МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ ^^^^
И ИНТЕРПРЕТАЦИИ КОСМИЧЕСКОЙ ИНФОРМАЦИИ
УДК 681.32
НЕЙРОСЕТЕВОЙ МЕТОД МОНИТОРИНГА ЗАТОПЛЕННЫХ ТЕРРИТОРИЙ С ИСПОЛЬЗОВАНИЕМ РАДИОЛОКАЦИОННЫХ
СПУТНИКОВЫХ ДАННЫХ
© 2008 г. Н. Н. Куссуль, Е. А. Лупян, А. Ю. Шелестов, С. В. Скакун, В. П. Саворский, Ю. Г. Тищенко*
Институт космических исследований НАНУ-НКАУ, Киев, Украина Институт космических исследований РАН, Москва *Институт радиотехники и электроники РАН, Фрязино Московской области *Тел.: (495) 702-95-88; e-mail: tishchen@ire.rssi.ru Поступила в редакцию 14.01.2008 г.
Предложен новый подход для выявления затопленных территорий на основе радиолокационных данных. Для сегментации и классификации спутниковых изображений используются нейронные сети — самоорганизующиеся карты Кохонена. Предложенный подход верифицирован на данных спутника ERS-2 во время наводнения на р. Тиса в марте 2001 г. Получаемая таким образом информация может дополнять данные, используемые при решении задач мониторинга в интересах сельского хозяйства.
ВВЕДЕНИЕ
На сегодняшний день наводнения относятся к наиболее масштабным природным стихийным бедствиям, которые приводят к значительному ущербу имущества и потерям человеческих жизней [1]. В последние годы страны Центральной и Восточной Европы достаточно сильно страдают от затоплений, вызванных ливневыми дождями. Украина также подвержена наводнениям, особенно в Закарпатском регионе. Во время наводнений 2001 г. по данным Министерства чрезвычайных ситуаций Украины 9 человек погибло, 12000 населения были эвакуированы, более 1500 домов — уничтожены и более 30000 домов — затоплены. Поэтому задача мониторинга и прогнозирования рисков, связанных с наводнениями, является чрезвычайно актуальной в развитии национальных и международных систем мониторинга, в частности глобальной системы GEOSS, развиваемой по инициативе комитета GEO [2].
Эффективный мониторинг и прогнозирование наводнений, а также управление рисками, связанными с наводнениями, невозможны без привлечения данных наблюдения Земли из космоса. Одной из актуальных задач, возникающих при мониторинге наводнений, является задача оценки площадей затопленных территорий. Эта информация очень важна при оценке ущерба, причиненного наводнениями. Кроме того, она может использоваться в гидрологических моделях для моделирования и прогнозирования наводнений, а также в качестве дополнительных
данных при решении задач мониторинга в интересах сельского хозяйства.
Обычно паводковые ситуации сопровождаются значительным облачным покровом, который ограничивает использование данных, полученных в оптическом диапазоне. Поэтому более эффективным является использование радиолокационных (РЛ) данных (в сантиметровом и дециметровом диапазонах), получение которых не зависит от погодных условий.
Как правило, выявление затопленных территорий на основе радиолокационных изображений (РЛИ) включает следующие этапы: калибровку данных, орторектификацию, геопривязку для совмещения с другими данными, фильтрацию, тематическую обработку данных для определения затопленных территорий, тестирование и верификацию результатов. В данной работе для сегментации РЛИ предлагается использовать нейронные сети Кохонена [3], которые представляют собой одну из реализаций интеллектуального подхода к анализу данных и позволяют автоматически выявить статистически значимые свойства входных данных. Тестирование предложенного подхода выполняется на РЛ-данных, полученных прибором SAR со спутника ERS-2 в рамках гранта Европейского космического агентства (ЕКА) Cate-gory-1 "Wide Area Grid Testbed for Flood Monitoring using Spaceborne SAR and Optical Data" (№ 4181).
Рис. 1. Изображение SAR/ERS-2 р. Тиса во время наводнения. Дата съемки: 10.03.2001. ((c) ESA 2001).
ОПИСАНИЕ СУЩЕСТВУЮЩИХ ПОДХОДОВ
РЛ-данные широко применяются для мониторинга наводнений [4]. С этой целью предложен ряд методов для определения затопленных наводнениями территорий. Рассмотрим их подробнее.
В [5] предложено анализировать разновременные снимки одной территории, сделанные во время паводковой ситуации и без нее, и их представление в виде композита RGB. На результирующем изображении затопленные территории будут отображены определенным цветом (обычно синим). В работах [6, 7] для определения затопленных территорий на основе данных спутника Radarsat-1 использовался метод пороговой сегментации. Причем значение порога выбиралось вручную. Авторы утверждают, что точность предложенного подхода для открытой местности достигает 90%, а для гористой — 85%.
В работе [8] РЛ-данные, полученные спутником ERS-2, наряду с данными оптического диапазона (Landsat TM, IRS WIFS/LISS, NOAA AVHRR) использовались для мониторинга наводнений 2001 г., произошедших в Венгрии. Для определения затопленных наводнениями территорий используют коэффициент изменения двух изображений: одного — сделанного во время наводнения, а другого — без наводнения. Показана согласованность результатов определения затопленных территорий на основе РЛ-данных ERS-2/SAR и оптических IRS/LISS.
В работе [9] спутниковые данные ERS-2/SAR и Envisat/ASAR использовались для определения площадей водоемов. В предложенном подходе сначала использовался метод пороговой сегментации, а потом подстройка параметров выполнялась оператором-экспертом вручную путем визу-
ального анализа изображений. Точность оценки метода в сравнении с наземными измерениями составила 98%.
В работе [10] данные спутника Radarsat-1 использовались для мониторинга наводнений 1997 г. на Красной речке в США. Для определения затопленных территорий применялся метод обучения с учителем (supervised classification) — метод параллелепипедов.
Следует отметить, что несмотря на простоту и высокую скорость описанных методов, они не лишены следующих недостатков: необходимость ручной настройки пороговых значений и параметров для сегментации изображений, отсутствие пространственной взаимосвязи между пикселами изображения, привлечение оператора к обработке изображений, необходимость наличия у него опыта при анализе РЛИ. Кроме того, применение указанных методов для сегментации РЛИ усложняется наличием информации только в одном спектральном диапазоне, который уменьшает различимость классов объектов и соответственно увеличивает ошибки сегментации, а также особенностями фильтрации спекл-шума, что может привести к потере полезной информации.
Для преодоления указанных недостатков в данной работе предлагается новый подход для определения затопленных территорий, который основан на автоматической нейросетевой сегментации изображения с использованием пространственных взаимосвязей между пикселами изображения. Сегментация и классификация изображений выполняется с использованием нейронных сетей Кохонена [3]. К преимуществам нейронных сетей данного типа следует отнести адаптивную настройку весовых коэффициентов на основе самоорганизации (без учителя), автоматическое выявление статистически значимых признаков в обучающей выборке данных, отсутствие необходимости в сложных моделях фильтрации для удаления спекл-шума.
ОПИСАНИЕ СПУТНИКОВЫХ ДАННЫХ
Для апробации предлагаемого метода определения затопленных наводнениями территорий были использованы РЛИ, полученные прибором SAR со спутника ERS-2 во время наводнения на р. Тиса в марте 2001 г. (рис. 1) и без наводнения в апреле того же года (рис. 2). Данные были предоставлены Европейским космическим агентством (ЕКА) в рамках его гранта Category-1 "Wide Area Grid Testbed for Flood Monitoring using Spaceborne SAR and Optical Data" (№ 4181).
Исходные данные SAR/ERS-2 были предоставлены в формате Envisat SLC (Single Look Complex) [11] с пространственным разрешением 4 м.
Для более точной геопривязки РЛ-данных ERS-2 и валидации полученных результатов были использованы дополнительные данные для исследуемой территории: спутника Landsat-7/ETM+, дата съемки: 30.09.2000; Европейского проекта Co-rine Land Cover [12] по классификации земного покрова. В данном случае использовалась версия CLC 2000, которая предоставляет информацию о классах земной поверхности (всего 44 класса) для всех стран Европейского союза с пространственным разрешением 100 м.
С учетом указанной дополнительной информации для обучения нейросетевой модели (настройки весовых коэффициентов) были выбраны тестовые пикселы, которые отвечают как территориям с водой (условно отнесем их к классу "Вода"), так и без воды (класс "Суша"). Всего для обучающей выборки было отобрано 42955 пикселов, из которых 12939 относятся к классу "Вода" и 30016 к классу "Суша". Следует отметить, что при настройке нейронной сети не использовались трудноразделяемые пикселы, относящиеся к границе двух классов (т.е. пикселы, в которые попадают и вода, и суша). Классификация изображений на три класса ("Вода", "Суша", "Граница"), а также оценка ошибок первого и второго рода являются предметом дальнейших исследований.
МЕТОД ОПРЕДЕЛЕНИЯ ЗАТОПЛЕННЫХ НАВОДНЕНИЯМИ ТЕРРИТОРИЙ
Предложенный метод определения затопленных наводнениями территорий включает предварительную и тематическую обработку. Последняя сводится к сегментации изображения с использованием нейронных сетей Кохонена и их классификации на указанные выше типы ("Вода" и "Суша"). Рассмотрим эти этапы более детально.
Предварительная обработка изображений
Предварительная обработка РЛИ состоит из следующих этапов.
Преобразование в географическую проекцию. Исходные спутниковые данные ERS-2 SLC поставляются в формате Envisat [11] с контрольными точками на земле GCP (Ground Control Point). Эти точки используются для геопривязки изображения. Формат получаемого результирующего изображения — GeoTIFF. Кроме того, на основе комплексного изображения SLC была вычислена интенсивность каждого пиксела изображения.
Калибровка изображения. Для калибровки РЛИ ERS-2/SAR используется стандартная процедура, описанная в работе [13]. Согласно этой процедуре исходные значения мощности эхо-сигнала для каждого пиксела в DN (digital num-
Рис. 2. Изображение SAR/ERS-2 р. Тиса без наводнений. Дата съемки: 14.04.2001. ((c) ESA 2001).
ber) преобразуются в коэффициент обратного
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.