birmaga.ru
добавить свой файл

1
УДК 681.3.01

Применение методики совместного пространственного анализа (МСПА) данных ДЗ и других данных геоинформационной природы в прикладных задачах.

Е.Гамбарова

Научно-исследовательский институт аэрокосмической информатики, Национальное Аэрокосмическое Агентство г.Баку, Азербайджан

Ylebedik@azuni.net
Введение. Традиционные сферы применения данных и методов ДЗ: исследования природных ресурсов; мониторинг над экологической обстановкой и оценка антропогенного воздействия на окружающую среду; мониторинг над состоянием и ростом культивируемой растительности и т.д. с появлением и бурным развитием геоинформационных технологий не претерпели значительных изменений. Однако, в связи с появлением широкодоступных и высокоточных космических данных, изменились характер и акценты исследований по ДЗ в этих областях. Кроме того, космоснимки метрового и субметрового разрешения стали применяться в таких областях, в каких раньше не применялись или применялись в очень ограниченном виде, например: создание широкомасштабных карт; обнаружение небольших участков территории, где проводятся незаконные работы, могущие привести к опасным последствиям и т.д.

Гораздо более существенные изменения претерпели формы и подходы применения данных ДЗ. Это произошло после появления и становления геоинформционных технологий, когда геоинформационные технологии и технологии ДЗ, по сути, интегрировались, и для решения крупных управленческих задач и, собственно предметных исследований были востребованы новые так называемые «задачеориентированные» решения. При этом подходе абстрактная постановка основной задачи ДЗ: «классификация или выделение объектов произвольной природы» трансформируется в реальную задачу исследования геораспределенных ресурсов, где из них подбираются распознавемые объекты-индикаторы, которые, характеризуя состояние и особенности рапространения объектов, могут адекватно отображать ситуацию.

Разработанная нами методология базируется на таком «задачеориентированном» подходе.

Постановки задачи. Осуществление контроля над экологической ситуацией предусматривает и предполагает слежение над изменениями ряда характеристик-индикаторов, отражающих состояние климата, ареалов распространения различных видов растительности, эродирования, а также и химического состава почв. При обнаружении опасных тенденций по изменению природно-экологического баланса, возникает задача определения основных источников – причин этих тенденций, как по характеру их воздействия на окружающую среду, так и по их пространственно-временной локализации.

Общепринятая методология в проведении такого рода исследований состоит из нескольких этапов:

- Изучение территории и определение природно-климатологических характеристик-индикаторов, подлежащих мониторингу;

- Определение методов и характеров проведения физико-химических измерений этих индикаторов;

- Определение репрезентативных полигонов на интересующейся территории;

- Поиск и анализ ретроспективных данных, позволяющих проследить за динамикой изменения данных индикаторов.

Также общепринятая методология стимулирует использование данных и методов ДЗ. Эти методы позволят выделять – классифицировать на снимках определенные виды растительности, открытые пространства и голую почву, особенности рельефа. Все это в совокупности позволяет улучшить качество работ по подбору полигонов - репрезентативных участков для осуществления мониторинга [1], [2] .

Однако привлечение и применение методов ДЗ в проведении исследований в современных условиях приводит к появлению целого ряда проблем перед исследователями. Дело в том, что современные методы ДЗ, связанные как с получением исходных данных, так и их обработки, сильно взаимосвязаны с современными информационными, и особенно геоинформационными технологиями, включающими:

- Сканирование или цифровую съемку поверхности земли с передачей данных в память компьютера;

- Цифровая фотограмметрия, автоматизирующая работы по точному позиционированию снимков на поверхности земли и 3-мерному моделированию рельефа и антропогенных объектов;


- Современное программное обеспечение, позволившее использование для решения задач ДЗ новые информационные технологии, базирующиеся на нейронных классификаторах;

- Системы управления пространственно-распределенными данными– геоинформационные системы – как среды управления для выполнения комплекса задач, таких как:

-- Привлечение различных пространственных данных, таких как карты землепользования, цифровые модели рельефа, карты уклонов и экспозиций, и другой картографический материал для наложения с исходным снимком;

-- Экранная полуавтоматическая векторизация объектов на исходном снимке на основе экспертной оценки;

-- Включение внешних процедур ДЗ для автоматической классификации объектов на снимке и использование внутренних процедур, облегчающих управление процессами исследований;

-- Наделение классифицированных объектов атрибутивными данными и построение географических баз данных, являющимися пространственно-атрибутивным информационным образом предметной области.

- Создание графиков, таблиц, тематических карт и других наглядных материалов, необходимых как в исследовательских процессах, так и в представлении результатов исследований.

Приведенная схема описывает современную методологию, применяемую при решении задач дистанционного зондирования. При сравнении традиционного и современного подходов очевидно преимущество второго над первым, что выражается следующими факторами:

- Появляется возможность проведения исследований одновременно на всей интересующей нас территории;

- Создается возможность совместного анализа различных пространственно распределенных данных, что позволяет значительно углубить предмет исследований.

При этом результаты, полученные в традиционном подходе, корректны именно в локальном смысле - в рамках выбранных полигонов, и коррректная экстраполяция результатов на всю исследуемую территорию должна осуществляться применением той же совокупности современных пространственных технологий, которая составляет ядро современного подхода. Т.е., применение современных цифровых пространственных технологий в данной предметной области меняет традиционные представления о репрезентативности данных, полученных в результате исследований. Все задачи в рамках предлагаемого задачаеориентированного подхода выполняются в специализированной информационно-вычислительной среде – Геоинформационной системе (ГИС).

Применение методики совместного пространственного анализа данных ДЗ для решения конкретной прикладной задачи об оценке антропогенного воздействия на окружающую среду на основе многоспектральных космических снимков высокого разрешения охватывает все аспекты, связанные с МСПА, и является ее всесторонней проверкой. Эти аспекты, приведенные ниже, объединены в несколько блоков, которые описывают этапы проведения исследований, последовательность выполнения действий, состав базового математического аппарата, принципы конфигурирования архитектуры информационной системы.
Этапы проведения исследований.

Они проведены в порядке их выполнения:


  • Определение классификационной схемы;

  • Выбор типов классификаторов;

  • Сбор и составление наборов данных для обучения, оценка годности (репрезентативность, разделяемость, доверительность) данных;

  • Тестирование классификаторов, уточнение или модификация классификационной схемы;

  • Использование таблиц неточностей и параметров качества обучения классификаторов для сравнительного анализа качества обучения классификаторов;

  • Производство конечной продукции и проведение сравнительного анализа всей продукции как целой.


Математическое обеспечение.

  • Распознавание образов для классификации объектов на сцене, описываемой многоспектральными космическими данными;

  • Параметрические или статистические методы определения признаков и образцов для обучения классификаторов для принятия решений;

  • Искусственные нейронные сети различной топологии;

  • Математическое моделирование местности на основе топографических данных.


Информационное обеспечение.

  • Цифровое ортофото местности, полученное после проведения процедуры ортотрансформирования над данным космоснимком;
  • Цифровые модели местности, полученные из данных на космических снимках (стерео-пары космоснимков);


  • Цифровые вегетационные и иные спектральные индексы, полученные из данных на многоспектральных космических снимках;

  • Цифровые векторные данные о землепользовании, созданные по существующим картам, картосхемам и планам местности из существующих бумажных карт;

  • Цифровые векторные данные по топографии местности, полученные из топографических планшетов, масштаба 1: 10 000.


Компьютерные технологии анализа и управления пространственными данными.

  • Геоинформационные технологии и полнофункциональные ГИС;

  • Гeоинформационные базы данных и данные, полученные методами дистанционного зондирования для внедрения и обновления в эти базы данных;

  • ГИС и совместный анализ пространственных данных;

  • Геообработка и манипуляции с пространственными данными и составление на основе старых - новых наборов пространственных данных;

  • ГИС как базовая платформа для прикладных задач в областях управления пространственно-распределенными объектами и ресурсами.


Территория. Прикаспийская полупустынная зона южнее мегаполиса Баку в последние годы подвергается активному антропогенному воздействию. В связи с реконструкцией и расширением нефтяной инфраструктуры в этой зоне ведется активное строительство крупных инженерных сооружений, вводятся новые коммуникации. Все это приводит к изменениям границ ареалов распространения различных природных видов растительности и обитания животных. Кроме того, при прокладке коммуникаций и создании крупных инженерных сооружений меняется гидрография региона, что, в свою очередь, приводит к изменениям почвенных характеристик прилегающих земель – к эродированию почв.

Зоной нашего интереса являются полупустынные территории южнее города Баку ( южно-восточная часть Азербайджана), биоресурсы которых, однако, играют большую роль в традиционном животноводчестве региона. На этой территории присутствует целый ряд круглогодичной природной растительности, которая является основным кормом для крупно- и мелкорогатого скота в осенний и зимние периоды. Уникальные особенности этих растений позволяют им выжить как в условиях летней жары, так и переносить холодные зимы. Именно эти типы растительности, позволяли местному населению в течении веков заниматься животноводчеством в засушливой территории. Традиционные формы ведения животноводчества и сейчас играют важную экономическую роль в жизни населения близлежащих сел и поселков. Это, а также непредсказуемость цепи изменений в природе, инициированных антропогенным воздействием, которая всегда присутствует в подобных ситуациях, - делает важным налаживание и осуществление контроля над экологической ситуацией в регионе.

Исследование и сбор данных, проведенные до начала исследований.

В области интереса (внутри круга с радиусом 2.8 , 3.7 и 5.0 км) были выбраны 9 основных и 2 дополнительных типа несезонных растительности. Трижды, через каждые полгода, были сделаны GPS-измерения на местах обнаружения этих растительностей. В первый раз сделаны 27, а во второй и третий раз – 16 измерений. По разбросанности измерений можно сделать вывод о том, что никаких точно определенных участков постоянного мониторинга не существует. То есть, монитируемым полигоном является вся площадь, размер которой колеблется от 25 до 75 кв.км. При измерениях также производилось распознавание подлежащей почвы, которая вкупе с типами растительности может дать от 16 (во втором и третьем циклах измерений) до 27 (в первом цикле измерений) классов распознавания.

Ниже на рис.1 показаны фотоизображения исследуемых типов растительности и почв.









































Рис 1. Фотоизображения исследуемых типов растельности и почв.
Первый проект по классификации подобных участков на основе космических многозональных снимков был осуществлен летом 2006-го года. Были сделаны космические стереоснимки со спутника Ikonos площади приблизительно в 100 кв.км. Далее был использован их орторектифицированный вариант, точность позиционирования которого могла бы колебаться до нескольких десятков метров. Была осуществлена автоматизированная параметрическая классификация с обучением. При обучении использовались трейнинговые участки, построенные на основе координат местонахождения этих растительностей, полученные от результатов GPS-измерений. При классификации другие пространственные данные, кроме результатов наземных верификаций, - не использовались. В конечном итоге, комбинировав результаты автоматизированной классификации и полевых экспедиций, были оконтурены ареалы распространения данных типов растительностей [1]. Были также составлены приблизительные карты почв и эродированности почв.

Далее, осенью был проведен второй цикл измерений, результаты которого охватывали меньшую площадь и были менее разнообразны. Данные полевые измерения не были синхронизированы с космической съемкой и насколько нам известно, ареалы распространения данных растительностей не были точно определены.

И, наконец, весной этого года был проведен 3-ий цикл полевых измерений, результатами которых являются 16 пар GPS-измерений координат точек, которые указывают на интересующие нас виды растительности. Имеются также описания подлежащих почв.

Подготовка предварительных данных.
Характеристики исходного снимка и условия поставки. В качестве исходного материала был использован снимок юго-восточной части Азербайджана, полученный со спутника Ikonos.Условия настоящей поставки были следующие:


  • Размеры 11*11 km;

  • Четырехканальный (красный 0.63-0.69 м, зеленый – 0.52-0.60 м, голубой – 0.45-0.52 м и инфракрасный – 0.76-0.90 м) с размером пикселя - 1 метр;

  • Снимок был ортотрансформирован по упрощенной процедуре, использующей простейшую модель рельефа, а именно плоская поверхность, находящаяся на высоте от референц-эллипсоида WGS84, равной высоте центра сцены;

  • В поставку входили коэффициенты рационального полинома (КРП), включающие параметры внешней ориентации, характеризующие в целом местоположение снимка. При этом точность позиционирования можно было оценить, полагаясь на точность геодезических координат центра сцены: десятичные угловые координаты центра сцены представлялись четырьмя цифрами после запятой, что на наших широтах соответствует точности до 45-50 метров, что потребовало проведение дополнительной ортотрансформации по полной схеме по всем четырем спектральным каналам.


Ортотрансформирование снимка.

Для проведения ортотрансформирования снимков территории необходимы:

  • Геометрическая модель сканера и данные, характеризующие данную съемку;

  • Контрольные точки на поверхности Земли;

  • Цифровая модель местности.

Снимки, распространяемые владельцем спутника Ikonos – фирмой Space Imaging, не сопровождаются точной геометрической моделью сканера. Вместо этого представляются так называемые коэффициенты рационального полинома 3-го порядка (КРП), которые включают в себя параметры внешней ориентации (данные, характеризующие данную съемку). Однако КРП, поставленные совместно со снимком Ikonos, характеризуют снимок без учета искажений, вносимых рельефом, а параметры внешнего ориентирования позволяют позиционировать сцену в географической координатной системе (WGS84) с точностью не лучше, чем десятки метров.


Для того, чтобы повысить точность позиционирования снимка (имеется ввиду центр данного снимка и его края) до необходимого уровня (этот уровень зависит от конкретно решаемой задачи и/или от точности других пространственных данных, с которыми пространственно совмещается данный снимок), необходимо корректировать исходные КРП. Это осуществляется во время триангуляции, осуществление которой требует использование точных географических координат контрольных точек на поверхности Земли, которые можно четко идентифицировать на снимке. Триангуляция осуществляется подгонкой КРП в итерационной процедуре последовательных приближений, использующей метод наименьших квадратов. Во время этой процедуры убираются и другие возможные искажения в связи с гравитационными флуктуациями, которые могли бы повлиять на полетные условия или же связанные с неточной калибровкой сканера. Однако триангуляция решает проблему неточности «глобального позиционирования» снимка, решение же проблемы искажений «локального позиционирования» каждой локальной точки требует осуществить еще одну процедуру - собственно ортотрансформирование исходного снимка, проводимое с использованием цифровой модели местности. Ортотрансформирование было осуществлено над всем снимком. Для триангуляции была использована программа Erdas Imagine 8.7, с помощью которой была осуществлена геометрическая корректировка снимка полиномами 1-го порядка (в связи с тем, что охватываемая территория обладала достаточно простым рельефом, полиномы 1-го порядка были вполне достаточны для проведения процедуры корректировки). На снимке были выбраны и в дальнейшем идентифицированы полевыми исследованиями 14 точек, на которых были проведены GPS-измерения географических координат в системе WGS84. С топографических карт масштаба 1:10000, с помощью программы ArcGIS ArcMap 9.0 были векторизованы данные по рельефу, а затем на их основе с помощью программы 3D Analyst была составлена цифровая модель рельефа с параметрами:

  • Горизонтальное разрешение - 5м;


  • Точность горизонтального позиционирования – 5м;

  • Точность вертикального разрешения – 2м.

Далее, используя эти данные, была проведена геометрическая коррекция снимка, включающая процедуры триангуляции и ортотрансформирования. При этом для триангуляции использовались 7 из 14-ти контрольных точек, остальные 7 контрольных точек были использованы в качестве тестовых для оценки точности позиционирования после завершения процедуры геометрической коррекции.

Результаты оказались следующими:

  • среднеквадратическая ошибка триангуляции оказалась равной 0.77 пиксела.

  • среднеквадратическая ошибка для оценки точности позиционирования была меньше, чем 0.92 метра

Как известно, подобная точность позиционирования соответствует картам масштаба 1:2000, что для решения нашей задачи являлась более, чем достаточной. Ниже на рис.2 приведен ортотрансформированный снимок.

frame1

Рис. 2. Ортотрансформированный космоснимок

Результаты. Ортотрансформированный космоснимок, представленный в RGB-режиме, где R – соотвествует красному, G - зеленому, а B – синему каналов многоспектрального снимка или в IGB, где красным цветом представлен инфракрасный канал. Возможны и другие варианты представления, в зависимости от того, какие 3 канала многоспектрального снимка мы хотели бы отображать на экране. Данное отображение служит в качестве базовой картины для ориентации на сцене, для совмещения разнородных пространственных данных, локализации наземных контрольных точек, для составления тематических карт для информационного и картографического обеспечения работ по определению маршрутов проезда к участкам сцены, из которых извлекаются трейнинговые и тестовые примеры.
Литература

[1]. Blaschke, T., Lang S. Object-based analysis of remote sensing data for landscape monitoring: recent developments,


INPE.
[2]. Burnett, C. and Blaschke, T. A multi-scale segmentation / object relationship modelling methodology for

landscape analysis. In: Ecological Modelling 168(3), 233-249, 2003.
Гамбарова Елена Михайловна,

старший научный сотрудник

Научно-исследовательский институт аэрокосмической информатики, Национальное Аэрокосмическое Агентство, г.Баку, Азербайджан

AZ 1106 проспект Азадлыг 149/69

Тел: (+994) 12 4408496

YLebedik@azuni.net

Аннотация. В статье описано применение методики совместного пространственного анализа данных ДЗ и других данных геоинформационной среды для решения конкретной прикладной задачи об оценке антропогенного воздействия на окружающую среду на основе многоспектральных космических снимков высокого разрешения. Были описаны этапы проведения исследований, действия и последовательность их выполнения.