CC BY
103
УДК 528.77
Ю.В. Никитина
филиал ФГУП «Рослесинфорг» «Запсиблеспроект», Новосибирск В.Н. Никитин СГГА, Новосибирск
РАЗРАБОТКА МЕТОДИКИ АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ МНОГОЗОНАЛЬНЫХ КОСМИЧЕСКИХ СНИМКОВ СРЕДНЕГО РАЗРЕШЕНИЯ ДЛЯ ОПРЕДЕЛЕНИЯ ПОРОДНОГО СОСТАВА ЛЕСНЫХ НАСАЖДЕНИЙ
Предложена методика использования таксационных описаний выделов для создания эталонов для дешифрирования многозональных космических снимков лесных территорий. Проверена возможность использования статистического анализа для определения корректности описания породного состава выделов.
Проведён анализ спектральной разделимости полученных эталонов для дешифрирования и определена достоверность дешифрирования породного состава лесных насаждений. По предложенной методике выполнено автоматизированное дешифрирование многозональных космических снимков SPOT и FORMOSAT на территорию Томкой области.
Yu.V. Nikitina
The branch of the federal state unitary enterprise «Roslesinforg» «Zapsiblesproject»,
Novosibirsk
V.N. Nikitin
SSGA, Novosibirsk
DEVELOPMENT OF THE TECHNIQUES FOR COMPUTER-AIDED INTERPRETATION OF MULTI-ZONE AVERAGE RESOLUTION SATELLITE IMAGES FOR FOREST PLANTS SPECIES COMPOSITION DETERMINATION
The authors offer the techniques for forest plots inventory used for developing the standards of forest territories multi-zone satellite images interpretation. The statistical analysis has been proved to be useful for checking the correctness of the plots species composition inventory.
Analysis of the developed interpretation standards spectral divisibility has been conducted. The validity of the forest plants species composition interpretation has been determined. The offered techniques were applied for the computer-aided interpretation of multi-zone satellite images SPOT and FORMOSAT of Tomsk region territory.
В настоящее время космические снимки, полученные различными спутниковыми съёмочными системами, являются важнейшим источником информации о земной поверхности. Доступность и высокая периодичность космической съёмки позволяют организовать круглогодичный мониторинг обширных территорий. Однако при этом возникает задача эффективной обработки большого объёма информации, получения максимально точных и оперативных результатов.
В настоящее время для обработки космических снимков широко используются различные универсальные и специализированные геоинформационные системы (ГИС). Практически каждая такая система осуществляет дешифрирование снимков путём автоматической классификации (кластеризации) и классификации с обучением, например, с использованием метода максимального правдоподобия [1].
Однако дешифрирование лесной растительности имеет свои особенности, которые необходимо учитывать. Во-первых, как показали проведённые экспериментальные исследования, для распознавания породного состава лесных массивов совершенно неэффективно сочетание зелёного и красного спектральных каналов съёмочной системы, поскольку коэффициент корреляции между ними для растительности доходит до 0,98. Такое сочетание каналов может быть использовано только для разделения лесных территорий от территорий, непокрытых лесом. Напротив, ближний инфракрасный диапазон незаменим для разделения лиственных и хвойных пород, имеющих здесь максимальный контраст. Также можно использовать коротковолновый
инфракрасный диапазон, позволяющий уточнить породный состав древостоев.
Во-вторых, значительным положительным фактором для автоматизированного дешифрирования снимков лесных территорий является наличие материалов лесоустройства, содержащих подробные таксационные характеристики лесных насаждений.
Третьей особенностью дешифрирования лесов является преобладание на местности смешанных древостоев. Поэтому на космических снимках среднего разрешения, обладающих эффектом генерализации, яркости пикселей выделов, используемых для формирования обучающих выборок, в пространстве спектральных признаков в значительной степени пересекаются. Данное
обстоятельство снижает достоверность дешифрирования, и для его
компенсации необходимо принимать комплекс мер, включающий исключение из обучающей выборки пикселей, граничащих с другими объектами,
статистический анализ достоверности указанных в материалах лесоустройства таксационных характеристик и использование субпиксельных методов классификации.
Выполненный анализ позволил разработать следующую методику автоматизированного дешифрирования космических снимков для определения породного состава лесных насаждений:
1. Сбор материалов лесоустройства. Обязательно наличие базы данных по лесным выделам с топографической привязкой и таксационным описанием (породный состав).
2. Выбор космического снимка. Предпочтительными являются снимки с высоким спектральным разрешением в красной, ближней и коротковолновой инфракрасной зонах спектра. Именно в этих зонах спектра различные виды лесной растительности имеют наибольшие отличия в отражательной способности.
3. Формирование обучающих выборок по большому числу выделов с исключением из анализа граничных пикселей, что может несколько сгладить ошибки привязки космических снимков и базы выделов, исключит из обучающей выборки пиксели других пород древостоя, дорог, водоёмов и т.д. Это приведёт к некоторому уменьшению дисперсии яркости пикселей в выборках и, следовательно, повысит различимость дешифрируемых классов.
4. Фильтрация выборок по математическому ожиданию и дисперсии (отклонение от математического ожидания и дисперсии совокупной выборки для конкретного породного состава). Требуется не менее 50^100 выборок для получения статистически значимых результатов. Фильтрация позволит выявить ошибки описания выделов в материалах лесоустройства и, после их исключения, несколько уменьшить дисперсию яркостей пикселей в эталоне для дешифрирования.
5. Выполнение классификации по методу максимального правдоподобия или субпиксельной классификации.
6. Формирование кластеров пикселей с одинаковым или близким значением породного состава лесных насаждений.
7. Объединение малых кластеров с соседними более крупными кластерами.
8. Выполнение векторизации кластеров с присвоением характеристики соответствующего породного состава лесных насаждений.
Приведённая методика была апробирована при классификации породного состава лесов части территории Верхнекетского лесничества Томской области по многозональным космическим снимкам Spot-4 и Formosat-2. Для проведения исследований был разработан программный модуль для ArcGIS.
В качестве основного метода классификации в работе выбран критерий максимального правдоподобия. Этот метод предполагает определение по выборке средней яркости пикселей, их среднеквадратического отклонения и корреляционной матрицы между каналами. Однако распределение яркости пикселей в канале должно соответствовать нормальному распределению. Для численного критерия соответствия выборки нормальному распределению выбран критерий Колмогорова.
Анализ спектральных и таксационных характеристик большого количества выделов (более 7000 для некоторых снимков) подтвердил работоспособность предложенной методики, что позволяет повысить степень автоматизации выполняемых работ.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из Космоса. Цифровая обработка изображений: Учебное пособие. М.: Логос, 2001.- 264 с.
© Ю.В. Никитина, В.Н. Никитин, 2011
