юпитер (1994 г.). Зона катастрофического вывала леса в районе Тунгусски составила 2000 кв.км., что значительно больше площади округа Вашигтон или города Нью Йорка в США. На космическом снимке планеты Юпитер после её столкновения с кометой Шумейкера-Леви было обнаружено восемь импактных кратеров, самый маленький из них не менее, чем 200 километров в поперечнике.
Машинные эксперименты с реальными АИ подтверждают эффективность предложенного статистического подхода к выделению импактных кратеров на поверхности Земли. Еще одна задача экологической программы исследования Земли из космоса связана с изучением и картированием сейсмоопасных регионов по данным цифровой обработки аэрокосмических изображений и комплекса наземных наблюдений. С использованием статистического подхода была проведена автоматизированная обработка космических снимков района Спитакского землетрясения и выделены две новые, крупные, дизъюнктивные зоны, не совпадающие с зонами известных глубинных разломов, и, по-видимому, играющие более существенную роль в тектонической структуре территории, чем это представлялось ранее. Показано, что практически все известные сейсмодислокации, разрушения в населенных пунктах и афтершоки Спитакского землетрясения приурочены к выделенным зонам и согласуются с их типом. Результаты могут служить основой для разработки новой технологии выделения дизъюнктивных зон, аномальных с точки зрения сейсмоопасности. Метод должен повысить точность и достоверность картирования территорий Земли по степени сейсмической опасности. В дальнейшем методика применялась для анализа сейсмических структур и оценки сейсмического риска сейсмически активных зон ряда других территорий: Калифорнии, Китая, Камчатки, Балкан [2].
Наблюдение за состоянием ледяного покрова Земли является одной из традиционных задач гидрометеорологии, климатологии и, в целом, мониторинга состояния окружающей среды. Оперативная информация о пространственном распределении, дрейфе, типе, возрасте, концентрации морского льда и айсбергов необходима для обеспечения безопасности навигации, рыболовства, добычи нефти и газа в полярных районах, а также для составления ледовых прогнозов различной заблаговременности. С точки зрения климатологии чрезвычайно важно накопление и анализ многолетних рядов данных о различных характеристиках ледяного покрова, являющихся индикаторами изменений регионального и глобального климата (границы и площади распространения морского льда, изменения границ материкового и шельфового льда Антарктиды и Гренландии, динамика отколов и разрушений айсбергов) [6]. Приоритет в данной области принадлежит отечественной серии спутников типа Океан с радиолокатором бокового обзора (РЛС БО), функционировавшим синхронно с оптическим сканером и СВЧ -радиометром. Данный уникальный комплекс аппаратуры явился основой первой в мире оперативно действовавшей (с 1983 года) системы мониторинга ледового покрова Земли. В последнее время в мониторинге ледовой обстановки в полярных районах Земли используется линеаментный анализ аэрокосмических изображений. Результат использования линеаментного анализа двух разновременных космических изображений ИСЗ NOAA представлен на рис. 2. На рис. 3 дан пример анализа динамики ледяного покрова в Арктике по многолетним архивным радиолокационным данным с ИСЗ Океан, при котором применялся разработанный программный комплекс.
Авторы считают, что в данной работе новыми являются оригинальные реализации алгоритмов геокодирования, монтажа, контролируемой и неконтролируемой классификации космических изображений, использование непараметрических статистических критериев для выделения линейных и кольцевых структур на аэрокосмических изображениях и разработка соответствующих информационных технологий для изучения природной среды методами космического мониторинга. Многолетний опыт использования этих технологий для решения ряда прикладных задач дистанционного зондирования (геологические исследования, изучение сейсмоактивности, анализ многолетней динамики изменения ледового покрова Арктики и Антарктики и др.) подтвердил их достаточно высокую эффективность.
Рис.2. Результат линеаментного анализа двух разновременных фрагментов изображений акватории Карского моря, покрытой льдом (по данным ИСЗ
КОЛЛ-14; ЛУИЯЯ; 10.5-11.5 мкм)
Рис.3. Динамика ледяного покрова в Арктике (по многолетним архивным радиолокационным данным с ИСЗ ОКЕАН)
Работа выполнена частично при финансовой поддержке
Интеграционного проекта РАН (проект № 13.15).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Дистанционное зондирование: количественный подход. /Пер. с англ. Пяткина В.П. и Юдиной О.А. - М.: Недра, 1983. - 415 с.
2. Асмус В.В. Программно-аппаратный комплекс обработки спутниковых данных и его применение для задач гидрометеорологии и мониторинга природной среды. Диссертация (научный доклад) на соискание ученой степени доктора физикоматематических наук. На правах рукописи. Москва. - 2002.
3. Салов Г.И. О мощности непараметрических критериев для обнаружения протяженных объектов на случайном фоне.- Автометрия.1997. №3.с.60-75.
4. Buchnev A.A., Pyatkin V.P. Software for Solving Some Space Monitoring Problems. // Proceedings of the 6th German-Russian Workshop “Pattern Recognition and Image Understanding”, Katun village, Altai Region, Russian Federation, August, 25 - 30, 2003, p. 223 - 225.
5. Алексеев А.С., Асмус В.В., Милехин О.Е., Пяткин В.П. Изучение природной среды и климата методами космического мониторинга. //Труды Международной конференции “Математические методы в геофизике”, 8-12 октября, 2003, Новосибирск: Изд. ИВМиМГ СО РАН,2003, ч. 1, с. 50 - 56.
6. Асмус В.В., Милехин О.Е., Кровотынцев В.А., Селиванов А.С. Использование радиолокационных данных ИСЗ серии Океан для решения задач гидрометеорологии и мониторинга окружающей среды// Исслед. Земли из космоса. 2002. № 3. с. 63 - 70.
7. Асмус В.В., Пяткин В.П. Прикладные задачи дистанционного зондирования в мониторинге природной среды. - Успехи современного естествознания. 2004. № 5. Приложение № 1. с. 215 - 217.
© В.В. Асмус, А.А. Бучнев, В.П. Пяткин, 2005
