ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2012, № 5, с. 3-11
МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ КОСМИЧЕСКОЙ ИНФОРМАЦИИ
ОБРАБОТКА ДАННЫХ ГИПЕРСПЕКТРАЛЬНОГО АЭРОКОСМИЧЕСКОГО ЗОНДИРОВАНИЯ
© 2012 г. В. В. Козодеров1*, Т. В. Кондранин2, Е. В. Дмитриев3, О. Ю. Казанцев4, И. В. Персев4, М. В. Щербаков4
1 Московский государственный университет им. М.В. Ломоносова, Москва 2 Московский физико-технический институт (государственный университет), Долгопрудный 3 Институт вычислительной математики РАН, Москва 4НПО "Лептон", Москва *Е-таП: vkozod@mes.msu.ru Поступила в редакцию 13.02.2012 г.
Показаны особенности приложений данных гиперспектрального (ГС) аэрозондирования для решения задач распознавания природно-техногенных объектов и оценки параметров, характеризующих состояние лесной растительности. Описаны основы калибровки аппаратного комплекса ГС-зондирования, регистрации спектральной плотности энергетической яркости на ПЗС-матрицах. Приведена постановка задачи формирования регистрируемых спектров на ГС-изображениях с учетом пропускания оптической системы, спектральной чувствительности и шумовой составляющей используемой аппаратуры. Демонстрируются примеры обработки данных ГС-аэрозондирования с классификацией выбранного изображения при разном спектральном разрешении и восстановлением параметров, характеризующих состояние лесной растительности разного породного состава, включая плотность лесного полога и плотность крон древостоев, объем фитомассы листвы/хвои, чистую первичную продукцию и долю поглощенной фотосинтетически активной радиации.
Ключевые слова: гиперспектральное зондирование, обработка данных, распознавание природно-техногенных объектов, восстановление параметров состояния лесной растительности
ВВЕДЕНИЕ
Создание системы мониторинга экологической ситуации из космоса признано одним из перспективных научно-технологических проектов модернизации и технологического развития экономики Российской Федерации. В настоящее время в сети Интернет не составляет большого труда получить космические снимки разного пространственного разрешения для практически любой территории, цифровые данные этих снимков и даже программные средства (расчетные коды) их обработки. Однако если ориентироваться на прорывные технологии для целей экологического мониторинга, то здесь наиболее перспективны два направления: гиперспектральное (ГС) аэрокосмическое зондирование, используемое для классификации и восстановления параметров растительного покрова на поверхности Земли, и использование данных лазерного сканирования (активные системы, лидары) для восстановления вертикальной структуры растительного полога.
Системы ГС-зондирования охватывают сотни спектральных каналов видимой и ближней ИК-областей, в отличие от традиционных систем многоспектрального зондирования (обычно 6—7 кана-
лов в указанной области). Отличительная особенность систем ГС-зондирования — предоставляемая ими возможность повышения информационного содержания регистрируемых данных в сравнении с данными многоспектрального зондирования (Plaza et al., 2009). Системы лидарного зондирования способствуют трехмерному отображению информационной продукции обработки данных, что необходимо для получения объективной информации о строении и структуре древостоев разного возраста и породного состава с учетом рельефа местности, склонов и других особенностей произрастания лесного покрова (Korpela et al., 2010). Уникальные возможности развития таких новых приложений данных лазерного сканирования возникли в последнее время в связи с появлением технологий точного определения местоположения и ориентации в пространстве самолетных средств, на которые устанавливаются соответствующие аппаратные комплексы. Объединение гиперспектральных и лидарных данных дистанционного зондирования (ДЗ) способствует решению прикладных задач оценки состояния лесной растительности в процессе разработки автоматизированных алгоритмов распознавания объектов (Dalponte et al., 2008).
Под распознаванием понимаются вычислительные процедуры классификации наблюдаемых природно-техногенных объектов и их идентификации при разработке указанных алгоритмов. При этом наиболее перспективными являются алгоритмы классификации с обучением при наличии множеств объектов и множеств ответов (меток классов). Прикладные задачи распознавания объектов решаются при наличии априорной информации в виде конечного множества таких пар множеств. В обоих случаях обработки гиперспектральных и лидарных изображений исходными для классификации объектов служат пикселы (отдельные элементы разрешения) используемой аппаратуры. Множество ответов содержит названия распознаваемых объектов (например, растительность, почва, водная поверхность, асфальт, бетон и т.п.).
Вместо непосредственно классифицируемых объектов часто рассматривают некоторые их характеристики (признаки), а множество таких объектов называют признаковым пространством. Соответственно каждый спектр пиксела ГС-изображения представляется точкой в N-мерном пространстве, как и каждый попиксельный "отпечаток" эхо-сигнала лидарного зондирования, где N — число спектральных каналов и число характерных мод регистрируемых лазерных импульсов соответственно. Характерные моды эхо-сигналов формируются при отражении когерентных импульсов лидарного зондирования от верхней границы лесного полога, от отдельных фитоэлементов, от его нижней границы и т.д.
При вероятностной постановке задачи классификации обоих типов указанных изображений (гиперспектральных и лидарных) требуется построить алгоритм, который приводит к минимальной вероятности ошибки классификации (байесовский алгоритм). Для каждого класса необходимо задать соответствующие функции правдоподобия, априорные вероятности и определить потери от ошибок классификации. Победителем считается тот класс, который имеет минимальное математическое ожидание потери. В итоге вычислительный алгоритм сводится к выполнению известного принципа максимума апостериорной вероятности, а в случае, если все классы равновероятны, к классической формулировке, известной как принцип максимального правдоподобия (Foody, 2004).
В России использование данных аэрокосмического зондирования обычно ассоциируют с дистрибьютерами зарубежной космической информации и средств ее обработки (программные средства ERDAS, ENVI и др.). Наиболее эффективные решения прикладных задач здесь видятся в распространении программных продуктов, поставляемых из-за рубежа. Соответствующее программное обеспечение не охватывает все области
существующих знаний и применимо, как правило, только для конкретных типов аппаратуры ДЗ. Например, традиционные подходы предлагаемых приложений часто основаны на концепции "вегетационных индексов" (различных комбинаций измерительных каналов). В работах (Ко2оёегоу, ЭтИпеу, 2008; Козодеров, Кондранин, 2008) показаны реальные ограничения возникающих приложений к оценке состояния лесной растительности по данным многоспектрального зондирования. Приложения, основанные на этой концепции, становятся еще менее эффективными при наличии сотен каналов ГС-зондирования.
Цель научно-технологических исследований, проводимых в России (Козодеров, Дмитриев, 2010), — повышение роли отечественных разработок, касающихся моделей формирования уходящего излучения, регистрируемого аппаратурой ГС-зондирования, для распознавания природно-техногенных объектов и восстановления параметров, характеризующих биологическую продуктивность растительного покрова. Конечная цель — параметризация средообразующей роли лесной растительности в моделях климата (Ко2о-ёегоу, Этййеу, 2011).
В рамках совместных исследований по летным испытаниям разных версий ГС-аппаратуры разработки НПО "Лептон", в течение последних лет проводятся сбор, анализ, систематизация и обработка данных гиперспектрального авиационного зондирования и данных наземных лесотаксаци-онных и других обследований выбранной тестовой территории Тверской области (Козодеров и др., 2009). Охватывая диапазон длин волн 400— 1 000 нм, спектральное разрешение аппаратуры достигает одного нанометра в коротковолновой части спектра и 5—10 нм в его длинноволновой части. Пространственное разрешение равно примерно 1—2 м при высоте полета 1.5—2 км. Съемка с самолета проводится синхронно с помощью ГС-камеры с ПЗС-матрицами и аэрофотоаппарата, которые устанавливаются на одной платформе вместе с аппаратурой глобального спутникового позиционирования. Полученные измерения записываются на лазерные диски и далее в наземных условиях обрабатываются с помощью компьютерных средств распознавания природно-техногенных объектов и оценки параметров, характеризующих состояние почвенно-раститель-ного покрова.
Результаты, полученные в ходе выполнения данных исследований, изложены в ряде недавних публикаций. В статье (Козодеров и др., 2010) приводится описание современных методов использования данных аэрокосмической гиперспектрометрии для решения региональных прикладных задач. Показаны традиционные подходы к обработке данных ГС-зондирования и новые подходы
к решению задач распознавания образов наблюдаемых объектов и восстановлению параметров, характеризующих состояние почвенно-раститель-ного покрова. Приведены примеры обработки данных ГС-аэрозондирования выбранной тестовой территории, для которой имеются также данные наземных лесотаксационных обследований.
В работе (Козодеров и др., 2011) показаны примеры создания вычислительной технологии быстрого просмотра спектров и их среднеквадра-тических отклонений для выбранных контуров характерных объектов по данным совмещенной гиперспектральной и аэрофотосъемки с использованием данных наземных лесотаксационных обследований территории. Исследовались исходные спектры, представленные в абсолютных энергетических единицах, и нормализованные спектры, полученные при нормировании исходных данных на их интегральные значения. С использованием обучающих спектров проведено распознавание природно-техногенных объектов на выбранной территории.
На основе разрабатываемых подходов формируется облик аппаратно-программной системы обработки ГС-изображений. Такая система включает
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.