Содержание к диссертации
Введение
1 Аэрокосмический региональный мониторинг 9
1.1 Особенности регионального мониторинга 9
1.2 Физические основы дистанционного зондирования 12
1.3 Средства получения информации для космического мониторинга 19
1.4 Анализ алгоритмов и методик автоматизации дешифрирования многозональных космических снимков 24
1.5 Методы коррекции данных дистанционного зондирования 36
1.6 Особенности дешифрирования снимков в системах регионального мониторинга 42
2 Разработка технологии дешифрирования многоспектральных снимков в системе регионального мониторинга 44
2.1 Разработка методики нормирования яркости при цифровой обработке изображений 44
2.2 Разработка методики формирования эталонов для дешифрирования, основанной на использовании постоянных базисных векторов 54
2.3 Разработка методики использования картографических материалов для повышения информативности космических снимков 59
2.4 Технологическая схема дешифрирования многоспектральных снимков в системе регионального мониторинга 63
3 Экспериментальные исследования технологии регионального мониторинга 69
3.1 Описание района исследований и исходные материалы 69
3.2 Исследование эффективности нормирования изображений и дешифрирования многозональных снимков с использованием единого эталона 71
3.3 Исследование методики повышения устойчивости результатов дешифрирования на основе метода главных компонент 83
3.4 Исследование методики использования картографических материалов при дешифрировании снимков 88
3.5 Исследование изменений состояния природных объектов по материалам космических съемок 92
Заключение 111
Список использованных источников 112
Приложение
- Физические основы дистанционного зондирования
- Анализ алгоритмов и методик автоматизации дешифрирования многозональных космических снимков
- Разработка методики формирования эталонов для дешифрирования, основанной на использовании постоянных базисных векторов
- Исследование методики повышения устойчивости результатов дешифрирования на основе метода главных компонент
Введение к работе
Развитие технических средств дистанционного зондирования, совершенствование средств приема, хранения и обработки материалов аэрокосмических съемок и других данных дистанционного зондирования позволили подойти к практическому созданию систем мониторинга различного уровня для решения широкого круга задач. Для России с ее огромной территорией особое значение имеют системы регионального мониторинга, основанные на использовании космических снимков.
В настоящее время стало реальностью создание действующих систем мониторинга на основе космических съемок различного уровня разрешения. В связи с этим актуальной является задача совершенствования методов обработки снимков, повышение достоверности и дешифрирования для решения широкого круга задач регионального мониторинга.
Системы мониторинга основываются на количественном подходе в дистанционном зондировании, который активно развивается с начала 80-х годов XX века. Развитию этого метода посвящены работы Арманда Н.А., Асмуса В.В, Журкина И.Г., Копылова В.Н., Лупяна Е.А, Пяткина В.П., Сойфера В.А., Чочии П.А., Ярославского Л.П. и др. В настоящее время разработаны основы методов цифровой обработки многозональных космических снимков, созданы специальные программные комплексы (ENVI, ERDAS Imagine, ER MAPPER, EASY РАСЕ и др.). Направление исследований в области обработки материалов космических съемок смещается в сторону разработки методик и технологий для эффективного решения конкретных задач, основанных на использовании стандартных алгоритмов и программ.
При дешифрировании объектов по многозональным снимкам основным признаком является спектральная яркость объекта, зафиксированная в виде значения яркости цифрового изображения. Для повышения надежности распознавания объектов необходимо устранить или снизить влияние факторов,
которые не связаны собственно с исследуемым объектом, а определяются условиями съемки.
При исследовании объектов определенного класса, проведении периодических наблюдений и аэрокосмических съемок возникает ряд условий, позволяющих создать методики, существенно улучшающие качество дешифрирования снимков. Поэтому требуется разработка специализированных методик и технологий автоматизированного дешифрирования аэрокосмических снимков в системах мониторинга природных и техногенных объектов, учитывающих особенности исследуемых объектов и территорий.
Цель и задачи исследования.
Цель диссертационной работы состоит в повышении эффективности системы регионального мониторинга по космическим снимкам на основе использования эталонов, учитывающих особенности исследуемых территорий.
Для достижения поставленной цели необходимо:
выявить особенности решения задачи дешифрирования объектов на космических снимках в целях мониторинга с учетом возможностей современных систем дистанционного зондирования;
разработать методики создания и использования эталонов при автоматизированном дешифрировании многозональных снимков;
выполнить исследование предложенных методик по реальным снимкам;
разработать технологическую схему использования предложенных методик в целях проведения комплексного регионального мониторинга.
Методы и средства исследований.
При выполнении исследований использовались методы цифровой обработки изображений, линейной алгебры, численного и физического моделирования, цифровой фотограмметрии.
Отработка методик и технологических схем комплексного регионального мониторинга проводилась по цифровым снимкам, а также по космическим снимкам, полученным спутниковыми системами Landsat - 7, Spot- 4, Quick Bird II, Салют (МКФ - 6), Метеор, Ресурс - 01 №3 (МСУ - Э, МСУ - СК). В качестве
программного обеспечения использовались пакеты программ цифровой обработки информации: ERDAS Imagine 8.7, Maplnfo 7.5, ENVI 4.2.
Исследования проводились в рамках госбюджетных и хоздоговорных работ, выполняемых Сибирской государственной геодезической академией (СГТА).
Научная новизна проведенных исследований заключается в том, что:
разработаны новые методики дешифрирования многозональных изображений, основанные на получении нормированных изображений, что повышает эффективность дешифрирования широкого класса объектов в системах аэрокосмического мониторинга;
предложена методика создания эталонов для дешифрирования многозональных снимков, включающая формирование постоянных базисных векторов, характеризующих свойства типовых участков исследуемой территории;
предложена методика формирования пространственной матрицы априорных вероятностей наличия объекта на исследуемом участке территории на основе картографических материалов, что повышает вероятность распознавания объектов на снимках.
На защиту выносятся следующие положения:
методика создания эталонов для автоматизированного дешифрирования многозональных снимков, основанная на нормировании яркостей цифровых изображений и дешифрировании серии снимков с использованием единого эталона;
методика использования картографических материалов, позволяющая повысить степень распознавания объектов на многозональных снимках;
методика использования системы базисных собственных векторов корреляционной матрицы измерений яркостей в соседних каналах в качестве индикаторов изменения ситуации на данном участке местности;
технологическая схема выполнения регионального мониторинга на основе использования предложенных методик.
Практическая значимость заключается в том, что предложенные методики могут быть использованы в системах аэрокосмического мониторинга для повышения эффективности дешифрирования широкого класса объектов.
Разработанные методики были использованы при выполнении научно-исследовательских работ по темам:
- «Разработка методики комплексного анализа материалов
аэрокосмических съемок с целью выявления загрязнения компонентов
природной среды на примере Карамовского и Холмогорского месторождений».
№36.29/04. Договор №860-01.
- «Создание карт замазученности с использованием эталонов
автоматизированного дешифрирования на Карамовском и Холмогорском
месторождениях». №36.33/05. Договор №924-02.
Основные результаты диссертации внедрены в учебный процесс СГГА и используются при изучении специальных дисциплин для студентов специальностей «Исследование природных ресурсов аэрокосмическими средствами» и «Аэрофотогеодезия».
Апробация работы. Основные положения и результаты исследований были представлены в докладах на различных научно-технических конференциях регионального, общероссийского и международного уровня: на LI научно-технической конференции преподавателей СГГА «Современные проблемы геодезии и оптики», посвященной памяти академика Виталия Вячеславовича Бузука, Новосибирск, 16-19 апреля 2001 г.; на LIII международной научно-технической конференции «Современные проблемы геодезии и оптики», посвященной 70-летию СГГА, Новосибирск, 11-21 марта 2003 г.; на LIV международной научно-технической конференции «Современные проблемы геодезии и оптики», посвященной 225-летию геодезического образования в России, Новосибирск, 19-23 апреля 2004 г.; на международном научном конгрессе «ГЕО-Сибирь-2005», Новосибирск, 25 - 29 апреля, 2005 г.; на II международной научно-технической конференции «Исследование, разработка и применение высоких технологий в промышленности», Санкт-Петербург, 7-9 февраля 2006 г.; на международном научном конгрессе «ГЕО-Сибирь-2006», Новосибирск, 25 - 29 апреля, 2006 г.
Основные результаты, полученные в диссертации, опубликованы в 11 научных работах (из них 4 - в соавторстве).
Физические основы дистанционного зондирования
Основными признаками различных объектов, которые могут изучаться дистанционно, являются их спектральные отражательные свойства, которые достаточно полно можно выразить через спектральные коэффициенты яркости и спектральные коэффициенты отражения [5,16]. Электромагнитное излучение распространяется в пространстве со скоростью света и может быть описано моделью плоской гармонической волны, состоящей из электрического и магнитного полей, расположенных ортогонально друг к другу и к направлению распространения энергии. Любое физическое тело излучает электромагнитную энергию при температуре выше абсолютного нуля, т.е. более -273 С, а при возрастании абсолютной температуры длина волны максимума излучения смещается в область коротких волн, т.е. энергетический процесс активизируется, его интенсивность возрастает [17]. При дистанционном зондировании Земли из космоса используются оптический диапазон электромагнитных волн и микроволновый участок радиодиапазона. Оптический диапазон (рисунок 1) включает в себя ультрафиолетовый (УФ) участок спектра; видимый участок — синюю (В), зеленую (G) и красную (R) полосы; инфракрасный участок (ИК) — ближний (БИК), средний и тепловой. Для дистанционного зондирования Земли из космоса используют следующие диапазоны: - ультрафиолетовый, от 0,1 до 0,38 мкм; - видимый, от 0,38 до 0,76 мкм; - ближний инфракрасный (БИК), от 0,76 до 1 мкм; - средний ИК, от 1 до 3,5 мкм; - тепловой (дальний) ИК, от 3,5 до 10 мкм; - микроволновый, от 0,3 до 100 см. Наиболее важным естественным источником электромагнитного излучения для дистанционного зондирования Земли является Солнце, температура поверхности которого составляет около 6000 К. Солнце испускает излучение в широком диапазоне длин волн, включающем ультрафиолетовый, видимый и инфракрасный диапазоны.
Когда электромагнитная энергия достигает Земли, она претерпевает изменения вследствие взаимодействия с атмосферой и наземными предметами. Определенное количество энергии отражается от них, а остальная ее часть проникает в облучаемые объекты в виде рефракционного волнового фронта, который может быть либо поглощен и задержан объектами, либо пропущен сквозь эти объекты в зависимости от природы составляющих их материалов и длины волны электромагнитного излучения. Отражение энергии зависит от свойств поверхности предметов по отношению к воздействующим на них электромагнитным волнам [18,19]. Атмосфера нашей планеты является доминирующим фильтром отраженных и собственных излучений природных объектов, определяющим возможности регистрации их энергетических показателей на борту космического аппарата (КА) [20]. Электромагнитное излучение в определенных диапазонах полностью или существенно поглощается атмосферными газами, в частности, кислородом, озоном, углекислым газом, а также парами воды и заряженными частицами, в результате чего остаются так называемые «окна прозрачности» атмосферы, через которые энергия доходит до бортовых приемников спутника. При дистанционном зондировании поверхности Земли атмосфера является возмущающей средой, которая искажает спутниковые данные, а в некоторых участках электромагнитного диапазона, например, в дальнем инфракрасном с длиной волны около 100 мкм, вообще препятствует дистанционному зондированию.
С другой стороны, спектральные линии поглощения газов однозначно характеризуют эти газы, а интенсивность и ширина линий отражают их физические параметры (температуру, плотность, общее количество молекул). В результате в дальней ИК-зоне спектра остается прозрачным только один широкий диапазон длин волн 8-12 мкм, а в ближнем и среднем ИК в зоне длин волн менее 4 мкм имеются четыре узких диапазона, которые используются для дистанционного зондирования. Прозрачен и видимый диапазон, однако в наиболее коротковолновой его части (фиолетовый и голубой участки) велики «помехи» от молекулярного рассеяния солнечного света. Фундаментальные исследования отражательных свойств природных объектов выполнены Криновым Е. Л. [21]. Разработанная им спектрофотометрическая классификация природных образований (рисунок 2) в настоящее время находит широкое применение. Горные породы, почвы, растительность и воды являются главными объектами, которые изучаются и картографируются дистанционными методами. Их взаимоотношение, состояние и антропогенное изменение определяют состояние и качество окружающей среды. Характеристика данных образований дается применительно к основным диапазонам спектра электромагнитного излучения (ЭМИ), получившим наиболее широкое использование в дистанционных методах исследования [22,23].
Анализ алгоритмов и методик автоматизации дешифрирования многозональных космических снимков
Под дешифрированием понимают теорию и способы получения информации о внешних и внутренних элементах местности по их изображению; установление их количественных и качественных характеристик; обозначение распознанных объектов условными знаками, принятых для топографических и специализированных (тематических) карт. Во всех методах дешифрирования применяются три способа работ: визуальный, машинный (автоматический) и комбинированный (человек и машина), а также разновидности этих способов [50]. При дешифрировании используются прямые и косвенные дешифровочные признаки. Прямыми дешифровочными признаками называются те свойства объектов, которые передаются непосредственно и воспринимаются дешифровщиками на снимках. К ним относятся: форма, размер, тон или цвет, структура (рисунок), текстура и тень (форма и величина) изображения объектов. Этих признаков часто недостаточно для дешифрирования, т.к., во-первых, объекты или их характеристики могут не изобразиться на снимках; во-вторых, объекты могут не иметь строгих дешифровочных признаков, т.е. один признак соответствует различным объектам или один и тот же объект имеет разные дешифровочные признаки (например, водотоки в зависимости от освещения имеют и мутности воды изображаются разным тоном) [51 -53]. Косвенные признаки указывают на наличие или характеристику объекта, не изобразившегося на фотоснимке или не определяемого по прямым признакам, или устраняют многозначность и неопределенность прямых признаков. Данные признаки основаны на существующих в природе закономерных взаимосвязях пространственного размещения отдельных объектов или комплексов объектов (комплексов ландшафта или природно-территориальных комплексов) или между природными объектами и результатами хозяйственной деятельности человека. Гидрологический анализ аэрокосмических снимков предполагает знание не только прямых (видимых) признаков дешифрирования, но и учет существующих в природных комплексах взаимосвязей как на региональном, так и на глобальном уровнях [54]. Таким образом, в качестве косвенных признаков дешифрирования вод могут выступать не только долговременные, но и кратковременные состояния элементов местности, которые специфичны для конкретных ландшафтов и условий съемки [55].
В основу автоматизированного дешифрирования положены методы классификации, основанные на теории распознавания образов, и методы расслоения [56]. Задача автоматической классификации в общем виде сводится к отысканию некоторой функции, отображающей все многообразие распознаваемых объектов в виде множества, элементами которого являются классы образов. Процесс определения этой функции в большинстве случаев проводится в несколько этапов: - предварительная обработка изображения; - выделение признаков; - классификация. Предварительная обработка заключается в нормализации изображения, улучшении его фотометрических и геометрических свойств, фильтрации помех, картографической привязке и трансформировании. Для всех разновидностей машинных способов дешифрирования характерны очень жесткие требования к отбору признаков. Выбор оптимального набора признаков - первоочередная проблема, связанная с распознаванием образов [57]. Для осуществления дешифрирования в цифровых системах необходимо выделить дешифровочные признаки объекта на изображении и представить их численно. Одним из наиболее удобных и легко получаемых признаков дешифрирования в цифровых системах является численно выраженное значение тона для каждого элемента изображения. Цвет в цифровых системах характеризуется для каждого элемента изображения трехмерным вектором, определяющим яркость соответствующего элемента в красном, зеленом и синем диапазонах. Текстура (структура некоторого площадного объекта) является одним из основных признаков при визуальном дешифрировании площадных объектов на мелкомасштабных снимках, однако её достаточно сложно выразить математически. Форма объектов - также один из наиболее сложных дешифровочных признаков для математического представления и последующего использования. Наиболее простым способом описания формы является использование топологических свойств. Размер изображения объекта можно использовать как простой дополнительный признак. Он задается как максимальное или минимальное количество элементов, которое может содержать изображение данного объекта на снимке [56]. При автоматизированном дешифрировании появляется возможность использовать новые дешифровочные признаки, которых нет при визуальном дешифрировании. Таким признаком является вектор плотностей элемента изображения многозональных снимков, т.е. совокупность значений яркости для одного элемента изображения в различных зонах спектра. Ценность дешифровочных признаков различна с точки зрения полезности и затрат машинного времени. Для каждого конкретного случая дешифрирования необходимо выбирать наиболее ценные признаки. Большое место в теории распознавания образов занимают статистические методы, основанные на разложении в ряд Фурье, а также лингвистические методы для анализа сцен и языков описания образов.
Машинные методы классификации строятся на основе статистических (вероятностных), детерминированных и детерминированно-статистических моделях распознавания. Общие принципы формального распознавания образов заключаются в выборе системы независимых признаков и разделении множества объектов на классы с помощью гиперплоскостей в «-мерном векторном пространстве или объединении объектов по принципу общности . Применение детерминированных или статистических методов основано на выборе некоторой решающей функции и построении границ (гиперповерхностей), разделяющих классы объектов. На изображении эта граница может представлять отдельный класс объектов, отражающих «коридоры» или экотоны [58]. Одним из самых распространенных методов выделения объектов на космических изображениях Земли является сегментация. Этот метод носит черты и детерминированного, и статистического подхода. Сегментация — это преобразование полутоновых или цветных изображений в изображения, имеющие меньшее число тонов или цветов, чем исходные. Целью сегментации является выделение областей (сегментов), однородных в каком-то определенном заданном смысле. Однородность является признаком принадлежности области к определенному классу. Часто сегментация используется для выделения областей приблизительно одинакового тона и (или) цвета, а также областей, однородных в смысле некоторого более сложного свойства (например, типа текстуры). Такие области называются кластерами [56].
Разработка методики формирования эталонов для дешифрирования, основанной на использовании постоянных базисных векторов
Дальнейшим развитием использования предложенной методики нормирования яркостей были исследования метода главных компонент применительно к нормированным изображениям. Метод главных компонент — сложное преобразование многозональных снимков, основанное на многомерном статистическом анализе, позволяющее построить более информативные линейные комбинации исходных изображений, полученных в разных зонах спектра, и сократить количество анализируемых данных [115,116]. Метод основан на том, что многозональные изображения обладают значительной степенью корреляции между зонами. Причинами ее возникновения может быть реальная физическая зависимость между измеряемыми свойствами объектов, а также частичное перекрытие зональных диапазонов съемки, влияние пространственных вариаций атмосферы и другие. Сущность метода главных компонент состоит в формировании по исходным многоспектральным изображениям преобразованных некоррелированных изображений (или псевдоизображений). Каждая компонента (новое преобразованное изображение) будет соответствовать разложению спектральных яркостей по базису, состоящему из собственных векторов корреляционной матрицы спектральных измерений (значениям яркостей в каждом спектральном канале). Таким образом, выделение главных компонент соответствует разложению исходного многоспектрального изображения по ортогональному базису, который строится для каждого многоспектрального изображения. Пусть Р — многозональное изображение, содержащее К (по числу каналов) матриц цифровых изображений размера NxN: Элементы р\Р исходных цифровых изображений Р к), составляющих многоспектральное изображение Р, - это значения яркостей, измеренных в соответствующих каналах (К) съемочной системы. Значения яркостей для элементов р т) и рУ\ полученных из разных каналов, для большинства каналов сильно коррелированны. Метод главных компонент позволяет от многозонального цифрового изображения Рперейти к новому представлению PG = {Р ,Р",РЦ1,...,Р}, где изображения РІ являются некоррелированными.
Первые изображения PL, Рщ- Рщ называются главными компонентами многоспектрального изображения Р, так как эти компоненты представляют основную информацию, содержащуюся в исходных изображениях. Значения элементов матрицы новых преобразованных изображений получаются из известного соотношения: Запишем каждое изображение Р в виде вектора-строки Хк, элементами которого являются элементы Ру, расположенные последовательно по строкам матрицы Р Тогда многоспектральное изображение можно записать в виде: и вычислить ковариационную матрицу GPP. Преобразованные многоспектральные изображения PGJ вычисляются путем последовательного преобразования векторов измерений Х\,...,Хк в некоррелированные векторы Учитывая, что GPP зависит от типа объектов и от структуры поверхности, то есть от набора объектов, который содержится на данном участке, и что именно определенные типы объектов вызывают устойчивые корреляционные связи между яркостями в спектральных зонах, уместно предположить, что собственные векторы будут являться достаточно устойчивыми признаками для совокупности набора однотипных объектов. Векторы Ut образуют ортогональную систему векторов, следовательно, их можно использовать для разложения исходных многоспектральных изображений. Можно предположить, что если съемка производится одной и той же многозональной съемочной системой, то собственные векторы многоспектральных изображений будут достаточно устойчивыми при съемке объектов одного типа в аналогичных условиях. На таком предположении основана система преобразования Tasseled Сар [117-119]. При использовании предложенной процедуры нормирования яркостей изображений становится возможным получить постоянный базисный вектор для определения главных компонентов. Под постоянным базисным вектором понимается вектор, вычисленный по средним значениям собственных векторов для изображений типовых участков местности, полученных какой-либо съемочной системой. Для проверки этого предположения были выполнены исследования типовых участков местности и получены средние значения собственных векторов для определяющих типов участков. Они подтвердили, что набор таких векторов можно в дальнейшем использовать, как обобщенный индикатор типов участков для выявления и исследования их изменений. Методика получения постоянного базисного вектора состоит в следующем. Сначала производится детальный анализ исследуемой территории и выявляется набор типовых участков в зависимости от географического положения изучаемой местности и степени антропогенной нагрузки. Затем из имеющихся материалов, полученных тем типом съемочной системы, которая будет использоваться для решения задач мониторинга, выбираются снимки или их фрагменты, которые наиболее полно отображают интересующий набор типовых участков. На следующем этапе производится нормирование изображений согласно методике, представленной в разделе 2.1. После проведения нормирования для каждого изображения вычисляются собственные векторы Uit и производится их статистическая обработка. Если типичные участки были выбраны правильно, значения собственных векторов для таких изображений будут близки, затем по ним рассчитывается базисный вектор. С использованием таких векторов можно проводить интерактивное дешифрирование получаемой информации, что значительно повысит оперативность проведения регионального мониторинга. Описание исследований и возможности применения постоянных базисных векторов представлено в разделе 3.3 данной работы.
Исследование методики повышения устойчивости результатов дешифрирования на основе метода главных компонент
В работе была рассмотрена возможность применения метода главных компонент для организации данных при региональном мониторинге водных объектов по материалам космических съемок. Для исследований использовалось два снимка на одну и ту же территорию, полученных съемочной системой Quick Bird. Согласно методике, разработанной в разделе 2.2, для исследуемой территории был выявлен однотипнный набор объектов, изобразившихся на снимках и характеризующий данную местность. В результате получено по 10 фрагментов на каждом снимке. Затем по формулам (42 - 44) в программном продукте ERDAS Imagine были определены главные компоненты и получены собственные числа и собственные векторы для фрагментов исходных и нормированных изображений. Анализ полученных величин ( приложения М, Н, П и Р) показывает, что нормированные снимки обеспечивают более устойчивые результаты. В 70-75% случаев произошло уменьшение стандартного отклонения полученных собственных значений и собственных векторов в среднем в 2,5-3 раза. Кроме того, значения собственных векторов разных снимков стали близки. По ним были вычислены средние значения и сформирован единый базисный вектор. Аналогичный вектор был получен по исходным изображениям. Единые базисные векторы были использованы для обработки других фрагментов снимков Quick Bird. Схема проведения данной процедуры представлена на рисунке 27. На рисунке 28 представлен пример разложения ненормированных (слева) и нормированных (справа) изображений по среднему базисному вектору для двух снимков, полученных спутниковой системой Quick Bird. Из рисунка видно, что стабильные характеристики имеют только нормированные изображения. В приложениях С и Т представлены результаты разложения по этому же базисному вектору шести других фрагментов исходных и нормированных снимков.
Визуальное сопоставление полученных изображений показывает, что природные объекты на нормированных изображениях перекрывающихся снимков выглядят идентично, а на исходных заметно различаются. В таблице 5 приведены значения главных компонент, соответствующие изображению одной и той же точки местности на разных фрагментах снимков. Анализ данных таблицы 5 показывает, что выводы по визуальной оценке изображений на рисунке 28 подтверждаются численными значениями главных компонент, полученными для одной и той же точки местности, которые для нормированных снимков стали практически равными. Из рисунка 29 видно, что значения компонент для нормированных изображений двух снимков близки, в то время как для исходных такого подобия нет. Таким образом, проведенные исследования показали, что базисные векторы, вычисленные через собственные векторы нормированных изображений, полученных какой-либо многоканальной съемочной системой, будут постоянны для территории одного типа. Установленную закономерность можно использовать в качестве индикатора для распознавания типичных объектов на снимках.
Для практического исследования выявления типичных участков нефтегазоразработок территории Тюменской области на основе базисных векторов были использованы снимки, полученные в 3-х зонах спектра со спутника Метеор на территорию Ямбугрского месторождения. В таблице 6 представлены собственные векторы исходных и нормированных изображений территории Ямбургского месторождения. Собственные векторы для исходных и нормированных изображений однотипных объектов на различных фрагментах снимков, полученных спутниковой системой Метеор, приведены в приложении У. По значениям собственных векторов, полученным по нормированным изображениям типовых участков местности был получен единый базисный вектор, значения которого приведены в таблице 7. На рисунках 30 и 31 представлены результаты обработки снимков от 30.06.02 г. и 03.07.02 г. с использованием постоянного базисного вектора, рассчитанного по нескольким фрагментам различных снимков, содержащих характерные объекты на территории Ямбургского месторождения. В приложении Ф представлены снимки Метеор от 03.07.02, 15.09.05, 21.07.05 и 20.07.04, обработанные по этим же значениям постоянного базисного вектора. Таким образом, проведенные практические исследования показали, что при выборе фрагментов изображений, по которым формируется единый базисный вектор, необходимо учитывать объектный состав территории. Такие фрагменты должны содержать максимально полный набор типовых участков местности. Набор таких векторов можно в дальнейшем использовать как обобщенный индикатор типов участков для выявления изменений.
