МЕТОДЫ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ ЧАСТЬ 3 ТЕХНОЛОГИЧЕСКАЯ СХЕМА

МЕТОДЫ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ ЧАСТЬ 3

ТЕХНОЛОГИЧЕСКАЯ СХЕМА КОСМИЧЕСКОГО МОНИТОРИНГА Космический сегмент Решение прикладных задач Пользователи Режим наблюдения {Δx, δt, τ} Оперативные карты ГИС территории Нормализация изображений Тематическое дешифрирование Прием и предварительная обработка изображений Архив цифровых изображений Территория Режим наблюдения {Δx', δt, τ'} Протоколы наблюдений Наземный сегмент

ТЕХНОЛОГИЧЕСКАЯ СХЕМА ОБРАБОТКИ ДАННЫХ ДЗЗ В СИСТЕМАХ КОСМИЧЕСКОГО МОНИТОРИНГА Чтобы перейти от яркостных характеристик пикселей изображения земной поверхности к свойствам реальных объектов космический снимок необходимо правильно обработать. Технология обработки включает несколько этапов: - предварительная обработка - нормализация -тематическое дешифрирование.

ТЕХНОЛОГИЧЕСКАЯ СХЕМА ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ ДЗЗ

ПРЕДОБРАБОТКА Радиометрическая калибровка аппаратных погрешностей Геометрическая коррекция изображений с учетом суточного вращения и кривизны Земли, перемещения КА по орбите в процессе проведения съемки, нестабильности ориентации КА во время съемки, неравномерности расположения сенсоров, и т. п.

ГЕОМЕТРИЧЕСКАЯ КАЛИБРОВКА И ПРОСТРАНСТВЕННОЕ СОВМЕЩЕНИЕ СНИМКОВ видимый диапазон Географическая привязка: - уровень 1 по орбитальным параметрам спутника. - уровень 2, точная привязка изображений по реперным точкам. Преобразование изображения в заданную картографическую проекцию

ПРИВЕДЕНИЕ ИЗОБРАЖЕНИЙ К ОДИНАКОВЫМ УСЛОВИЯМ СЪЕМКИ • Атмосферная коррекция • - поглощение излучения в атмосфере - дополнительная «подсветка»

ПРИВЕДЕНИЕ ИЗОБРАЖЕНИЙ К ОДИНАКОВЫМ УСЛОВИЯМ СЪЕМКИ (нормализация яркости) Тестовые полигоны – участки, для которых известны яркостные характеристики Подспутниковые радиометрические измерения В результате получают пространственно совмещенные изображения, у которых все пиксели имеют одинаковые размеры, а значения яркости нормал изованы, т. е. можно считать, что они получены при одинаковых условиях съемки.

ТЕМАТИЧЕСКОЕ ДЕШИФРИРОВАНИЕ Процедуру построения описания состояния Т по космическому снимку называют тематическим дешифрированием. Следует различать два вида задач тематического дешифрирования: - задача объектного дешифрирования - отнесение изображений наземных объектов на снимках к одному из заданных классов; - задача параметрического дешифрирования - определение количественных значений свойств наземных объектов по космическим изображениям. Для корректного решения задач тематического дешифрирования необходимы соответствующие наземные данные

ШКАЛЫ ИЗМЕРЕНИЙ 1) Шкала наименований A B C D 2) Шкала порядка A B C D A < B < C < D 3) Шкала интервалов A B C D AB > CD AB = BC 4) Абсолютная шкала 0 A B C D

ОБЪЕКТНОЕ ДЕШИФРИРОВАНИЕ • Формально задачу объектного дешифрирования можно определить как задачу перехода от изображения (описания) территории Т, заданного в виде матрицы “элементарных” пикселей F (X, Y), где X =(x 1, … , x. N), Y= (y 1, … , y. M), обладающих размерами (δxi, δyj) и яркостью F(xi, yj), к описанию (представлению) территории Т в виде совокупности "объектов" различных классов с размерами (Δxk, Δyk). Важно, что результат объектного дешифрирования представляется в шкале наименований

Возможны два варианта постановки этой задачи: - вариант «объект – пиксель» , когда размеры пикселя изображения соответствуют размерам наземных объектов, т. е. (Δxk, Δyk) = (δxi, δyj) и К=M*N. В этом случае задача дешифрирования сводится к классической задаче распознавания образов. В результате ее решения каждому пикселю изображения присваивается номер соответствующего класса k; - вариант «объект – много пикселей» , когда пространственные размеры наземных объектов существенно больше пикселя, т. е. (Δxk, Δyk) >> (δxi, δyj) и К << M*N. В этом случае задача дешифрирования трансформируется в задачу районирования.

Постановка задачи объектного дешифрирования предполагает, что в пределах территории Т, выбраны типичные участки, так называемые, тестовые полигоны {ΩTl: l =1, …, L}, внутри которых проведены наземные наблюдения и выделены объекты разных классов, т. е. построен классификатор объектов и определены решающие правила их "прямого" распознавания. Используя эти данные, нужно провести распознавание объектов на территории Т по космическим снимкам. Важно, что суммарная площадь тестовых полигонов существенно меньше площади исходной территории, т. е. {∑ΩTl << S (Т)}.

На практике это соотношение обычно изменяется от 5 до 20 % в зависимости от степени изученности и неоднородности территории Т. С учетом того, что затраты на наземные измерения на несколько порядков выше затрат на космосъемку, процедура тематического дешифрирования позволяет заменить «прямой» способ картирования объектов ( «точный» , но «дорогой» ) - на «косвенный» ( «дешевый» , но «приближенный» ). Классификатор объектов определяется целями мониторинга. Можно использовать известные классификаторы, такие как LCCS (Land Cover Classification System).

РЕШЕНИЕ ЗАДАЧИ ОБЪЕКТНОГО ДЕШИФРИРОВАНИЯ ВКЛЮЧАЕТ ТРИ ЭТАПА: 1. Обучение – построение решающего правила на материале обучения (тестовых полигонах) 2. Тестирование – проверка решающего правила на материале экзамена 3. Экстраполирование – применение решающего правила для объектов за пределами тестовых поигонов

ОБУЧЕНИЕ Определение критериев и правил распознавания объектов по их изображениям на основе прямых наземных наблюдений на тестовых полигонах. Результаты наземных наблюдений делятся на две части: материал «обучения» и материал «экзамена» . Материал «обучения» используется для выявления соответствия между «спектральными образами» на снимках и наземными «образами» реальных объектов и построения решающих правил.

РАСПОЗНАВАНИЕ СОСТОЯНИЯ РАСТИТЕЛЬНОСТИ 1 1 2 2 Ближний ИК-диапазоне (0, 74 – 1, 3 мкм) - используется, в частности, для контроля состояния сельскохозяйственных культур 1 - нормальное состояние, 2 - стрессовое

ПРИМЕРЫ РЕШАЮЩИХ ПРАВИЛ • <простой критерий > : : = <имя свойства > < арифметическое условие > <значение > • Пример : Red = 0. 73; • Пороговый критерий: 0. 23<= NDVI <= 0. 34 • <СРП > : : = <простой критерий > [ <логическая связка > <простой критерий > ] • Пример: Red >= 0. 73 & 0. 23<= NDVI <= 0. 34 • <ДРП > : : = {[ < период - 1> ] : (< СРП-1 >) ; . . . ; [ < период - n> ] : (< СРП-n>)} • <период > : : = <дата начала – дата конца > • Пример: [01. 05. – 10. 06 ] : (0. 13<= NDVI <= 0. 23); [10. 06. – 10. 08 ] : ( 0. 23<= NDVI <= 0. 74); [10. 08. – 10. 09 ] : (0. 13<= NDVI <= 0. 34)

ТЕСТИРОВАНИЕ. Построенные правила применяются для контрольного распознавания объектов из материала «экзамена» и оценивается качество распознавания.

Матрица погрешностей и ошибки распознавания Класс реальности Класс распознавания Вода Земля С/х поля Лес Получено Ошибка 2 рода Вода 187 40 7 0 234 18, 1 Земля 11 246 12 9 278 9, 4 С/х поля 0 21 239 39 299 24, 9 Лес 0 0 140 49 189 94, 8 Должно быть 198 307 398 97 1000 Точность в % Ошибка 1 рода 94, 4 5, 6 80, 1 19, 9 60. 1 39, 9 50. 5 49, 5

ОШИБКИ РАСПОЗНАВАНИЯ • Еij – объект принадлежащий классу j при распознавании отнесен к классу i • Точность распознавания объектов классу j = Еii / i Еij • Ошибки первого рода ( пропуски объекта класса j ) • Е 1 j = ( i Еij – Еii) / i Еij • Ошибки второго рода ( «ложные» объекты отнесены к классу j) • Е 2 j = ( j Еij - i Еij ) / i Еij • Цена ошибок первого и второго рода для объектов класса j • S 1 j = 1 х Е 1 j • S 2 j= 2 х Е 2 j • Суммарная цена ошибок для объектов класса j • S j = S 1 j+ S 2 j • Суммарная цена ошибок распознавания • S = j S j

ОЦЕНКА КАЧЕСТВА РАСПОЗНАВАНИЯ «Обучения» продолжается до тех пор, пока на «экзамене» не будет достигнута приемлемая суммарная цена ошибок распознавания 1 и 2 -го рода для всех классов объектов. Рекомендуется: В процессе обучения периодически «перемешивать» материал «обучения» и материал «экзамена» . .

ЭКСТРАПОЛИРОВАНИЕ. Правила, построенные для объектов тестовых полигонов, применяются для распознавания и картирования объектов на остальной территории Т.

Результаты дешифрирования представляются в растровом формате и могут быть преобразованы в векторные карты. Дешифрированные объекты представляют собой тематические слои ГИС. В результате объектного дешифрирования строятся электронные тематические (многослойные) карты, смысловая нагрузка (легенда) которых определяется структурой классификатора объектов. .

Объектное дешифрирование • На практике при объектном дешифрировании космических снимков часто прибегают к процедуре распознавания образов без обучения. В результате ее решения каждому пикселю исходного изображения ставится в соответствие абстрактный номер класса объектов. • Наиболее популярный алгоритм ISODATA Выбирается k исходных кластеров и относят все элементы в соответствии с внутрикластерным критерием минимальности (суммарное расстояние между точками кластера). После того как все элементы разделены на k кластеров, рассчитываются новые средние (центры) кластеров и вся процедура повторяется, до тех пор, пока не перестает улучшаться внутри кластерный критерий На рисунке приведен результат объектного дешифрирования космического снимка Landsat TM с использованием классификатора LCCS и процедуры ISODATA

А а) космический снимок (RGB) Б б) тематическая карта

• Алгоритмы классификации обычно встроены в стандартные пакеты обработки космических снимков, такие как Erdas Imagine, PCI, Er Mapper, ENVI и др. , которые выдают результаты в форматах совместимых с форматами наиболее распространенных ГИС-оболочек (ARC GIS, Map. Info и др. ) • Корректность применения процедур распознавания без обучения в системах космического мониторинга вызывает серьезные сомнения, хотя результаты ее решения могут быть полезны для построения классификатора объектов, формирования «образов» и уточнения мест расположения тестовых полигонов.

Параметрическое дешифрирование - перехода от изображения территории Т, заданного в виде “элементарных” пикселей F (X, Y), где X =(x 1, … , x. N), Y= (y 1, … , y. M), обладающих размерами (δxi, δyj) и яркостью F(xi, yj), к представлению территории Т в виде матрицы значений искомого параметра G (X, Y), где X =(x 1, … , x. N), Y= (y 1, … , y. M). Примерами параметров: влажность почв, содержание гумуса в почве, рельеф, температура поверхности Земли, объем надземной биомассы и т. п. Важно, что результат параметрического дешифрирования представляется в сильных шкалах. Если для решения задачи объектного дешифрирования необходимо предварительно построить классификатор объектов, то для корректного решения задачи параметрического дешифрирования нужна шкала градуировки значений параметра, построенная по контактным измерениям.

РЕШЕНИЕ ЗАДАЧИ ПАРАМЕТРИЧЕСКОГО ДЕШИФРИРОВАНИЯ 1. Построение калибровочной функции R(F, G), устанавливающую соответствие между значениями яркостей F и численными значениями параметра G. параметра, включая пиксели с минимальным и максимально возможным значением. 2. Тестирование калибровочной функции По аналогии с объектным дешифрированием данные контактных измерений следует разделить на две части: материал «обучения» и материал «экзамена» . Материал «обучения» используется для построения калибровочной функции, а материал «экзамена» для оценки точности калибровки. 3. Применение калибровочной функции для определения значений параметра Примечание. В ряде случаев вид калибровочной функции может зависеть от периода съемки (например: зима, весна, лето, осень). Кроме того для больших и неоднородных территорий построить единую калибровочную функцию часто не удается. В этих случаях следует провести предварительное районирование территории , разделить ее на однородные «районы» и строить свои калибровочные функций для каждого «района» .

Частным случаем параметрического дешифрирования является задача построения Частным случаем параметрического дешифрирования рельефа местности по данным ДЗЗ. а) растровое представление, б) карта изолиний (вектор) Результаты параметрического дешифрирования оформляются в виде растровых карт, карт изолиний или графиков

Пример неправильного использования результатов дешифрирования

ТЕХНОЛОГИЧЕСКАЯ СХЕМА ОБРАБОТКИ ДАННЫХ ДЗЗ ДЛЯ БОЛЬШИХ ТЕРРИТОРИЙ Предварительная обработка отдельных сцен Формирование групповых сцен (мозаик) Тематическое дешифрирование (построение карты) Формирование временных рядов результирующих карт Результаты дешифрирования используются для дальнейшей аналитической обработки, включая, распознавание изменений, анализ и диагностика тенденций, прогноз развития .

РАСПОЗНАВАНИЕ И РАНЖИРОВАНИЕ ИЗМЕНЕНИЙ Одна из основных функций мониторинга заключается в обнаружении и пространственной локализации изменений в состоянии территории. Методы регистрации изменений обычно предусматривают сравнение описаний отвечающих различным моментам времени, в частности предшествующему и текущему или начальному и конечному состояниям по схеме: <Было> - <Стало> ! Сравнивать нужно не исходные космоснимки, а карты, построенные в результате их тематического дешифрирования. Карты должны быть построены по одинаковым технологиям.

Космический снимок IRS PAN за 16. 06. 2008 г Космический снимок IRS PAN за 19. 06. 2008 г

Чем разнообразней нагрузка карты, тем более сложным будет алгоритм распознавания и количественной оценки изменений. ОКТ, отвечающие двум последовательным моментам времени ОКТ (t-1) и ОКТ (t) могут различаться: - количеством классов объектов; - количеством объектов каждого класса; - количеством пикселей в каждом объекте (площадью объектов); - суммарной площадью объектов данного класса; - пространственным расположением и геометрической формой отдельных объектов; - структурой отношений между объектами.

Интегральная мера различий : r 1 – мера различия ОКТ 1 и ОКТ 2, отражающая изменения в количестве классов; r 2 – мера различия ОКТ 1 и ОКТ 2, отражающая изменения в количестве объектов различных классов; r 3 - мера различия ОКТ 1 и ОКТ 2, отражающая изменения в площадях объектов различных классов; r 4 – мера различия ОКТ 1 и ОКТ 2, отражающая различия в пространственном расположении границ объектов; r 5 – мера различия ОКТ 1 и ОКТ 2, отражающая изменения в отношениях между объектами. ai – весовые коэффициенты

Если значения локальных мер различия, выявленных при сравнении карт, превышают пороговые значения соответствующих критериев, то обнаруженные изменения признаются существенными и информация о них передается для дальнейшего анализа человеку-интерпретатору

Карты, интегральная мера различия которых меньше, считаются соответственно более похожими. 1. Не существует общего правила для выбора весов, задающих значимость того или иного изменения. Их можно определить только в контексте постановки соответствующей задачи мониторинга. 2. В ряде случаев следует учитывать эффект накопления малых изменений. В частности, различия между двумя картами - текущей и предшествующей могут быть незначительны (ниже порога значимости), но если сравнивать карты, отвечающие началу и концу достаточно большого интервала времени, то они могут оказаться существенными.

ПРИМЕРЫ ДЕТЕКТИРОВАНИЯ РАЗЛИЧИЙ

РАСПОЗНАВАНИЕ ИЗМЕНЕНИЙ (на примере г. Алматы)

РЕГИСТРАЦИЯ ИЗМЕНЕНИЙ Картирование изменений Аман-Карагайского лесного массива на территории Костанайской области за 2005 -2009 гг. (данные MODIS – разрешение 250 м, дневные пролеты, зимний период) MODIS 18 января 2005 Критерии детектирования изменений лесного массива уменьшение размеров лесного массива увеличение размеров лесного массива без изменения

Изменение интенсивности антропогенного давления, связанного с растениеводством, на территории тестового полигона Костанайской области посев пары пастбище

Районирование тестовой территории по динамике изменения поверхностного увлажнения Увеличение Пример сравнительного анализа состояния озерных систем (июль 1986 – июнь 2001) А – система озер Тоболо. Убаганского водороздела; В – система озер Тургайской ложбины; С – система озер Сыпсынагашской ложбины Уменьшение Картирование изменений увлажненности территорий Критерии детектирования изменений увлажненности земель 1986 -2001 Увеличение размера водного зеркала озер; 1986 -2007 Наличие 2 -х процессов Без изменения или уменьшение размеров водного зеркала озер

ОЦЕНКА МЕЖСЕЗОННЫХ ИЗМЕНЕНИЙ РАСТИТЕЛЬНОГО ПОКРОВА Зоны различной продуктивности растительности 2002 2008 Изменение продуктивности растительности Динамика площадей зон с различной продуктивностью растительности Динамика площадей зон с низкой продуктивностью растительности