ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2008, № 6, с. 34-42
ФИЗИЧЕСКИЕ ОСНОВЫ ИССЛЕДОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА
УДК 528.813:681.3
ЦЕЛЕВОЕ ВЫДЕЛЕНИЕ РАСТИТЕЛЬНЫХ СООБЩЕСТВ ПО ДАННЫМ АВИАЦИОННОЙ ГИПЕРСПЕКТРАЛЬНОЙ СЪЕМКИ И МНОГОСПЕКТРАЛЬНОГО СЕНСОРА ИСЗ QUICKBIRD
© 2008 г. Б. М. Балтер1, В. В. Егоров1*, А. А. Ильин2, А. П. Калинин3, В. М. Мазиков4, А. Г. Орлов3, И. Д. Родионов5, М. В. Стальная1, Т. И. Чекалина1
Институт космических исследований РАН, Москва 2ЗАО научно-технический центр "Реагент", Москва
3Институт проблем механики РАН, Москва 4Российский университет дружбы народов, Москва 5Институт химической физики им. Н.Н. Семенова РАН, Москва *Тел.: (495) 333-35-89; e-mail: victor_egorov@mail.ru Поступила в редакцию 18.02.2008 г.
Исследуются методы тематической обработки данных авиационного гиперспектрального зондирования и сенсора ИСЗ Quickbird. Приводится описание данных дистанционного зондирования поч-венно-растительных объектов на тестовом полигоне и на трассе полета вертолета — носителя авиационного гиперспектрометра. Для исследования были выбраны три категории объектов: целевой растительный объект, фоновый растительный объект и почва. Использовались методы кластерного анализа данных на базе нейросети Кохонена и максимума правдоподобия. Показано, что данные гиперспектрометра обеспечивают получение более устойчивых результатов распознавания по отношению к выбору обучающих участков, чем данные сканера.
ВВЕДЕНИЕ
При дистанционном зондировании (ДЗ) Земли с аэрокосмических платформ наряду с многоспектральными сканерами все более широкое применение находят бортовые гиперспектрометры [1—6]. Данные этих сенсоров используются для классификации и оценки состояния объектов зондирования [7, 8], что является предметом тематической обработки получаемой информации. Однако методы тематической обработки гиперспектральных данных и оценки качества распознавания типов зондируемых объектов развиты недостаточно. Также не уделено достаточно внимания вопросам сравнения результатов классификации объектов зондирования по данным гиперспектральной и многоспектральной съемки. Проблемы совместной обработки наземных, авиационных и космических данных представляются весьма важными с методической точки зрения для отработки процедур распознавания, классификации и оценки состояния зондируемых объектов земной поверхности. В частности, это касается задач обнаружения целевых растительных ценозов на основе данных гиперспектрального и многоспектрального зондирования.
В связи с этим в работе исследовались методы обработки экспериментальных данных, полученных с помощью авиационного гиперспектрометра, разработанного в НТЦ "Реагент" [9], камеры
видеосопровождения и многоспектрального сенсора ИСЗ Quickbird, причем дистанционная съемка почвенно-растительных объектов сопровождалась наблюдениями in situ.
Спецификой настоящего исследования является изучение возможности обнаружения наркосодержащей (называемой далее целевой) растительности на фоне почвенного покрова и других видов последней. Практическая важность результатов работы потребовала тщательной отработки методики распознавания указанных объектов и оценки их достоверности, посредством определения величин вероятностей ложной тревоги и правильного обнаружения. Кроме того, важно было оценить: "Каково будет соотношение характеристик распознавания, в первую очередь целевого объекта, по данным 4-канального многоспектрального сенсора и данным гиперспектрометра, имеющего 224 канала?"
Целью статьи является изложение методов распознавания почвенно-растительных объектов по данным авиационного гиперспектрального зондирования и сенсора ИСЗ Quickbird, направленных на обнаружение наркосодержащей растительности и на оценку достоверности получаемых результатов.
Рис. 1. Снимок со спутника Quickbird (в центре кадра белой рамкой выделен тестовый полигон). Линией со стрелкой показана трасса полета вертолета.
МЕТОДИКА СЪЕМКИ И ПОЛУЧЕННЫЕ МАТЕРИАЛЫ
Гиперспектрометр устанавливался на вертолет Ми-8МТВ. Основные характеристики гиперспектрометра: спектральный диапазон — 500— 900 нм; спектральное разрешение — 1—10 нм; угловое разрешение ~1 х 10-3 рад (поперек трассы линейное разрешение составляло 0.15—0.2 м, а вдоль трассы — примерно 4 м); число спектральных каналов — 224; отношение сигнал/шум — более 100.
Данные многоспектрального сенсора ИСЗ Quickbird имели пространственное разрешение 2 м. Его каналы имели спектральные характеристики: 450-530; 520-610; 640-720 и 770-889 нм.
На территории Пензенской области, на которой проводились дистанционные и наземные наблюдения, располагался тестовый полигон, предназначенный для проведения наземных экофи-зиологических исследований функционирования растительности с 36 участками (размер участка 10 х 10 м2), занятыми целевым объектом, кукурузой, зерновыми культурами, крапивой и другими типами растений. В задачи наземных обследований входили проведение измерений параметров состояния растительных объектов на тестовых участках, их спектрометрирование, а также обнаружение участков, занятых целевой растительностью по трассе гиперспектральной вертолетной съемки, для оценки достоверности результатов распознавания.
Исследуемые почвенно-растительные объекты были сгруппированы в три категории: целевой
Рис. 2. Гиперспектральное изображение тестового полигона после предварительной обработки.
растительный объект; фоновые растительные объекты, объединенные в один объект-фон; участки без растительности (почва).
Кроме того, в ряде случаев использовался вспомогательный объект "остальное", обычно эквивалентный отказу от распознавания.
Трассовая съемка местности производилась в безоблачную погоду в июле 2006 г. с высоты 1000 м при скорости полета 130 км/ч. Синхронно с гиперспектральной осуществлялась видеосъемка с целью последующего проведения геометрической коррекции и привязки гиперспектральных данных [4]. На исследуемую территорию имелся многоспектральный снимок с ИСЗ Quickbird (рис. 1), полученный летом 2006 г. На нем линией, помеченной стрелкой, показана трасса полета вертолета, а белой рамкой выделен исследуемый участок.
Гиперспектральная съемка сопровождалась GPS-привязкой. Анализ полученных гиперспектральных данных осуществлялся в два этапа: предварительная (геометрическая коррекция и географическая привязка [4]) и тематическая обработка (классификация типов растительности). На рис. 2 приведено гиперспектральное изображение тестового полигона после предварительной обработки.
Помимо гиперспектральных данных и материалов видеосъемки тестового полигона имелась наземная информация о растительных ценозах каждого участка полигона [4].
ТЕМАТИЧЕСКАЯ ОБРАБОТКА
Тематическая обработка включала три процедуры: выбор обучающих участков; кластеризацию; контролируемую классификацию растительных объектов с выделением двух классов - целевого и фонового (классификацию с обучением).
Выбор обучающих участков
Нами применялись два типа обучающих участков: отдельные, выделенные вручную на гиперспектральном изображении и на многоспектральном изображении (рис. 3а) и их пересечения
♦ %
\
Рис. 3. Формирование обучающих участков: а — контуры тестовых участков, полученных по данным гиперспектральной съемки (выделены серым цветом) и многоспектральной съемки (темный цвет); б — пересечения изображений участков для гиперспектрометра и многоспектрального сенсора ("ядра").
а б в ^^ г
^ ^
V IV ^
Рис. 4. Варианты тестовых участков: а и б — расширенные тестовые участки, полученные по данным гиперспектральной и многоспектральной съемки соответственно; в и г — сплошные тестовые участки, полученные по данным гиперспектральной и многоспектральной съемки соответственно. Черный цвет — целевой объект, темно-серый — растительный фон, бледно-серый — почва.
(рис. 3б). Полученные пересечения рассматриваются как "ядра" данных гиперспектрометра и многоспектрального сенсора. Как правило, эти "ядра" использовались в качестве обучающих данных, а охватывающие их обучающие участки, специфичные для гиперспектрометра и многоспектрального сенсора, — как "расширенные" тестовые участки. При изучении влияния изменения пространственного разрешения сенсоров потребовались также участки со "сплошным" покрытием, т.е. расположенные на фоне "почвы" (рис. 4).
Кластеризация по Кохонену
Существует несколько различных алгоритмов кластеризации. Одним из эффективных способов кластеризации точек в пространстве большой размерности является метод Кохонена на основе нейросети [10]. Его также называют методом самообучающихся карт (Self Organizing Maps — SOM). Процедура реализации метода начинается с построения отображения Кохонена из многомерного пространства спектральных данных (точек, являющихся концами векторов многомерных спектральных измерений) на двумерную поверхность с последующей кластеризацией
данных на этой поверхности методом ISODATA. Метод Кохонена хорошо зарекомендовал себя при решении подобного рода задач.
Кластеризация объектов тестового полигона.
После построения отображения Кохонена через него пропускаются все точки данных, и для каждой точки спектральных измерений получается свой класс, в зависимости от того, в какой кластер SOM эта точка попадает. Результаты такой кластеризации для тестового полигона показаны на рис. 5.
Из анализа рисунка следует, что кластеризация дает более сложные формы изображений участков, чем ручное выделение. Вопрос в том, насколько эти детали формы истинны. Поскольку участки тестового полигона делались квадратными, можно было бы считать все извилистые формы ошибками, если бы не возможность того, что они связаны с реальными сложностями геометрии съемки.
На основании результатов, показанных на рис. 5, была рассчитана матрица точности кластеризации. Она характеризуется двумя величинами — вероятностью ложной тревоги ЕЛ для каждой пары "истинный объект — кажущийся (альтернативный) объект" и вероятностью правильного обнаружения РБ, которые представлены в табл. 1.
15
Рис. 5. Результаты кластеризации на основе метода Кохонена и сравнение с обучающими данными: а — результаты кластеризации; б — обуча
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.