Авторизация

Логин:
Пароль:
Восстановить пароль
Регистрация
  • Форум
  • Блоги
  • Контакты
  • Новости
  • Продукты
  • Отрасли
  • Обучение
  • Поддержка
  • События
  • О компании
  • 4 (31) | 2004 Методика компьютерной классификации по нескольким космическим снимкам

    (на примере картографирования состояния растительного покрова для водосбора озера Имандра)

    Ольга Тутубалина, Екатерина Шипигина

    Географический факультет МГУ им. М.В. Ломоносова, г. Москва, тел. (095) 939 10 44, факс 932 88 36, e-mail olgatut@pochta.ru, shipigina@mail.ru

    При создании карт путем компьютерной классификации по космическим снимкам часто приходится сталкиваться с тем, что полное покрытие территории обеспечивается несколькими перекрывающимися снимками.

    В этом случае есть два основных способа обработки снимков:

    1. взаимное яркостное выравнивание снимков, их монтаж в общую мозаику и проведение классификации по полученной мозаике;
    2. раздельная классификация снимков с вводом параметров взаимной корректировки, затем монтаж результирующих карт классификаций в единую мозаику.

    Первый способ, как правило, более быстрый, но грубый. Существуют эффективные автоматизированные средства для яркостного выравнивания, цветового балансирования и создания мозаик (например, Mosaic Tool в ERDAS IMAGINE). Однако в ходе этих процедур могут изменяться значения яркости снимков и гистограммы их распределения. В случае обнаружения неточностей классификации по отдельным снимкам, составляющим мозаику, уже невозможно вернуться к исходным значениям яркости. Второй способ, более медленный, но значительно более надежный, подразумевает индивидуальные параметры классификации для каждого снимка. При этом обеспечивается практически «бесшовная» мозаика карт классификаций и, к тому же, всегда можно вернуться к исходным значениям яркости отдельных снимков и внести коррективы в эти карты для повышения достоверности.

    Предлагаемая методика

    Нами разработана методика эффективной полуавтоматической обработки по второму способу. Для ее успешного применения необходимо, чтобы: а) снимки имели существенное географическое перекрытие, в пределах которого встречаются все основные классы объектов; б) состояние объектов на соседних снимках было сходным. Например, для картографирования растительности нужны летние снимки, хотя допускаются небольшие вариации по фенологической фазе.


    Рис. 1.
    Район исследований.

    Практическое применение предлагаемой методики иллюстрируется на примере создания карты современного состояния растительного покрова для водосбора озера Имандра в центре Кольского полуострова, имеющего площадь более 12 тыс. кв. км. (рис. 1). Район характеризуется интенсивным техногенным воздействием на экосистемы вокруг основных промышленных производств: медно-никелевого горно-металлургического комбината «Североникель» в Мончегорске и, в меньшей степени, горно-химического комбината «Апатит» в Кировске и Апатитах, железорудного комбината «Олкон» в Оленегорске, железорудного горно-обогатительного предприятия «Ковдорский ГОК» и горно-обогатительного комбината «Ковдорслюда». Поэтому при картографировании растительности необходимо учитывать не только высокое биоразнообразие северотаежных и горных тундровых экосистем района, но и степень их техногенного повреждения. Здесь мы опираемся на опыт многолетних исследований района, накопленный учеными географического факультета МГУ (Е.И. Голубевой, А.В. Дончевой, А.В. Евсеевым, А.П. Капицей, В.И. Кравцовой, Т.М. Красовской, И.К. Лурье и другими) и Кольского научного центра РАН.

    Этапы обработки космоснимков и итоговая карта

    Поскольку большинство проведенных операций обработки космических снимков универсально и может быть применено для других географических регионов и карт другой тематики, мы приводим их подробное описание, в надежде, что оно окажется полезным для интересующихся.


    Рис. 2.
    Схема покрытия района исследований снимками Landsat ETM+. Синим контуром показана граница водосбора оз. Имандра.

    1. Подбор космических снимков. Для картографирования водосбора были выбраны пять снимков Landsat ETM+ за четыре даты: 17 июля 1999 г., 26 июля 2000 г. (2 снимка), 28 июля 2000 г. и 20 июня 2001 г. (рис. 2). Снимки за 26 июля были получены из бесплатного архива Global Land Cover Facility (http://glcf.umiacs.umd.edu/index.shtml, более 20000 снимков со спутников Landsat на январь 2004 г.). Остальные снимки были приобретены по $25 в библиотеке некоммерческого партнерства «Прозрачный мир» (http://www.transparentworld.ru/bibl/, более 1500 снимков со спутников Landsat на январь 2004 г.), участником которой географический факультет МГУ является с 2003 г.

    2. Предварительная коррекция снимков. Этот этап включает процедуры радиометрической и геометрической коррекции. Радиометрическая коррекция прежде всего подразумевает введение поправок для компенсации медленных изменений чувствительности съемочной системы с течением времени на орбите и для учета изменений в освещенности в зависимости от календарной даты.

    В нашем случае применение этих системных поправок не улучшило сопоставимость снимков. По всей видимости, основные различия в значениях яркости снимков были связаны не с небольшими изменениями калибровочных параметров, а с различиями в плотности атмосферной дымки и в фенофазе растительного покрова. Для учета этих факторов у нас не было данных. Поэтому от радиометрической коррекции снимков было решено отказаться, а яркостные различия между снимками были учтены с помощью специальной процедуры создания согласованных обучающих выборок (см. п. 5 ниже).

    Поскольку все снимки имели уровень обработки 1G, они уже были переведены в проекцию UTM на эллипсоиде WGS84 по данным орбитальной привязки. По нашему опыту, остаточная погрешность привязки для снимков Landsat ETM+ уровня 1G представляет собой систематический сдвиг не более 90 м по каждой из осей координат. Геометрическая коррекция снимков свелась к полевому определению координат нескольких проверочных точек (перекрестков дорог, мостов и т.п.) в той же проекции с помощью навигационных приемников GPS, с точностью около 10м. Затем для каждого снимка были введены соответствующие сдвиги в направлениях х и у, рассчитанные как средние значения из нескольких измерений. Такой метод коррекции позволил совместить все снимки с точностью, превышающей требования рабочего масштаба составления карты (1:200 000).

    3. Экспертная классификация базового снимка. Снимок Landsat ETM+ за 28 июля 2000 г. был выбран как базовый для детальных исследований, поскольку он охватывает хорошо изученный нами район к югу от г. Мончегорска и к западу от г. Апатиты. По снимку была проведена предварительная классификация без обучения путем кластеризации по алгоритму ISODATA, c разделением на 21 кластер. Характер объектов, попавших в эти кластеры, определялся путем дешифрирования - сначала в камеральных условиях, а затем в полевых маршрутах в летний период. Было установлено соответствие между 21 кластером и 16 классами легенды итоговой карты состояния растительного покрова. При этом некоторые кластеры объединялись в один класс, а другие соответствовали нескольким итоговым классам, поскольку спектральные яркости объектов на снимке были одинаковыми, например, для участков городской застройки на равнинах и каменистых пустынь нивальной зоны в горах. Для устранения этих неоднозначностей с помощью дешифрирования по снимкам Landsat ETM+ были созданы специальные геоинформационные слои-маски: неповрежденных горных тундр, поврежденных горных тундр, застроенных и промышленных территорий, сельскохозяйственных земель, облаков и теней облаков. Итоговая карта создавалась в модулях экспертной классификации ERDAS IMAGINE (Knowledge Engineer и Knowledge Classifier). Решающие правила классификации использовали результаты кластеризации ISODATA, слои-маски и цифровую модель рельефа (ЦМР) с ячейкой 100 х 100 м, интерполированную по векторным топографическим картам масштаба 1:200 000 (в модуле ERDAS IMAGINE Data Preparation - Create Surface). При этом маска неповрежденных горных тундр и цифровая модель рельефа применялись для того, чтобы выбрать то или иное значение класса. Например, в пределах маски неповрежденных горных тундр кластер 5 относился к каменистой кустарничково-лишайниковой тундре, а за ее пределами – к умеренно поврежденным (40-60%) преимущественно хвойным лесам. Маска облаков и теней облаков использовалась для вырезания соответствующих областей на снимке. Прочие маски просто накладывались на итоговую карту в определенном порядке, соответствующем выбранным предпочтениям.

    Общая схема экспертной классификации для базового снимка приведена на рис. 3 (снимок обозначен цифрой I). Аналогичная схема, но с применением предварительной классификации с обучением, использовалась и для остальных снимков (обозначены цифрой II).


    Рис. 3.
    Схема использования данных в экспертной классификации для составления итоговой карты растительного покрова (см. рис. 4).

    Следует отметить, что для использования в Knowledge Classifier все маски переводились из векторного формата ArcInfo в растровый ERDAS IMAGINE (в модуле Vector Utilities - Vector to Raster), так как при непосредственном расчете по векторным слоям иногда возникали сбои, в том числе пропуск отдельных масок.

    4. Переход от классификации базового снимка к классификации снимков всего водосбора. Принципиальная схема классификации была отлажена на примере базового снимка, а дальнейшая обработка сводилась к следующему:

    • создать по остальным снимкам района обучающие выборки;
    • получить по ним аналогичные карты предварительной классификации из 21 класса и соединить эти карты в единую мозаику;
    • расширить слои-маски на всю территорию района;
    • при необходимости доработать решающие правила, включив новые класс(ы), не встречавшиеся в пределах базового снимка;
    • применить решающие правила (базу знаний – Knowledge Base) экспертной классификации для создания итоговой карты.

    5. Создание обучающих выборок для классификации остальных снимков. Для этой операции использовалась следующая методика:

    • на обрабатываемом снимке очерчивается область интереса (AOI), максимально охватывающая область перекрытия с базовым снимком, но исключающая облачный покров;
    • снимок обрезается по границам созданной области (Interpreter/Utilities/Subset), чтобы получить эталонную область для создания обучающих выборок;
    • в редакторе обучающих выборок (Classifier/Signature Editor) по эталонной области (имя соответствующего файла задается в Signature Editor - Edit/Image Association) создаются обучающие выборки в пределах соответствующих контуров карты кластеризации ISODATA по базовому снимку (Signature Editor - Edit/Extract from Thematic File).

    Такая методика позволяет в обучающих выборках учитывать систематические различия между снимками в значениях яркости пикселов, связанные с разной плотностью атмосферной дымки и частично – с фенофазой растительности. Процедура создания выборок практически автоматическая (требуется лишь несколько минут для создания областей AOI).

    6. Классификация остальных снимков и создание мозаики карт классификаций. Для предварительной классификации остальных снимков был выбран алгоритм классификации с обучением по методу максимального правдоподобия (Maximum likelihood). Перед классификацией был установлен порядок наложения снимков (см. рис. 3), созданы маски облаков и теней облаков по всем снимкам в пределах водосбора и вырезаны облачные участки. За счет взаимного перекрытия снимков удалось уменьшить с 12% до 6% долю участков “без данных” (закрытых облаками и их тенями).

    Затем в Classification - Signature Editor для каждого набора выборок в меню Signature Editor - Edit/Image Association эталонная область заменялась всем снимком (за вычетом облаков и их теней) и проводилась классификация с обучением (Signature Editor - Classify/Supervised).

    Наложение результатов всех классификаций показало, что для 4-5 близких классов (различных типов лесов) были заметны небольшие различия в картах классификации на границе двух снимков. Чтобы свести их к минимуму, в классификацию снимков от 17 июля 1999 г. и 20 июня 2001 г. для этих классов были введены веса априорной вероятности классов, варьирующие от 0,5 до 4 (колонка Prob. в таблице параметров обучающих выборок в редакторе Signature Editor). После опробования двух вариантов весов априорных вероятностей была достигнута практически «бесшовная» стыковка всех карт классификаций. Нужно отметить, что введение различных весов (по умолчанию они все равны единице) почти не изменило площади итоговых классов (различия были в пределах 0,1 - 0,6%). Соединение карт классификаций в мозаику было выполнено в ERDAS IMAGINE Mosaic Tool (в качестве альтернативы можно создать простую модель в Spatial Modeler). Одновременно мозаика была обрезана по границе района (соответствующая область AOI была создана на основе шейп-файла границы водосбора).

    7. Экспертная классификация на основе мозаики классификаций и дополнительных слоев. Редактирование решающих правил, отработанных на базовом снимке, свелось, в основном, к добавлению описания нового класса (равнинных кустарничково-лишайниковых тундр с сосновым редколесьем), который не встречался в окрестностях Мончегорска. Затем дерево решений экспертной классификации было применено к полученной мозаике карт предварительной классификации, слоям-маскам и ЦМР, расширенным до границ водосбора.


    Рис. 4.
    Карта современного состояния растительного покрова водосбора оз. Имандра.

    Результат классификации – карта современного состояния растительного покрова водосбора озера Имандра (рис. 4). Она была обработана мажоритарным фильтром для генерализации контуров размером менее 6 пикселов (процедуры Clump и Eliminate в Interpreter - GIS Analysis), что соответствует масштабу использования карты 1:500 000. Разрабатываемая печатная версия карты предусматривает наложение слоев гидрографии и дорожной сети с цифровых топографических карт, а также наложение маски недавних лесных гарей и вырубок, что позволит отделить растительность, погибшую и поврежденную в результате атмосферных выбросов предприятий, от уничтоженной лесными пожарами и рубками.

    Итоговые замечания

    Подводя итог, отметим наиболее трудоемкие операции в разработанной методике. Прежде всего, это создание различных масок (заняло в общей сложности несколько недель). В простых случаях эту работу можно частично автоматизировать, например, отделить горные районы по абсолютной высоте, используя ЦМР, или облака – по высоким значениям спектральной яркости. В нашем случае это не удалось, поскольку нижняя граница горных тундр сильно варьирует по высоте, а тонкий облачный покров не всегда можно отличить от лишайниковых тундр. Трудоемки, но необходимы, операции дешифрирования типов объектов, попавших в кластеры предварительной классификации, и, при возможности, операции полевой проверки. В нашем случае проводился и второй сезон полевых исследований, в ходе которого оценивалась достоверность полученной карты для района Мончегорска. Достаточно затратен по времени и этап разработки решающих правил для экспертной классификации базового снимка. Этот процесс ведется экспериментально, до тех пор пока удастся выбрать минимально достаточный набор данных и их сочетаний, а также порядок их наложения (напомним, что вышележащие классы в экспертной классификации ERDAS IMAGINE при прочих равных условиях имеют преимущество, то есть маскируют нижележащие). Зато процесс набора обучающих выборок для остальных снимков района в нашей методике автоматизирован почти полностью.

    Авторы благодарят Кольский научный центр РАН и Американскую ассоциацию по содействию науке (АААS) за поддержку полевых исследований по проекту, а также С.С. Черноморца за помощь в подготовке материалов для экспертной классификации.




    Версия для печати