CC BY
77
УДК 528.852
А.А. Бучнев, В.П. Пяткин
ИВМиМГ СО РАН, СГГА, Новосибирск
СПУТНИКОВЫЙ МОНИТОРИНГ ВОДНЫХ ПОВЕРХНОСТЕЙ И ЛЕДЯНЫХ ПОЛЕЙ
В статье представлено описание программных технологий для спутникового мониторинга водных поверхностей и ледяных полей. Эти технологии включают: трансформирование спутниковых изображений в картографическую основу (геокодирование); монтаж мозаик из трансформированных изображений; тематическую обработку с использованием кластерного анализа и контролируемой классификации; построение векторных полей перемещений водных масс и ледяных поверхностей; оформление результатов обработки.
А.А. Buchnev, V.P. Pyatkin ICM&MG SB RAS, SSGA, Novosibirsk
SATELLITE MONITORING OF THE WATER SURFACES AND ICE FIELDS
The description of the software technologies for the satellite monitoring of the water surfaces and ice fields is presented in this article. This technologies consists of: transformation of the images into map (geocoding); forming of mosaics from transformed images; data thematic processing with using of the clustering and supervised classification; forming vector fields of the water masses and ice surfaces moving; forming of the processing results.
Современные технологии мониторинга состояния водных поверхностей и ледяных полей включают обработку и анализ изображений, полученных со спутников дистанционного зондирования Земли, в видимом, инфракрасном и микроволновом диапазонах электромагнитного спектра. В ходе спутникового мониторинга морских акваторий и речных стоков решаются следующие задачи
[1-3]:
1. Оперативное картирование параметров состояния и загрязнений (береговых, судовых и биогенных) водной среды.
2. Анализ метеорологической обстановки и ее влияния на распространение загрязнений.
3. Изучение закономерностей прибрежной циркуляции воды и их влияния на распространение загрязнений.
4. Выявление различных ситуаций распределения загрязнений в прибрежных водах.
5. Определение гидрологических характеристик и отслеживание динамики затоплений речных пойм.
6. Определение параметров морского льда (возраст, сплоченность, обобщенные характеристики).
Задачи 2-5 находятся в тесной взаимосвязи, т.к. загрязнения, попадая в водную среду, становятся частью этой среды и развиваются вместе с ней под воздействием метеорологических и гидрологических факторов. Выходной
продукцией мониторинга являются карты загрязнения водных поверхностей пленками поверхностно-активных веществ, распределения фитопланктона и водорослей, концентрации хлорофилла, температуры поверхности воды, переноса водных масс, сплоченности льда, дрейфа ледяных полей и др. Соответствующие программные технологии, разработанные в ИВМиМГ СО РАН совместно с НИЦ «Планета» Росгидромета РФ [4], включают в себя следующие процедуры:
1. Трансформирование спутниковых изображений в картографическую основу.
2. Монтаж мозаик из трансформированных изображений.
3. Тематическую обработку с использованием кластерного анализа и контролируемой классификации.
4. Построение векторных полей перемещений водных масс и ледяных поверхностей.
5. Оформление результатов обработки в виде тематических карт и файлов данных заданного формата (BMP, GeoTiff).
Трансформирование спутниковых изображений в картографическую основу является геометрическим преобразованием, отображающим весь снимок либо его часть на заранее подготовленную растровую географическую карту соответствующей территории. Карта строится в выбранной географической проекции с использованием различных баз данных (в том числе шейп-файлов ГИС ArcView) для нанесения на лист карты контурных элементов пространственных объектов. Отображение снимка на карту основано на использовании идентичных опорных точек снимка и карты. Возможно использование одного из двух типов отображений: на основе применения семейства кусочно-аффинных преобразований, которые строятся на множестве треугольников снимка и карты, получаемых в результате триангуляции выпуклой оболочки множества опорных точек снимка, и на основе отображающего полинома заданной степени (первой, второй или третьей). Мозаики спутниковых изображений формируются путем объединения трансформированных на единую картографическую основу изображений. Трансформированные изображения, имеющие область пересечения, объединяются с использованием интерполяции значений пикселов изображений. Интерполяция проводится с использованием весовых коэффициентов, значения которых зависят от степени удаленности пикселов от краев снимков. В результате такого объединения граница пересечения снимков становится незаметной.
Характеризуя методы кластеризации в целом, следует отметить, что в основном они отыскивают в данных не те структуры, которые там реально существуют, а те, для поиска которых они предназначены [5]. Поэтому надежность результатов кластеризации часто можно оценить лишь сравнением нескольких вариантов обработки. Система кластерного анализа в программных технологиях обработки спутниковых данных представлена двумя алгоритмами
- методом К -средних и методом анализа мод многомерной гистограммы, а
также гибридным методом, объединяющим метод анализа мод многомерной гистограммы с последующей иерархической группировкой. Как отмечается в обзоре алгоритмов кластеризации [6], метод К - средних является наиболее эффективным для разбиения больших наборов данных на кластеры. Качество разбиения в алгоритме К -средних определяется функцией ошибок, являющейся суммой расстояний векторов измерений до центров кластеров, в которые попадают эти векторы. Алгоритм К -средних является итерационной процедурой, на каждом шаге которой значение функции ошибок уменьшается. Алгоритм работает до тех пор, пока значение функции ошибок не стабилизируется. Известны два варианта алгоритма - метод Мак-Квина и метод Ллойда. Эти варианты отличаются методикой пересчета центров кластеров во время выполнения итераций. Расстояние векторов измерений до центров кластеров определяется выбранной метрикой. Мы используем следующие метрики: евклидово расстояние, сити-блок расстояние, расстояние Чебышева и расстояние Махаланобиса. Выбор метрики определяет форму получаемых кластеров: эквидистантные поверхности являются гиперсферами для евклидового расстояния, гипергексаэдрами для сити-блок расстояния, гиперкубы для расстояния Чебышева и гиперэллипсоиды для расстояния Махаланобиса. Известно также (см., например, [7]), что результаты кластеризации методом ^-средних зависят от выбора начальных центров кластеров, а в некоторых случаях даже от порядка, в котором расположены входные данные. В настоящем программном обеспечении реализованы варианты выбора начальных центров кластеров, основанные на дисперсии компонент векторов измерений и случайном распределении векторов измерений по кластерам. Дополнительные возможности системы кластеризации состоят в управлении данными: с помощью файлов-масок можно исключать из набора векторов измерений целые области, не представляющие интереса (например, при анализе прибрежных акваторий таковой является суша), а также исключать влияние на результат кластеризации шумовых составляющих набора данных, ограничивая расстояние векторов измерений до вектора средних. Метод анализа мод многомерной гистограммы, а также гибридный метод, позволяет получать разбиение набора векторов измерений на кластеры произвольной геометрической формы. Эксперт-исследователь, используя различные возможности системы кластеризации, может получить целый спектр решений и выбрать среди них лучшее, анализируя разделимость получаемых кластеров. Результатом кластеризации является раскрашенное в условные цвета одноканальное изображение (карта классификации), пикселами которого являются номера кластеров. Рис. 1 демонстрирует результат применения кластеризации для анализа мутности воды Азовского моря.
Система контролируемой классификации состоит из семи классификаторов (одного поэлементного классификатора и шести объектных), основанных на использовании байесовской стратегии максимального правдоподобия для нормально распределенных векторов признаков, и двух объектных классификаторов, основанных на минимуме расстояния [5, 8]. Под объектом мы
понимаем блок смежных векторов квадратной или крестообразной формы. Поскольку физические размеры реально сканируемых пространственных объектов, как правило, больше разрешения съемочных систем, между векторами данных существуют взаимосвязи.
а) б)
Тематические карты состояния водной среды Азовского моря, полученные с помощью автоматизированного распознавания многозонального спутникового изображения за 4 августа (а) и 11 августа 2006 г. (б).
Водная среда разной степени мутности слабая сильная
- суша - вода Черного моря - облака I I - (п+1) класс
Рис. 1
Использование информации подобного рода дает возможность повысить точность классификации, если пытаться распознавать одновременно группу смежных векторов (объект). Априорные вероятности классов могут быть получены из результатов предварительной кластеризации. Приведенные ниже рисунки иллюстрируют работу системы контролируемой классификации при решении задачи оценки паводковой ситуации в части территории бассейна реки Оби в районе Усть-Чарышской Пристани. Космический снимок этой территории представлен на рис. 2. и получен с ИСЗ «Метеор-3М» 29 мая 2004 года. На рис. 3 представлен результат классификации: выделено пять классов.
Рис. 2 Рис. 3
После выполнения классификации тем или иным способом может возникнуть необходимость в генерализации (объединении) полученных классов. Мы используем для этой цели следующий подход. Одноканальное изображение (карта классификации) с помощью скользящего окна размером 2*2 преобразуется в четырехканальное следующим образом:
(р1,р2,р3,р4). Тип скользящего окна является входным параметром: Окно с перекрытием, которое работает следующим образом:
(РП,Р12>Р21>Р22)ЛР12,Р13>Р22>Р23)
ГРи РХ2 Р\ 4
\Р21 Р22 Р2Ъ )
(размеры четырехканального изображения уменьшаются на 1 по сравнению с исходным);
- Окно без перекрытия, которое работает следующим образом:
(Ри Р12 РпРы)^, ,
=>(Рп>Р12>Р21>Р22\(Ри>Ри>РыР2А)
\Р 21 Р 22 Р23,Р2а)
(размеры четырехканального изображения уменьшаются в 2 раза по сравнению с исходным).
Далее вызывается одна из процедур кластеризации полученного четырехканального изображения: либо кластеризация по методу К-средних, либо кластеризация по методу анализа мод многомерной гистограммы.
При анализе ледовой обстановки возникает потребность (например, в связи с добычей полезных ископаемых на морских шельфах) в построении карты сплоченности льда на основе карты классификации. Изображение карты классификации сканируется окном заданного размера. При сканировании могут учитываться маски суши и облаков. В текущем положении окна сканирования определяется значение кода сплоченности льда:
ко(Л=рт-Се -{К Ьемек-Х),
Б
где 5 - площадь окна, ргх_1се - количество пикселов с кодом льда, КЬеуеЬ
- требуемое количество уровней сплоченности. В результате формируется
одноканальное изображение, пикселами которого являются либо коды сплоченности льда в интервале [0, К_ЬеуеЫ-Г\ (линейная функция), либо коды из заданной таблицы а также код суши К_ЬеуеЫ и код облаков К_ЬеуеЫ+1. На рис. 4 приведено изображение карты классификации льда в акватории Каспийского моря, а на рис. 5 - результат построения карты сплоченности льда (размер окна сканирования 7*7, количество уровней сплоченности льда 12).
В технологии построения векторных полей перемещений водных масс и ледяных полей (полей дрейфа) по разновременным спутниковым изображениям предусмотрено использование одного из двух режимов:
1. Метод построения полей дрейфа по визуально опознаваемым изменениям позиций некоторых объектов-эталонов на разновременных спутниковых изображениях.
2. Метод построения полей дрейфа, основанный на автоматическом выявлении объектов-эталонов на первом изображении с последующим определением смещения этих эталонов на втором изображении с помощью корреляционно-экстремальных методов.
3.
Рис. 4 Рис. 5
В обоих случаях векторные поля перемещений строятся как результат смещения узлов некоторой регулярной сетки под действием семейства кусочноаффинных преобразований, получаемых после построения триангуляции Делоне на множестве исходных позиций обектов-эталонов. Предусмотрено построение функций распределения (гистограмм) векторов дрейфа по направлениям (азимутам) и скоростям перемещения.
Работа выполнена частично при финансовой поддержке Российского фонда фундаментальных исследований (проект № 10-07-00131).
1. В.В. Асмус, В.А. Кровотынцев, О.Е. Милехин, И.С. Тренина. Исследование многолетней динамики морского льда в Арктике по спутниковым радиолокационным данным. В сб. Вопросы обработки и интерпретации данных дистанционного зондирования Земли. Гидрометеоиздат, Санкт-Петербург, 2005, стр. 155 - 172.
2. О.Н. Григорьева, Н.В. Елисеев, В.А. Кровотынцев, В.Ф. Усачев. Мониторинг затоплений Волго-Ахтубинской поймы на основе космической информации. Там же, стр. 196 - 206.
3. В.В. Асмус, В.А. Кровотынцев, В.П. Пяткин. Космический мониторинг ледяного покрова Арктики. Труды Международного научного конгресса «ГЕО-Сибирь-2009», 20-24 апреля 2009, Новосибирск, Россия, т.4, ч.1. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология», стр. 101 - 107.
4. Асмус В. В., Бучнев А.А., Пяткин В.П. Программный комплекс для обработки данных дистанционного зондирования Земли // Труды XXXII Международной конференции “Информационные технологии в науке, образовании, телекоммуникации и бизнесе IT+SE’2005”, 20-30 мая 2005 г., Украина, Крым, Ялта-Гурзуф, с. 229-232.
5. Асмус В. В., Бучнев А.А., Пяткин В.П. Кластерный анализ и классификация с обучением многоспектральных данных дистанционного зондирования Земли. Журнал Сибирского Федерального Университета, Техника & Технологии, 2009, т. 1, №2.
6. Rui Xu, Donald Wunsh II. Survey of Clustering Algorithms. IEEE Transactions on Neural Networks, vol. 16, No. 3, 2005, pp. 645-678.
7. Pena J.M., Lozano J.A., Larranaga P. An empirical comparision of four initialization methods for the ^-Means algorithm. Pattern Recognit. Lett., vol. 20, pp. 1027-1040, 1999.
8. Асмус В. В., Бучнев А.А., Пяткин В.П. Контролируемая классификация данных дистанционного зондирования Земли. Автометрия, 2008, т. 44, № 4, с. 60-67.
© А.А. Бучнев, В.П. Пяткин, 2010
8
