ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2012, № 1, с. 77-88
МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ КОСМИЧЕСКОЙ ИНФОРМАЦИИ
ДЕШИФРИРОВАНИЕ РАСТИТЕЛЬНОГО ПОКРОВА С ИСПОЛЬЗОВАНИЕМ СПЕКТРАЛЬНО-ВРЕМЕННЫХ ПРИЗНАКОВ
© 2012 г. В. С. Марчуков*, Е. А. Стыценко
Московский государственный университет геодезии и картографии (МИИГАиК), Москва
*Е-таП: marchukov@miigaik.ru Поступила в редакцию 23.12.2010 г.
Статья посвящена исследованию возможностей повышения эффективности дешифрирования растительного покрова земной поверхности автоматизированными методами с использованием временных рядов снимков разных сезонов. Показано, что дешифрирование растительного покрова с использованием сезонного временного ряда (спектрально-временного снимка) позволяет существенно повысить достоверность дешифрирования большинства классов объектов растительного покрова.
Ключевые слова: дистанционное зондирование, автоматизированное дешифрирование, многозональная съемка
ВВЕДЕНИЕ
Исследование растительного покрова требует актуальной и объективной информации, которая может быть получена путем обработки данных космической съемки. Растительность — наиболее информативный элемент экосистемы и лучше всего отображается на многозональных космических снимках, отражая различные характеристики состояния территории (Бондур, 1995; Бондур, 2006; Бондур, Савин, 1992; Савиных и др., 2000; Шаталов и др., 2007).
Методы дистанционного зондирования (ДЗ) основаны на получении информации о земной поверхности путем регистрации приходящего от нее электромагнитного излучения, отраженного или собственного, в различных частях спектрального диапазона. Возможность распознавания различных объектов и определения их характеристик дистанционными методами обусловлена тем, что поглощение, рассеивание, отражение и излучение электромагнитной энергии в различных зонах спектра специфичны для каждого участка земной поверхности. Анализ спектральных характеристик объектов, структурных и текстурных особенностей изображений позволяет получить информацию для их последующего дешифрирования и интерпретации (Козодеров, 2010).
Спектральные признаки являются основными при обработке многозональных снимков, так как они изначально формализованы при использовании цифровых изображений и легко поддаются формализации путем оцифровки изображений с бумажных и пленочных носителей информации.
Однако, несмотря на то что различные природные объекты обладают специфическими спектральными характеристиками, эти признаки далеко не всегда обеспечивают достоверное разделение разных объектов. Известно (Сухих, 2008; Дистанционное зондирование, 1983), что во многих случаях необходимая информация об объекте фактически содержится во временных (сезонных) изменениях изображений территории. Объединив слои многозональных снимков, полученных в различные моменты времени, в один многослойный снимок, можно получить большую разделимость некоторых классов объектов. Для некоторых классов разделимость может оказаться меньшей, чем на одномоментных снимках.
В настоящей работе приведены результаты изучения возможностей повышения эффективности дешифрирования растительного покрова земной поверхности автоматизированными методами с использованием временных рядов снимков разных сезонов. Для решения этой задачи было проведено экспериментальное дешифрирование нескольких одиночных снимков на одну территорию, полученных в разные сезоны в течение одного года. Проведено экспериментальное совместное дешифрирование этих изображений. Выполнен анализ полученных результатов с целью выяснения, будет ли совместное дешифрирование растительности по нескольким разносезонным снимкам на одну и ту же территорию целесообразнее, объективнее и более достоверным, чем дешифрирование по одиночным снимкам.
Зубцов ^
коламск Солнечногорс]
. . Шаховс] Вазузркое вдхр^У _ . '. .
й __________Привокзальный
\ ■
Белый Сычевка
ТУпик ^СРузаЗВеНИГоРоД^^^
Н™° Гагарин ^ ^ Уварови ОДИНЦ
^ Вязьма1
Сафоново
Издешково Верхнеднепровски
Дорогобуж 0
Угра
. v
¿чТ В |Р п -*
ЕХОВО
вловскии ЛЮБЕРЦЫ ро
ЖуковскиИ Шату - Раменское
ПОДОЛЬСК Домодедово Егорьев
Наро-Фоминск Климовск ^
у <й^к^1имовск т^оскресенск М е щ е
ОЛО
:окско-^ Террасный^/
запов. У?У™но^
Озеры
онДрово Таруса "ущино Зарайск Г,'
л ПятовскиИ П иа^гт
Алексин Ясногорск осетр РЯЗАН
Спасск-МихаИлов
St*»
,.. Юхнов Мосальск
Бабынино КАЛУГА 275
Луховицы Зарайск
I
^ге.тр |
ОМещовск
'ЛА
Киров Сухинич
Косая'\ Гора
озельск Болохово
Щекино ■в_ ■ НОВОМОСКОВ-,
Людиново Думиничи « Узловая
'авль Белев Липки павелец Скоп
Бытопп, Жиздра Плавск Тшзарткжш
Дон
Куковка
Дубровка
Жу1
Волов 293 Чернь
Хотынец
Мценск Ефремов
К
Данко
Почеп
___а
Хомутово
SU V
Л
ово
if Навля Нарышкино
Рис. 1. Исследуемая территория (выделенная область) на карте.
319
ИСХОДНЫЕ ДАННЫЕ
Для исследования были использованы многозональные снимки высокого разрешения с космического аппарата Landsat-5 (Landsat TM). Из бесплатного открытого архива USGS (US Geological Survey) получены снимки на три даты: 29 мая, 14 июня, 17 августа 2007 г. Космические снимки были выбраны на даты (конец весны—лето), обеспечивающие анализ временного ряда в период устойчивого состояния лиственного покрова растительности. Этот временной интервал интересен для исследования достаточно плавным изменением спектральных характеристик, в отличие от снимков в период появления листьев и осенних снимков.
Каждый из трех снимков содержит семь спектральных каналов. Исследованию была подвергнута не вся площадь снимков, а фрагмент территории, безоблачный на снимках на все три даты. В итоге были получены три семислойных изображения размером 1915 х 2195 пикселов, что соответствует 57450 х 65850 м на местности.
Для определения набора классов объектов дешифрирования и формирования их тестовых участков в процессе работы использовался картографический материал: топографические карты М 1 : 200000, 1 : 100000, 1 : 50000.
На рис. 1 показана исследуемая территория (выделенная область) на карте, на которой отображены границы административных районов.
Сопоставляемые снимки должны быть геометрически совмещены. Все подобранные космические снимки уже прошли предварительный уровень обработки 1G, т.е. они приведены в проекцию UTM (Zone 37) на эллипсоиде WGS 84 по данным орбитальной привязки. Проверка геометрической идентичности снимков по координатам выбранных опорных точек (перекрестки дорог) показала расхождение не более чем на 7.5 м. На основании этого был сделан вывод об отсутствии необходимости дополнительной геометрической коррекции.
На многозональных снимках отобразился участок земной поверхности, расположенной в центре Европейской части России. На большей части снимков расположена северо-восточная часть Калужской области, на юго-восточной части снимка — северо-западный район Тульской области, небольшой верхний участок снимка занимает юг Московской области.
Для решения задачи совместного дешифрирования снимков временного ряда были соединены семь каналов каждого 29 мая, 14 июня и 17 августа в один спектрально-временной снимок, содержащий 21 слой, RGB-представление которого (каналы 2, 9, 16) показано на рис. 2.
Рис. 2. КОВ-представление (каналы 2, 9, 16) спектрально-временного снимка.
МЕТОДИКА ИССЛЕДОВАНИЯ
Автоматизированное дешифрирование выполнялось путем многоуровневой классификации, обеспечивающей более высокую достоверность распознавания объектов (Марчуков, 2003; Марчу-ков, 2010). Для выявления площадных объектов растительного покрова по результатам анализа соответствующего картографического материала и выборочных полевых исследований местности были определены тестовые участки. Объекты выделялись автоматизировано, путем контролируемой классификации гиперпараллелепипедным методом и методом максимального правдоподобия. Данный подход обеспечивает высокую достоверность классификации для площадных объектов, однако он неэффективен для выявления застроенных участков территории. Последние характеризуются присутствием различных видов
земных покрытий — таких, как крыши зданий, травяная и древесная растительность, обнаженный грунт, асфальтовые и бетонные поверхности и так далее. Это приводит к большому разбросу значений интенсивности соседних пикселов и пересечению этих значений со статистическими характеристиками большого числа других объектов. Вместе с тем указанная особенность может быть использована для построения модифицированного изображения с контрастированными застроенными участками территории. В данной работе построение такого изображения было осуществлено за счет фильтрации изображения в канале 1 снимка от 17 августа, на котором элементы городской структуры выделяются наиболее четко, скользящим среднеквадратичным отклонением с размером апертуры фильтра 5 х 5 элементов. Полученное изображение было подвергнуто пороговой обра-
Рис. 3. Бинарная маска исследуемой территории, на которой кодом 0 обозначены населенные пункты, линейные и граничные объекты, кодом 1 — все остальные объекты.
ботке с целью получения бинарной маски (рис. 3), на которой кодом 0 обозначены населенные пункты, линейные и граничные объекты, а кодом 1 — все остальные объекты.
Дальнейшей обработке на всех снимках подвергались пикселы, которые обозначены на полученной бинарной маске кодом 1, пикселы, имеющие значение 0, относились к обобщенному клас-
су населенных пунктов, линейных и граничных объектов.
Для каждого снимка временного ряда и спектрально-временного снимка была проведена контролируемая классификация методом гиперпараллелепипеда. Если пиксел попадал в область перекрытия гиперпараллелепипедов двух и более классов, то отнесение его к тому или иному классу осуществлялось на основе метода максимального
Рис. 4. Результаты классификации снимка от 29 мая 2007 г.
правдоподобия. На рис. 4—7 представлены результаты классификации снимков на 29 мая, 14 июня, 17 августа и спектрально-временного снимка. Единые условные обозначения и выделенные классы объектов представлены в табл. 1.
АНАЛИЗ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ
Визуальный анализ результатов классификации с использованием картогр
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.