Содержание к диссертации
Введение
1 Проблемы оценки характеритик лесной растительности по космическим снимкам 13
1.1 Космические аппараты для задач лесного хозяйства 13
1.2 Моделирование пространственной организации растительного покрова 17
1.2.1 Классификация спутниковых изображений на основе спектральных данных для оценки лесов 19
1.2.2 Использование ЦМР для косвенного определения характеристик растительности 21
1.2.3 Использование климатических характеристик для оценки лесорастительных условий 24
1.2.4 Применение экспертных систем для пространственного моделирования организации растительного покрова 27
1.3 Обзор основных типологических классификаций лесов России 29
2 Район и методы исследований 35
2.1 Физико-географические особенности южной части Приенисейской Сибири 35
2.2 Методы обработки многозональных спутниковых изображений 40
2.2.1 Методы предварительной обработки спутниковых данных 40
2.2.2 Методы классификации многозональных изображений 45
2.2.3 Формирование эталонных выборок 51
2.2.4 Анализ разделимости информационных классов 54
2.2.5 Генерализация классифицированных изображений 57
2.2.6 Оценка достоверности результатов классификации 58
2.3 Метод проведения снегомерных съемок и определение годовой величины атмосферных осадков 61
3 Состав банка данных гис. разработка методики пространственного моделирования лесовосстановительной динамики 63
3.1 Ключевые составляющие ГИС «Леса Средней Сибири» 63
3.2 Состав банка данных ГИС для южной части Приенисейской Сибири 65
3.3 Методика пространственного моделирования лесовосстановительной динамики 75
3.3.1 Алгоритм автоматизированного дешифрирования разносезонных спутниковых изображений с использованием данных лесоинвентаризации 76
3.3.2 Способ комплексного анализа ЦМР, экспериментальных и фондовых данных для систематизации лесорастительных условий 83
3.3.3 Разработка системы правил для формирования растровых изображений типов лесорастительных условий и восстановительных рядов лесной растительности 88
4 Результат моделирования лесовосстановительной динамики на южную часть приенисейской сибири 92
4.1 Определение породного состава и возрастной структуры насаждений по ДДЗЗ 92
4.2 Систематизация лесорастительных условий 113
4.2.1 Анализ ЦМР 113
4.2.2 Выделение форм мезорельефа 114
4.2.3 Модель пространственного распределения среднемноголетних значений атмосферных осадков 118
4.2.4 Модель пространственного распределения среднемноголетних значений температур воздуха июля 126
4.2.5 Формирование растрового изображения природно-климатических зон 127
4.3 Систематизация разнообразия лесной растительности в разных лесорастительных условиях 129
4.4 Векторизация растровых изображений и актуализация банка данных ГИС
Закладка не определена.
Заключение 140
Список литературы 142
- Использование ЦМР для косвенного определения характеристик растительности
- Формирование эталонных выборок
- Методика пространственного моделирования лесовосстановительной динамики
- Систематизация лесорастительных условий
Введение к работе
з
Актуальность темы исследования. Оперативная и достоверная информация о типах земного покрова, получаемая по данным дистанционного зондирования Земли (ДДЗЗ), является определяющим фактором при пространственном моделировании растительности и представляет собой основу получения объективных данных для оценки состояния и мониторинга лесов, эффективного управления лесным хозяйством.
В настоящее время большинство карт растительности существенно устарели. Для территории Красноярского края существует обзорная мелкомасштабная карта растительности масштаба 1 : 7 500 000, составленная традиционными методами. Современный растительный покров края отражен на глобальных картах растительности, составленных по спутниковым данным с пространственным разрешением не более 250 м. Такие карты содержат относительно небольшое число классов легенды, характеризующих лесную растительность. Опыт пространственного моделирования лесной растительности края на основе ДДЗЗ среднего и высокого пространственных разрешений практически отсутствует, известны отдельные примеры детальных пространственных моделей лесов на тестовые участки.
Развитие современных методов и технологий обработки спутниковых изображений для создания тематических пространственных моделей, а также увеличение объема поступающих ДДЗЗ и повышение требований к точности их интерпретации, делают актуальной проблему автоматизации процессов обработки космической информации для пространственного моделирования растительности.
Степень разработанности проблемы. Разработке и исследованию принципов, методов и технологий обработки спутниковой информации для моделирования пространственной организации лесов посвящены работы Н. Б. Ермакова, А. С. Мкртчяна, П. А. Шарыя, В. В. Сысуева, специалистов Центра по проблемам экологии и продуктивности лесов РАН, Института космических исследований РАН, Московского государственного университета геодезии и картографии и др. Из зарубежных ученых следует отметить работы D. Clewley, М. A. Hansen,
4 J. L. Ohmann. В этих работах используются различные подходы, принципы и методы обработки, анализа и классификации данных. Выделяемые при этом территориальные единицы расчленения земного покрова характеризуются различным тематическим содержанием, размерностью и классификационным рангом.
Однако в известных работах не нашел должного отражения факт использования методов, базирующихся на комплексном анализе факторов природной среды и ДДЗЗ, позволяющих выявлять характеристики растительного покрова, которые непосредственно не отражаются на космических снимках, но являются объектами пространственного моделирования (типы лесорастительных условий, восстановительно-возрастные стадии и восстановительные ряды растительности). Решение задач подобного вида предполагает создание сложной и многоуровневой системы распознавания объектов, автоматизацию процесса интегрированной обработки ДДЗЗ, лесоинвентаризационной информации, натурных обследований с использованием геоинформационных систем (ГИС).
Целью исследования является разработка методики пространственного моделирования лесной растительности и ее восстановительной динамики на основе комплексного анализа данных космической мультиспектральной съемки, лесоин-вентаризации, цифровой модели рельефа (ЦМР) и натурных обследований.
Для достижения поставленной цели необходимо решить следующие задачи:
разработать методику пространственного моделирования лесовосстанови-тельной динамики на основе комплексного анализа ДДЗЗ, лесоинвентаризационной информации, ЦМР и данных натурных обследований;
разработать алгоритм автоматизированного дешифрирования разносезон-ных спутниковых изображений с целью определения породного состава и возрастной структуры насаждений с учетом тенденций восстановительной динамики;
разработать способ комплексного анализа ЦМР, экспериментальных и фондовых данных для систематизации лесорастительных условий территории;
разработать предикатную систему правил для формирования растровых изображений типов лесорастительных условий и восстановительных рядов лесной растительности;
- провести экспериментальную апробацию предложенной методики и создать пространственную модель восстановительной динамики лесной растительности на южную часть Приенисейской Сибири.
Объектом исследования является лесная растительность и ее восстановительная динамика.
Предметом исследования являются методы автоматизированной классификации и тематической интерпретации спутниковых изображений и ЦМР с использованием лесоинвентаризационных, натурных и экспериментальных данных.
Научная новизна результатов исследования заключается в разработке методики пространственного моделирования лесной растительности и ее восстановительной динамики на основе комплексного анализа ДДЗЗ, ЦМР, лесоустроительной и натурной информации. Предложенная методика позволяет получить новую информацию о восстановительной динамике лесов, в том числе об их происхождении, закономерности распространения, и прогнозировать изменения в результате тематической обработки разносезонных спутниковых изображений среднего пространственного разрешения с учетом морфометрической и детальной климатической информации. Новая разработанная предикатная система правил позволяет анализировать распределение лесов, а также оперативно редактировать пространственные модели в результате пополнения банка данных дополнительной информацией, реализации новых ГИС-технологий, выявления неизвестных ранее закономерностей формирования растительности.
Теоретическая и практическая значимость работы состоит в разработке синтезированных методов, позволяющих выполнять автоматизированную обработку разнородных данных, полученных с помощью спутниковых наблюдений и натурных обследований, с учетом современных представлений о системных связях растительности и природной среды. Результаты системного анализа и обработки разнородных данных позволяют создавать уникальные пространственные модели распределения лесной растительности, оценить современное состояние и прогнозировать темпы лесовосстановительной динамики (сроком на 200 лет) в
6 разных лесорастительных условиях, а изучение динамических процессов дает возможность долгосрочного прогнозирования и моделирования лесов будущего.
Методология и методы исследования. Для решения поставленных задач в работе использовались методы многомерного статистического анализа, распознавания образов и цифровой обработки изображений, пространственного анализа данных, геоинформационного моделирования с применением современного программного обеспечения (ERDAS IMAGINE 9.2; ArcGIS 9.3; STATISTICA 7).
Для проведения экспериментальных работ были использованы снимки Land-sat-5 ТМ (пространственное разрешение 30 м), ЦМР SRTM (пространственное разрешение 100 м), база данных натурных измерений, созданная в Microsoft Access, данные лесоинвентаризации (векторные слои масштаба 1 : 25 000 и атрибутивная база данных), цифровая топографическая основа (масштаб 1 : 100 000), различные тематические карты (масштаб 1 : 25 000-1 : 2 500 000).
Основные научные результаты диссертации, выносимые на защиту:
методика пространственного моделирования лесовосстановительной динамики, основанная на комплексном анализе ДДЗЗ, ЦМР, лесоинвентаризацион-ной и натурной информации, позволяющая создавать, анализировать, обновлять и редактировать модели распределения лесной растительности в разных лесорастительных условиях;
алгоритм автоматизированной классификации и тематической интерпретации разносезонных спутниковых изображений среднего пространственного разрешения, отличительной особенностью которого является возможность выделения классов растительного покрова, характеризующих его современное состояние с учетом тенденций восстановительной динамики;
способ автоматизированной систематизации лесорастительных условий, основанный на использовании климатических и морфометрических показателей, позволяющий повысить качество оценки характеристик лесной растительности;
оригинальные модели, отражающие зависимость изменения годовых величин атмосферных осадков от параметров рельефа и экспонированности ландшаф-
7 тов влагонесущим воздушным массам на исследуемой территории и послужившие основой метода моделирования пространственного распределения атмосферных осадков с использованием ЦМР и экспериментальных данных.
Соответствие диссертации паспорту научной специальности. Диссертация соответствует паспорту научной специальности 25.00.34. - «Аэрокосмические исследования Земли, фотограмметрия», разработанному экспертным советом ВАК Минобрнауки РФ, по следующим позициям: № 3 - «Теория, технология и технические средства сгущения по аэрокосмическим снимкам геодезических сетей, создания и обновления топографических, землеустроительных, экологических, кадастровых и иных карт и планов»; № 4 - «Теория и технология дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследования».
Степень достоверности и апробация результатов исследования. Проверка работоспособности и эффективности используемых методов классификации спутниковых изображений, а также оценка достоверности полученных результатов осуществлялись путем проведения численных экспериментов с использованием лесоустроительных и полевых данных.
Основные результаты диссертационной работы докладывались на II Всероссийской конференции «Дистанционное зондирование земных покровов и атмосферы аэрокосмическими средствами» - Санкт-Петербург, 2004 г.; IV Международном научном конгрессе «ГЕО-Сибирь» - Новосибирск, 2008 г.; Всероссийской конференции с международным участием, посвященной 100-летию со дня рождения Б. П. Колесникова - Владивосток, 2009 г.; IX Международной научно-практической конференции «От снимка к карте: цифровые фотограмметрические технологии» - Аттика (Греция), 2009 г.; 25-й Международной картографической конференции - Париж (Франция), 2011 г.; IV Всероссийской школе-конференции «Актуальные проблемы геоботаники» - Уфа, 2012 г.; Международной конференции IUFRO Landscape Ecology - Сантьяго (Чили), 2012 г.; V Всероссийской кон-
8 ференции с международным участием «Аэрокосмические методы и геоинформационные технологии в лесоведении и лесном хозяйстве» - Москва, 2013 г.
Разработанная методика пространственного моделирования лесовосстанови-тельной динамики и полученные тематические карты внедрены в состав комплекса ГИС «Леса Средней Сибири», разработанного в ИЛ СО РАН, а также используются в Федеральном государственном унитарном предприятии «ВостСиблес-проект» для автоматизации процесса обработки и анализа спутниковых данных. Предложенная методика и результаты, полученные в диссертационной работе, использовались при выполнении ряда научно-исследовательских проектов.
Публикации. По материалам диссертации опубликована 21 печатная работа, в том числе 4 статьи, входящие в перечень российских рецензируемых научных журналов и изданий.
Структура и объем диссертации. Общий объем диссертации составляет 186 страниц. Диссертационная работа состоит из введения, 4 разделов, заключения и содержит 33 таблицы, 37 рисунков, 4 приложения. Количество источников использованной литературы - 189.
Диссертация и автореферат диссертации оформлены в соответствии с СТО СГГА 002-2013.
Использование ЦМР для косвенного определения характеристик растительности
На формирование разнообразия местообитаний и растительного покрова, по мнению многих авторов [185; 163; 59; 186; 126; 100; 60 и др.], влияет ряд основных топографических факторов, таких как абсолютная высота, уклон и кривизна поверхности, экспозиция склона. Так, абсолютная высота определяет вертикальную зональность почв и растительности в горных районах. Крутизна и ориентация склонов контролируют скорость и направление соответственно поверхностных потоков, интенсивность испарения осадков, снеготаяния и некоторые свойства почв [59; 60; 174]. Горизонтальная и вертикальная кривизны в значительной степени контролируют распределение и перераспределение в почве влаги, органического вещества, что в свою очередь, влияет на растительность, микроклимат, водный баланс, экологические условия местопроизрастания [59; 126].
При выборе морфометрических характеристик необходимо учитывать особенности рельефа конкретной территории, специфику механизмов его влияния на процессы дифференциации растительного покрова. Информативность разных характеристик исследована еще не достаточно, из-за чего невозможно рекомендовать универсальный список морфометрических параметров, пригодных для любых целей исследования и для любых территорий [59]. Как утверждает Сысуев В. В [126], для выбора объективных морфометрических параметров и оценки возможности их использования в лесном хозяйстве должен применяться комплексный анализ ЦМР, ДДЗЗ и полевых материалов.
Многими исследователями [156; 172; 179; 83; 33 и др.] используются топографические переменные в комбинации со спектральными характеристиками космоснимков для пространственного моделирования преобладающего растительного покрова. На основе этих исследований выяснилось, что различные растительные сообщества часто показывают подобные спектральные характеристики, а их специфическое топографическое местоположение может помочь в отличии одного от другого.
В работе [38] на основе построенной ординационной модели [86; 143; 87; 89], выявлен характер связей растительных сообществ с ведущими эколого-топографическими факторами – абсолютной высотой над уровнем моря и экспозицией склонов. Эти выявленные закономерности легли в основу преобразования абстрактной модели ординации в картографическую модель пространственных единиц лесного покрова.
В различных регионах влияние рельефа на дифференциацию свойств растительности проявляется различным образом. Так же следует учитывать, что не все свойства почвенного и растительного покровов связаны с параметрами рельефа, к тому же при переходе от одного масштаба к другому характер этих зависимостей может меняться [59; 124]. Неточности при моделировании организации растительности, которые не могут быть вычислены по топографическим показателям или спектральным характеристикам, могут быть выявлены при использовании дополнительной информации, например, климатических характеристик территории.
Наиболее важными показателями климатических условий местности являются данные по режиму температуры воздуха и атмосферным осадкам, от которых зависят многие процессы, определяющие состояние лесных экосистем и отдельных их компонентов.
На климатические условия в горах существенное влияние оказывает рельеф местности. На наветренных склонах возвышенностей, особенно значительно расчлененных, вследствие усиления турбулентности воздушных масс и некоторой задержки в движении последних, увеличивается количество осадков. На подветренных же склонах из-за опускания воздушных масс и уменьшения в них влаго-содержания, осадки уменьшаются, достигая минимума в условиях пониженного рельефа (долин, котловин, низменностей) [23; 8; 32]. Формы рельефа оказывают влияние и на суточный ход температуры. Задерживая перенос масс холодного или теплого воздуха, горы создают более или менее резкие разделы в распределении температуры на больших географических пространствах [135].
Также на климатические условия влияют направление горных хребтов и преобладающих ветров, экспозиция склонов относительно стран света, ширина долин и крутизна склонов [135].
На сегодняшний день предоставляется большое количество растровых климатических моделей, которые имеются в бесплатном доступе посредством Интернет. В 2008 году на территорию России и сопредельных стран был представлен агроэкологический атлас [4] включающий около 150 климатических растровых изображений с пространственным разрешением 10х10 км.
Основой для создания карт атласа служили данные наблюдений сети метеостанций на территории бывшего СССР [119; 120]. При создании растровых изображений в основном использовали методику климатического моделирования с элементами интерполяции (кригинга) остатка [161]. Основные факторы, которые учитывались при составлении карт, это влияние морей и крупных водоемов (прибрежные и континентальные станции), абсолютная высота над уровнем моря и географическая локализация станции.
Несмотря на наличие и доступность глобальных климатических моделей они не подходят при исследовании локальных территорий. Зачастую представления о характере пространственного распределения климатических данных базируются на точечных данных метеорологических станций. В случаях, когда сеть метеорологических станций редка и неравномерна, обычные методы интерполяции (полиномы, сплайны, кригинг), используемые для получения пространственно распределенной информации, не всегда адекватны.
Формирование эталонных выборок
Первые члены с коэффициентами a0,b0 ответственны за сдвиг изображения по x и по y , члены с коэффициентами a1,a2,b1,b2 - за линейное изменение масштаба по x и по y , члены с a3 и b3 – за вращение изображения, члены с a4,a5,b4,b5 – за нелинейное изменение масштаба [53; 129].
Коэффициенты ai и bi определяются из решения системы уравнений (2.2). На дистанционном растре выбираются входные точки привязки, а на топографической карте - выходные точки. Значения координат входных и выходных точек подставляют в систему уравнений. В качестве контрольных точек удобно использовать элементы гидросети: устья рек, крутые изгибы русла рек, пересечения дорог, объекты населенных пунктов и т.п.
Чем выше порядок аппроксимации полинома, тем точнее обработка изображения, но тем больше для этого требуется опорных точек, по которым будет проводиться аппроксимация. Для полиномов первой степени количество точек привязки не должно быть менее трех, для второго – не менее шести, для третьего - не менее 10. Например, для полинома второго порядка можно ограничиться шестью точками, но желательно, чтобы их было не меньше 12 с распределением по всему полю, это позволяет использовать метод наименьших квадратов и сделать оценку коэффициентов менее зависимой от ошибок в определении координат на изображении и на карте [141; 53; 129].
В большинстве случаев, вместо того, чтобы усложнять тип трансформации (например, переходить к более высоким порядкам полиномиальных преобразований) имеет смысл допустить некоторую среднеквадратичную ошибку (Root Mean Square Error – RMSE). RMSE – расстояние между желаемым положением выходной точки и результатом ее трансформации. Величина допустимой ошибки зависит от типа и точности данных, задачи и точности контрольных точек. Поэтому, если привязываются данные Landsat, имеющие разрешение 30 м и задача осуществить привязку с точностью не меньше тех же 30 м, то RMSE не должна превышать один пиксель [66].
Для изображений равнинной поверхности и слабохолмистых участков чаще всего достаточно операции геореференцирования снимков. В случае, когда влияние рельефа на геометрию снимков более существенно и требуется высокая степень точности координирования, применяют операцию геометрической коррекции, называемую ортотрансформированием. Ортотрансформирование осуществляется с использованием принципов и подходов цифровой фотограмметрии. Основой для проведения ортотрансформирования является ЦМР изучаемой местности и информация о положении камеры или датчика в момент съемки (элементы внутреннего и внешнего ориентирования).
Алгоритмы, используемые для учета особенностей геометрии сенсора, определения элементов внутреннего ориентирования снимков по опорным точкам, решения задачи триангуляции и ортотрансформирования, позволяют достичь точности, оцениваемой долями пикселей [124; 129].
Классификация изображений основывается на том, что любой исследуемый объект характеризуется совокупностью количественных признаков его изображений, составляющих образ или сигнатуру. Изображение разбивается на области, связанные с каждым классом так, чтобы любой пиксель изображения, описываемый некоторым вектором в пространстве признаков, мог быть однозначно отнесен к определенному классу объектов [63; 129].
Выбор метода классификации всегда определяется конкретной задачей компьютерной обработки снимка, особенностями объектов дешифрирования (значениями и характером распределения коэффициентов отражения в пространстве спектральных признаков), доступностью наземной информации. Способы классификации можно разделить на группы по особенностям использования распределения яркостей и по характеру реализации процесса классификации [51; 129].
По особенностям использования распределения яркостей выделяются параметрические и непараметрические способы. Непараметрические способы – наиболее простые. В данных алгоритмах не учитывается характер распределения значений яркости (коэффициентов отражения) внутри одного класса. Для отделения объекта необходимо точно описать границу занимаемой им области в пространстве спектральных признаков. Такие алгоритмы классификации в основном применяются для выделения небольшого числа объектов, хорошо различимых по значениям яркости, таких как водоемы, открытые грунты, облака или для выделения общего контура леса [51].
При необходимости выделить классы со сложными границами в пространстве спектральных признаков, используют параметрические способы классификации. Они основаны на предположении, что значения спектральной яркости внутри однородного класса распределяются по определенному закону, обычно соответствующему закону нормального (Гауссова) распределения. Нормальное распределение является оптимальной моделью для большинства вероятностных процессов, наблюдаемых в природе и регистрируемых на снимках в виде значений спектральных яркостей природных объектов [35].
По характеру реализации процесса классификации выделяются классификации без обучения (неконтролируемая, в международной литературе unsupervised classification) и с обучением (контролируемая, supervised classification) [158; 53; 9; 129]. В методах неуправляемой классификации, основанных в основном на кластерном анализе, пиксели изображения разбиваются на классы без использования априорных знаний о существовании и наименовании этих классов [66; 175]. Количество классов обычно определяют по числу пиков на гистограмме яркостей [171].
Методика пространственного моделирования лесовосстановительной динамики
Вся информация в базе данных хранится в связанных ключевыми полями таблицах. В каждой таблице присутствуют несколько неизменных ключевых полей в соответствии с рисунком 3.4: «RR» - район работ, «GOD» - год проведения исследований, «NKU» - номер ключевого участка, «NPP» - номер профиля, «NT» - номер точки. Перечисленные поля совместно образуют уникальный номер объекта исследований, который представлен в поле «KEY» [110].
Поле «KEY» состоит из 10 разрядов, первые 2 разряда обозначают код района работ. Например, для Большемуртинского района код равен 4. 3-й и 4-й разряды – это год проведения исследований, 5-й и 6-й – номер ключевого участка, 7-й и 8-й – номер профиля, 9-й и 10-й – номер маршрутной точки.
Поля «GOD», «NPP», «NT» связаны с таблицей BM400 – «Географическое положение участка», где указана административная и географическая привязка участка, организация, проводившая исследования, а также год и начальник отряда.
Некоторые таблицы базы связаны со справочниками. Например, ключевое поле «NKU» каждого макета связано со справочником 10110 - «Коды географического положения участка», где представлен перечень всех ключевых участков (рисунок 3.5).
В состав банка данных тестовой территории также входит ряд цифровых тематических карт различных масштабов (1 : 25 000 – 1 : 2 500 500) (см. Приложение А, таблица А.3), накопленных за годы существования ГИС «Леса Средней Сибири» [44].
Разработанный ГИС-проект для южной части Приенисейской Сибири является информационной инструментальной основой для решения поставленных задач, содержащий большой объем априорной информации для детального изучения исследуемой территории. Информация, сконцентрированная в проекте, постоянно пополняется новыми спутниковыми данными, тематическими пространственными моделями и картами, обновляется по результатам натурных исследований, научных разработок, экологического мониторинга.
Для пространственного моделирования восстановительной динамики лесной растительности необходимо выделить элементарные единицы растительного покрова, представляющие собой участки леса, относительно однородные по породному составу и возрасту, которые определяются как тип насаждений и являются возрастными стадиями, из которых далее формируются восстановительные ряды растительности в пределах типов лесорастительных условий.
Согласно Б. П. Колесникову [61] тип лесорастительных условий характеризуется комплексом природных факторов (климатических, орографических, почвенно-гидрологических), которые анализируются при пространственном моделировании типов лесорастительных условий, выступающих в качестве пространственной основы для формирования восстановительных рядов лесной растительности [34; 152].
Для этих целей разрабатывается методика пространственного моделирования лесовосстановительной динамики на основе комплексного анализа и классификации разнородных данных (ДДЗЗ, морфометрические параметры рельефа, климатические данные, тематические карты, лесоинвентаризационная и натурная информация) в соответствии с рисунком 3.6.
Растительный покров является одним из наиболее динамичных параметров, наблюдаемых на многозональных космических снимках. При выделении преобладающей породы и возраста древостоев достаточно использовать снимки среднего пространственного разрешения [51; 38].
Выбор спутниковых сцен Для последующей классификации подбираются безоблачные спутниковые сцены, дата съемки которых наиболее близка к датам проведения лесоустроительных и исследовательских работ в природных условиях. Если территорию исследований покрывают несколько спутниковых сцен, то рекомендуется предварительно обозначить базовый снимок, на который имеется наибольшее количество достоверной (лесоустроительной, натурной) информации и который покрывает большую часть района исследований. В первую очередь, проводится классификация базового снимка, затем осуществляется классификация перекрывающихся с ним изображений [34].
Систематизация лесорастительных условий
В результате слияния сигнатур, количество классов растительности составило 17, общее количество 33. Средняя трансформированная дивергенция для 17 классов по 12 дистанционным признакам составила 1979,75, минимальная 1722,26 (таблица 4.6). Это указывает на потенциально высокую вероятность автоматизированной классификации с использованием методов статистического распознавания образов, в частности, метода максимального правдоподобия. Также убедились, что участки леса достоверно отделяются от остальных анализируемых объектов (нелесных территорий).
Проведенный анализ показал, что эталоны отвечают требованиям репрезентативности и нормальности распределения данных, значит, представленные объекты могут быть уверенно дешифрированы, поскольку соответствующие им области не пересекаются в пространстве распределения значений оптической плотности.
Классификация базового спутникового изображения
Когда сигнатуры созданы и оценены, следующим шагом является классификация данных. Вектор значений каждого пикселя сравнивается с каждой сигнатурой, в соответствии с решающим правилом. В нашем случае выбрано правило максимального правдоподобия, основанное на вероятности того, что каждый пиксель принадлежит к определенному классу. Установили, что эти вероятности равны для всех классов и входные каналы имеют нормальное распределение. Порог доверия при отнесении пикселя к классу задавался равным 99 % [63, 66].
Классификация мультитемпорального базового снимка 143_20 выполнялась методом максимального правдоподобия на основании сигнатур 33 информационных классов по 12-ти дистанционным признакам (летние и осенние снимки). При проведении классификации также был рассчитан файл расстояний Махаланобиса (см. 3.3.1).
Анализ файла расстояний показал наличие пикселей с высокими значениями расстояния Махаланобиса (D 1000), следовательно, данные пиксели некорректно классифицированы. В основном, неправильно распознанными оказа лись пиксели классов, принадлежащих нелесным землям, и граничные пиксели классов, в то время как, пиксели, отвечающие за лесную растительность, имели малые значения расстояния Махаланобиса (D 500). Поэтому, на данном этапе добавили несколько сигнатур, отвечающих за нелесные территории, и повторили процесс классификации [34].
При анализе классифицированного изображения также оказалось, что вырубки и некоторые сельскохозяйственные земли относятся к одному классу, хотя в дальнейшем вырубки необходимо будет выделить в отдельную категорию -начальную стадию восстановления лесной растительности. В дополнение при создании сигнатур не учли категорию заболоченных лесов, в итоге эти пиксели были классифицированы либо как темнохвойные насаждения перестойного класса возраста (dark_conifer_ 120) либо как открытые болота (boloto_open).
В результате проведенного анализа было добавлено 12 классов нелесных земель, один класс – для начальных стадий восстановления лесной растительности (birch_aspen_ 5), один класс для заболоченных лесных территорий (boloto_forest), два класса – для распознавания открытых водных объектов (river_1, river_2). В общей сложности получилось 49 информационных классов. Для этих классов была вновь рассчитана таблица межклассовых трансформированных дивергенций и проведена оценка разделимости исходных и добавленных сигнатур (таблица 4.7). Средняя трансформированная дивергенция для 49 информационных классов составила 1996,3, для лесных классов – 1983,56. Повторная классификация снимка проводилась на основании 49 сигнатур информационных классов.
На этапе генерализации и учета возможной неопределенности отнесения пикселя к конкретному классу использовался подход нечеткой свертки (см. 2.2.5) с учетом контекстуальной информации о взаимном расположении пикселей. При вычислении свертки по формуле (2.15) анализировались «окрестности» каждого классифицированного пикселя в окне размером 3х3 пикселей. Предложенный подход генерализации позволил выделить на растровом изображении гомогенные полигоны (рисунок 4.6).
Классификация и монтаж перекрывающихся спутниковых изображений
Принципиальная схема классификации изображений была отлажена на примере базового снимка. При классификации перекрывающихся снимков была выделена зона перекрытия базового снимка с соседними. Использование модуля Signature Editor (п/о ERDAS) позволило автоматически создать в этих зонах обучающие выборки в пределах соответствующих классов базового снимка.
Так, для каждого снимка были созданы обучающие выборки на основе базового, проведена оценка их разделимости в пространстве признаков, классификация и генерализация.
Таким образом, удалось учесть различия в значениях спектральной яркости пикселей между снимками, связанных с разными погодными условиями и фенофазой растительности.
Монтаж изображений выполнялся последовательно для четырех снимков. Для плавного слияния областей перекрытия смежных изображений объединили правый блок сцен (сцены 142_20 и 142_21), далее к нему присоединили сцены 143_20, 143_21 (таблица 4.2). За счет взаимного перекрытия снимков удалось создать единое растровое изображение классов растительности покрова (рисунок 4.7) [34; 152].
Анализ качества классифицированных изображений
Для оценки качества результатов классификации отобрали набор контрольных точек, для которых известны реальные значения по лесоустроительным данным. Контрольные точки выбирались внутри однородных выделов Большемуртинского и Усольского лесничеств. Вокруг этих точек строилась буферная зона 3х3 пикселя, в которую попадали пиксели, относящиеся только к одному классу. В результате качество классификации оценивалось не по точкам, а по контрольным площадям. Для каждого класса было отобрано не менее 20 таких площадей.
