Содержание к диссертации
Введение
Глава 1. Современные проблемы аэрокосмического мониторинга 20
1.1. Аэрокосмический мониторинг окружающей среды 20
1.1.1. Общие положения и разновидности мониторинга 20
1.1.2. Задачи аэрокосмического мониторинга 22
1.2. Основные характеристики космических систем дистанционного зондирования Земли 28
1.2.1. Общие положения 29
1.2.2. Системы с данными среднего спектрального разрешения 31
1.2.3. Системы с данными высокого спектрального разрешения 36
1.3. Системы аэрокосмического мониторинга 38
1.3.1. Глобальные системы 38
1.3.2. Типовые региональные системы 40
1.3.3. Стандартные программные средства в задачах мониторинга 42
1.3.4. Проблемы создания региональных систем мониторинга нового поколения 47
1.4. Основные результаты и выводы 50
Глава 2. Концепция построения системы аэрокосмического мониторинга с интеллектуальной высокопроизводительной обработкой данных 52
2.1. Принципы построения систем мониторинга 52
2.2. Принципы архивирования и каталогизации данных ДЗЗ 56
2.3. Принципы интеллектуальной обработки данных 57
2.3.1. Автоматизированная интерпретация АИ 59
2.3.2. Прогнозирование изменений ландшафтного покрова 64
2.4. Принципы организации высокопроизводительных вычислений 68
2.5. Требования к современным системам мониторинга 72
2.6. Обобщенная структура и технология практического применения системы 74
2.7. Основные результаты и выводы 77
Глава 3. Математическое обеспечение сжатия данных Д33 .79
3.1. Общие положения 79
3.2. Сжатие мультиспектралъныхаи без потерь 81
3.2.1. Многоэтапный алгоритм сжатия с использованием вейвлет-преобразования и учетом междиапазонной зависимости 81
3.2.2. Усовершенствованный многоэтапный алгоритм сжатия 87
3.2.3. Экспериментальные исследования 89
3.3. Сжатие мулътиспектралъных АИ с потерями 94
3.3.1. Фрактальное сжатие 95
3.3.2. Дифференцированное сжатие одноканальных АИ 99
3.3.3. Дифференцированное сжатие многоканальных АИ 104
3.3.4. Экспериментальные исследования 104
3.4. Сжатие гиперспектралъных АИ 109
3.4.1. Особенности сжатия гиперспектральных АИ 110
3.4.2. Алгоритм сжатия гиперспектральных АИ с использованием разностных преобразований 111
3.4.3. Организация параллельного исполнения алгоритма сжатия 112
3.4.4. Экспериментальные исследования 114
3.5. Основные результаты и выводы 118
Глава 4. Математическое обеспечение автоматизированной интерпретации АИ 121
4.1. Общие положения 121
4.1.1. Репрезентативность обучающих выборок 123
4.1.2. Особенности классификации АИ 124
4.2. Интерпретация мультиспектральных АИ 126
4.2.1. Математическая постановка задачи классификации 126
4.2.2. Двухэтапная классификация АИ с раздельным использованием спектральных и пространственных признаков 132
4.2.3. Метод двухэтапнои статистической классификации 135
4.2.4. Повышение вычислительной эффективности статистической классификации 148
4.2.5. Метод двухэтапнои нейросетевой классификации 156
4.3. Экспериментальные исследования двухэтапнои классификации.. 162
4.3.1. Постановка задачи исследования 162
4.3.2. Определение параметров в алгоритмах непараметрической оценки плотности распределения 166
4.3.3. Определение способа преобразования пространства большой размерности в задаче классификации 174
4.3.4. Экспериментальные исследования статистического и нейросетевого методов 179
4.4. Интерпретация гиперспектральных АИ 182
4.4.1. Классификация по минимальному расстоянию 183
4.4.2. Классификация по минимальному спектральному углу 184
4.4.3. Классификация по методу машины опорных векторов 185
4.5. Высокопроизводительные параллельные вычисления в интерпретации АИ 187
4.5.1. Фрагментация данных 189
4.5.2. Технология распределенной классификации АИ 191
4.5.3. Экспериментальные исследования 192
4.6. Основные результаты и выводы 197
Глава 5. Математическое обеспечение прогнозирования изменений ландшафтного покрова 200
5.1. Моделирование изменений ландшафтного покрова 200
5.1.1. Общие положения 200
5.1.2. Марковские модели 201
5.1.3. Определение вероятностей и тенденций изменения 204
5.1.4. Аппарат клеточных автоматов в моделировании изменений ландшафтного покрова 207
5.2. Применение пространственных характеристик ландшафта при моделировании 211
5.2.1. Технология применения пространственных характеристик при моделировании 213
5.2.2. Особенности практического применения технологии 219
5.3. Алгоритм моделирования для задач долгосрочного прогнозирования изменений ландшафтного покрова 227
5.3.1. Общие положения 227
5.3.2. Стохастический алгоритм моделирования 229
5.3.3. Особенности моделирования при долгосрочном прогнозировании 231
5.3.4. Снижение вычислительных затрат алгоритма 234
5.3.5. Экспериментальные исследования 239
5.4. Параллельные вычисления в моделировании 243
5.4.1. Организация параллельных вычислений 244
5.4.2. Экспериментальные исследования 250
5.5. Многоэтапный подход к прогнозированию динамики ландшафта с использованием АИ 258
5.6. Основные результаты и выводы 264
Глава 6. Программное обеспечение системы аэрокосмического мониторинга 268
6.1. Базовые программные средства системы 268
6.1.1. Выбор базовой системы предварительной обработки и визуализации аэрокосмических изображений 268
6.1.2. Выбор базовой геоинформационной системы 270
6.1.3. Выбор СУБД 270
6.1.4. Выбор способа реализации нейросетевой имитации 271
6.1.5. Среды разработки программного обеспечения системы 272
6.1.6. Выбор интерфейса высокопроизводительных параллельных вычислений 274
2 6.2. Структура программного обеспечения системы 275
6.3. Структура программного обеспечения основных подсистем обработки данных 279
6.3.1. Подсистема интеллектуальной обработки данных 279
6.3.2. Подсистема архивирования и каталогизации 286
6.4. Основные результаты и выводы 287
Заключение 289
Список использованных источников 291
Приложение 1. Примеры апробации системы при решении прикладных задач 318
Приложение 2. Документы, подтверждающие внедрение и практическое использование результатов работы 344
- Системы с данными среднего спектрального разрешения
- Математическая постановка задачи классификации
- Аппарат клеточных автоматов в моделировании изменений ландшафтного покрова
- Подсистема интеллектуальной обработки данных
Введение к работе
Актуальность работы. Растущая динамика и масштаб изменений в среде обитания человека обеспечивают особое внимание к проблемам окружающей среды. Для задач экологического мониторинга природно-территориальных комплексов, характеризующихся динамичностью, неоднородностью, большой площадью все более активно применяют аэрокосмические подходы, базирующиеся на методах дистанционного зондирования Земли (ДЗЗ), геоинформационных системах (ГИС) и технологиях. Регулярно получаемые и архивируемые в центрах приема, хранения и распространения значительные объемы данных ДЗЗ с широким спектром характеристик, увеличивают требования потребителей к оперативности, точности, глубине содержательной обработки данных, к адекватности отражаемых процессов и явлений ландшафтного покрова, в том числе и при дефиците исходной информации о ландшафтно-классовой структуре исследуемой территории. Информационные системы, осуществляющие не только традиционные сбор, хранение и распространение данных ДЗЗ, но и более глубокую их обработку с созданием различных информационных продуктов, относят к системам мониторинга.
В значительной степени глубокая содержательная обработка данных в таких системах с созданием различных информационных продуктов для решения задач мониторинга предполагает решение задач, характерных исключительно для интеллектуальных экспертных систем -интерпретации как формирования на основе исходных данных высокоуровневых выводов, прогнозирования как проектирования возможных последствий ситуации, мониторинга как сравнения ожидаемого и фактического поведения среды.
Значительный вклад в исследование проблем построения систем мониторинга и в создание развитых методов обработки данных ДЗЗ для решения научно-прикладных задач мониторинга окружающей среды внесли отечественные и зарубежные ученые: Бондур В.Г., Виноградов Б.В., Гансвинд И.Н., Гарбук СВ., Гершензон В.Е., Кудашев Е.Б., Кузнецов А.Е., Копылов В.Н., Лебедев В.В., Лукьященко В.И., Лупян Е.А., Марков Н.Г., Пяткин В.П., Рюмкин А.И., Савин А.И., Шокин Ю.И., Plaza A.J., Chang С.-I., Clarke К.С, Landgrebe D.A, Haralick R.M., Richards J.A., Verburg P.H., Pontius Jr., Benenson I., Motta G. и др.
Несмотря на значительные результаты исследований в области обработки данных ДЗЗ, а также стремительное развитие глобальных и национальных систем мониторинга, обеспеченных масштабной аэрокосмической и другой технической поддержкой, применение этих систем при решении задач в интересах рядовых потребителей, учитывая глобальный характер областей приложения, до сих пор ограничено. Более целесообразным представляется использование региональных систем
мониторинга с центрами приёма, обработки и распространения, обладающих достаточными техническими возможностями для сравнительно сложной обработки данных ДЗЗ. Однако, традиционно, вопросам создания и развития наземных сегментов (в отличие от орбитальных) региональных систем мониторинга, функционирующих в интересах рядовых потребителей, достаточного внимания не уделялось.
Проблема создания эффективного математического и программного обеспечения систем мониторинга существенно осложняется стремительным развитием области знаний, связанной с задачами обработки аэрокосмической информации, отличающейся постоянным совершенствованием спектральной и пространственной разрешающей способности данных ДЗЗ и увеличением поступающих и накопленных объемов этих данных. В этих условиях существующие типовые алгоритмические подходы и стандартные вычислительные средства пользователя для требуемой при этом вычислительно сложной и ресурсоемкой обработки данных в значительной степени не пригодны.
Для преодоления этих ограничений в условиях все большей доступности мощных вычислительных ресурсов существенно возрастает интерес отечественных и зарубежных ученых к области высокопроизводительных параллельных вычислений, в том числе и для задач обработки данных ДЗЗ. Однако, современные результаты исследований в этой области характеризуются обзорной направленностью и не содержат необходимых деталей практической реализации при использовании доступных мощных вычислительных ресурсов -дорогостоящей суперкомпьютерной техники или недорогих типовых ПЭВМ, объединенных в локальной вычислительной сети. Наконец, отсутствуют концептуальные основы построения региональных систем мониторинга, в значительной степени свободных от вышеуказанных ограничений и недостатков, базируемые на современных возможностях комплексной высокопроизводительной обработки данных ДЗЗ, ориентированные на создание широкого спектра оригинальных информационных продуктов для задач мониторинга.
Поэтому работа, направленная на теоретическое обобщение и
решение крупной научно-технической проблемы, связанной с созданием
многофункционального математического и программного обеспечения для
существующих и вновь проектируемых региональных систем
мониторинга, наделенных возможностями интеллектуальной
высокопроизводительной обработки поступающих и накопленных массивов данных ДЗЗ, представляется крайне актуальной.
Цель диссертационной работы. Развитие научно-методических основ построения и разработка программного обеспечения региональных систем мониторинга, позволяющих за счет интеллектуальной высокопроизводительной обработки данных оперативно создавать
широкий спектр оригинальных информационных продуктов, направленных на совершенствование решения современных задач мониторинга.
Для достижения поставленной цели необходимы:
-
Разработка научно-методических основ построения систем мониторинга с использованием аэрокосмических методов и интеллектуальной высокопроизводительной обработки данных, включая концепцию системы, основные требования к системе и её структуру, предусматривающих возможность оперативного создания спектра оригинальных информационных продуктов, направленных на совершенствование решения задач мониторинга.
-
Создание математического обеспечения (методов и алгоритмов) системы мониторинга, направленного на комплексную интеллектуальную обработку данных ДЗЗ с различным спектральным и пространственным разрешением при низкой чувствительности к статистическим характеристикам данных, доступную за счет более высокой вычислительной эффективности к широкому использованию на типовых ПЭВМ, и обеспечивающих оперативность, точность и адекватность отражаемых процессов и явлений ландшафта в условиях дефицита исходной информации.
-
Адаптация основных компонентов созданного математического и программного обеспечения системы мониторинга для высокопроизводительных параллельных вычислений, применимых как на дорогостоящих суперкомпьютерах, так и на кластерах из недорогих типовых ПЭВМ, и направленная на значительное увеличение производительности в условиях вычислительной сложности обработки данных и их значительных объемов.
-
Разработка программного обеспечения (ПО) основных подсистем системы мониторинга с интеллектуальной высокопроизводительной обработкой данных, созданного с учетом сформулированной концепции и реализующего предложенные методы и алгоритмы.
-
Апробация разработанной системы при создании различных информационных продуктов и решении прикладных задач аэрокосмического мониторинга с использованием данных ДЗЗ и результатов их обработки.
Методы исследования. В работе использованы методы системного анализа, многомерного статистического анализа, теории распознавания образов, текстурного и нейросетевого анализа, пространственной индексации данных, стохастического пространственного моделирования, сжатия аэрокосмических изображений, параллельных вычислений, объектно-ориентированного проектирования и программирования.
Научная новизна. Научной новизной обладают следующие основные результаты:
-
Концепция построения региональной информационной системы мониторинга, предусматривающая возможность альтернативного использования данных ДЗЗ с различным спектральным и пространственным разрешением, а также комплексную интеллектуальную обработку данных, позволяющих оперативно создавать спектр информационных продуктов, адекватно отражающих происходящие процессы и явления ландшафта, и направленных на совершенствование решения задач мониторинга с использованием аэрокосмических методов.
-
Методы и алгоритмы автоматизированной интерпретации мульти- и гиперспектральных аэрокосмических изображений, отличающиеся от аналогов низкой чувствительностью к статистическим характеристикам данных, и, при этом, обладающих более высокой точностью и вычислительной эффективностью обработки.
-
Методы и алгоритмы построения по разновременным аэрокосмическим данным прогнозных карт динамики ландшафтного покрова, и отличающиеся учетом особенностей краткосрочного и долгосрочного прогнозирования, позволяющих оперативно и адекватно отражать процессы и явления ландшафта в условиях дефицита исходной информации.
-
Алгоритмы сжатия мульти- и гиперспектральных аэрокосмических изображений, повышающие эффективность процедур архивирования, каталогизации и передачи данных по каналам связи в условиях значительных объемов накопленной и получаемой системами мониторинга аэрокосмической информации.
-
Методы и алгоритмы сжатия и автоматизированной интерпретации мульти- и гиперспектральных аэрокосмических изображений, а также построения прогнозных ландшафтных карт динамики, значительное увеличение производительности которых достигается их повышенной вычислительной эффективностью, а также адаптацией к параллельным вычислениям, применимой как на дорогостоящих суперкомпьютерах, так и на кластерах из недорогих типовых ПЭВМ.
-
Результаты исследований разработанного математического и программного обеспечения для задач аэрокосмического мониторинга, выполненные с использованием модельных и реальных данных, и позволяющие оценить пределы применимости и вычислительную эффективность предложенных методов и алгоритмов.
Теоретическая значимость работы. Теоретическая значимость
работы заключается в решении крупной научной проблемы создания
исследовательских и прикладных систем мониторинга,
характеризующихся высокой оперативностью, точностью и адекватностью отражаемых процессов и явлений ландшафта, достигаемых
использованием аэрокосмических методов и интеллектуальной высокопроизводительной обработкой данных при построении оригинальных информационных продуктов.
Практическая значимость и внедрение результатов работы.
Практически значимыми являются созданные методы, алгоритмы и ПО системы мониторинга, использованные:
в проектах Российского фонда фундаментальных исследований в качестве руководителя (№№11-07-00027-а, 03-07-06024-мас) и ответственного исполнителя (№№00-07-90124-в, 03-07-90124-в, 06-05-78056-д);
в проекте анализа динамики ландшафта территории Португалии при финансовой поддержке Португальского фонда науки и технологии (№ PTDC/CS-GEO/101836/2008);
в международном проекте TEMPUS IV 1593 86-TEMPUS-12009-1-DE-TEMPUS-JPCR в Институте кибернетики Национального исследовательского Томского политехнического университета (ТПУ);
при выполнении межвузовского исследовательского проекта №04/07-2011 «Теоретические основы построения и программное обеспечение интеллектуальной высокопроизводительной информационной системы аэрокосмического мониторинга» Программы развития ТПУ;
в проекте создания Международной аэрокосмической системы глобального мониторинга (МАКСМ) для задач прогнозирования природных стихийных бедствий и техногенных катастроф, включая определение концептуальных основ построения наземной инфраструктуры МАКСМ;
в системе ГО и ЧС по Томской области в целях предупреждения, анализа причин и последствий чрезвычайных антропогенных и природных ситуаций на подведомственных службе территории;
при выполнении инициативных исследовательских проектов с промышленными предприятиями нефтегазовой отрасли (ООО «Газпром трансгаз Томск», ООО «Норд-Империал», ОАО «ТомскНИПИнефть», ООО «КогалымНИПИнефть»), а также х/д №8-21/03 между Институтом «Кибернетический центр» ТПУ и ОАО «Востокгазпром».
Результаты внедрения и практического использования результатов подтверждены соответствующими документами.
Основные защищаемые положения.
1. Информационная система мониторинга, основанная на оригинальных концепции, математическом и программном обеспечении, позволяет с высокой степенью оперативности получения результатов, адекватности отражаемых процессов и явлений ландшафта, выполнять комплексную интеллектуальную обработку данных и создавать спектр оригинальных информационных продуктов, направленных на совершенствование решения задач мониторинга.
-
Методы и алгоритмы системы мониторинга позволяют осуществлять интеллектуальную обработку данных дистанционного зондирования Земли с вариативным спектральным и пространственным разрешением и различными статистическими характеристиками при высокой вычислительной эффективности и точности такой обработки.
-
Методы и алгоритмы системы мониторинга позволяют создавать по разновременным аэрокосмическим данным прогнозные карты динамики ландшафтного покрова, отличающиеся учетом особенностей краткосрочного и долгосрочного прогнозирования при высокой адекватности отражаемых процессов и явлений ландшафта в условиях дефицита исходной информации.
-
Оригинальные подходы и алгоритмы сжатия аэрокосмических изображений повышают эффективность процедур архивирования, каталогизации и передачи данных по каналам связи в условиях значительных объемов накопленной и получаемой наземными сегментами систем дистанционного зондирования Земли аэрокосмической информации.
-
Адаптация основных компонентов созданного математического и программного обеспечения системы мониторинга для параллельных вычислений позволяет в несколько раз увеличить производительность сложной обработки данных, и применима как на дорогостоящих суперкомпьютерах, так и на вычислительных кластерах из недорогих типовых ПЭВМ.
Публикации и апробация работы. Полученные новые научно-практические результаты изложены в 50 работах, представленных на отечественных и зарубежных конференциях и симпозиумах, включая статьи в 13 реферируемых журналах, рекомендуемых ВАК РФ, две монографии, одна из которых издана на английском языке за рубежом, свидетельство о государственной регистрации программы для ЭВМ, а также учебно-методические пособия с грифами.
Основные результаты работы докладывались и обсуждались на следующих конгрессах, симпозиумах, конференциях и семинарах: Международный научный симпозиум ассоциации ISPRS, Вена, Австрия, 2010 г.; Международный форум по геоинформатике, Зальцбург, Австрия, 2009 г.; 1-ый семинар ассоциации EARSeL, университет Гумбольта, Берлин, 2006 г.; Международные конференции Ассоциации геоинформационных лабораторий Европы AGILE V-X (г. Пальма, Испания, 2002 г.; г. Лион, Франция, 2003 г.; г. Ираклион, Греция, 2004 г.; Эшторил, Португалия, 2005 г.; Визиград, Венгрия, 2006 г.; Олборг, Дания, 2007), Русско-американский семинар «Studies of Socio-Natural Co-Evolution from Different Parts of the World» (г. Новосибирск, 2002 г.), IX Международный симпозиум ''Remote Sensing 2002" SPIE, (г. Ираклион, Греция, 2002 г.), V Международный семинар «Computer Science and Information Technologies»
(г. Уфа, 2003 г.), V и VI Всероссийские научно-технические конференции «Нейроинформатика - 2003» и «Нейроинформатика - 2004» (г. Москва), XX Международный конгресс ISPRS (г. Стамбул, Турция, 2004 г.), I Международная конференция «Земля из космоса - наиболее эффективные решения» (г. Москва, 2004 г.). Личный вклад:
1. Постановка цели и задач исследования, разработка концепции
построения региональной информационной системы мониторинга,
использующей аэрокосмические методы и высокопроизводительную
интеллектуальную обработку данных, выполнены автором [4].
2. Разработка математического и программного обеспечения
автоматизированной интерпретации мульти- и гиперспектральных
аэрокосмических изображений (АИ) выполнены совместно с
Н.Г. Марковым и А.А. Напрюшкиным [1,2,9,10]. Разработка технологии
высокопроизводительной распределенно-параллельной
автоматизированной интерпретации, а также результаты соответствующих
исследований получены автором [1,7].
-
Разработка математического обеспечения построения прогнозных карт динамики ландшафтного покрова выполнена совместно с Н.Г. Марковым [2,15]. Разработка математического и программного обеспечения моделирования с учетом ландшафтно-классовых особенностей на основе набора пространственных характеристик, способов повышения эффективности долгосрочного прогнозирования, а также алгоритмов высокопроизводительной распределенно-параллельной обработки данных для моделирования, выполнены под руководством и при участии автора [1,6,8,13,16]. Апробация разработанного ПО моделирования выполнена совместно с П. Кабралом [3,14].
-
Разработка математического и программного обеспечения сжатия мультиспектральных АИ, а также проведение соответствующих экспериментальных исследований выполнены совместно с То Динь Чыонгом под руководством и при участии автора [11,12]. Разработка математического и программного обеспечения дифференцированного сжатия мультиспектральных данных ДЗЗ с потерями, алгоритма сжатия гиперспектральных АИ и его адаптация для параллельного исполнения, выполнены при непосредственном участии автора [5].
Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка использованных источников из 275 наименований и приложений. Объем основного текста диссертации составляет 268 страниц машинописного текста, иллюстрированного 64 рисунками и 11 таблицами.
Системы с данными среднего спектрального разрешения
Система ДЗЗ NOAA. Оперативная спутниковая система NOAA {National Oceanic and Atmospheric Administration, USA) действует с начала 70-х годов на высоте приблизительно 800 км (считается, что первым спутником этой серии был спутник TIROS-M, запущенный 23 января 1970 г.). Спутники оборудованы широким спектром сканирующей аппаратуры, основными из которых считают A VHRR {Advanced Very High Resolution Radiometer) и комплект аппаратуры для вертикального зондирования атмосферы. Радиометр AVHRR имеет 5 спектральных каналов в видимой, инфракрасной и тепловой областях спектра, пространственное разрешение 1,1 км и полосу обзора 3000 км.
Спутниковая система NOAA предназначена для решения экологических (обнаружение загрязняющих выбросов в атмосферу и водоёмы, оценка последствий катастрофических наводнений, мониторинг пыльных бурь и др.), метеорологических (восстановление вертикального профиля температуры и влажности атмосферного воздуха, визуальное отображение состояния погоды и составление синоптических карт, оценка состояния и контроль динамики снежного покрова и др.), сельско- и лесохозяйственных (контроль за возникновением и распространением лесных и степных пожаров), а также океано- и гидрологических (оценка ледовой обстановки, оперативное отслеживание зон затоплений в период весеннего половодья и паводка и др.) задач.
Системы ДЗЗ Terra, Aqua и Aura. Спутники созданы в рамках масштабной программы глобального мониторинга EOS (подробнее о ней в п. 1.3.1), реализуемой агентством NASA с 80-х годов XX в. и предназначены для исследования суши, воды и атмосферы, соответственно. На спутниках Terra и Aqua установлен 36-канальный спектрорадиометр MODIS {Moderate Resolution Imaging Spectroradiometer) с пространственным разрешением 250, 500, 1000 м и полосой обзора 2330 км. Terra также оснащена 14-канальным сенсором ASTER с пространственным разрешением 15, 30 и 90 м.
Эти системы ДЗЗ позволяют решать следующие основные задачи:
изучение облачного покрова и атмосферный мониторинг;
океанографический температурный мониторинг и анализ динамики размещения фитопланктона;
лесопожарный мониторинг;
мелкомасштабное картографирование биопродуктивности лесных массивов и сельскохозяйственных угодий;
мониторинг динамики ледников, процессов заболачивания и опустынивания, засоления, половодий, паводков;
мониторинг природных и антропогенно-спровоцированных катастроф на глобальном и региональном уровнях.
Система ДЗЗ РЕСУРС-01. Российские космические аппараты серии «РЕСУРС-01» оснащаются аппаратурой высокого и среднего разрешения, обеспечивающей съемку поверхности Земли в нескольких спектральных диапазонах [24]. Бортовая измерительная аппаратура включает два многозональных оптико-электронных сканирующих устройства высокого разрешения МСУ-Э (три спектральных канала с разрешением 35 м) и среднего разрешения МСУ-СК (пять спектральных каналов с разрешением 140 м).
Система ДЗЗ LANDSAT. Практическое использование этой американской системы изучения природных ресурсов Земли начато в 1972 г. и проводится на коммерческой основе [24]. Целевая съемочная аппаратура представляет собой оптико-электронные камеры многоспектральной съемки поверхности Земли MSS (Multispectral Scanner System) с пространственным разрешением 80 м в пяти спектральных каналах, камеры ТМ (Thematic Mapper) и ЕТМ+ (Enhanced Thematic Mapper), позволяющие формировать изображения соответственно в семи и восьми участках спектра с пространственным разрешением от 120 до 15 м.
Система ДЗЗ Монитор-Э. Орбитальная группировка системы ДЗЗ государственного космического научно-производственного центра им. М.В. Хруничева предполагает создание 4-х типов оптико-электронных систем серии «Монитор». Первым из этой группировки стал малый космический аппарат ДЗЗ Монитор-Э, выведенный на орбиту 27 августа 2005 г. Он предназначен для получения оперативных данных ДЗЗ в интересах экологического мониторинга, контроля чрезвычайных ситуаций, исследования природных ресурсов Земли, картографии и хозяйственной деятельности. С помощью этого аппарата будет осуществляться оперативное наблюдение за поверхностью Земли в полосе обзора от 90 до 160 км с пространственным разрешением от 8 до 20 м. Целевая аппаратура космического аппарата позволяет осуществлять как панхроматическую, так и мультиспектральную съемку земной поверхности и передачу информации в масштабе времени, близком к реальному.
Система ДЗЗ SPOT. Французская космическая система изучения природных ресурсов Земли SPOT (Systeme Probatoire d Observation de la Terre) активно функционирует с февраля 1986 г. [24]. В качестве основной целевой аппаратуры на орбитальном сегменте системы установлены оптико-электронные камеры HRVIR {High Resolution Visible InfraRed), а также HRG/HRS (High Resolution Geometric/Stereoscopic), работающие в панхроматическом режиме с разрешением от 2,5 мив режиме съемки в 4-х спектральных каналах с пространственным разрешением 10 м. Кроме того, есть возможность стереоскопической съемки с получением цифровой модели рельефа местности разрешения 10 м.
Система ДЗЗ IRS. Индийская система дистанционного зондирования IRS (Indian Remote Sensing satellite system) является национальной системой, специально предназначенной для изучения природных ресурсов Земли. Запуск первого аппарата из серии IRS осуществлен в 1988 г. и по настоящее время космический сегмент IRS регулярно пополняется новой аппаратурой. В настоящий момент широко доступны данные, полученные с помощью панхроматической камеры PAN с разрешением 5,8 м и многозональной камеры LISS-3 с разрешением 23 м.
Система ДЗЗ Ikonos. Коммерческий спутник Ikonos американской корпорации Space Imaging выведен на орбиту 24 сентября 1999 г. Бортовая камера Ikonos позволяет фиксировать образы земной поверхности в оптическом и ближнем инфракрасном диапазонах панхроматическим цифровым сенсором с пространственным разрешением їм в пикселе и 4-х диапазонным мультиспектральным сенсором - с пространственным разрешением 4 м в пикселе. Учитывая высокое пространственное разрешение Ikonos, он применяется для решения задач в таких областях как сельское хозяйство, лесопожарный мониторинг, экологический мониторинг, разведка месторождений нефти и газа, воздушные и морские перевозки, а также в целях безопасности.
Система ДЗЗ QuickBird. Начало получению из космоса данных высокого пространственного разрешения положил спутник системы QuickBird, выведенный на околоземную орбиту в 2001 г. Сенсорное оборудование, которым был оснащен спутник, позволило получать панхроматические и мультиспектральные (в 4-х диапазонах) космические изображения земной поверхности с пространственным разрешением в 0,61 м и позволяет охватывать более 75 млн. км земной поверхности ежегодно.
Основными областями применения данных высокого разрешения QuickBird являются:
создание и актуализация крупномасштабных топографических и специальных карт;
инвентаризация, контроль строительства и мониторинг состояния транспортной, энергетической, информационной инфраструктуры и прилегающих к ним территорий;
инвентаризация и контроль в лесоустроительных и сельскохозяйственных работах, а также при разработке детальных планов землепользования;
решение прикладных задач мониторинга окружающей среды.
Система ДЗЗ WorldView-І. Коммерческий спутник высокого пространственного разрешения WorldView-l запущен 18 сентября 2007 г. Он оснащен панхроматическим сенсором, обеспечивающим пространственное разрешение в надире 0,5 м при ширине полосы охвата 17,6 км. WorldView-l оборудован современными средствами навигации для точного определения географического местоположения снимаемой территории
Математическая постановка задачи классификации
Задачу классификации (интерпретации) математически в общем случае можно представить следующим образом [34]. Для каждого класса (в нашем случае - типа ландшафтного покрова как вода, растительность, хвойный лес и т.п.) со, из исходного алфавита {со,, і = 1,...,М} (здесь и далее М- количество типов ландшафтного покрова на исследуемом изображении) введем понятие вероятности появления класса со, в пространстве признаков Q(x). Данная вероятность р(со,) называется априорной вероятностью класса со,. Также предположим, что для каждого класса со, известна многомерная (Р — мерная) функция р(х со,), описывающая УПР вектора признаков х в классе со,. Следует отметить, что функция УПР вектора признаков х в классе со, обладает в нем свойством нормированности
Априорная вероятность /?(со,) и УПР р{ х со,) являются наиболее полными вероятностными характеристиками класса со,.
Таким образом, задача . классификации образов может быть сформулирована в виде задачи статистических решений (испытание М статистических гипотез) с помощью определения дискриминантной функции ф(х), принимающей значение ф, в случае, когда принимается гипотеза і/,:Хєсо,. Полагается, что принятие классификатором решения ф„ когда в действительности входной образ принадлежит к классу со,, приводит к потере, определяемой функцией потерь Дф, со,). Тогда условный риск 7?(ф, х) принятия решения ф, в случае х є со, находится как где р{ со, х), носит название апостериорной вероятности события х є со, и вычисляется исходя из априорной вероятности /?(со,) и условной плотности распределения р( х со,) согласно теореме Байеса [34] следующим образом
В системах обработки и интерпретации данных ДЗЗ распространен параметрический подход к классификации, при котором при оценке УПР р(х со,) принимается гипотеза о некотором известном виде плотности распределения признаков (как правило, гауссово), что позволяет использовать для нахождения р(х \ со,) ее параметрическую оценку. Следует отметить, что УПР называют правдоподобием, а такой подход к классификации - методом максимального правдоподобия (англ. maximum likelihood - ML). В случае гауссова распределения используется оценка вида [239] где \х, - выборочный вектор средних типа ландшафтного покрова со,; Z, -выборочная ковариационная матрица типа ландшафтного покрова со,; Р-количество признаковых каналов изображения; Е, - детерминант выборочной ковариационной матрицы типа ландшафтного покрова со,; ,;1 - обратная выборочная ковариационная матрица типа ландшафтного покрова со, [34,117]. При этом вычисление априорной вероятности /?(со,) в выражении (4.2) производится с помощью простых способов, в которых /?(со,) принимается равной для всех классов ландшафтного покрова
Априорная вероятность в выражении (4.2) является одной из основных составляющих, и ее значение может существенно влиять на результаты конечной классификации АИ. Использование приведенных способов (4.9), (4.10) определения априорных вероятностей не может в полной мере учитывать особенности типов ландшафтного покрова на АИ вследствие своей простоты. Поэтому для более эффективного использования /?(со,) при классификации необходимо применение более сложных способов их расчета, учитывающих эти особенности типов ландшафтного покрова, которые предложены и рассмотрены ниже в п. 4.2.2.
Непараметрические статистические и нейросетевые классификаторы.
При классификации, вследствие своей вычислительной сложности, оценка УПР в выражении (4.2) на основе непараметрического подхода получила значительно меньшее распространение в задачах интерпретации данных ДЗЗ. При этом непараметрический подход характеризуется меньшей чувствительностью к статистическим характеристикам данных и эффективен с точки зрения точности классификации при произвольном (неизвестном) распределении признаков, в том числе и отличном от нормального (гауссова). Непараметрические классификаторы, используемые в задачах обработки и интерпретации (тематического картирования) АИ можно разделить на две группы.
В первой группе представлены непараметрические статистические классификаторы, среди которых есть простые, такие как классификатор по правилу параллелепипеда, и значительно более сложные, использующие в своей основе непараметрическое оценивание УПР признаков [15,16,35,76,131]. Развитию статистических нецараметрических методов в системах распознавания образов многие годы препятствовала высокая вычислительная сложность непараметрической оценки плотности распределения признаковых векторов. Сегодня при значительном увеличении производительности компьютерных систем и возрастании возможностей параллельной обработки, интерес к данному подходу заметно возрастает [76,202,226,245], однако проблема повышения вычислительной эффективности статистических непараметрических алгоритмов классификации остается актуальной.
Во второй группе представлены непараметрические нейросетевые классификаторы, основанные на использовании аппарата ИНС [39,83,84,89, 124,146,147,210,213]. Для краткости изложения такие классификаторы называют нейросетевыми классификаторами, а искусственные нейронные сети - просто неиросетями. При этом следует отметить, что в известных системах обработки и интерпретации данных ДЗЗ делаются только первые попытки использования средств нейросетевой контролируемой классификации. Большего прогресса в области практического применения нейросетевых технологий достигли неконтролируемые нейросетевые классификаторы (например, программная система NeRIS, основным инструментом которой являются искусственные нейронные сети Кохонена [89,90], используемые в задачах тематической интерпретации АИ [242]).
На сегодняшний день нейросетевой аппарат достаточно широко применяется при решении различных задач классификации, поэтому приведем здесь лишь некоторые необходимые пояснения, связанные с областью ИНС [89,147]. Так, широко используется такое понятие как формальный нейрон, представляющий собой упрощенную математическую абстракцию биологического нейрона (рис. 4.1).
Каждый такой нейрон обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал может поступать на синапсы других нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом w{. Кроме того, важной характеристикой любого формального нейрона является функция активации или пороговая функция f{S). Наиболее распространенными пороговыми функциями являются сигмоидные функции типа гиперболического тангенса и логистической функции [84].
Наиболее популярными и широко распространенными, в том числе и для решения задач контролируемой классификации, являются нейросети прямого распространения - многослойные персептроны [84]. Они позволяют работать с данными произвольного распределения и учитывать такие закономерности в данных, которые не могут быть учтены никакими другими методами [147].
Потенциально нейросетевые классификаторы обладают рядом существенных преимуществ по сравнению с традиционными статистическими классификаторами. Так, в качестве входных данных для них можно использовать трудноформализуемые взаимозависимые факторы произвольного распределения. Нейросетевые классификаторы учитывают такие закономерности в данных, которые порой не могут быть учтены никаким другим классификатором [89,147]. При этом точность классификации нейросетевых классификаторов высока и приближается к байесовской [84,210,213].
Несмотря на очевидные достоинства нейросетевого подхода при классификации АИ, существует ряд проблем, требующих решения и не позволяющих до сих пор широко использовать нейросетевую классификацию [43,56,89,147]. Одной из основных проблем является необходимость экспертного обучения нейросети. При этом требует решения задача определения оптимальных параметров, задающих структуру нейросети, а также параметров ее обучения. Решение этой задачи для данных различной природы может иметь длительный итерационный характер, что для конечного пользователя может оказаться неприемлемым. Поэтому более широкое практическое распространение получили статистические классификаторы.
Аппарат клеточных автоматов в моделировании изменений ландшафтного покрова
В настоящее время одним из наиболее широко распространенных и интересных с точки зрения простоты реализации является такой способ учета пространственной корреляции, который основан на использовании КА [87,164,227,228,255]. Отдельно взятый клеточный автомат представляет собой дискретную динамическую систему, состоящую из отдельных элементов (клеток), определенным образом связанных между собой. Правила, определяющие такую связь, называют правилами функционирования КА, которые, несмотря на сравнительную простоту, позволяют моделировать поведение очень сложных систем. Рассмотрим процесс моделирования изменений ландшафтного покрова с использованием КА, предлагаемый при прогнозировании изменений ландшафтного покрова в качестве основного.
Важным компонентом моделирования изменений ландшафта является порядок преобразования (ранжирования) элементов на моделируемом изображении. Информация о ранжировании позволяет преобразовать в первую очередь элементы изображения с наибольшей вероятностью перехода в тот или иной тип. Поэтому сначала для всех элементов базового изображения (тематической карты) на основании имеющейся вероятностной информации определяется порядок их преобразования. Затем для каждого его элемента в порядке, определенном при ранжировании, формируется квадратная окрестность заданного размера (3 3, 5 5,...). Каждая такая окрестность, составленная из элементов изображения, будет представлять собой отдельный КА. Далее, согласно установленным правилам функционирования КА, формируется элемент моделируемого изображения с соответствующим значением. Эта операция повторяется до тех пор, пока все элементы согласно значениям матрицы ожидаемых переходов не изменятся на элементы соответствующих типов.
Каждый КА можно представить в виде квадратной матрицы МКА = [с у] порядка (2d+l), в которой значение центрального элемента ckh (к = h = (2d+l)/2, здесь «/» - целочисленное деление) зависит некоторым образом в соответствии с /КА от значений всех элементов этой матрицы. Матрица М А будет формироваться путем сканирования растровой матрицы изображения Т" = {tmxy = 1,2,...,М; х = 1, 2,..., Rn; у = 1, 2,..., Сп} скользящим окном размера (2J+1) х (2d+\) пикселей и сохранения результата в текущей позиции {х,у} центрального пикселя скользящего окна в качестве значения пикселя с ш =/КА(СЦ, с и,...,с ich,...,с dcj) нового результирующего изображения Т (рис. 5.1).
Результирующее изображение Си С\г Си Сц C kh Cd\ Cdd Си с\г Си сг\ Ckh C kh Cd\ Cdd Исходное изображение Причем {х,у} - позиция элемента ckh на Tt!, tm - номер типа ландшафта со,, М-число типов ландшафта на исследуемой территории, Сп - число столбцов, Rn -число строк тематической карты.
В соответствии с принципами функционирования КА, сформулированными в п. 2.3.2, предлагается определять правила функционирования КА на основе нескольких вероятностных характеристик -Pi/m, Р:/ер и Pi/9- Рассмотрим более подробно реализацию этого подхода.
Учитывая то, что этап моделирования требует наличия информации о порядке преобразования пикселей на изображении, его целесообразно задать в виде матрицы ранжирования R = [гу] размерности Rn х Сп, где значение гу-соответствует порядковому номеру преобразования. Это означает, что матрица
МКА будет формироваться путем сканирования исходного изображения не последовательно перемещаясь по строкам и столбцам, а в порядке, соответствующем значениям элементов матрицы ранжирования R- по убыванию этих значений. Рассмотрим алгоритм получения такой матрицы R, предваряющий применение алгоритма моделирования с использованием КА.
Шаг 1. Начало.
Шаг 2. Задать начальную позицию окна с координатами х = у = {2d+l)/2.
Шаг 3. Разместить скользящее окно на Т так, что центральный элемент окна находится в позиции [х,у].
Шаг 4. Сформировать МКд из соответствующих элементов Т.
Шаг 5. Определить і = с .
Шаг 6. Рассчитать Р,вер = [рг1в г2вер...АМвер] и Р,пр = {р Ращ\..Рм" \.
Шаг 7. Сформировать Р,доп = \рЛаопрі2дт..р,мюп]. Элемент рудоп, j = \,...,М представляет элемент (пиксель) карты соответствия типа ю7, построенной с помощью функций пространственного анализа. Если карты соответствия не построены, то соответствующие им элементы рцтп приравниваются к нулю и в дальнейшем не учитываются.
Шаг 8. Рассчитать Р,рез = [р/ез] = [р,/ер хрупр xPlJam]J = 1,...,М.
Шаг 9. Выбрать ртахи = argmax {рурез}. Задать г = ртахи, г є R.
Шаг 10. Если у Rn- (2d+l)/2, то у = у + 1 и на шаг 3, иначе на шаг 13.
Шаг 11. у = 1. Если х Сп - (2d+l)/2, то х = х + 1 и на шаг 3, иначе на шаг 13.
Шаг 12. Заменить каждое г ,, х = 1,...,Сп, у = \,...Jln на уникальный порядковый номер ПхуЄ[1,...,ІІпхСгі\ так, что минимальное г будет гхутт = 1, а максимальное - r max = Rnx.Cn.
Шаг 13. Конец.
Рассмотрим алгоритм получения Т из исходного Т , используя информацию о порядке преобразования элементов (пикселей). Отметим, что в данном алгоритме присутствует параметр - критерий останова stop. Если задать критерий останова как A"st0p = 1, то это будет означать, что результирующее изображение будет соответствовать моменту времени (t + 1). Если, например, задать A stop = 0,5, то результирующее изображение будет соответствовать моменту времени (t + 0,5). Таким образом, с помощью Kstop исследователь может регулировать момент времени, на который получает результирующее изображение внутри временного интервала (t; t + 1), реализуя процессы краткосрочного прогнозирования.
Результатом работы этого алгоритма будет смоделированное изображение Т , соответствующее задаче краткосрочного прогнозирования. Вопросы построения алгоритма моделирования, позволяющего выполнить долгосрочное прогнозирование и получить изображения Т + на момент времени t + 1, Tt+2 на момент времени t + 2 и т.д., имеют свои особенности построения и рассмотрены отдельно в п. 5.3.
Подсистема интеллектуальной обработки данных
Подсистема интеллектуальной обработки данных, главным образом, реализует функции автоматизированной интерпретации мульти- и гиперспектральных АИ, а также функции моделирования изменений ландшафтного покрова. Рассмотрим детализированную структуру ПО оригинальных модулей этой подсистемы, начиная с модулей, реализующих задачи интерпретации АИ.
Модуль формирования признакового пространства с использованием текстурных признаков. Реализует расчет характеристик Харалика и использует ряд параметров, задающих матрицу смежности и размер анализируемой окрестности. Также реализует текстурные характеристики на основе марковских случайных полей. Имеется возможность задания порядка соседства и параметра контрастности.
Модуль нейросетевой имитации. Предназначен для реализации функций традиционной нейросетевой имитации, заключающихся, главным образом, в создании и обучении нейросети, а также получении «отклика» нейросети. Нейросетевая имитация реализована с помощью объектно-ориентированной библиотеки базовых классов. Результаты нейросетевой имитации в виде вероятностных карт используются в качестве входных данных в модуле классификации мультиспектральных АИ.
Модуль классификации мультиспектральных АИ. Реализует предлагаемую двухэтапную схему классификации и включает три основных составляющих, представленных на рис. 6.2.
Модуль классификации гиперспектральных АИ. Реализует классификацию на основе линейного разделения признакового пространства - с использованием распространенных классификаторов Hypermin, Hypersam, а также оригинальный классификатор на основе опорных векторов - SVM (рис. 6.3). Классификатор SVM реализован базе известной библиотеки libsvm с открытым кодом и возможностью свободного использования [158].
Выше в п. 6.1.5 отмечена целесообразность использования современных средств проектирования информационных систем при создании ПО модулей системы мониторинга. На рис. 6.4 приведен пример использования нотации UML для проектирования ПО модуля классификации гиперспектральных АИ при построении диаграммы классов и диаграммы компонентов.
В табл. 6.1 приведен перечень основных компонентов SVM классификатора модуля классификации гиперспектральных АИ, отображенных на рис. 6.46, а также указано основное назначение каждого из компонентов.
В зависимости от того, мульти- или гиперспектральные данные используются при обработке, реализуются две различные траектории исполнения. Для мультиспектральных АИ предполагается обучение классификаторов с оценкой УПР, реализующих двухэтапную схему классификации. Данные, сформированные на основе гиперспектральных АИ, обрабатываются классификаторами с линейным разделением, требующими обучения и формирования соответствующих параметров обучения.
Далее рассмотрим модули, реализующие прогнозирование изменений ландшафтного покрова.
Модуль кратко- и долгосрочного пространственного моделирования изменений ландшафтного покрова. Использует ранее полученные в результате интерпретации разновременные тематические карты (изображения) для выявления тенденций изменения ландшафтного покрова, проведения моделирования изменений ландшафтного покрова, и формирования результатов этого моделирования в виде прогнозной карты (карт) на различные моменты времени в будущем. Структура модуля представлена на рис. 6.6.
Примеры экранных форм модулей, реализующих функции классификации и моделирования, приведены на рис. 6.7.
Модуль построения пространственных характеристик ландшафта. Реализует построение вспомогательных изображений на основе различных пространственных характеристик. В данном случае реализовано 7 характеристик, основанных на использовании выражений (5.10) - (5.16).
Модуль оценки значимости пространственных характеристик ландшафта. Реализует оценку значимости практического применения набора пространственных характеристик на основе предложенного способа поиска наиболее значимых пространственных характеристик.
Модуль распределенно-параллелъного моделирования изменений ландшафтного покрова. Реализует основные варианты распределенно параллельного исполнения алгоритма моделирования изменений (рис. 6.8).
