CC BY
164
CALCULATION OF THE NUMERICAL CHARACTERISTICS OF SEMI-MARKOV PROCESSES
G.N. Klintsov, E. V. Larkin
The process of calculating the basic numerical characteristics of semi-Markov processes for the analysis of computer performance are described.
Key words: dispersion, distribution law, expected value, matrix, semi-Markov process, Markov chain.
Klintsov Grigoriy Nikolaevich, postgraduate, argon-eldar@,mail. ru, Russia, Tula, Tula State University,
Larkin Eugene Vasilyevich, doctor of technical science, professor, head of chair, elarkin@,mail. ru, Russia, Tula, Tula State University
УДК 004.9; 528.87
СОВРЕМЕННЫЕ ПОДХОДЫ К ОБРАБОТКЕ ДАННЫХ ПРИ ПОСТРОЕНИИ ГЕОИНФОРМАЦИОННЫХ СИСТЕМ ЭКОЛОГИЧЕСКОГО МОНИТОРИНГА
А.Н. Колесенков
Рассмотрены современные методы и технологии обработки аэрокосмических снимков в задачах построения геоинформационных систем экологического мониторинга объектов и территорий. Представлены способы адаптации алгоритмов обработки данных к работе в условиях неполной информации. Выполнены исследования методов вегетационного индексирования аэрокосмических снимков. Предложен способ применения генетического подхода для выявления экологических опасностей. Проведены экспериментальные исследования по тестированию алгоритмов на реальных данных со спутников Электро-Л и Канопус-В.
Ключевые слова: геоинформационная система, ГИС, вегетационный индекс, нечеткая кластеризация, генетический подход, эволюционный алгоритм, ДЗЗ, космический снимок.
Ежегодно объекты окружающей среды подвергаются воздействию ряда неблагоприятных факторов, среди которых можно выделить пожары, затопления, загрязнения, вырубку лесов, незаконные свалки твердых бытовых отходов и т.д., которые приводит к серьезной угрозе состоянию экосистем. Актуальным является разработка математических и алгоритмических основ построения систем экологического мониторинга, способных осуществлять эффективную информационную поддержку деятельности
103
по прогнозированию, раннему обнаружению, предупреждению, ликвидации и оценке последствий экологических катастроф. Учитывая разнородность информации, поступающей из различных источников, целесообразным является применение геоинформационных систем (ГИС), позволяющих проводить комплексную обработку и анализ такой информации.
ГИС, как правило, базируется на картографической основе с единой системой координат, на базах географических данных, являющуюся местом хранения информации об анализируемых объектах и территориях, на наборе алгоритмов и программных модулей для выполнения различных задач, направленных на снижение риска возникновения экологических происшествий.
К задачам ГИС экологического мониторинга относятся: мониторинг и прогнозирование динамики изменения состояния наблюдаемых объектов и территорий в пространстве и во времени; построение тематических карт заданных территорий; моделирование природных и антропогенных процессов; раннее выявление неблагоприятных факторов. На сегодняшний день в области проектирования ГИС экологического мониторинга остаётся нерешенным ряд проблемных вопросов:
отсутствие эффективных методов и алгоритмов обработки данных ДЗЗ в условиях неполной и нечеткой информации;
отсутствие эффективных методов и алгоритмов мониторинга объектов на основе искусственного интеллекта и генетических подходов;
существующие системы мониторинга чрезвычайных ситуаций не используют множества современных технологий.
Целью работы является исследование возможности применения современных подходов к проектированию ГИС нового поколения.
Существуют следующие дистанционные и наземные методы экологического мониторинга. К дистанционным методам экологического мониторинга относятся [1]:
аэрокосмические наблюдения посредством применения данных дистанционного зондирования Земли (ДЗЗ) для обнаружения изменений в биосфере и на объектах окружающей среды;
авиационные наблюдения посредством самолетов, вертолетов и т.д. для нахождения региональных и локальных изменений, выявления источников антропогенного воздействия на проблемную территорию.
К наземным методам экологического мониторинга относятся: биологические наблюдения для определения изменений в почвах и растительном мире.
химические наблюдения посредством использования химических реагентов
К факторам, влияющим на состояние объекта окружающей среды, относятся:
абиотические (погодные явления, почва, рельеф, свойства воды, состав атмосферы);
биотические (взаимодействие растений и растений между собой и с окружающей средой);
антропогенные (деятельность человека).
В данной работе рассматриваются дистанционные аэрокосмические методы мониторинга абиотических и антропогенных факторов [2], поскольку они слабо изучены и имеют существенный потенциал для использования в задачах экологического мониторинга средствами ГИС.
Геоинформационные технологии
Освоение больших объемов разнотипных пространственно-временных данных, выявление из них существенной информации и знаний, разработка новых и совершенствование существующих геоинформационных методов анализа и обработки геолого-геофизической информации о пространственно-временных объектах [3], явлениях и процессах необходимо для развития фундаментальных исследований и решения прикладных задач в науках и общественных дисциплинах.
ГИС позволят анализировать пространственное расположение и взаимное влияние объектов, осуществлять моделирование процессов и явлений природного и техногенного характера, осуществлять информационную поддержку по предупреждению экологических катастроф [4,5].
Использование оперативной аэрокосмической информации позволяет успешно осуществлять мониторинг как быстро протекающих, так и протекающих медленно процессов, охватывающих большие территории [5].
Нечеткая кластеризация данных
Для оперативного выявления неблагоприятных факторов на наблюдаемом объекте или территории в системах мониторинга предлагается использовать метод кластеризации пикселей аэрокосмических изображений по уровням яркости на основе теории нечетких множеств.
Концепция частичной принадлежности, когда пиксель изображения может принадлежать одновременно нескольким кластерам, позволяет более точно вычислить элементы кластера и использовать это для дальнейшей обработки изображения [6,7].
В работе предлагается алгоритм нечеткой кластеризации для идентификации очагов пожаров по аэрокосмическим снимкам. Он позволяет разбить изображение на несколько групп и выявить очаг возгорания. После идентификации пожара и его первичного выделения необходимо произвести фильтрацию, для того чтобы убрать небольшие группы пикселей, выделенные как пожар, но не являющиеся им.
Для оценки площади пожара используется метод, основывающийся на пространственном разрешении спутника. Зная количество пикселей принадлежащих очагу возгорания, алгоритм высчитывает общую площадь пожара [8].
Модернизированный алгоритм нечеткой кластеризации БСМ сравнивает ЯОБ-значение каждого пикселя со значением центра группы. Чем выше значение принадлежности, тем более вероятно, что пиксель должен принадлежать той группе.
Объединение в кластеры БСМ происходит путем минимизации целевой функции (1), показанной в уравнении:
J =
п
X
c
X
I = 1 k = 1
Ei
ik
(1)
где: J - целевая функция; c - количество кластеров; п - количество пикселей; ^ - значение принадлежности; m - параметр нечеткости; Eik - Евклидово расстояние Pi и Vk.
Предложенный алгоритм был расширен для объединения в кластеры цветных изображений в ЯОБ-спектре.
В качестве исходных данных использовались космические снимки с российского спутника Канопус-В [9]. Результаты работы алгоритма представлены на рис. 1.
Рис. 1. Результаты идентификации пожара
Вегетационное индексирование
Мониторинг динамики состояния объектов окружающей среды предлагается провести с применением подходов, в основе которых лежит применение нормализованного вегетационного индекса [10,11]. Вегетационные индексы представляют собой показатели, которые вычисляется в результате обработки мультиспектральных данных дистанционного зондирования Земли (ДЗЗ).
В результате проведения исследований установлено, что для выполнения задач экологического мониторинга объектов и территорий можно использовать следующие индексы [12].
106
Почвенный вегетационный индекс представляется формулой (2).
$АУ1 (,, у) №х,у) - Щ(х,у)) ,а + £), (2)
' (Щх,у) + Щ(х,у +1)) К '' у '
где 1Я (х, у) - значение яркости пикселя изображения ИК-диапазона; Щ( х, у) - значение яркости пикселя изображения Я-диапазона;( х, у) - локальные координаты пикселя.
Трансформированный почвенный вегетационный индекс.
Индекс глобального мониторинга окружающей среды, который основан на вычислении общей поправки для учета влияния атмосферы.
Вегетационный индекс, устойчивый к влиянию атмосферы.
Водный индекс, который может применяться для анализа пожарной опасности, управления состоянием территорий.
Нормализованный разностный водный.
Результаты экспериментальных исследований по вегетационному индексированию представлены на рис. 2, 3.
Рис. 2. Вегетационный индекс
Рис. 3. Разность индексов с порогом 15
107
Использование этих индексов дает более точные результаты для оценки количества и состояния растительности. Использование отражения в узких спектральных каналах позволяет этим индексам фиксировать даже небольшие изменения состояния растительности [13]. Но для расчета этих индексов необходимы данные в узких спектральных зонах. Индексы этой группы также отражают общее количество и состояние растительности.
Эволюционный подход
Особое внимание в работе уделяется эволюционному моделированию, включающему применение генетических алгоритмов в задачах экологического мониторинга объектов и территорий [14].
Формирование новой популяции (3) осуществляется за счет использования операторов селекции (4), мутации и скрещивания.
4 =1 = Pm ■ PC ■ PS (4 ) (3)
Оператор селекции представляет собой следующее: из набора представленных хромосом выбираются только те, которые будут участвовать в создании нового поколения путем отбора по наивысшем значениям критерия «приспособленности». Для этого используется метод «рулетки», который заключается в том, что все хромосомы обрабатываются поочередно, при этом каждой хромосоме присваивается номер. Чем выше функция приспособленности, тем больше номер.
Оператор селекции P рассчитывается по следующей формуле:
S
N
ps (chi) = F(chi)/1F(chi), (4)
i=1
где F(chi) - значение функции приспособленности хромосомы сЩ, a Ps (chi) - вероятность селекции хромосомы ch^, N - длина популяции.
Операторы скрещивания и мутации являются вторичными функциями, которые применяются после использования оператора селекции. И представляют собой две вероятности Pc - скрещивание и PM я - мутация.
Скрещивание объединяет новые хромосомы, полученные в результате завершения оператора селекции, в пары, которые наследуют те или иные гены «родителей».
Предлагаемый алгоритм позволяет осуществлять мониторинг экосистем, включая оценку и прогнозирование состояния наблюдаемого объекта или территории под воздействием неблагоприятных факторов, поиск источников загрязнения, контроль вредных выбросов, оценку состояния природных ресурсов.
Для проведения экспериментальных исследований применяются космические снимки, полученные с помощью российских космических аппаратов «Электро-Л».
Рис. 4. Результаты работы эволюционного алгоритма
Полученный в результате работы программный модуль позволяет моделировать динамику изменений основных параметров экосистем (рис. 4), динамику взаимодействия экосистемы с ее окружением для своевременного прогнозирования экологических катастроф и адекватной оценки масштаба ущерба, нанесенного катастрофами, а так же предоставляет возможность контроля состояния опасных объектов и территорий [15,16].
Методика оценки риска
Оценка риска принятия решений обнаружения, моделирования, сопровождения и оценки очагов пожаров проводится на основе логико-вероятностного исчисления (ЛВИ), которое предназначено для количественной оценки безотказности сложных технических структур [17]. Она базируется на правилах замещения логических аргументов в функциях алгебры логики вероятностями их истинности, а логических операций - арифметическими.
Привлекательность ЛВИ заключается в его исключительной четкости и однозначности количественной оценки риска, а также в больших возможностях при анализе влияния любого элемента на надежность и безопасность всей системы.
Логическая функция безопасного функционирования системы представляется как Убф = У(), где х^ - логическая переменная, характеризующая состояние подсистемы I; / = 1, п, п - количество подсистем в системе [18].
Применение методики апробировано на сценарии риска возникновения пожара, построенного на экспериментальном полигоне в Рязанской области.
Заключение
Применение современных геоинформационных технологий совместно с оперативной аэрокосмической информацией позволяет на порядок сократить время доступа, обработки и подготовки данных, что существенно повысит качество предоставляемой информации при решении задач эколо-
гического мониторинга объектов и территорий, прогнозирования, предупреждения и раннего обнаружения экологических катастроф природного и техногенного характера [19].
В результате выполнения работы получены следующие научно-технические результаты:
разработана технология геоинформационного экологического мониторинга объектов и территорий на основе данных дистанционного зондирования Земли, вегетационного индексирования и генетических подходов;
разработан алгоритм экологического мониторинга опасных объектов и территорий на основе эволюционного подхода;
разработан алгоритм идентификации экологических катастроф на основе нечеткой кластеризации данных;
проведено исследование и выбор подходящих для выполнения поставленных в работе задач вегетационных индексов;
проведено моделирование изменения состояния объектов и территорий Рязанской области;
проведены экспериментальные исследования по прогнозирования состояния исследуемых опасных объектов с помощью разработанных методов и алгоритмов.
Разработанная технология позволяет осуществлять мониторинг экосистем, включая оценку и прогнозирование состояния наблюдаемого объекта или территории под воздействием неблагоприятных факторов, поиск источников загрязнения, контроль вредных выбросов, мониторинг природных ресурсов.
Благодарности
Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации, Совета по грантам Президента Российской Федерации (грант № СП-553.2015.3), Фонда содействия развитию малых форм предприятий в научно-технической сфере (проект «Геоинформационная система космического on-line мониторинга опасных объектов и экосистем»).
Список литературы
1. Шовенгердт Р.А. Дистанционное зондирование. Методы и модели обработки изображений. М. Техносфера, 2010. 556 с.
2. Прэтт У. Цифровая обработка изображений. Кн. 1. М.: Мир, 1982.
311 с.
3. Gonzales R., Wood R. Image digital processing. M., Tekhnosfera, 2005, 1072 p.
4. Попов С.Ю. Геоинформационные системы и пространственный анализ данных в науках о лесе [Электронный ресурс]. СПб.: Интермедия, 2013. 400 с.
5. Ловцов Д. А. Геоинформационные системы [Электронный ресурс]: учебное пособие. М.: Российская академия правосудия, 2012. 192 с.
6. Колесенков А.Н., Таганов А.И. Разработка геоинформационной системы аэрокосмического мониторинга чрезвычайных ситуаций на опасных объектах // Космодром «Восточный» и перспективы развития российской космонавтики»: тезисы докладов Всероссийской молодёжной научно-практической конференции. Самара: СГАУ, 2015. С. 189-190.
7. Колесенков А.Н. Технология поддержки принятия управленческих решений на основе оперативного мониторинга пожарной обстановки // Известия Тульского государственного университета. Технические науки. Вып. 9. Тула: Изд-во ТулГУ, 2015. С. 157-163.
8. Спивак Л.Ф., Архипкин О.П., Сагатдинова Г.Н. Космический мониторинг пожаров на территории Западного Казахстана // Современные проблемы дистанционного зондирования Земли из космоса. М.: Изд-во ГРАНП-Полиграф, 2005. Т. 2. С. 332-335.
9. Ruchkin V.N., Kostrov B.V., Kolesenkov A.A. Emergencies monitoring and preventing, In Proceedings of the 2nd Mediterranean Conference on Embedded Computing MECO 2013, Montenegro, Budva. P. 89-93.
10. Черепанов А.С. Вегетационные индексы // Геоматика. Вып. №2. М.: Юнион-Принт, 2012. С. 98-102.
11. Qi J., Kerr Y., Chehboun, A. External Factor Consideration in Vegetation Index Development, in Proc. of Physical Measurements and Signatures in Remote Sensing, ISPRS. P. 723-730.
12. Leprieur C., Verstraete M.M., Pinty B., Chehbouni A. NOAA/ AVHRR Vegetation Indices: Suitability for Monitoring Fractional Vegetation Cover of the Terrestrial Biosphere, in Proc. of Physical Measurements and Signatures in Remote Sensing, ISPRS. P. 1103-1110.
13. Crippen R.E. Calculating the Vegetation Index Faster // Remote Sensing of Environment. Vol 34. P. 71-73.
14. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия - Телеком, 2006, 452 с.
15. Таганов А.И., Таганов Р. А. Применение нечетких ситуационных моделей для идентификации рисков программного проекта. // Системы управления и информационные технологии, 2007. Т. 30. № 4.2. С. 297-303.
16. Ruchkin V.N., Kostrov B.V., Kolesenkov A.N., Ruchkina E.V. Anthropogenic Situation Express Monitoring on the Base of Fuzzy Neural Networks, In Proceedings of the 3nd Mediterranean Conference on Embedded Computing MECO 2014. Montenegro, Budva. P. 166-169.
17. Костров Б.В. Методология пространственного спектрального анализа изображений в конечных базисах//Актуальные проблемы создания космических систем дистанционного зондирования Земли: Материалы второй международной научно-технической конференции/Вопросы электромеханики. Труды ВНИИЭМ. Приложение за 2014. С. 227-235.
18. Костров Б.В., Баранчиков А.И. Теория и методы исследования моделей и алгоритмов представления данных для предметных областей с ранжируемыми атрибутами. // Вестник РГРТУ, №5 (выпуск 47). 2013.
19. Бескид П.П. Геоинформационные системы и технологии [Электронный ресурс]. СПб.: Российский государственный гидрометеорологический университет, 2013. 173 с.
Колесенков Александр Николаевич, канд. техн. наук, доц., [email protected], Россия, Рязань, Рязанский государственный радиотехнический университет
MODERN APPROACHES TO THE PROCESSING OF DATA IN THE CONSTRUCTION OF INFORMA TION SYSTEMS OF ENVIRONMENTAL MONITORING
A.N. Kolesenkov
The paper deals with modern methods and technologies for the processing of aerospace images in problems of geoinformation systems to environmental monitoring facilities and territories construction. We present ways to adapt data processing algorithms to work in conditions of incomplete information. There have been studies the methods of vegetation index space images. It has been proposed a method of using genetic approach to identify environmental hazards. Experimental studies have been conducted to test the algorithms on real data from satellite Elektro-L and Canopus-B.
Key words: geographic information system, GIS, vegetation index, fuzzy clustering, genetic approach, evolutionary algorithm, remote sensing, satellite image.
Kolesenkov Aleksandr Nikolaevich, candidate of technical science, docent, sk62@,mail.ru, Russia, Ryazan, Ryazan State Radio Engineering University.
