L H F : L B A B J H < : G G H ? R B N J B J H < : G B ... · «дистанционное...

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЛЕСА»

КАФЕДРА ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В ЛЕСНОМ

СЕКТОРЕ

Н.В. МАЛЫШЕВА

АВТОМАТИЗИРОВАННОЕ ДЕШИФРИРОВАНИЕ

АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ ЛЕСНЫХ

НАСАЖДЕНИЙ

Рекомендовано к изданию Редакционно-издательским советом университета в качестве

учебного пособия

Москва

Издательство Московского государственного университета леса

2012

2

3

ОГЛАВЛЕНИЕ

Предисловие............................................................................................... 5

Введение..................................................................................................... 7

Краткая историческая справка................................................................. 7

Законодательная база................................................................................ 9

Термины и определения........................................................................... 10

Средства дистанционного зондирования лесов..................................... 11

Материалы дистанционных съемок и их информативность................ 15

Методы обработки дистанционной информации.................................. 18

1. Физические основы дистанционных методов............................. 23

Электромагнитный спектр...................................................................... 23

Взаимодействие излучения с атмосферой............................................. 25

Влияние атмосферы на регистрируемое излучение............................. 27

Влияние атмосферы на оптические характеристики объектов........... 27

Взаимодействие излучения с поверхностью Земли............................. 28

Оптические характеристики объектов.................................................. 28

Спектральная отражательная способность растительности............... 30

2. Цифровой снимок. Основные понятия и характеристики........ 33

Характеристика цифровых снимков. Пространственное, радиометри-

ческое, спектральное, временное разрешение .......................................

34

Получение цифровых изображений........................................................ 36

Сканерные снимки.................................................................................... 36

Преобразование аналоговых изображений в цифровую форму........... 40

Форматы хранения цифровых снимков................................................... 40

3. Предварительная обработка изображений.................................... 43

Преобразования, направленные на улучшение изображений............... 46

Повышение контраста – контрастирование............................................ 47

Пространственный подход к улучшению изображений........................ 55

Пространственное улучшение изображений путем объединения раз-

решений – синергизм - Fusion или pan-sharpening..................................

58

Спектральный подход к улучшению изображений................................ 60

Создание простых производных индексных изображений................... 63

4. Геометрическая коррекция и трансформирование изображений 67

Опознавание и отбор опорных точек....................................................... 69

Оценка ошибок трансформирования....................................................... 70

Переопределение значений пикселов трансформированного снимка 72

Ортотрансформирование снимков. Создание мозаик........................... 74

4

5. Интерактивные методы дешифрирования................................... 78

6. Основные способы компьютерной классификации объектов по

снимкам...........................................................................................

83

7. Методы неконтролируемой классификации................................ 88

Метод k-средних....................................................................................... 89

Итеративный самоорганизующийся способ кластеризации ISODATA 90

8. Методы контролируемой классификации или классификации с

обучением........................................................................................

93

Способ параллелепипеда.......................................................................... 95

Способ минимального расстояния.......................................................... 96

Способ максимального правдоподобия.................................................. 98

Классификация на основе спектральных признаков. Выбор способа 101

9. Оценка результатов классификации............................................. 103

10. Составление карт по цифровым снимкам.................................... 106

11. Использование ГИС при обработке цифровых аэрокосмических

изображений лесов................................................................

109

12. Обработка разновременных снимков для изучения динамики

процессов, происходящих в лесном фонде..................................

113

Преобразование разновременных снимков............................................ 114

Классификация объектов для изучения изменений............................... 115

13. Радиолокационные снимки, особенности их получения и обра-

ботки................................................................................................

116

Радиолокационные съемочные системы с реальной апертурой атен-

ны………………………………………………………………………..

120

Пространственное разрешение РЛС с реальной апертурой антенны 121

Радиолокационные съемочные системы с синтезированной апертурой

антенны..............................................................................................

124

Пространственное разрешение РЛС с синтезированной апертурой... 128

Геометрические искажения радиолокационных снимков................... 128

Применение радиолокационных спутниковых изображений............. 132

14. Практическое применение методов автоматизированного де-

шифрирования для мониторинга лесов ..................................

136

Мониторинг пожарной опасности в лесах............................................ 136

Лесопатологический мониторинг.......................................................... 139

Мониторинг незаконных рубок и использования земель лесного фон-

да.........................................................................................................

145

Библиографический список............................................................ 150

5

ПРЕДИСЛОВИЕ

Дистанционные исследования стали выделять в самостоятельную об-

ласть знаний, начиная с 1960 г. Запущенный 1 апреля этого года в США

первый метеорологический спутник TIROS положил начало интенсивному

изучению возможностей использования космических носителей в граж-

данских целях, для наблюдения за природными явлениями и объектами.

Дистанционные методы трактуют как любое изучение объекта на рас-

стоянии, т.е. без непосредственного контакта с ним приемной аппаратуры -

датчиков или сенсоров /10/. Аналогом в научной литературе служит англо-

язычный термин дистанционное зондирование - Remote Sensing. Термин

изначально относился к дистанционному зондированию Земли из космоса.

В последующем практика его использования расширилась, и большинство

исследователей стали относить к дистанционным различные методы съе-

мок и обследования объектов на поверхности Земли с самолетов, космиче-

ских аппаратов и других носителей съемочной аппаратуры. Аэро- и косми-

ческие снимки (или аэро- и космические изображения объектов) наиболее

распространенный и плодотворно использующийся в различных областях

знаний и на практике результат дистанционных съемок.

Дистанционные (аэрокосмические) методы применяются в отече-

ственном лесном хозяйстве давно и успешно. Благодаря их использованию

были реализованы инвентаризация и картографирование лесов России,

осуществление комплекса мероприятий по охране лесов от пожаров, вре-

дителей и болезней, наблюдение за лесопользованием и воспроизводством.

Поэтому будущие специалисты лесного хозяйства должны освоить накоп-

ленный в отрасли опыт их многоцелевого применения.

За прошедшие полвека в техническом плане и прикладном использо-

вании данных дистанционного зондирования достигнут небывалый про-

гресс. Вместе с тем, в последние годы наблюдается качественный скачек:

средства съемок, прежде всего космические, аппаратура и программное

обеспечение для обработки снимков развиваются столь стремительно, что

лишь периодическая печать и Интернет-издания поспевают освещать про-

исходящие перемены. Побудительная причина подготовки настоящего по-

собия вызвана желанием обновить учебник по дисциплине и, по возмож-

ности, упростить изложение сложных вопросов, касающихся методов об-

работки изображений.

Пособие представляет собой конспект лекций по дисциплине «Авто-

матизированное дешифрирование аэрокосмических изображений лесных

насаждений», которая преподается на кафедре «Информационных техно-

логий в лесном секторе» МГУЛ, и служит дополнением к изданному в

2005 г. основному учебнику «Аэрокосмические методы в лесном хозяйстве

и ландшафтном строительстве».

6

В учебном пособии наряду с традиционным описанием принципов

формирования аэро- и космических изображений лесов, технологий их по-

лучения, прежде всего с космических носителей съемочной аппаратуры,

методик дешифрирования цифровых снимков леса, рассмотрены вопросы

прикладного использования дистанционных данных при осуществлении

лесопожарного, лесопатологического и мониторинга незаконных рубок,

получившего широкий общественный резонанс в нашей стране и за рубе-

жом. В пособие включены новые разделы, касающиеся использования ра-

диолокационных снимков и применения данных дистанционного зондиро-

вания в ГИС.

Автор признателен Н.А. Владимировой за помощь в подготовке иллю-

стративного материала и предоставление фрагментов снимков, способ-

ствующих улучшению понимания методов обработки изображений.

7

ВВЕДЕНИЕ

Краткая историческая справка

Методы изучения и обследования лесов авиационными и космически-

ми средствами имеют давнюю и славную историю. Применение авиации и

аэрометодов в лесном хозяйстве восходит к 20-годам XX-го столетия. В

период восстановления разрушенного гражданской войной хозяйства

страны возникла потребность изыскания новых более производительных

методов учета и обследования лесов, необходимых для удовлетворения

потребностей в древесине. В 1921 г. на Лесной конференции был постав-

лен вопрос о применении авиации для этих целей и М.К. Турский изложил

соображения по использованию аэроснимков для таксации леса. Первая

опытная аэросъемка лесов, выполненная в масштабе 1:8400 на территории

Ленинградской и Калининской (Тверской) обл. в 1925 г., дала положитель-

ные результаты /6/.

Значительные экспериментально-производственные работы по лесо-

устройству и лесоинвентаризации с применением аэроснимков проведены

в довоенное время. В результате этих работ были изучены основные при-

знаки дешифрирования насаждений, предложен комбинированный метод

таксации, заключающийся в сочетании наземной таксации с дешифриро-

ванием аэроснимков, установлена точность инвентаризационных работ в

зависимости от технологии применения материалов аэросъемки. Большой

вклад в развитие методов внесли А.Е.Новосельский, А.К.Пронин, Г.Г. Са-

мойлович.

В послевоенное время эти работы были продолжены и сосредоточены

в Ленинградской лесотехнической академии (ЛЛТА). В 1949-1951 г. в со-

дружестве с В/О «Леспроект», созданном для практического внедрения

новых методов инвентаризации в 1947 г., сотрудники ЛЛТА выполнили

опытные работы по лесному дешифрированию черно-белых аэрофото-

снимков масштаба 1:15000 в сочетании с минимальной по объему назем-

ной таксацией. В результате точность комплексного метода оказалась со-

поставимой с точностью наземной глазомерной таксации.

Опытные работы по использованию авиации для таксации лесов и ле-

сопатологических обследований в 20-30-е годы, позволили сформировать

задел, основываясь на котором в конце 40-х и начале 50-х годов было про-

ведено изучение и картографирование лесов на площади 814 млн. га.

Качественный скачек в практическом использовании аэрометодов в

лесном хозяйстве произошел в конце 50-х годов с внедрением цветной

спектрозональной аэрофотосъемки. Это позволило перестроить техноло-

гию лесоустроительных работ и лесоинвентаризации, приступить к разра-

ботке специальных видов обследования лесов - санитарно-

лесопатологических, лесопожарных, агролесомелиоративных и пр. До по-

8

следнего времени цветная спектрозональная аэросъемка, на смену которой

пришла аэросъемка цифровыми камерами, оставалась информационной

основой модифицированной технологии лесоустроительных работ.

Следующий качественный скачек был связан с использованием

средств космической техники гражданскими ведомствами и произошел в

70-е-80-е годы. Первые съемки с искусственных спутников Земли (1960) и

пилотируемого космического корабля «Восток» (1961) положили начало

использованию космических методов изучения природных ресурсов, яви-

лись логическим продолжением поступательного развития аэрометодов.

В 1971 г. в нашей стране были получены фотографические снимки с

орбитальной станции «Салют» масштаба 1:2000 000, долгое время не

имевшие аналогов по детальности изображения /11/. Эти снимки предна-

значались для многопрофильного использования различными граждански-

ми ведомствами.

С начала 70-х годов в СССР была развернута комплексная целевая

программа научных исследований по изучению лесных экосистем, разра-

ботке методов дистанционного зондирования в интересах лесного хозяй-

ства и охраны природы. Фундаментальные исследования были сосредото-

чены главным образом в Институте леса и древесины СО АН (ныне Ин-

ститут леса СО РАН), а прикладные - в Научно-исследовательской части

Всесоюзного Объединения (В/О) «Леспроект», которая была специально

создана в 1972 г. для разработки и внедрения дистанционных методов в

лесное хозяйство. В Ленинградском (ныне Санкт-Петербургском) научно-

исследовательском институте лесного хозяйства начал формироваться

научный задел по проблеме охраны лесов от пожаров с помощью космиче-

ских систем и получены первые практические результаты.

В 80-е годы появилась серия монографий, обобщающих фундамен-

тальные исследования по изучению закономерностей формирования лес-

ных ландшафтов, их пространственной структуры в целях районирования

и картографирования. Постоянное совершенствование отечественных кос-

мических систем в 80-е годы и интерес к использованию дистанционной

информации в различных отраслях хозяйства и научных исследованиях

породили множество публикаций по дистанционной тематике в журналах

и сборниках, свидетельствующих о росте накопленного научного опыта

изучения лесных экосистем и востребованности результатов практикой. В

это же время изданы первые методические документы и выполнена произ-

водственная апробация в различных регионах страны методов инвентари-

зации и картографирования лесов на основе аэро- и космической инфор-

мации, методов учета текущих изменений в лесном фонде таежных райо-

нов по материалам космической съемки и др. С целью практического

внедрения новых аэрокосмических технологий при выполнении опытно-

производственных работ в Москве и Ленинграде в конце 70-х годов были

созданы две аэрокосмические лесоустроительные экспедиции.

9

Значительный вклад в развитие методов фундаментальных и приклад-

ных исследований лесов по дистанционным данным внесли В.И. Сухих,

А.С. Исаев, Е.П. Данюлис, В.М. Жирин, Д.М. Киреев, И.А. Кренев, В.И.

Березин, В.Н. Седых, Э.Н. Валендик, В.В. Фуряев, Н.Г. Харин, Р.И. Эль-

ман и др., их ученики и последователи / 4 /.

Революционные технологические преобразования в традиционных

аэрокосмических методах, произошедшие в конце XX-го и в начале XXI-

го века вызваны эксплуатацией космических систем съемки нового поко-

ления, изображения которых по разрешению стали сопоставимы с аэро-

снимками, внедрением компьютерной техники и более совершенных про-

граммных средств для обработки материалов съемки.

Законодательная база

С началом освоения космоса и выведения на орбиту космических но-

сителей, в первую очередь, военного назначения и в последующем исполь-

зующихся в гражданских целях, для изучения природных объектов, воз-

никла необходимость законодательного регулирования космических ис-

следований и использования космического пространства. Организация

Объединенных Наций (ООН) подготовила первый правовой документ и

положила начало формированию единого для мирового сообщества право-

вого поля. Этот первый документ – «Декларация правовых принципов, ре-

гулирующих деятельность государств по исследованию и использованию

космического пространства» (1963 г.) - направлен на содействие междуна-

родному сотрудничеству при исследовании и использовании космического

пространства в мирных целях. В последующем были приняты и другие

международно-правовые акты, регулирующие дистанционное зондирова-

ние Земли (ДЗЗ), в том числе:

1. Договор о принципах деятельности государств по исследованию и

использованию космического пространства, включая Луну и другие

небесные тела (1967).

2. Конвенция о передаче и использовании данных дистанционного

зондирования Земли из космоса (Москва, 1978).

Последний из названных правовых актов («Конвенция…»), главная

цель которого состояла в организации сотрудничества государств в обла-

сти передачи и использования данных, нормативно закрепил терминоло-

гию, действующую в дистанционном зондировании Земли. А именно,

«дистанционное зондирование Земли из космоса», «данные дистанционно-

го зондирования Земли из космоса», «информация», «природные ресурсы

Земли». Эти основные определения и термины используют в научной и

учебной литературе в настоящее время.

10

Дистанционное зондирование Земли из космоса – наблюдения и из-

мерения энергетических и поляризационных характеристик, собственного

и отраженного излучения элементов суши, океана, атмосферы Земли в раз-

личных диапазонах электромагнитных волн, способствующее определе-

нию местонахождения, описанию характера и временной изменчивости

естественных природных параметров и явлений, природных ресурсов Зем-

ли, окружающей среды /2/.

Данные ДЗ – первичные данные, которые были получены дистанци-

онными датчиками, установленными на космических объектах, и переданы

с них по телеметрическим каналам в виде электромагнитных сигналов или

непосредственно в виде фотопленок или магнитных записей, а также пред-

варительно обработанные данные, полученные из этого потока данных, ко-

торые могут быть использованы для последующего анализа/2/.

В Российской Федерации отсутствует единый закон, которым бы ре-

гулировалась деятельность по дистанционному зондированию Земли и

тесно связанные с ней отношения. Российское законодательство не содер-

жит законодательного определения термина «дистанционное зондирование

Земли». Отдельные правовые нормы, посвященные дистанционному зон-

дированию Земли, содержатся в нескольких законах, регулирующих ту или

иную сферу деятельности человека. Вместе с тем, российское законода-

тельство исходит из верховенства международного права, а, следователь-

но, в российском законодательстве действуют те же нормы, что и в между-

народных актах.

Термины и определения

Дистанционные методы понимают, как любое изучение природных

объектов на расстоянии, т.е. без непосредственного контакта с ними при-

емной аппаратуры - датчиков или сенсоров /10/. Информация об удален-

ных объектах или местности передается с помощью электромагнитного

излучения, которое характеризуется такими параметрами как интенсив-

ность, спектральный состав, поляризация и направление распространения.

Зарегистрированные физические параметры излучения, функционально за-

висящие от биометрических характеристик лесных сообществ (состава

древостоя, напочвенного покрова, состава древесно-кустарниковой расти-

тельности), их состояния и пространственного положения позволяют изу-

чать их косвенно, без непосредственного контакта.

Электромагнитное излучение, которое регистрируется в разных спек-

тральных диапазонах, содержит взаимодополняющую информацию о при-

родных объектах и явлениях. Одновременная регистрация излучения в не-

скольких спектральных зонах (многозональный принцип) позволяет полу-

чить наиболее разностороннюю характеристику местности / 8 /.

11

В зависимости от устройства используемой аппаратуры регистрирует-

ся излучение в отдельных точках земной поверхности, вдоль трассы или на

определенной площади. Во всех случаях фиксируется излучение от эле-

ментарных площадок природного объекта, конечные размеры которых

(пространственное разрешение на местности) зависят от расстояния до них

и технических характеристик регистрирующей аппаратуры.

Особенность аэрокосмических методов состоит в том, что между изу-

чаемой местностью и регистрирующей аппаратурой всегда находится

слой, в общем, непрозрачной атмосферы, поэтому вести исследования

можно только в отдельных зонах спектра электромагнитных волн, полу-

чивших названия окна прозрачности. Серьезной помехой является также

облачность.

Ведущее место в аэрокосмических методах занимает изучение объек-

тов по снимкам, поэтому главная их задача заключается в получении

снимков, отвечающих заданным требованиям, и их обработке. Аэрокос-

мические съемки выполняются с помощью специальной съемочной аппа-

ратуры, чаще всего фотографических камер, видеокамер, сканеров и ра-

диолокаторов, которые иногда объединяют общим названием сенсоры (от

анг. sensor - чувствительный элемент).

Съемочная аппаратура, позволяющая одновременно получать снимки

в нескольких спектральных зонах, называется многозональной, а в десят-

ках и сотнях очень узких спектральных зон – гиперспектральной. В основу

ряда технологических разработок, в частности мониторинга лесов, поло-

жен принцип множественности или комплексности, т.е. используется не

один снимок, а их серии, различающиеся по масштабу, обзорности и раз-

решению, ракурсу и времени съемки, спектральным диапазонам и поляри-

зации регистрируемого изучения. Принцип множественности динамично

развивается в последнее время. Кроме многозональной, многовременной,

многоуровневой съемки комбинируют материалы различных систем съем-

ки одной и той же территории /19/.

Средства дистанционного зондирования лесов

Средства дистанционного зондирования – это, прежде всего, авиаци-

онные и космические летательные аппараты, используемые для проведе-

ния аэро- и космических съемок.

Съемка производится фотографическими, сканерными, телевизион-

ными, радиолокационными, ИК-тепловыми, радиометрическими и мно-

госпектральными системами. В ряде технологических разработок эта ин-

формация сочетается с аэровизуальными и космовизуальными наблюдени-

ями, не исключая выборочные наземные работы.

До последнего времени при решении практических задач в лесном хо-

зяйстве ориентировались на использование фотографических съемок на

12

спектрозональную пленку. Такие снимки получали с широко известных

автоматических аппаратов серии «Космос» и аппаратов серии «Ресурс-Ф».

Спектрозональные космические фотоснимки, полученные с этих аппара-

тов, имели высокое пространственное разрешение 5-10 м на местности.

Фотографические системы дистанционного зондирования Земли в

СССР, а затем и в России, развивались более интенсивно и успешно чем за

рубежом. В нашей стране исторически сложилась развитая инфраструкту-

ра обработки фотоинформации, которая в сочетании с преимуществами,

присущими фотоснимкам, стимулировали широкое использование и обес-

печивали лидерство этих съемочных систем в 80-е годы.

Космические фотосъемки территорий для различных гражданских ве-

домств проводились в нашей стране до 1996 г. с помощью съемочной ап-

паратуры, установленной на спутниках серии "Ресурс-Ф", планомерно

сменяющих друг друга с 1975 г.

Для целей инвентаризации и картографирования лесов, наблюдения за

динамикой лесовосстановительных и других длительновременных процес-

сов периодичность съемки одной и той же территории может составлять 5-

10 лет. При проведении таких работ, когда вопрос оперативности получе-

ния информации не столь существенен, предпочтение отдавалось деталь-

ным космическим фотосъемкам в оптическом и ближнем ИК - диапазоне с

высоким пространственным разрешением. Отснятые фотографическими

камерами пленки передавались на Землю в специальных спускаемых кап-

сулах (аппаратах) после окончания программы полета. С этим связана не-

достаточная оперативность космических фотосъемок. Требуется время,

чтобы отснять всю пленку в полете, ждать, когда приземлится аппарат или

специальная капсула со спутника, пока будет проявлена пленка, а для под-

готовки к компьютерной обработке материалы еще нужно отсканировать.

Тем не менее, до недавнего времени только фотосистемы удовлетворяли

высоким требованиям, которые предъявлялись отраслевыми пользовате-

лями к качеству изображений, а именно сочетали высокое пространствен-

ное разрешение, высокую геометрическую точность и обеспечивали пере-

крытие кадров необходимое для стереоскопической обработки.

Для мониторинга лесов, регистрации быстро текущих процессов и ка-

тастрофических явлений требуется получение и обработка дистанционной

информации в реальном масштабе времени. Для решения этих задач прио-

ритетное значение имеют оперативные виды космической съемки скани-

рующими системами. Системы, установленные на различных спутниках,

отличаются по конструкции и принципам получения данных. Вместе с тем

все они состоят из сканера с датчиками, укомплектованными детекторами.

Датчик (сенсор) - устройство, собирающее отраженную от Земли солнеч-

ную энергию (электромагнитное излучение), преобразующее ее в электри-

ческий сигнал и предоставляющее сигнал в форме кода, удобного для пе-

редачи по каналам связи. Детектор - устройство в системе датчика, которое

13

регистрирует электромагнитное излучение. Закодированный сигнал, ха-

рактеризующий снимаемый участок земной поверхности, передают с борта

космического аппарата по радиоканалам, принимают наземными прием-

ными антеннами, осуществляют первичную предварительную обработку

(межотраслевую) и в цифровой форме передают конечному пользователю

для тематической (отраслевой) обработки, т.е. получают и передают в ре-

альном времени. Сканерная съемка, в отличие от фотографической, выиг-

рывает в оперативности. Современные сканирующие системы с космиче-

ских носителей приблизились по пространственному разрешению к фото-

графической съемке и практически вытеснили ее. Все действующие в лес-

ном хозяйстве России современные технологии мониторинга - лесопожар-

ный, лесопатологический, мониторинг незаконных рубок - предусматри-

вают использование сканерных снимков.

Первые оптико-механические сканеры в нашей стране были установ-

лены на космических аппаратах типа «Метеор», запущенных в 1974 г. в

рамках Программы изучения природных ресурсов с оперативных метеоро-

логических и ресурсных спутников, которая получила в периодической пе-

чати название «Метеор-Природа».

Последующая реализация новых технических решений была связана с

испытанием комплекса многоспектральной сканирующей аппаратуры бо-

лее высокого разрешения (до 80 м) «Фрагмент» и БИК-Э (бортовой ин-

формационный комплекс) с борта ИСЗ «Метеор-Природа», запущенного в

1980 г. В продолжение этих разработок были созданы сканирующие

устройства нового типа для системы ресурсных спутников «Ресурс-О».

Основным отличием технологии получения снимков со спутников «Ре-

сурс-О» от своих предшественников являлась возможность передачи изоб-

ражений по радиоканалам, благодаря чему потребителям стали доступны

цифровые снимки на магнитных носителях. Со второго (1988-1994 гг.) и

третьего (1995-2000 гг.) спутников серии «Ресурс-О» был получен значи-

тельный объем информации, которая использовалась в гидрометеорологии

и для изучения природных объектов суши /8/. С 2001 г. получение сним-

ков, близких по характеристикам снимкам «Ресурс-О», было продолжено

с ресурсных спутников «Метеор-3М», прекративших свое существование в

2006 г. Лишь в 2009 г. началось воссоздание российской орбитальной

группировки спутников серии «Метеор», предназначенных для получения

данных дистанционного зондирования в интересах оперативной метеоро-

логии, гидрологии, мониторинга окружающей среды и климата /20/. На

борту космического аппарата нового поколения «Метеор-М» установлена

аппаратура многозональной спутниковой съемки в шести спектральных

диапазонах с пространственным разрешением 60/120 м и полосой захвата

900 км.

Прием, регистрация и первичная обработка оперативной сканерной

информации осуществлялись ранее на территории России в Центрах прие-

14

ма, принадлежащих Гидрометеорологической службе. Вместо ограничен-

ного числа крупных Центров приема и архивации данных сейчас эксплуа-

тируются персональные наземные станции. Такие станции выполняют

прием, регистрацию и первичную обработку дистанционных данных. В

России в настоящее время широко эксплуатируются универсальные мало-

габаритные станции компании «СканЭкс». Компания создала и ввела в

действие собственную сеть из 4 центров приема и обработки информации

в Москве, Ханты-Мансийском АО, Иркутске, Магадане, которые оснаще-

ны 10 малогабаритными станциями «УниСкан», обеспечивающими прием

информации с 14 современных спутников дистанционного зондирования,

преимущественно зарубежных. В комплект поставки станции входит про-

граммное обеспечение для формирования и записи изображения и переда-

чи по телекоммуникационным каналам. Программно-аппаратные средства

централизованного веб-доступа позволяют осуществлять оперативный ди-

станционный контроль и управление работой станциями сети из Центра в

Москве. Принцип получения космических снимков в реальном масштабе

времени показан на рисунке 1.

Ряд министерств и ведомств России, в том числе МЧС, Росгидромет,

Министерство природных ресурсов и экологии имеют собственные ведом-

ственные центры, оснащенные станциями приема «УниСкан».

Для изучения таежных лесов высоких широт предпочтительны всепо-

годные радиолокационные съемки. Радиолокационная съемка заключается

в зондировании земной поверхности радиосигналом. На борту носителя

устанавливается радиолокатор - активный микроволновый датчик, способ-

ный передавать и принимать поляризованные радиоволны в заданном диа-

пазоне частот. Развертка сигнала производится по принципу сканера, т.е.

переход от одной строки к другой идет за счет перемещения носителя. Ко-

личество энергии возвращенной на антенну локатора, называется «обрат-

ным рассеянием». Каждый пиксел радиолокационного снимка показывает

суммарный коэффициент отражения сигнала от определенного участка

местности или мощность возвратившегося к антенне сигнала. Высокая яр-

кость пиксела означает, что большая часть сигнала вернулась к антенне,

низкая - наоборот.

К числу наиболее информативных датчиков дистанционного зондиро-

вания в микроволновом диапазоне относятся радиолокационные системы

(РЛС) бокового обзора. Различают некогерентные радиолокационные си-

стемы, азимутальная (вдоль трассы спутника) разрешающая способность

которых определяется размерами реальной апертуры антенны, и РЛС с

синтезированной апертурой антенны. Высокая разрешающая способность

последних достигается за счет когерентной обработки отраженных сигна-

лов, принимаемых по мере движения спутника по орбите. Преимущества-

ми некогерентных РЛС являются широкая полоса обзора и относительная

простота как самого локатора, так и системы обработки информации. В то

15

же время РЛС с синтезированной апертурой антенны позволяют получать

значительно более высокое азимутальное разрешение (10-100 м) по срав-

нению с некогерентными РЛС (1-2 км). По разрешающей способности со-

временная радиолокационная аппаратура приближается к оптическим си-

стемам.

Необходимо заметить также, что по сложности и стоимости разработ-

ки радиолокационные системы космического базирования, особенно РЛС с

синтезированной апертурой антенны, превосходят соответствующие пока-

затели для других дистанционных приборов. В результате космические

платформы, оснащенные бортовыми радиолокаторами, являются наиболее

крупногабаритными, дорогостоящими и массивными.

Первоначально радиолокационные системы предназначалась для раз-

ведки ледовой обстановки в арктических морях. Первый локатор бокового

обзора (рабочая длина волны =3,15 см) в нашей стране был установлен и

опробован с борта спутника «Космос-1500» в 1983 г., ставшего прототи-

пом космической системы «Океан-01». Позднее локаторы с синтезирован-

ной апертурой антенны размещались на отечественных космических аппа-

ратах «Космос-1870», «Алмаз-1»(=9,6 см) и «Океан» и предназначались

также, в первую очередь, для гидрометеорологического обеспечения ледо-

вого плавания арктических судов.

В 90-е годы радиолокационные космические системы стали интенсив-

но развиваться за рубежом, в Канаде и европейских странах. Европейский

космический консорциум вывел на орбиту свои радарные спутники ERS в

1991 и 1995 г., а Канада – спутник RADARSAT в 1995 г. В настоящем

эти системы продолжают активно развиваться. Съемка ведется с 7 косми-

ческих платформ, оснащенных бортовыми радиолокаторами: RADARSAT

1 и 2 (Канада), ERS-2 (Европейский космический консорциум), ENVISAT

(Европейское космическое агентство), TerraSAR-X (Аэрокосмическое

агентство Германии), Cosmo-SkyMed (Италия), ALOS PALSAR (Япония).

Современные космические радиолокационные системы поставляют

данные приемлемые по пространственному разрешению, которые начина-

ют находить применение для решения лесохозяйственных задач /15/. Пер-

спективы развития радиолокационных космических систем и их приклад-

ного использования связаны с появлением радарных данных высокого раз-

решения.

Материалы дистанционных съемок и их информативность

В отечественной научной литературе и учебниках для высшей школы

снимок определяется как двумерное изображение реальных объектов, ко-

торое получено по известным геометрическим и радиометрическим зако-

нам путем дистанционной регистрации их яркости и предназначено для

определения пространственного положения и исследования объектов, яв-

16

лений и процессов окружающего мира /8/. В понятие «снимок» вкладыва-

ется более глубокое содержание, чем в конкурирующий с ним термин

изображение. Однако на сегодняшний день использование термина скорее

дань традиции, по аналогии с фотоснимком. При современном дистанци-

онном зондировании используют сканирующие системы, которые работа-

ют в узких диапазонах электромагнитного спектра и регистрируют инфор-

мацию об определенных свойствах объекта в цифровом виде. Такие дан-

ные аэрокосмических съемок имеют изначально цифровой характер, но

могут предоставляться пользователям, как в цифровой, так и в аналоговой

форме /19/.

Все аэро- и космические снимки принято делить на аналоговые

(обычно фотографические) и цифровые (электронные). Изображение

цифровых снимков образовано из отдельных одинаковых элементов –

пикселов (аббревиатура от англ. «picture element»). Яркость каждого пик-

села характеризуется одним числом. Аэрокосмические изображения состо-

ят из миллионов пикселов. При выполнении практических работ прихо-

дится отличать исходные (первичные) снимки, от их копий и преобразо-

ванных снимков, поступающих к потребителям после предварительной

обработки. При фотографический съемке исходным снимком считается

оригинальный фотонегатив, при сканерной - «сырой» файл с записью

изображения цифрового снимка без какой-либо его коррекции.

В зависимости от используемого типа носителя съемочной аппарату-

ры и положения съемочной системы снимки классифицируют на космиче-

ские (спутниковые, орбитальные), аэроснимки (самолетные, авиацион-

ные), наземные и другие.

Аэроснимки получают с высот преимущественно от 500 до 10000 м

но не более 30000 м, космические – с высоты более 150 км.

По используемому для формирования изображения участку спектра

электромагнитных волн снимки делят на ультрафиолетовые, видимого

диапазона, тепловые инфракрасные, радиолокационные. Термин снимок

корректно использовать для изображений, получаемых в зоне электромаг-

нитного излучения (оптическом диапазоне) с длинами волн 0,001-1000

мкм. Изображения, полученные в других спектральных диапазонах,

например, радиоволновых, могут регистрироваться как в виде фотоотпе-

чатка радиолокационного снимка, так и выводиться на экран компьютера в

электронном виде.

По спектральному признаку снимки делятся на интегральные, ис-

пользующие одну более или менее широкую зону спектра, и многозональ-

ные, включающие несколько зональных снимков (3-7), одновременно по-

лученных в разных узких участках спектра. Для справки укажем, что ви-

димая часть спектра соответствует диапазону волн =0,38-0,72 мкм; ближ-

няя инфракрасная (ИК)- =0,72-1,3 мкм; средняя ИК -=1,3-3,0 мкм; даль-

няя ИК-=7,0-15,0 мкм. Современные сканеры позволяют увеличить число

17

спектральных зон до нескольких сотен и получать гиперспектральные

снимки. При радиолокационной съемке многозональный принцип реали-

зуется сочетанием нескольких длин радиоволн (частот) и разной поляриза-

ции зондирующего излучения. По виду поляризации различают снимки

вертикальной и горизонтальной поляризации излучения /8/.

Существует классификация снимков по признакам, характеризующим

их геометрические и изобразительные свойства, прежде всего по виду про-

екции, распределению искажений по снимку, масштабу, обзорности, про-

странственному разрешению (разрешению на местности), информативно-

сти. Классификация фотоснимков по масштабу приведена в таблице 1.

Таблица 1 - Классификация фотографических снимков по масштабу

Масштаб Численное значение

Для аэроснимков Для космических снимков

Крупный 1:1000 1:10000 - 1:100 000

Средний 1:10 000 1:100 000-1:1 000 000

Мелкий 1:100 000 1:1 000 000 -1:10 000 000

К сверхмелкомасштабным относят космические снимки в масштабе

1:10 000000-1:100 000 000.

К современным цифровым снимкам понятие «масштаб», для характе-

ристики их детальности не применимо. Масштаб можно увеличивать или

уменьшать в процессе их компьютерной обработки программными сред-

ствами. Детальность и изобразительные свойства определяются их про-

странственным разрешением. Пространственное разрешение цифровых

снимков можно соотнести с масштабом карт, которые могут быть состав-

лены по этим данным. А требования к детальности и точности элементов

карты регламентируются инструкциями и выдерживаются на практике. В

таблице 2 приведено примерное соответствие между пространственным

разрешением космических снимков (размером пиксела) и масштабом то-

пографических карт.

Таблица 2 - Примерное соответствие между пространственным разрешением кос-

мических снимков (размер пиксела) и масштабом карты /15/

Разрешение, м Масштаб карты

2 10 000

6 25 000

23 100 000

55 250 000

250 500 000

18

По охвату территории одним снимком (обзорности) космические

снимки делят на глобальные, крупнорегиональные, региональные и ло-

кальные /8/.

1. Глобальные, охватывающие всю планету. Их получают с гео-

стационарных спутников и межпланетных космических аппаратов. Ши-

рина полосы охвата составляет более 10 тыс.км.

2. Крупнорегиональные, отображающие материки и крупные ре-

гионы. Это снимки с метеорологических спутников на околоземных ор-

битах, а также снимки малого и среднего разрешения с ресурсных спут-

ников. Ширина полосы охвата варьирует от 500 до 3 тыс.км.

3. Региональные, на которых изображаются регионы и их части.

Это снимки с ресурсных и картографических спутников, а также с пи-

лотируемых кораблей и орбитальных станций. Площадь покрытия од-

ним снимком может составлять 350х350 км2 , 180х180 км2, 60х60 км2.

4. Локальные, на которых изображаются относительно неболь-

шие участки местности. Эти снимки получают со спутников для де-

тального наблюдения и крупномасштабного топографического карто-

графирования. Площадь покрытия одним снимком может составлять

10х10 км2.

Охват территории аэроснимком существенно меньше, чем у космиче-

ских снимков. Он варьирует от порядка сотен квадратных метров до сотен

квадратных километров. Современные сверхдетальные космические сним-

ки сопоставимы по обзорности с мелкомасштабными аэроснимками.

Мелкомасштабные космические снимки соотносятся с глобальным

уровнем, среднемасштабные соответствуют региональному, а локальные -

крупномасштабному уровню обзорности.

По пространственному разрешению (размеру на местности минималь-

ного изобразившегося элемента) космические снимки можно подразделить

на пять групп /8/:

малого разрешения (1 км и хуже),

среднего разрешения (100-1000 м),

высокого разрешения (от 10 м до 100 м),

очень высокого разрешения (детальные) от 1-до10м

сверхвысокого разрешения (сверхдетальные, высокодеталь-

ные) лучше 1м.

Методы обработки дистанционной информации

Необходимая информация для решения практических задач лесного

хозяйства и научных исследований извлекается из снимков посредством их

дешифрирования, фотограмметрической, фотометрической и компьютер-

ной (автоматизированной, цифровой) обработки. Фотограмметрический

метод позволяет получить геометрические характеристики, фотометриче-

19

ский – яркостные (энергетические), дешифрирование - тематическую ин-

формацию в определенной предметной области. Компьютерная обработка,

применявшаяся первоначально для автоматизации тематического дешиф-

рирования, приобрела самостоятельный характер, аккумулируя приемы

фотометрии и фотограмметрии.

Сейчас разработаны многие сотни алгоритмов и программ компью-

терной обработки изображений. Для обработки аэрокосмических снимков

на ПК можно использовать коммерческое программное обеспечение обще-

го назначения Adobe Photoshop.

Однако значительно бóльшие возможности предоставляют професси-

ональные программные продукты, среди которых в нашей стране наиболее

известны ERDAS Imagine, ENVI, ERMapper, IDRISI и другие. Современ-

ные программные средства состоят из тех же основных подсистем, что и

географические информационные системы (ГИС), функциональное назна-

чение которых: ввод, хранение, обработка и представление результатов.

Это обстоятельство способствовало их программно-технологической инте-

грации с ГИС, поэтому для работы с аэрокосмической информацией ис-

пользуют программные растровые и интегрированные ГИС-пакеты /14/.

На отечественном рынке геоинформационных услуг представлены па-

кеты специализированных программ, предназначенных для обработки сте-

реоизображений и топографического картографирования на цифровых фо-

тограмметрических системах - PHOTOMOD.

Дешифрирование и компьютерная обработка - наиболее разработан-

ные и распространенные методы получения информации о лесных объек-

тах. Дешифрирование принято делить на визуальное, измерительное и ана-

литическое.

Визуальное - до последнего времени оставалось в практике лесного

хозяйства наиболее распространенным методом обработки аналоговых

изображений, фотоснимков. Сегодня профессиональные знания эксперта и

опыт визуального дешифрирования активно используется при интерактив-

ном дешифрировании цифровых изображений, выведенных на экран мо-

нитора.

При дешифрировании аналоговых снимков различают: чтение сним-

ков, т.е. выделение границ и положения объектов по ряду признаков, кон-

турное дешифрирование, и их интерпретацию, т.е. анализ принадлежности

объектов к определенному классу и получение специфических характери-

стик. Интерпретация снимков во многом зависит от уровня подготовки ис-

полнителя, его опыта, знаний ландшафтных и лесорастительных условий

заданной территории, умения формировать и использовать индикационные

(ландшафтные) признаки.

Методы визуального дешифрирования лесов на аэро- а затем и косми-

ческих фотоснимках формировались и шлифовались десятилетиями. За-

рождение и становление лесного дешифрирования - заслуга научной шко-

20

лы проф. лесотехнической академии Г.Г. Самойловича, педагогической

деятельности его учеников и последователей. Лесное дешифрирование в

своей сущности - это аналитический процесс изучения изображения, рас-

познавания и определения категорий земель лесного фонда и таксацион-

ных показателей насаждений.

На формирование изображения оказывает влияние множество при-

родных и технических условий. К природным можно отнести сезон и вре-

мя съемки, атмосферно-оптические условия (освещенность поверхности,

высота и азимут Солнца в момент фотографирования, наличие облачно-

сти), спектральные характеристики насаждений и пр.. Технические усло-

вия связаны с процессом выполнения съемки - типом носителя съемочной

аппаратуры, скоростью полета, высотой аэрофотосъемки, высотой и

наклонением орбиты космического корабля, базисом съемки; характери-

стиками съемочной аппаратуры - свойствами объектива, фокусным рассто-

янием, разрешающей способностью и т.п.; видом пленки, ее разрешающей

способностью, спектральными и сенситометрическими характеристиками;

особенностями фотохимической обработки фотоматериалов - процессом

получения негатива и позитива, сортом фотобумаги и т.п. В результате

влияния многих факторов фотоизображение категорий земель и лесных

насаждений на снимках соседних маршрутов съемки или даже в пределах

одного кадра будет различным. Визуальное дешифрирование, основанное

на использовании дешифровочных признаков, позволяет отсеять многие не

существенные для идентификации объектов помехи, привносимые этими

факторами в изображение.

При контурном и лесотаксационном дешифрировании важную роль

играют дешифровочные признаки, совокупность которых позволяет пра-

вильно идентифицировать лесные объекты, определить их характеристики

и нанести границы. В соответствии с более строгой научной классифика-

цией «прямые» и «косвенные» дешифровочные признаки подразделяются

на:

Фотометрические - тон (на черно-белых) или цвет (на спектро-

зональных и многозональных) снимках, регистрирующие различия

спектральной отражательной способности лесной растительности и

других объектов;

Морфологические - отражают форму, рисунок изображения

полога насаждений и непокрытых лесом земель, размеры крон и

промежутков между кронами и т.п.;

Ландшафтные - отражают объективно существующие законо-

мерности пространственного положения лесных объектов, в первую

очередь, типов лесорастительных условий и преобладающих пород в

зависимости от структуры ландшафта.

Подробное описание фотометрических и морфологических признаков

дешифрирования лесной растительности, равно как и методов ланд-

21

шафтных исследований при дешифрировании аэро- и космических сним-

ков можно найти в учебной и научной литературе по теме /3, 4, 6, 7, 16,

17/.

Формальная задача компьютерного дешифрирования сводится к клас-

сификации – последовательной сортировке всех пикселов цифрового

снимка на несколько групп.

Для этого используют алгоритмы классификации двух видов - с обу-

чением и без обучения (кластеризации). При классификации с обучением

пикселы зональных снимков группируются на основе сравнения их ярко-

стей в каждой спектральной зоне с эталонными значениями. При кластери-

зации же все пикселы разделяют на группы - кластеры, не прибегая к обу-

чающим данным. Затем кластеры, полученные в результате автоматиче-

ской группировки пикселов, дешифровщик относит к тем или иным объек-

там. Достоверность компьютерного дешифрирования формально характе-

ризуется отношением числа правильно классифицированных пикселов к

общему их числу. Приемлемыми по точности и надежности считаются ре-

зультаты дешифрирования, при котором объекты правильно распознаны в

среднем в 70-85% случаев. При этом увеличение набора дешифрируемых

объектов приводит к росту ошибки их опознавания.

Получить посредством дешифрирования необходимые характеристики

изучаемого объекта только по снимкам без каких-либо натурных полевых

обследований в большинстве случаев невозможно. Снимки используются в

комплексе с информацией других видов. Стало традицией работать одно-

временно с космическими снимками, картами, материалами наземных ле-

сотаксационных обследований, таксационными описаниями.

Заключительный этап в различных технологиях инвентаризации и мо-

ниторинга лесов, использующих снимки, включает визуализацию полу-

ченных при дешифрировании данных и составление карт.

22

Рисунок 1 – Получение, прием и передача космических снимков в реальном масштабе

времени /23/. А - Наземные станции приема, В - запись данных на борту космического

аппарата, С- передача данных через систему спутников связи.

Рисунок 2 – Диапазоны электромагнитного спектра /19/

23

1. ФИЗИЧЕСКИЕ ОСНОВЫ ДИСТАНЦИОННЫХ МЕТОДОВ

Съемочная аппаратура, которая используется в дистанционном зонди-

ровании, предназначена для измерения характеристик отраженного от по-

верхности солнечного света, либо регистрирует собственное излучение

Земли, либо сама передает и принимает отраженное излучение. Знание фи-

зических основ дистанционного зондирования важно для понимания прин-

ципов работы этих приборов, а также того, как происходит взаимодействие

излучения с тем или иным природным образованием, чтобы затем пра-

вильно интерпретировать получаемые аэрокосмические изображения.

Электромагнитное излучение имеет двойственную природу - волно-

вую и корпускулярную, т.е. электромагнитное излучение можно предста-

вить в виде волн или в виде потока фотонов.

В волновой модели электромагнитное излучение распространяется в

виде синусоидальных волн, которые характеризуются взаимно перпенди-

кулярными векторами: вектором электрического поля и вектором магнит-

ного поля. Такая двойственность и является причиной того, что излучение

называют электромагнитным. Направления колебаний обоих полей пер-

пендикулярны направлению распространения волны, а скорость их рас-

пространения (с) равна скорости света с≈300000000 м/сек.

Для понимания физических основ дистанционного зондирования осо-

бенно важным является понятие длины волны (λ). Эту величину опреде-

ляют как расстояние между двумя последовательными волновыми гребня-

ми и измеряют в метрах или долях метра, таких как микрометр (1мкм =10-6

м) или нанометрах (1нм = 10-9 м) /19/.

Другой важной характеристикой электромагнитных волн является ча-

стота v -количество циклов волновых колебаний в фиксированной точке

пространства за определенный интервал времени. Частоту обычно изме-

ряют в герцах (Гц). Один герц - это частота, равная одному циклу колеба-

ний в секунду. Поскольку скорость света есть величина постоянная, длина

волны и частота обратно пропорциональны друг другу.

с

Электромагнитный спектр

Последовательность электромагнитных волн, классифицированную по

их длинам (или частотам) принято назвать спектром электромагнитных

волн или электромагнитным спектром (рисунок 2). Большинство со-

временных методов основано на использовании оптических и ультрако-

ротких радиоволн с длиной от 0,3 мкм до 3 м. Ту часть электромагнитного

спектра, в которой применимы законы оптики, называют оптическим диа-

24

пазоном. Законы оптики описывают такие явления как отражение и пре-

ломление, которые можно использовать для фокусировки излучения.

Участок оптических волн (0,001-1000 мкм) включает ультрафиолето-

вый (0,001-0,4 мкм), видимый (0,4-0,8 мкм) и инфракрасный вплоть до

дальней зоны (0,8-1000 мкм) (см. Рисунок 2). Видимый диапазон, в кото-

ром глаз человека способен различать цвета, делят на 7 цветовых зон со

следующими названиями цветов и границами (в мкм):

фиолетовый (0,38-0,45),

синий (0,45-0,48),

голубой (0,48-0,50),

зеленый (0,50-0,58),

желтый (0,58-0,60),

оранжевый (0,60-620),

красный (0,62-0,70).

Видимый диапазон или световой, занимает относительно небольшую

часть электромагнитного спектра. Основными цветами принято считать

синий, зеленый и красный.

Диапазон инфракрасного (ИК) излучения разделяют на поддиапазоны

(ближний 0,8-1,3 мкм) средний (1,3-3) и дальний (3-1000 мкм). В ближнем

и среднем диапазоне преобладает отраженное (солнечное) излучение, а в

дальнем, называемом тепловым, собственное излучение Земли.

Часть спектра, охватывающую ультракороткие радиоволны (от 1 мм

до 10 м), разбивают на диапазоны миллиметровых, сантиметровых, деци-

метровых и метровых волн. Нередко миллиметровые, сантиметровые и де-

циметровые радиоволны относят к одному диапазону, называемому мик-

роволновым. Сантиметровые и дециметровые волны часто объединяют в

диапазон радиоволн сверхвысоких частот (СВЧ), в которых выделяют

участки, обозначаемые латинскими буквами K, X, C, S, L, P. Эти кодовые

обозначения применяются еще со времен второй мировой войны. Именно

в этих участках работает различная радиоэлектронная аппаратура спутни-

ков, но каждая на строго фиксированных международными соглашениями

длинах волн (или частот). Например, передачу видеоинформации со спут-

ников на наземные пункты приема наиболее часто производят по радиока-

налам в так называемых X и S- диапазонах на длинах волн соответственно

≈ 3 и ≈ 11 см, а L- диапазон (длина волны ≈ 22 см) отведен для глобальных

систем спутникового позиционирования – отечественной ГЛОНАСС (Гло-

бальная навигационная спутниковая система) и американской GPS (Global

Positioning System). В таблице 3 представлены основные диапазоны радио-

волн СВЧ, применяемые в радиолокационном зондировании.

25

Таблица 3 - Рабочие длины волн и частотные диапазоны радиолокационных систем

Характеристика Диапазон

К X C S L P

Длина волны λ, см 1,1-1,7 2,4-3,8 3,8-7,5 7,5-15 15-30 30-100

Частота ν, ГГц 18-26,5 8-12,6 4-8 2-4 1-2 0,3-1

Взаимодействие излучения с атмосферой

Земная атмосфера для дистанционных методов с одной стороны пред-

ставляет собой важнейший объект для самостоятельных исследований, а с

другой является основным источником помех и искажений при изучении

объектов на земной поверхности, и растительности в частности.

Солнце является основным естественным источником электромаг-

нитного излучения. Прежде чем достичь поверхности Земли оно должно

пройти через атмосферу. Проходя через атмосферу, одна часть излучения

поглощается ею, часть рассеивается, а часть - переносится и достигает

поверхности Земли.

Поглощение происходит избирательно молекулами различных газов,

главным образом водяным паром (H2O), озоном (O3), углекислым газом

(CO2), метаном (CH4). На рисунке 3 показана кривая прозрачности атмо-

сферы. Очевидно, что излучение определенных длин волн не может прой-

ти через атмосферу и блокируется ею, т.е. диапазоны в полосах поглоще-

ния молекулами различных газов не могут быть использованы для дистан-

ционного зондирования.

Рисунок 3 - Прозрачность атмосферы и используемые в дистанционном зондиро-

вании диапазоны электромагнитных волн

Диапазоны электромагнитного спектра, которые лежат вне основных

полос поглощения и могут быть использованы в дистанционном зондиро-

26

вании называются окнами прозрачности. Для ультрафиолетового излуче-

ния атмосфера непрозрачна. Наибольшее практическое значение имеет ок-

но прозрачности в видимом диапазоне и ближней инфракрасной зоне (0,4-

1,3 мкм). В этом диапазоне работают оптические сенсоры и зрение челове-

ка. Кроме того, существуют три окна прозрачности в тепловом инфракрас-

ном диапазоне: два узких окна вблизи 3 и 5 мкм и одно относительно ши-

рокое в интервале от 8 до 14 мкм. В микроволновом диапазоне при дли-

нах волн свыше 1-2 мм атмосфера снова становится прозрачной.

Причиной рассеивания излучения является изменение направления

распространения электромагнитных волн из-за их взаимодействия с моле-

кулами газов и присутствующих в атмосфере частиц. Величина рассеива-

ния зависит от длины волны электромагнитного излучения, количества ча-

стиц и концентрации атмосферных газов, а также длины пути распростра-

нения излучения.

Вид и интенсивность рассеивания зависят от соотношения между дли-

ной волны излучения и размером рассеивающих излучение частиц.

Так, молекулами газов, размер которых меньше длины волны падаю-

щего света, наиболее сильно рассеивается коротковолновое излучение.

Этим объясняется голубизна неба. При выполнении космических съемок

происходит искажение спектральных характеристик отраженного излуче-

ния именно из-за завышения регистрируемого коротковолнового излуче-

ния, создается дополнительная яркость. Молекулярное рассеивание пада-

ющего света, является причиной снижения контрастности снимков, полу-

ченных, особенно, в синей зоне спектра. Искажение спектральных харак-

теристик земной поверхности может существенно ограничить возможно-

сти классификации объектов на цифровых снимках, полученных сканер-

ными системами.

Аэрозоли представляют собой смесь газов, водяного пара и частиц

пыли. Размеры частиц в аэрозолях соизмеримы с длиной волны, что при-

водит к рассеиванию в длинноволновой части оптического излучения. Как

правило, рассеяние такого типа возникает в нижних слоях атмосферы, где

крупные частицы встречаются чаще, и доминирует в условиях сплошной

облачности. Аэрозольное рассеивание оказывает значительно большее

влияние на результаты съемок, чем молекулярное.

Молекулярное и аэрозольное, а чаще комбинированное, т.е. и то, и

другое, рассеивание солнечного света в атмосфере, приводит к диффузно-

му рассеянному излучению и вызывает ее свечение. Это свечение атмо-

сферы принято назвать дымкой или вуалью. При выполнении аэрокосми-

ческих съемок оно регистрируется вместе с «полезным» излучением, «по-

лезной» информацией об объектах и создает помехи, приводит к искаже-

нию контрастности и яркости природных объектов, ухудшению простран-

ственного разрешения.

27

Для ослабления влияния атмосферной дымки при выполнении спут-

никовых или самолетных фотосъемок применяют светофильтры, отсекаю-

щие ультрафиолетовые и синие лучи. На цифровых снимках помехи, вы-

зываемые атмосферной дымкой, убирают на этапе предварительной подго-

товки изображений к компьютерной обработке.

Рассеивание излучения происходит и тогда, когда размер частиц, при-

сутствующих в атмосфере, существенно больше длины волны. К таким ча-

стицам относятся капли воды и крупные частицы пыли. В таком случае

рассеивание не зависит от длины волны и наиболее отчетливо проявляется

при наличии облаков, содержащих водные капли. Поскольку излучение

разной дины волны рассеивается одинаково, облака выглядят белыми /10,

19/. Даже маломощные облака блокируют все излучение в оптическом

диапазоне. Только радиоволны длиной выше 2 см беспрепятственно про-

ходят сквозь облачный покров. Поэтому на практике получить нужный

снимок в безоблачную погоду на заданную территорию для определенного

времени года не так то просто.

Влияние атмосферы на регистрируемое излучение

Земная атмосфера для дистанционных методов с одной стороны пред-

ставляет собой важнейший объект для самостоятельных исследований, а с

другой является основным источником помех и искажений при изучении

поверхности, и растительности, в частности. Излучение, прежде чем по-

пасть в регистрирующий его прибор, должно пройти сквозь атмосферу -

смесь газов, в которой взвешены твердые и жидкие частицы. Основная

масса атмосферы сосредоточена в нижних приземных слоях до 10 км.

Влияние атмосферы на оптические характеристики объектов

Регистрирующий прибор, находящийся над земной поверхностью,

фиксирует исходящее суммарное излучение, которое слагается из излуче-

ния исследуемого объекта, преобразованное атмосферным слоем и излуче-

ния этого слоя. Наблюдаемая сквозь толщу атмосферы яркость объекта

(Ba) складывается из двух частей:

Ba= BзТ + Вд,

где Bз – яркость объекта на земной поверхности, Т - коэффициент про-

зрачности атмосферы, Вд -, яркость воздушной дымки. При определенном

соотношении этих величин дистанционно регистрируемые яркости объек-

тов оказываются усиленными (для темных объектов) или ослабленными

(для светлых), а относительные контрасты сглаженными. Расчеты показы-

вают, что под влиянием атмосферы контрасты могут снизиться в 3-5 раз.

Это ухудшает передачу темных объектов, снижая качество снимков. Опыт

28

показывает, что из-за отрицательного влияния атмосферы разрешение

космических снимков может снизиться в 2 раза по сравнению с расчетным.

Для количественного учета влияния атмосферы на регистрируемое из-

лучение применяют теоретические модели. Однако надо иметь в виду, что

атмосфера пространственно неоднородна и изменчива, поэтому весьма

трудно точно учесть ее влияние. Существуют калибровочные коэффициен-

ты для учета влияния атмосферы на яркость объектов, которые сопровож-

дают файлы цифрового снимка.

Взаимодействие излучения с поверхностью Земли

Различают три основных типа взаимодействия падающего электро-

магнитного излучения с объектами на поверхности Земли: отражение, по-

глощение и пропускание.

Даже у объектов одного типа, например, растительного покрова, соот-

ношение между поглощенным, отраженным и пропущенным излучением

зависит от длины волны. В результате объекты могут оказаться неразли-

чимыми в одном спектральном диапазоне и хорошо различаться в другом.

В видимой части спектра эти различия воспринимаются как изменения

цвета. Объекты кажутся синими, когда они отражают большую часть излу-

чения в синей части спектра и зелеными, когда максимум отраженного из-

лучения приходится на зеленый спектральный диапазон и т.д.

Для изучения объектов аэрокосмическими методами наибольший ин-

терес представляет отраженное излучение, определяющее их оптические

характеристики. Поскольку множество систем дистанционного зондирова-

ния, которые применяются на практике, работает в оптическом диапазоне,

где доминирует отраженное излучение, отражательные свойства различ-

ных объектов играют важную роль при их идентификации.

Важно учитывать и пространственную составляющую отражения,

геометрические характеристики, которые зависят от неровности поверхно-

сти. На плоской поверхности наблюдается зеркальное отражение, при ко-

тором угол отражения равен углу падения излучения. На неровной поверх-

ности возникает диффузное отражение, при котором падающее излучение

отражается во всех направлениях равномерно. В реальной ситуации преоб-

ладает смешанный характер отражения.

Оптические характеристики объектов

Энергия падающего излучения характеризует освещенность объекта, а

энергия отраженного - его яркость. Первостепенной для дистанционного

зондирования оптической характеристикой объектов является их яркость.

На нее влияет освещенность, которая складывается из освещенности пря-

мым солнечным светом, рассеянным светом небосвода и светом, отражен-

29

ным от соседних объектов. Для объектов земной поверхности наиболее

важны коэффициенты интегральной и спектральной яркости, яркостный

контраст и индикатриса отражения.

Коэффициент интегральной яркости характеризует относительную ве-

личину отраженного потока излучения в заданном направлении по сравне-

нию с освещающим потоком. Коэффициенты интегральной яркости неко-

торых объектов: снег свежевыпавший – 1,0, шоссе – 0,3, лес – 0,07-0,05.

Коэффициент интегральной яркости определяется как отношение отра-

женного излучения от объекта к излучению, отраженному от абсолютно

белой поверхности эталона. Абсолютная величина яркости, которая опре-

деляется отражательными характеристиками объекта, зависит также еще и

от относительного положения Солнца, съемочной системы и объекта, а

также от наклона отражающей поверхности, т.е. от рельефа местности. По-

этому склоны с одинаковыми отражательными свойствами, но различными

углами наклона, будут иметь разную яркость и изобразятся на снимке раз-

ным тоном. Таким образом, на местности на яркостное поле влияют рель-

еф и условия освещения. Большинство природных образований обладает

различиями не в интегральной, а спектральной отражательной способно-

сти, т.е. по-разному отражает солнечное излучение в различных участках

электромагнитного спектра.

Коэффициент спектральной яркости. Яркость объектов на земной

поверхности в разных спектральных зонах неодинакова и характеризуется

коэффициентом спектральной яркости. Коэффициент спектральной яр-

кости (rλ) - есть отношение яркости объекта в определенном спектральном

диапазоне к яркости идеально рассеивающей поверхности, находящихся в

одинаковых условиях освещения и наблюдения.

0B

Br ;

Значения коэффициентов спектральной яркости объекта представляют

в форме графика – кривой спектральной яркости (см. рис. 4) По оси орди-

нат откладывают значения коэффициента (в процентах или долях едини-

цы), а по оси абсцисс – длины волн. Каждый объект земной поверхности

обладает собственной кривой спектральной яркости, характеризующей его

отражательную способность в определенном диапазоне электромагнитного

спектра. Кривые спектральной отражательной способности строят для оп-

тической части электромагнитного спектра.

Спектральные яркости объектов измеряют в лабораторных и полевых

условиях с помощью специальных приборов - спектрометров. Спектромет-

рические системы устанавливаются также и на космических аппаратах для

измерения и последующего изучения отражательных характеристик объек-

тов на поверхности Земли. Первыми достаточно полными и подробными

были измерения коэффициентов спектральной яркости природных образо-

ваний в видимом диапазоне, выполненные Криновым Е.Л. в 1947 г. /9/.

30

Знания спектральных яркостей важны для оценки возможности рас-

познавания объектов на снимках по их различиям в разных зонах спектра.

Эти знания положены в основу различных способов получения и дешиф-

рирования аэро- и космических снимков, в том, числе и цифровой их обра-

ботки. Данные спектрометрирования используются также для выбора

наиболее информативных зон съемки для решения конкретных задач и

идентификации определенных объектов.

Спектральная отражательная способность растительности

По сравнению с другими объектами земной поверхности кривая спек-

тральной яркости растительности имеет характерный вид. Растительный

покров отличается максимумом отражательной способности в зеленой

(0.55 мкм), минимумом в синей и красной (0.66 мкм) зонах электромагнит-

ного спектра и резким увеличением отражения в ближней инфракрасной

(ИК) зоне (0.8-1.0 мкм). Низкая отражательная способность вегетирующих

растений в красной зоне связана с поглощением, а ее увеличение в зеленой

зоне – с отражением этих лучей хлорофиллом.

В ближней ИК зоне спектра наблюдается существенное увеличение

отражательной способности растительности при переходе через пороговое

значение из видимой в инфракрасную часть спектра. Большие коэффици-

енты яркости в ближней ИК-зоне объясняются пропусканием этих лучей

хлорофиллом и отражением от внутренних тканей листа. Значения коэф-

фициентов отражения составляют 0,45-0,5 (или 45-50%) (Рисунок 4).

Рисунок 4 - Типичные кривые спектральной яркости различных древесных пород

(схематично)

31

В среднем инфракрасном диапазоне заметен эффект, связанный с ок-

нами поглощения воды, центры которых соответствуют длинам волн 1.4,

1.9 и 2.7 мкм. Пики спектральной отражательной способности в среднем

инфракрасном диапазоне приходятся на 1.6 и 2.2 мкм. Отмечают также

сильное влияние влажности: чем меньше влажность листвы, тем выше ее

отражательная способность /19/.

Спектральная яркость растений меняется с их возрастом: она выше у

молодых растений и ниже у находящихся в возрасте спелости. Отража-

тельная способность растительности зависит от патологических измене-

ний, изменений состояния древостоев. При заболевании растения начина-

ют слабее поглощать красные и отражать инфракрасные лучи. Из всех

объектов суши растительный покров имеет наиболее информативные

спектральные характеристики, которые реагируют на его изменчивость и

состояние. Изучение отражательной способности растительности позволя-

ет сделать несколько важных выводов для последующего ее дешифриро-

вания на снимках /19/.

1. В видимом, ближнем и среднем инфракрасном диапазоне суще-

ствуют отчетливые различия отражательной способности.

2. В видимой части спектра доминирующая роль принадлежит

окраске (пигментации) листвы.

3. В ближнем инфракрасном диапазоне, где половина излучения

пропускается, а половина отражается, доминирующее значение

имеет структура растительности.

4. В среднем инфракрасном диапазоне, где большая часть излуче-

ния поглощается листвой, доминирующая роль отводится

влажности растительного покрова.

Понятие о пространстве спектральных признаков. Помимо пред-

ставления коэффициентов спектральной яркости в виде кривых спектраль-

ной яркости их применяют для характеристики объекта в так называемом

пространстве спектральных признаков, представляя графически соотноше-

ния спектральных яркостей в наиболее информативных зонах. Для этого

значения яркостей откладывают вдоль разных осей прямоугольной систе-

мы координат на плоскости, которая представляет двумерное пространство

спектральных признаков. Положение полученной точки, которое опреде-

ляется двумя плоскими координатами или как чаще говорят вектором, ха-

рактеризует конкретный объект или его состояние. Поскольку спектраль-

ные яркости варьируют в некоторых пределах, то в пространстве спек-

тральных признаков такому объекту соответствует не одна точка, а целая

область (облако) точек. Размерность пространства спектральных призна-

ков определяется числом зон съемки. Оно может быть двумерным, трех-

мерным или многомерным /8/. Пример изображения объектов в двумерном

пространстве спектральных признаков приведен на рисунке 5.

32

Рисунок 5 - Связь спектральной яркости объектов в различных зонах с их характе-

ристиками в двумерном пространстве спектральных признаков

33

2. ЦИФРОВОЙ СНИМОК.

ОСНОВНЫЕ ПОНЯТИЯ И ХАРАКТЕРИСТИКИ

Компьютерные способы обработки позволяют эффективно извлекать

информацию об объектах из цифрового снимка, определяя зарегистриро-

ванную на нем величину отраженного или собственного излучения объек-

та, т.е. его радиометрические характеристики.

Цифровой аэро- или космический снимок – это упорядоченный

массив чисел, визуализируемый в виде двумерных изображений, причем

каждое их чисел соответствует определенному элементарному участку

земной поверхности и функционально зависит от его интегральной ярко-

сти /8/ (рисунок 6).

Цифровые снимки, получаемые методами дистанционного зондиро-

вания, представляются в виде двумерных массивов чисел – матрицы эле-

ментов. Такая форма представления называется «растровой». Каждое из

чисел этих массивов является минимальным элементом цифрового изоб-

ражения и называется пикселом. Цифровое значение пиксела характеризу-

ет среднее относительное или абсолютное значение некоторой физической

характеристики определенного участка поверхности земли (яркость, тем-

пература, влажность и т.п.). При этом нужно понимать, что если при ха-

рактеристике съемочной системы указывается пространственное разреше-

ние, скажем 10 м, то в идеальном случае каждому пикселу на местности

соответствует участок размером 10х10м. Каждый пиксел снимка имеет

также простейшие относительные пространственные координаты – номер

строки и номер столбца, которые могут быть в дальнейшем соотнесены с

реальными пространственными координатами.

Рисунок 6 - Пример цифрового снимка и записи значений яркости /23/

34

Характеристика цифровых снимков.

Пространственное, радиометрическое, спектральное,

временное разрешение

Пространственное разрешение на местности характеризует уровень

детальности изображения. За пространственное разрешение цифровых

снимков принимают минимальную величину изобразившегося объекта

местности или размер пиксела на местности. Чем меньше его числовое

значение, тем выше разрешение снимка. По этому показателю сравнивают

снимки, полученные разными съемочными системами. Например, про-

странственное разрешение зональных снимков Ikonos (США)- 0,8 м – вы-

ше чем у «Ресурс – ДК» (Россия)- 2-3 м, разрешение которых в свою оче-

редь лучше, чем у «Landsat-7»(США) - 30 м.

Пространственное разрешение аэрофотоснимков определяют числом

различающихся пар линий, отнесенных к 1мм.

Пиксел является наименьшим элементом цифрового изображения,

внутри которого отдельные элементы не различаются. Экспериментально

установлено, что для надежного воспроизведения компактного объекта на

цифровом снимке его размер должен быть не менее четырех пикселов, а

для того, чтобы различались компактные объекты разной формы, их пло-

щадные размеры должны составлять уже несколько десятков пикселов.

Радиометрическое (энергетическое, яркостное) разрешение – чис-

ло уровней спектральной яркости, регистрируемых приемником излуче-

ния, разбитых по интервалам дискретизации, определяется числом бит.

Радиометрическое разрешение зависит от чувствительности детектора

к вариациям интенсивности электромагнитного излучения и числа интер-

валов дискретизации, на которые делится сигнал при аналогово-цифровом

преобразовании.

В процессе сканирования приемником излучения (датчиком, сенсо-

ром) генерируется электрический сигнал, интенсивность которого зависит

от яркости участка земной поверхности. При многозональной съемке раз-

личным спектральным диапазонам соответствуют отдельные независимые

сигналы. Каждый такой сигнал непрерывно изменяется во времени, и для

последующего анализа его необходимо преобразовать в набор числовых

значений. Для преобразования непрерывного аналогового сигнала в циф-

ровую форму его разделяют на части, соответствующие равным интерва-

лам дискретизации. Сигнал в пределах каждого интервала описывается

только средним значением его интенсивности, поэтому вся информация о

вариациях сигнала на этом интервале теряется. Таким образом, величина

интервала дискретизации является одним из параметров, от которого

напрямую зависит разрешающая способность приемника излучения.

35

Еще одним параметром, от которого зависит разрешение снимка, яв-

ляется способ записи числовых значений. Для записи каждого числа ис-

пользуется ряд двоичных ячеек, которые называются битами. Рассмотрим

в качестве примера семибитовую форму записи.

При преобразовании числа из двоичной системы в десятичную номер

ячейки задает степень двойки, а двоичное число в каждой ячейке опреде-

ляет, будет ли добавлена двойка в соответствующей степени к значению

данного пиксела (1) или нет (0). Например, десятичную форму записи чис-

ла 1111111 можно получить следующим образом:

26+25+24+23+22+21+20=64+32+8+4+2+1=127, а число 1001011 в десятичной

форме запишется как 26+05+04+23+02+21+20=64+0+0+8+0+2+1=75. В при-

веденном примере семибитовой формы записи максимальное количество

значений яркости равно 128 (или 27) /19/.

Двоичная система записи удобна для хранения данных на дисках и

магнитных лентах, а также для последующего компьютерного анализа.

Набор таких данных обычно называют значениями яркости или значения-

ми пикселов. Диапазон яркости на цифровом снимке зависит от количества

бит, отведенного для записи чисел. Так при шестибитовой форме записи

максимальное количество значений яркости равно 64 (или 26) при семиби-

товой – 27=128 , а при восьмибитовой – 256 (или 28). При этом яркость

каждого пиксела в этих трех случаях может принимать значения от 0 до 63,

от 0 до 127 и от 0 до 255 соответственно. Отсюда видно, что радиометри-

ческое разрешение цифрового снимка определяется количеством бит, ис-

пользуемых для записи.

Снимки оптикоэлектронных сканирующих систем нового поколения,

установленных на космических платформах, имеют радиометрическое раз-

решение, равное 11 бит, и максимальное число значений яркости достигает

2048. К таким системам относятся IKONOS, QuickBird, GeoEye,

WorldView (США).

Спектральное разрешение характеризует способность приемника из-

лучения различать определенные интервалы длин волн. Чем выше спек-

тральное разрешение, тем более узкий диапазон длин волн регистрируется

определенным каналом съемки. При оценке спектрального разрешения

рассматривают две характеристики: количество диапазонов (каналов) и

ширину каждого диапазона. Более высокого спектрального разрешения

добиваются за счет увеличения количества диапазонов и уменьшения ши-

рины каждого из них. На практике важно правильно подобрать характери-

стики спектрального разрешения так, чтобы они соответствовали решае-

мой задаче и типу собираемой информации. Таким образом, спектральное

разрешение определяется количеством и шириной спектральных зон

съемки и измеряется в нанометрах (нм) или микрометрах (мкм).

Временное разрешение определяется периодичностью съемки одной

и той же территории. От частоты съемки зависит возможность обнаруже-

36

ния тех или иных изменений, которые происходят на изучаемой террито-

рии. Например, для изучения какого-либо природного явления данные мо-

гут собираться ежедневно, раз в месяц, раз в два-три месяца или раз в год.

Абсолютная временная разрешающая способность системы дистанци-

онного зондирования определяется периодом обращения спутника вокруг

Земли, при котором возможна повторная съемка участка земной поверхно-

сти под тем же углом. Этот период может составлять несколько суток или

часов. Сравнивая снимки объекта, полученные в разное время, можно

наблюдать изменения его характеристик. Например, спутник LANDSAT

может обозревать одну и ту же территорию на поверхности Земли каждые

16 дней, а периодичность съемки одной и той же территории созвездием

из 5 спутников RapidEye (Германия) составляет 3-5 суток.

Потребности в съемках различных по временному разрешению в лес-

ном хозяйстве определяются спецификой решаемых задач и объектов об-

следования. Так, например, для мониторинга лесных пожаров, выявления

очагов пожаров и слежения за их динамикой требуется ежедневная съемка

в пожароопасный период. Для мониторинга незаконных вырубок и исполь-

зования земель лесного фонда, лесопатологического мониторинга – раз в

год, предпочтительно в вегетационный период.

Получение цифровых изображений

Цифровые снимки получают двумя способами: во-первых, путем

цифровой записи при электрической регистрации излучения сканерными

системами, во-вторых, путем цифрования ранее полученных аналоговых

снимков (фотоснимков). Современные сканерные съемочные системы,

обеспечивают получение информации в виде цифровых изображений.

Сканерные снимки

Необходимость оперативного получения материалов съемки привела к

интенсивному развитию сначала оптико-механических, а затем оптико-

электронных сканерных систем. Оптико-электронный способ съемки

опробован в самолетном варианте, а затем установлен на спутниках более

двадцати лет назад. Принцип работы сканеров, установленных на самоле-

тах и на космических платформах, одинаковый. В сканирующих системах

используется датчик с узким углом зрения, который регистрирует отра-

женное от объектов местности излучение по-элементно и строит двумер-

ное изображение поверхности. Полный угол сканирования поперек марш-

рута съемки называется углом обзора, а соответствующая величина на по-

верхности Земли шириной полосы съемки (см. рисунки 7 и 8). Сканиру-

37

ющие системы, использующие для сбора данных разнообразные диапазо-

ны спектра электромагнитных волн, называются многозональными.

Существуют различные типы сканирующих систем. Для получения

многозональных данных применяют два основных метода: сканирование в

поперечном направлении к траектории полета (т.е. перпендикулярно

направлению движения платформы) и сканирование по направлению, по

трассе полета.

Сканеры, работающие в поперечном направлении к траектории, опти-

ко-электронные, сканируют поверхность в виде серий линий, ориентиро-

ванных перпендикулярно направлению движения сенсорной платформы,

т.е. поперек полосы.

На светочувствительные элементы - детекторы-приемники с зарядо-

вой связью (ПЗС)- с помощью вращающегося зеркала проецируется при-

ходящее от поверхности Земли излучение. По мере движения носителя по

траектории, последовательность линий сканирования, располагающихся

поперек маршрута съемки, образует двумерное изображение местности.

Скорость сканирования подбирается так, чтобы соответствовать мгновен-

ному полю обзора. Приходящее излучение разделяется на спектральные

зоны, каждая из которых регистрируется независимо. Набор детекторов,

каждый из которых воспринимает определенный диапазон длин волн, ре-

гистрирует отраженное излучение для каждого спектрального канала. За-

тем оно преобразуется в электрический сигнал и конвертируется в цифро-

вые данные, которые записываются для последующей обработки. Принцип

работы сканеров этого типа схематично показан на рисунке 7.

Рисунок 7- Поперечный ПЗС-сканер. Используется на космических носителях

LANDSAT ETM+, LANDSAT TM, MODIS /21/

элемент разрешения

Ширина полосы съемки

38

Сканеры, работающие в направлении движения, продольные (см. Ри-

сунок 8), также используют поступательное движение носителя для после-

довательной записи линий сканирования и построения двумерного изоб-

ражения перпендикулярно направлению полета. Однако вместо вращаю-

щегося зеркала, они используют линейку светочувствительных детекторов,

расположенных в фокальной плоскости изображения, которое формирует-

ся системой линз. Каждый отдельный детектор измеряет отраженную

энергию от одной ячейки на земной поверхности (элемента разрешения,

пиксела) и таким образом мгновенный размер и мгновенный угол зрения

детекторов определяет пространственное разрешение системы. Каждый

отдельный линейный массив (матрица) необходим для измерения отдель-

ного спектрального канала или зоны. Для каждой линии сканирования,

отраженное излучение, принимается отдельным детектором в линейном

ряду и записывается в цифровой форме.

Рисунок 8 - Продольный ПЗС-сканер. Используется на космических носителях

SPOT, IKONOS, QuickBird /21/

Сканеры такой конструкции имеют ряд преимуществ по сравнению с

оптико-электронными сканерами, работающими в поперечном направле-

нии к траектории движения. Ряд светочувствительных детекторов позволя-

ет каждому детектору фиксировать (видеть) и измерять отраженную энер-

гию от каждого элемента разрешения на Земле в течение более длительно-

го времени (время выдержки). Поэтому, регистрируется больше отражен-

ного излучения и улучшается радиометрическое разрешение. Увеличение

времени выдержки также позволяет уменьшить мгновенное поле зрения

детектора и сузить полосу пропускания для каждого детектора. Поэтому

можно получить лучшее пространственное и спектральное разрешение без

ущерба радиометрическому разрешению. Поскольку детекторы представ-

элемент разрешения

Ширина полосы съемки

39

ляют собой полупроводниковые микроэлектронные устройства, они в це-

лом легче, меньше по размерам, требуют меньше энергии, более надежны

в работе и долговечны по времени эксплуатации, т.к. не имеют подвижных

частей.

При использовании съемочных систем, оснащенных множеством де-

текторов, к которым относятся как продольные, так и поперечные сканеры,

для каждого детектора необходимо выполнить радиометрическую калиб-

ровку. Такая совместная калибровка сотен и тысяч детекторов необходима,

чтобы достичь единообразия чувствительности детекторов в линейном ря-

ду, и она сложна /21, 23/.

Сканирующие системы нового поколения используют разные комби-

нации технологий сканирования, направленные на увеличение числа спек-

тральных диапазонов. Такие системы, называемые многоэлементными или

гиперспектральными, поставляют изображения с лучшими геометриче-

скими и спектральными характеристиками.

Изображения, получаемые современными сканерами разных типов,

имеют ряд преимуществ по сравнению с фотографическими. Спектраль-

ный диапазон фотографических систем ограничен видимым и ближним

инфракрасным диапазонам и, тогда как сканеры могут работать в более

широком диапазоне, включая инфракрасный и тепловой. Спектральное

разрешение сканерных систем также может быть гораздо лучше, чем у фо-

тографических систем. Многозональные или многоспектральные фотогра-

фические системы используют отдельные объективы для получения каж-

дого спектрального канала. Это может привести к несовместимости изоб-

ражений в отдельных зонах по пространственным и радиометрическим ха-

рактеристикам. Многозональные сканеры получают спектральные зоны

одновременно.

Фотографические системы фиксируют отраженное излучение от объ-

екта фотохимическим способом, на пленке, которая затем обрабатывается.

Технология фотолабораторной обработки пленки и печати снимков с за-

данными требованиями, хотя и контролируется, но трудно поддается стан-

дартизации. Фотографический снимок воспроизводит производную от от-

раженного излучения объектов местности величину почернения фотогра-

фического изображения /8/. Оптико-электронные сканеры регистрируют в

электронном виде яркость объекта. При конструировании сканеров доби-

ваются линейной передачи яркости, и она может быть записана в больший

диапазон значений в цифровом формате.

Для получения фотографических снимков, требуется время, чтобы до-

ставить пленку на Землю и ее обработать. В то время как данные сканер-

ных систем в виде радиосигнала могут передаваться на приемные станции

на Земле, где преобразуются в электрический сигнал, фиксируются на но-

сителях информации и готовы для компьютерной обработки. При такой

съемке появляется возможность в течение длительного времени непрерыв-

40

но получать информацию и в режиме реального времени, или с задержкой

в несколько часов, передавать ее на приемную станцию. Таким образом

обеспечивается оперативность (см. рисунок 1 во Введении).

Основное отличие снимков, полученных сканерными системами, от

фотографических - их дискретный характер. В пределах каждого элемента

сканерного изображения (пиксела) яркости земной поверхности осредня-

ются. Выполнение аэрокосмических сканерных съемок в нескольких спек-

тральных зонах позволяет сформировать серию зональных цифровых

изображений, получаемых отдельно для каждой зоны электромагнитного

спектра. В результате многозональные цифровые изображения формиру-

ются в виде набора растровых слоев, существующих либо в отдельных

файлах, либо сопряженных в одном файле.

Преобразование аналоговых изображений в цифровую форму

Фотоснимки (аналоговые изображения) для компьютерной обработ-

ки необходимо предварительно преобразовать в цифровой формат. Такое

преобразование производится путем цифрового кодирования снимка с по-

мощью специальных аналогово-цифровых преобразователей (сканеров,

сканирующих микроденситометров и т.п.). При этом происходит дискре-

тизация изображений по пространственным координатам x и y и квантова-

ние значений яркости в каждой дискретной точке – пикселе, размер кото-

рого указывается при настройке преобразователя с учетом реального про-

странственного разрешения аналогового изображения. Дискретизация до-

стигается с помощью координатной сетки, образованной линиями, парал-

лельными осям x и y Декартовой системы координат. В каждом узле такой

решетки делается отсчет яркости или прозрачности носителя, которая за-

тем квантуется и записывается в памяти компьютера. Таким образом, сни-

мок представляется в виде матрицы значений яркости и пригоден для ком-

пьютерной обработки.

При вводе цветных изображений отсчеты яркости или прозрачности

берутся для трех основных цветов. Поэтому в результате их сканирования

могут быть получены три зональных цифровых изображения.

Форматы хранения цифровых снимков

Формат, в котором хранится файл снимка - это способ его записи для

хранения на носителе информации (жестком диске, магнитной ленте, ком-

пакт диске). Снимки обычно хранятся в бинарном формате, представлен-

ном числом бит.

41

Существует большое разнообразие бинарных растровых графиче-

ских форматов, которые используются и для хранения различных аэро- и

космических изображений. Например, TIFF, BMP- без потери информа-

ции; JPEG, GIF - с потерей информации. В форматах многозональных кос-

мических снимков, поставляемых наземными станциями приема и центра-

ми первичной обработки снимков, есть общие структурные элементы:

1. Заголовок в текстовом или бинарном формате, содержащий

служебные данные о снимке, например, дату и время съемки, тип съе-

мочного аппарата, азимут и высоту Солнца, калибровочные данные,

информацию о проведенной предварительной обработке и т.д.

2. Значения яркости для каждого пиксела снимка, записанные в

одном из следующих трех форматов:

- BIP (Band Interleaved by Pixel)- попиксельно - все зональные

значения яркости для первого пиксела, затем для второго и

т.п.,

- BIL (Band Interleaved by Line) - построчно, первая строка во

всех спектральных диапазонах, затем вторая строка во всех

спектральных диапазонах и т.п.

- BSQ (Band Sequential) -все значения в одной спектральной

зоне, затем последовательно все значения во второй и т.д.

Таким образом, за единицу хранения данных в формате BIP принят

пиксел, в формате BIL - строка, а в формате BSQ – спектральная зона. По-

следний формат из названных наиболее широко используется на практике

/19/.

Большинство пакетов программ для компьютерной обработки изоб-

ражений обеспечивает чтение наиболее распространенных растровых

форматов и преобразование (конвертирование) из одного формата в дру-

гой.

Сжатие изображений («упаковка», компрессия) производится с

целью уменьшения объема, занимаемого цифровыми изображениями для

их хранения и передачи со спутников на Землю по каналам космической

связи с небольшой пропускной способностью. Кроме того, сжатие избы-

точно детальных изображений позволяет быстрее обрабатывать их на ком-

пьютере или передавать по сети Интернет.

Спутниковые изображения требуют намного больше места для запи-

си на носителе информации, чем любые другие данные. Так, изображение

Landsat-7 с разрешением 30 м только в одном канале занимает около 70

Мб, не говоря уж об изображениях более высокого пространственного раз-

решения. Понятно, что хранение и обработка таких объемных файлов вы-

зывает определенные трудности.

Сжатие (компрессия) может производиться с потерей и без потери

информации. Сжатие (компрессия) сочетается с декомпрессией – «распа-

42

ковкой» - восстановлением исходного изображения. Если на снимке при-

сутствуют однородные объекты, которые отображаются пикселами с од-

ним и тем же значением яркости, например, чистые водоемы, то компрес-

сия без потери информации проводится путем замены повторяющихся

одинаковых значений яркости - одним значением с указанием числа таких

повторяющихся пикселов. Опыт показывает, что при сжатии объем ин-

формации космических снимков уменьшается в два раза, но изображение

можно восстановить при декомпрессии (распаковке). Обычно сжатие без

потери информации осуществляют посредством широко используемого

для записи изображений формата TIFF.

При сжатии с потерей информации, изменяющиеся в определенных

пределах значения яркости пикселов однотипных объектов, например,

лесных насаждений, застройки и т.д., усредняются, а затем для всех пиксе-

лов записывается это одно среднее значение и число пикселов. В этом слу-

чае объем информации космического изображения удается уменьшить в

десятки раз, но при распаковке (декомпрессии) детали изображений уже не

восстанавливаются. Так выполняется сжатие изображений в формате

JPEG, который используется для изготовления просмотровых космических

снимков (quick look) в Интернет. JPEG (Joint Photographic Experts Group)-

наиболее распространенный формат сжатия (компрессии) изображений.

43

3. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ

Методы обработки изображений можно подразделить на две группы:

- методы, обеспечивающие яркостные и геометрические преобразова-

ния снимков; они направлены на облегчение визуального или интерактив-

ного дешифрирования, повышение его объективности и достоверности, а

также подготовку снимков к последующему автоматизированному дешиф-

рированию;

- методы автоматизированного дешифрирования - классификации объ-

ектов по снимкам, с использованием дополнительной информации о при-

знаках выделяемых классов или без нее.

Данные дистанционного зондирования из космоса или с воздушных

носителей проходят несколько этапов обработки. После первичной обра-

ботки, которая осуществляется сразу после поступления информации на

наземные пункты приема информации и заключается в «распаковке» ра-

диосигналов, разделении данных по датчикам, каналам, выделении слу-

жебной информации и формировании видеокадров, производится предва-

рительная обработка полученных изображений.

Предварительная обработка проводится с целью приведения цифро-

вых космических изображений к виду, максимально удовлетворяющему

конкретным целям и задачам дальнейшей их обработки специалистами

лесного хозяйства. Получаемые в результате производные изображения

должны быть пригодны для выполнения измерений пространственных и

радиометрических характеристик с некоторой гарантированной точно-

стью.

Значительная часть предварительной обработки может производиться

в организациях, выполняющих съемку, или дистрибьюторами, имеющими

лицензии на прием информации с космических аппаратов. При этом ими

выполняются те виды коррекций, которые являются универсальными, не

зависят от тематики дальнейшего использования изображений, а также от-

вечают требованиям, заданным конечным пользователем, в нашем случае,

специалистом лесного хозяйства. Предварительная обработка, имеющая

целью подчеркивание тематической информации, может выполняться по-

ставщиком данных с использованием специально подобранных цепочек

преобразований и алгоритмов (по заказу пользователя). Такая предвари-

тельная обработка называется межотраслевой.

Основными составляющими предварительной обработки изображений

являются:

- радиометрическая коррекция;

- геометрическая коррекция;

- преобразования, улучшающие изображения для последующего

дешифрирования.

Исходные цифровые значения снимка (в англоязычных руководствах

44

их называют «сырые значения», или DNs-Digital Numbers), представляют

спектральную яркость объектов и определяются числом и положением

уровней квантования в радиометрическом диапазоне.

Радиометрическая коррекция направлена на устранение ошибок,

связанных со случайными вариациями освещенности отснятого участка

местности, геометрией съемки, состояния атмосферы и чувствительности

датчика. Другими словами, радиометрическая коррекция имеет дело с ва-

рьированием значений яркости пикселов, причиной которого не является

сам природный объект. Такое варьирование определяется:

- атмосферными эффектами;

- сбоем или неисправностью детекторов;

- влиянием рельефа.

Как уже отмечалось ранее, значение яркости, которое регистрируется

датчиком, установленным на спутнике, формируется из двух составляю-

щих: яркости излучения, отраженного от поверхности Земли, и яркости

излучения, рассеянного атмосферой. Вторая составляющая вносит помехи

в «полезный» сигнал, т.к. не несет информации об объекте и проявляется

на снимке в виде шума. Для яркостной «подгонки» кадров при построении

мозаик изображения, а также для анализа разновременных снимков и ре-

гистрации произошедших изменений важно устранить атмосферные поме-

хи, откорректировав значения пикселов. Влияние атмосферы не всегда

явно проявляется на спутниковых изображениях, так как является состав-

ной частью сигнала, поступающего на приемный датчик.

Операции по исключению атмосферных помех подразделяют на 3 кате-

гории.

1. Физическое моделирование взаимодействия излучения с атмо-

сферой. Результатом такого моделирования служит пересчет из-

меренных значений яркости к условиям абсолютно прозрачной

атмосферы. Для такого моделирования требуются подробные ме-

теорологические данные о состоянии атмосферы, в том числе, о

ее влажности, концентрации различных газов и частиц и т.д.,

сложные алгоритмы и компьютерные программы. Кроме того, па-

раметры атмосферы трудно получить, т.к. они постоянно меня-

ются во времени и зависят от высоты. По этим причинам на прак-

тике моделирование используется крайне редко.

2. Изучение гистограмм, построенных для всех спектральных диапа-

зонов данного снимка. Атмосферные помехи обычно невелики в

инфракрасной части спектра и в основном проявляются в види-

мой части. Это свойство используется в методе минимума гисто-

граммы. Метод основан на предположении, что пиксел с наиболее

низким радиометрическим показателем яркости должен быть в

действительности нулем, а его ненулевое значение является ре-

зультатом атмосферных помех. На гистограмме яркости в види-

45

мой части спектра определяют пикселы с наименьшим значением.

Такие пикселы соответствуют, например, яркости чистой водной

поверхности глубокого водоема. Затем вычитают это значение из

значений яркости всех пикселов во всех других световых диапа-

зонах. Процедура вычитания является аналогом сдвига начала

отсчета яркостей. Конечно, такое предположение слишком упро-

щенно представляет реальность, однако его часто применяют для

устранения эффекта «атмосферной дымки».

3. Использование взаимосвязи между яркостью объекта в разных

спектральных диапазонах. Данные наносят на координатную

плоскость, по осям которой откладывают яркость пикселов в све-

товом диапазоне и в инфракрасной области. Затем строят регрес-

сионную зависимость и методом наименьших квадратов подби-

рают прямую, наилучшим образом описывающую этот набор

данных. Наклон линии регрессии отражает корреляцию значений

яркости выбранных спектральных диапазонов. Смещение линии

по оси абсцисс относительно начала координат означает присут-

ствие в яркости пикселов компонент, которые обусловлены вли-

янием атмосферы. Это числовое значение в виде поправки вычи-

тается из значений яркости пикселов. Метод известен как метод

линейной регрессии (Рисунок 9) /19/.

Рисунок 9 Метод линейной регрессии для расчета поправок на влияние атмосферы /19/

46

Существует несколько типов приборных помех, связанных с геомет-

рией сканирования дистанционными датчиками и влияющих на качество

изображения:

а) полосчатость - “стриппинг” (наличие вертикальных или горизонталь-

ных) полос, возникающих в результате ухудшения чувствительности де-

тектора по отношению к другим детекторам датчика сканирующего при-

бора.

Полосчаmость имеет место в тех случаях, когда какой-либо детектор

теряет настройку, т.е. записывает показания постоянно большие или

меньшие, чем другие детекторы, в одной и же зоне съемки и над одним и

тем же участком земной поверхности. В современных сканирующих си-

стемах эта проблема практически устранена. В литературе и во многих

растровых ГИС-пакетах предлагаются различные алгоритмы для коррек-

ции полосчатости. Среди этих алгоритмов линейная фильтрация, многора-

зовая фильтрация и преобразование главных компонент, которые будут

рассмотрены ниже /14/.

б) «шумы», как в бортовой, так и в наземной аппаратуре приема и обра-

ботки данных и приводит к образованию импульсных случайных всплес-

ков сигналов, произвольно расположенных по всему полю изображения.

в) «сбойные строки» - выпадение строк. Выпадение строк имеет место,

когда детектор либо совсем выходит из строя, либо временно «перенасы-

щается» (подобно эффекту от вспышки фотокамеры на сетчатке глаза). Ре-

зультатом этого является строка или часть строки с более высокими значе-

ниями в файле данных, создающими горизонтальную полосу на изображе-

нии, обрывающуюся в момент восстановления детектора (ов) (если они

восстанавливаются).

Выпадение строк обычно корректируется заменой искаженной строки

значениями из строк, расположенных на изображении выше или ниже дан-

ной, или созданными на основе их комбинаций. Чаще всего используют

метод медианного фильтра.

Устранение указанных приборных и атмосферных помех на изобра-

жениях производится по специально разработанным алгоритмам в процес-

се межотраслевой обработки или самим пользователем с помощью компь-

ютерных программ.

Преобразования, направленные на улучшение изображений

Улучшение изображений предназначено, в первую очередь, для упро-

щения визуального дешифрирования объектов на многозональных сним-

ках. Благодаря цифровому формату снимка появляется возможность ра-

ботать со значениями яркости каждого пиксела. Улучшение изображений

выполняют путем: изменения яркости и контрастности всего изображения

47

или отдельных его участков; выделения контуров заданной контрастности;

фильтрации значений яркости (сглаживания) и выделенных контуров с це-

лью отбора элементов изображения; цветного синтеза и цветокодирования.

К одному и тому же изображению может быть применено несколько раз-

личных типов улучшающих преобразований в зависимости от задачи ис-

пользования снимка. Выбор способа преобразования связан с учетом ха-

рактеристик различных типов земной поверхности в разных зонах спектра.

Наиболее распространенные приемы улучшения изображений - это

различные методы контрастирования, выравнивания (эквализации), разно-

образные пространственные фильтры (свертки) а также методы, основан-

ные на использовании пространства спектральных признаков – метод

главных компонент, индексы, алгебраические операции и т.п. Рассмотрим

некоторые из них.

Повышение контраста – контрастирование

Числовые значения яркости пикселов исходного снимка занимают, как

правило, только часть динамического диапазона яркости, которая для

изображения с разрешением 8 бит на пиксел может быть представлена 256

оттенками серого цвета. Увеличение контрастности объектов по отноше-

нию к фону достигается за счет использования всего диапазона яркости.

При выполнении этой процедуры на выходе интервалы внутри области

растяжения увеличиваются за счет значений пикселов, расположенных за

ее пределами. В пределах выбранного диапазона узкий диапазон исходных

значений яркости пикселов растягивается в более широкий диапазон для

выходных данных.

Для изменения и выбора оптимальной кривой воспроизведения ярко-

стей целесообразно использовать гистограмму яркостей цифрового

снимка — график, показывающий по одной оси (x) значения яркости, а по

другой (y) — количество пикселов с такими значениями яркости. Гисто-

грамма показывает, сколько пикселов изображения приходится на каждый

из 256 уровней яркости. При построении гистограммы в разных программ-

ных пакетах, работающих с растровыми файлами, гистограмму использу-

ют для наглядного представления изменений, к которым приводит, напри-

мер, увеличение или уменьшение диапазона значений яркости на снимке.

Пример гистограммы, построенной для цифрового изображения, приведен

на рисунке 10.

Различают линейное, кусочно-линейное и нелинейное контрастиро-

вание. Линейное и кусочно-линейное контрастирование получили свои

названия от типа функций, применяемых в этой процедуре.

Линейное контрастирование является наиболее простым способом ви-

зуального улучшения изображения, который часто используется для про-

48

смотра на экране необработанных изображений. Пример растяжения ги-

стограммы приведен на рисунке 11. Для повышения контрастности пред-

ставленным линейным методом, левый и правый края гистограммы сдви-

гают к соответствующим границам полного диапазона, т.е. левому краю

присваивается значение 0, а правому - 255. Иногда, после растяжения ги-

стограмма приобретает длинные «хвосты», которые свидетельствуют о

том, что существенного улучшения качества снимка не произошло. В та-

ком случае рекомендуется исключить 1, 2 или 5% данных, которые соот-

ветствуют хвостам гистограммы. Эта операция называется процентиль-

ным растяжением (рисунок 12). После исключения определенного процен-

та данных оставшуюся часть гистограммы растягивают точно также как и

в предыдущем случае. Это приводит к снижению наклона графика линей-

ного преобразования и, следовательно, подчеркиванию деталей изображе-

ния.

Рисунок 10 - Пример гистограммы цифрового снимка

Чи

сло п

ик

сел

ов

49

а) исходная гистограмма б) линейное растяжение в) гистограмма после преобразования

Рисунок 11 - Минимаксное растяжение

а) исходная гистограмма б) преобразование в) гистограмма после преобразования

Рисунок 12 - Процентильное растяжение

а) исходная гистограмма б) преобразование в) гистограмма после преобразования

Рисунок 13 - Кусочно-линейное контрастное растяжение

50

При кусочно-линейном контрастировании используется полилиней-

ная функция, изменяющая свой угол наклона на различных участках ги-

стограммы (рисунок 12).

Эта процедура полезна для улучшения изображения затененных обла-

стей, выявления малоконтрастных деталей или других областей низкого

контраста на снимке. Обычно гистограмма разбивается на три участка:

участок низких, средних и высоких значений. Максимальные значения бо-

лее низкого диапазона являются минимальными по отношению к после-

дующему, что позволяет одновременно варьировать контрастами соседних

интервалов. Например, при повышении контраста нижнего интервала про-

исходит снижение значений контраста пикселов, расположенных в сред-

нем интервале.

Нелинейное повышение контраста используют для постепенного

увеличения или уменьшения контраста по всей зоне. Обычно нелинейные

улучшения повышают контраст в одной части диапазона изменения ярко-

сти, уменьшая его в других. Нелинейная функция может быть использова-

на для получения выходного изображения с плавными переходами вдоль

всего диапазона гистограммы. К таким нелинейным процедурам повыше-

ния контраста принадлежит уравнивание или эквализация гистограммы.

Пример повышения контраста изображения SPOT приведен на рисунке 14.

51

52

Уравнивание или эквализация гистограммы. Широко используется и

другой алгоритм, основная идея которого состоит в том, чтобы перерас-

пределить значения яркости так, чтобы каждому из них соответствовало

примерно равное число пикселов исходного снимка. В результате пикселы

с исходными значениями, редко встречающимися на снимке, объединяют-

ся в группы одного тона, а пикселы с часто встречающимися значениями,

напротив, изображаются с более дробным разделением тонов.

Таким образом, контрастность выравнивается по диапазону яркостей

снимка и достигается максимальный контраст по всему изображению.

Происходит перераспределение значений пикселов внутри гистограммы с

целью ее приблизительного выравнивания в количественном отношении

всех пикселов. Гистограмма приобретает более пологую форму, причем

контраст изображения возрастает в пиковых участках гистограммы и пада-

ет на ее краях (см. рисунок 15).

Для того чтобы выполнить эту процедуру, задаются количеством одно-

родных групп, в которые будут перегруппировываться пикселы. Например,

чтобы провести эквализацию гистограммы с общим диапазоном от 0 до

240 на 10 групп, в каждой группе должно быть на выходе 24 значения пик-

селов. Присвоение новых значений пикселов производится в соответствии

с их принадлежностью к группам. Приведенный пример эквализации ги-

стограммы проиллюстрирован рисунком 15.

Рисунок Уравнивание (эквализация) гистограммы

Рисунок 15 - Пример уравнивания или эквализации гистограммы /13/

Гистограмма изображения

до эквализации

Гистограмма изображения

после эквализации

Пик гистограммы

Край гистограммы

Пикселы на краю гисто-

граммы группируются -

контраст уменьшился

53

Подбор или подгонка гистограммы. Это процедура представляет со-

бой процесс подгонки гистограммы одного изображения к гистограмме

другого. Обычно этот подход используется для совмещения гистограмм

спутниковых изображений, полученных с минимальным временным ин-

тервалом. Это также важно для последующего цифрового монтажа набора

изображений или выявления изменений.

Подгонка гистограмм используется для выравнивания яркости и кон-

траста одинаковых или соседних кадров, которые были получены в разные

дни, или несколько отличаются друг от друга из-за различий освещенности

и атмосферных эффектов. Эта операция особенно полезна при создании

мозаик снимков или выделении изменений. Для достижения хороших ре-

зультатов необходимо, чтобы два исходных изображения имели сопоста-

вимые характеристики - близкое пространственное разрешение, примерно

одинаковый охват территории; если на одном из изображений присутству-

ет облачность, а на другом - нет, то ее следует маскировать (удалить) перед

подгонкой гистограмм. То есть, для того чтобы получить хороший резуль-

тат, применяя этот подход, необходимо соблюдать следующие правила:

гистограммы изображений должны иметь близкую форму;

яркостные свойства идентичных типов объектов должны подчинять-

ся одному отношению порядка;

изображения должны иметь сопоставимое пространственное разре-

шение;

распределение основных категорий земель и типов объектов, изоб-

раженных на снимках, должно также быть сопоставимым. Если на од-

ном из изображений представлен облачный покров, а на другом его нет,

в этом случае пикселы, соответствующие облачному покрову одного из

изображений, должны быть исключены из процедуры подгонки гисто-

грамм.

Инверсия изображения. Функция инверсии создает на выходе новое

изображение, обладающее противоположным контрастом по отношению к

оригиналу. Темные детали изображения становятся светлыми и, наоборот,

светлые темными. Этот подход полезен также для изображений, полу-

ченных в результате сканирования негативов.

54

55

Пространственный подход к улучшению изображений

В то время как спектральные улучшения осуществляют с помощью

функций, выполняющих преобразование значений яркости каждого пиксе-

ла индивидуально, пространственные предназначены для выделения или

изменения определенных структур на снимке в зависимости от их про-

странственной частоты. Пространственная частота тесно связана с такой

характеристикой вариаций тона, как текстура. Грубая текстура, с резкой

сменой тонов на малой площади, соответствует высокой пространственной

частоте, плавные изменения тона - низкой.

Пространственный подход к улучшению изображений заключается в

том, что значение каждого пиксела рассматривается как двумерная функ-

ция B(x,y), оперируя для его изменения значениями соседних, окружаю-

щих пикселов и выполняют преобразования сразу во всех зонах спектра.

Методы пространственного улучшения изображений изменяют значения

пикселов на основе анализа ближайшей к ним окрестности. Для этого ис-

пользуются методы анализа пространственной частотности значений

пикселов изображения, различающиеся между собой высокими и низкими

значениями.

Фильтрация — преобразование, в процессе которого избыточная для

решения определенной задачи информация отсеивается, а необходимая

приводится к виду, упрощающему ее использование. Этот вид преобразо-

ваний применяется для подчеркивания контуров, выделения линейных

элементов, которые ориентированы в определенном направлении, а также

для устранения различного рода помех на изображении, уменьшения влия-

ния атмосферной дымки и т.д. Наибольшее распространение получили два

компьютерных способа фильтрации: изменение яркости в «скользящем

окне» и преобразование Фурье.

Обычная процедура фильтрации состоит в следующем. Задается пря-

моугольное окно со сторонами в несколько пикселов, например размером

3x3 пиксела, в котором выделяют центральный пиксел и пикселы его

окрестности. Для центрального пиксела вычисляют новое значение ярко-

сти как некоторую функцию от яркостей пикселов окрестности. Затем окно

сдвигают на один пиксел и процедура повторяется. В результате получают

пикселы изображения с преобразованными значениями яркости.

Фильтр – это функция применяемая для расчета матрицы в скользя-

щем окне. Матрица содержит набор коэффициентов, которые умножаются

на значения пикселов, попавших в скользящее окно. После этого результат

перемножения суммируется и делится на сумму коэффициентов матрицы

скользящего окна. Полученное значение округляется до целой величины и

присваивается пикселу, расположенному в центре скользящего окна.

Обычно используются окна (матрицы) размером 3х3, 5х5 и 7х7 пикселов.

Математически процедура описывается следующей формулой:

56

F

df

V

q

i

q

j

ijij

1 1 ,

где - коэффициент матрицы, расположенный в i строке и j столбце

скользящего окна;

dij - значения пикселов, соответствующие коэффициентам матрицы;

F - размер окна;

Σ - сумма коэффициентов в матрице (при сумме равной 0, F = 1);

V - новое значение центрального пиксела.

В большинстве пакетов программ обработки изображений использу-

ются следующие фильтры: средне-арифметический, медианный, адаптив-

ный, модальный, высокочастотный, лапласиан и др. Например, средне-

арифметический фильтр (низкочастотный), используют для генерализа-

ции или сглаживания изображения. Все его коэффициенты при размере

окна 3х3 имеют значения 1. Пиксел в центре окна заменяется арифметиче-

ским средним всех значений в пределах окна.

В зависимости от коэффициентов матрицы фильтры могут быть высо-

кочастотными и низкочастотными. Высокочастотные фильтры увеличи-

вают пространственную частоту, подчеркивая края между группами пик-

селов с однородными значениями. Низкочастотные фильтры уменьшают

пространственную частоту, по существу являясь простым осреднением

значений пикселов, сглаживают изображение.

Квантование — разновидность преобразования, когда непрерывное

полутоновое изображение заменяется дискретным, яркость которого раз-

делена на несколько ступеней.

Человек уверенно распознает не более 2-х десятков уровней яркости.

Поэтому, например, 8-битовое изображение, имеющее 256 уровней ярко-

сти, воспринимается нами как непрерывное. Если сгруппировать уровни

яркости на снимке по нескольким ступеням, можно получить новое кван-

тованное изображение. В результате такого преобразования мелкие детали

исчезают, постепенное изменение яркости заменяется дискретным с чет-

кими границами.

В практике дешифрирования снимков используют квантование равно-

мерное и неравномерное. При равномерном квантовании диапазон ярко-

стей снимка делится на равные ступени. Оно используется для дискретиза-

ции изображения объектов с плавно изменяющимися характеристиками,

например разделения вод с разной степенью мутности, снежного покрова

разной загрязненности. Неравномерное квантование выполняется для вы-

деления определенных видов объектов, которым соответствуют ступени

яркости разной величины. Простейший его случай — бинарное квантова-

ние изображения на два уровня яркости по значениям, устанавливаемым

дешифровщиком, применяемое, например, для выделения контуров лесов

ijf

57

среди заснеженных безлесных пространств на зимнем снимке. Неправиль-

ный выбор ступеней квантования может привести к появлению ложных

контуров или объединению в одном контуре разнородных объектов. Чтобы

избежать таких ошибок, следует сравнивать графики спектральных ярко-

стей объектов, построенные по зональным снимкам в пределах одной вы-

деленной ступени, и по возможности проверять границы полученных кон-

туров по достоверным картам или другим источникам на эталонных (клю-

чевых) участках.

Нередко применяют окрашивание квантованных изображений в кон-

трастные цвета для подчеркивания результатов разделения объектов. Это

преобразование называется цветокодированием. Можно кодировать цве-

том любое количество уровней яркости, но тогда преобразованный снимок

становится очень пестрым. Имеет смысл присваивать определенный цвет

квантованному изображению, предварительно разделенному на восприни-

маемое дешифровщиком число цветов. Из практического опыта известно,

что для кодирования яркости на квантованном изображении используют не

более 30 цветов.

Синтез цветного изображения – простой и наиболее широко приме-

няемый вид преобразования. Смешиваются три изображения, окрашенные

в три основных цвета - красный, зеленый и синий. Привычным примером

такого синтеза является цветное изображение, воспроизводимое на ком-

пьютерном мониторе за счет смешивания красных, синих и зеленых эле-

ментов, которые включает каждый пиксел экрана. Для обозначения этого

способа воспроизведения цвета принято употреблять английскую аббреви-

атуру RGB (Red, Green, Blue — красный, зеленый, синий). Наиболее часто

для синтеза используют зоны: зеленую (0.5-0.6); красную (0.6-0.7) и ближ-

нюю инфракрасную 0.8-1.1мкм, которым присваивают соответственно си-

ний, зеленый и красный цвета. Это стандартный вариант синтеза, широко

применяемый и в практике лесного дешифрирования. В этом случае расти-

тельность изображается красным цветом, обнаженные поверхности - серо-

голубым, водные поверхности-синим, т.е. получим ложную цветопередачу.

Если же окрасить эти зоны в другом порядке, можно получить другие ва-

рианты цветового синтеза. Если изменить комбинацию цветов и присвоить

инфракрасной зоне зеленый цвет, можно получить цветопередачу близкую

к натуральной.

Как показывает практика, сущность объектов целесообразно опреде-

лять по снимкам с натуральной цветопередачей, а разделение объектов и

их оконтуривание выполнять по снимкам с преднамеренно ложной цвето-

передачей. Кроме зональных снимков для синтеза можно использовать и

другие снимки, приведенные к единой системе координат, например раз-

новременные, а также производные изображения-индексы, что позволяет

улучшить дешифрирование объектов определенных видов.

58

В англоязычной литературе широко используется термин «композит»

или композитное изображение, как аналог синтезированного снимка. Такое

название во многих ГИС-пакетах применяют к цветному изображению,

получаемому из отдельных составляющих.

Иногда используют прием, обратный синтезированию, — расщепле-

ние сканированных цветных изображений на компоненты RGB. При этом

для каждого снимка получают три изображения. Их условно рассматрива-

ют как аналоги зональных снимков и применяют к ним алгоритмы обра-

ботки многозональных изображений. Однако необходимо иметь в виду,

что такие снимки не содержат информации об измеренных значениях

спектральной яркости.

Пространственное улучшение изображений путем объединения

разрешений – синергизм - Fusion или Pan-Sharpening

Для улучшения качества изображений может использоваться подход,

основанный на улучшении пространственного разрешения одного изобра-

жения за счет другого. Например, съемочная система американского спут-

ника Landsat TM+ позволяет получать цифровые изображения земной по-

верхности в шести каналах с пространственным разрешением 30 м. Датчик

спутника SPOT 5, работающий в панхроматическом диапазоне (SPOT

PAN), получает изображения с пространственным разрешением 2,5 м.

Синтез этих изображений разных датчиков может значительно улучшить

пространственное разрешение первого за счет второго (см. рисунок 17).

Предложен ряд моделей объединения разрешений для получения та-

кого синтезированного изображения. Первоначально во всех моделях вы-

полняется трансформирование изображения с низким пространственным

разрешением в систему строк и столбцов изображения с высоким разреше-

нием - размеры их пикселов становятся равными. Далее в большинстве

моделей используют преобразование снимков с более высоким спектраль-

ным разрешением методом главных компонент (будет рассмотрен далее).

Затем выполняется RGВ-синтез изображения с высоким пространствен-

ным разрешением со второй и третьей компонентами. В приведенном вы-

ше примере предполагается, что первая главная компонента (ГК1) эквива-

лентна панхроматическому изображению SPOT, поскольку в ней яркость и

контраст максимально подчеркнуты и она схожа по изобразительным

свойствам со снимком в видимой зоне спектра. Вся информация, относя-

щаяся к специфике спектральной информации, содержится в других ком-

понентах. Следует отметить, что спектральные свойства панхроматическо-

го снимка не распространяются на ближнюю ИК зону, что приводит к

ошибкам в отображении границ растительность - почва на новом изобра-

жении. Для объединения изображений необходимо, чтобы они были ра-

диометрически подобны, т.е. предварительно нужно провести подгонку

гистограмм изображений.

59

в)

в)

Рисунок 17 - Пространственное улучшение изображений путем объединения разрешений: а) изоб-

ражение Landsat, б) изображение SPOT PAN с отдешифрированными границами ветровалов, в) ре-

зультирующее изображение, пространственное разрешение Landsat улучшено за счет разрешения

SPOT PAN

а) б)

60

Спектральный подход к улучшению изображений

Методы спектрального улучшения изображений, направленные на по-

лучение дополнительной информации из оригинальных изображений, тре-

буют использования нескольких спектральных каналов. Наиболее распро-

страненными методами, применяемыми в системах обработки спутнико-

вых изображений для спектрального улучшения изображений, являются

следующие подходы:

Анализ методом главных компонент.

Алгебраические операции с изображениями.

Создание простых производных индексных изображений. Вегетацион-

ные индексы

Анализ главных компонент. Этот подход часто используется для со-

кращения излишне большого количества спектральных зон. Данные в раз-

личных спектральных зонах часто коррелируют между собой, поскольку в

них содержится одна и та же информация. Для того чтобы устранить избы-

точность данных и взаимозависимость в разных спектральных зонах, ис-

пользуют преобразование методом главных компонент. Это особенно

важно при работе с материалами гиперспектральной съемки.

Суть преобразования заключается в том, чтобы преобразовать много-

зональный снимок путем создания новых зон - главных компонент, корре-

ляция между которыми отсутствует. Процедура преобразования выполня-

ется в несколько этапов.

Предварительно строятся графики распределения значений яркости

снимка в пространстве спектральных признаков. Напомним, что про-

странством спектральных признаков принято назвать совокупность

значений яркости пикселов многозонального снимка. Преобразование

заключается в смещении начала координат и повороте координатных осей.

Первая из новых осей, или главных компонент, проводится в направ-

лении наибольшего разброса (дисперсии) значений яркости, вторая - орто-

гонально ей, третья- ортогонально первым двум и т.д. Если область, в ко-

торой на графике сконцентрированы значения яркости снимка, сильно вы-

тянута в одном направлении, то первая главная компонента вберет в себя

основную часть яркостных различий объектов, т.е. позволит более эконом-

но описать имеющуюся в нем информацию. Для расчета коэффициентов

преобразования используется ковариационная матрица исходного набора

данных.

Процедуру преобразования можно пояснить на примере двух зон. На

рисунке 18 показаны гистограммы (B1 и B2) с нормальными распределе-

ниями значений яркости пикселов и эллипсом их рассеяния в двумерном

пространстве спектральных признаков (рис.18а). В результате обработки

61

изображений исходные оси в двумерном пространстве зон 1 и 2 поворачи-

ваются параллельно осям эллипса, изменяя, таким образом, и координаты

значений пикселов каждого канала (рис.18 б) /14/.

Длина и направление самой длинной полуоси эллипса вычисляется с

помощью матричной алгебры и называется первой главной компонентой

(ГК1). Изображение ГК1 содержит значения пикселов с наибольшими ва-

риациями яркостей каналов 1 и 2 (рис. 18 б).

На рисунке 18б видно, что диапазон ГК1 всегда больше, чем диапазо-

ны исходных каналов, подобно как гипотенуза прямоугольного треуголь-

ника всегда больше его катетов.

Рисунок 18 - Преобразование спектрального пространства методом главных компо-

нент. а) эллипс рассеяния двух зон и гистограммы яркости в каждой из зон, б) положе-

ние осей, соответствующее главным компонентам ГК1 и ГК2/14/

Вторая главная компонента (ГК2) всегда располагается перпендику-

лярно к первой, совпадая со второй полуосью эллипса, и отражает

наибольшие вариации в исходных данных, не попавших в первую главную

компоненту.

Для описания n-мерного пространства спектральных каналов изобра-

жения используются гиперэллипсоиды с соответствующим количеством

полуосей и n-ым количеством главных компонент. Каждая компонента

должна быть ортогональна по отношению к предыдущей компоненте в

пространстве спектральных признаков, и величина вариации или диспер-

сии этой компоненты также должна быть меньше предыдущей. Хотя ана-

лиз главных компонент способен вычислять n-ое количество компонент,

только первые несколько компонент содержат наибольшие вариации зна-

чений пикселов исходных каналов, и, соответственно, только они могут

62

содержать наиболее полезную информацию исходных изображений. Одна-

ко для некоторых приложений полезно выполнять сбор компонент-каналов

с остаточными вариациями, характерными, например, для шумов датчи-

ков, чтобы в последствии их подавить.

Вычисление главных компонент осуществляется с помощью линейно-

го уравнения. Сам подход называется линейным трансформированием, для

решения которого используется уравнение:

ЕCov ET = V,

где Cov - ковариационная матрица;

E - матрица векторов;

T - транспонирование;

V - диагональная матрица, расположенные вне диагонали элементы кото-

рой равны нулю.

Эта матрица вычисляется таким образом, чтобы все диагональные

элементы располагались в порядке убывания, т.е. v1 > v2 > v3 … > vn.

Матрица V представляет собой ковариационную матрицу с диагональ-

ными элементами, характеризующими дисперсии каждой компоненты,

причем наибольшую дисперсию имеет первая главная компонента.

Каждая колонка результирующей матрицы векторов E описывается

вектором единичного размера в пространстве признаков спектральных зон,

показывающих направление главных компонент. Значение для каждой

компоненты вычисляется по следующей формуле:

где e – количество главных компонент;

Pe – значение главной компоненты в канале е;

K – номер канала исходного изображения;

n – общее количество каналов;

dk – значение пикселов в к канале исходного изображения;

E – матрица векторов, а Eke есть элемент матрицы в строке k и колонке e.

При дешифрировании изображений главных компонент следует учи-

тывать два их недостатка. Так как, они рассчитываются на основе разброса

значений яркости конкретных снимков, результирующие производные

изображения нельзя сравнивать с полученными тем же методом по другим

снимкам. К тому же цвета на цветном синтезированном изображении глав-

ных компонент не сопоставимы с физическими характеристиками объек-

n

k

keke EdP1

,

nv

v

v

V

...000

...

0...00

0...00

2

1

63

тов, и для их интерпретации надо использовать исходный многозональный

снимок.

Алгебраические операции с изображениями (с матрицами значений

яркости пикселов изображений) еще один из способов их спектрального

улучшения, наиболее часто используемый для изучения растительного по-

крова. К таким операциям относятся простейшие преобразования - попик-

сельное сложение, вычитание, умножение и деление

Например, операция вычитания пикселов заключается в том, что из

значения яркости каждого пиксела одного снимка вычитается значение яр-

кости соответствующего пиксела другого снимка, который совмещен с

первым. Результирующий снимок называется разностным. Такой прием

хорош для изучения динамики по разновременным изображениям, т.е. по-

лученным на разные даты съемки. Объекты, отражательная способность

которых не изменилась или изменилась незначительно за время между

двумя съемками, будут более светлыми по тону, а темные и яркие области

снимка будут соответствовать значительным изменениям.

Сложение изображений является операцией, позволяющей снизить

уровень шума на снимке. Эту операцию используют при пространственной

фильтрации для выделения объектов заданной детальности.

К алгебраическим операциям относятся тригонометрические функции,

которые эффективно применяют для автоматического контрастирования

нескольких изображений разных спектральных зон.

Из алгебраических преобразований изображений наиболее часто при-

меняется операция деления, на которой основано вычисление многих про-

изводных спектральных характеристик. Эта операция позволяет использо-

вать отношение яркости пикселов в разных зонах для идентификации объ-

ектов на земной поверхности, рассчитывать индексы, комбинируя спек-

тральные зоны в разных сочетаниях и создавать индексные изображения.

Создание простых производных индексных изображений

Для опознавания объектов по многозональным снимкам часто важны

не абсолютные значения их яркости, а характерные соотношения между

значениями яркости объекта в различных информативных спектральных

зонах.

Вегетационные индексы основаны на отношениях значения яркости

в спектральных зонах, наиболее информативных для характеристики рас-

тительности. Для идентификации зеленой вегетирующей растительности и

отделения ее от почв и других природных образований предпочтительно

использовать отношение яркости пикселов в красной и ближней инфра-

красной зонах.

64

Вегетационный индекс VI (Vegetation Index) — это простое зональ-

ное отношение яркостей двух спектральных зон:

VI = Bик/Bк

Bик - значение яркости в ближней инфракрасной зоне;

Bк- значение яркости в красной зоне (часто используют также коэффици-

енты спектральной яркости rк и rик)

Значения индекса изменяются от 0 до бесконечности. Для зеленой

растительности значения VI > 1 и растут с увеличением фитомассы и со-

мкнутости растительности. Линия почв соответствует VI = 1 или несколь-

ко более высокому значению в зависимости от цвета и влагосодержания

почв (это значение определяют измерениями яркости участков открытых

почв на снимке). Помимо использования вегетационного индекса (VI) для

идентификации растительности, он пригоден для снижения других нега-

тивных эффектов. Например, таких как затененность горных склонов. За-

тененность понижает уровень яркости примерно одинаково в видимой и

ближней инфракрасной части спектра, поэтому при делении зональных

значений яркости компенсируется.

Несмотря на достоинства вегетационного индекса (VI), на практике

чаще используют нормализованный разностный вегетационный индекс

NDVI (Normalized Difference Vegetation Index). Он представляет собой

нормированную разность уровней яркости на снимках в инфракрасной и

красной съемочных зонах:

где Bик – значения яркости в ближней инфракрасной зоне, Bк - значения

яркости в красной зоне.

Значения нормализованного вегетационного индекса изменяются в

пределах от -1 до +1. Это удобнее для хранения в памяти компьютера и

анализа, поскольку заранее известны минимальные и максимальные значе-

ния индекса. Для зеленой растительности характерны положительные зна-

чения NDVI, и чем больше зеленая фитомасса, тем они выше. На значения

индекса влияет также видовой состав растительности, ее сомкнутость, со-

стояние, экспозиция и угол наклона поверхности, цвет почвы под разре-

женной растительностью. Линия почв соответствует значениям индекса,

близким к 0, в диапазоне 10 NDVI в зависимости от свойств почв. NDVI

удобен для изучения сезонной динамики растительности, например слеже-

ния за ее фенологическими изменениями. При сравнении изображений ин-

дексов VI или NDVI, полученных для разных регионов, необходимо учиты-

кик

кик

BB

BBNDVI

,

65

вать, что граница между почвами и растительностью может соответство-

вать разным значениям индекса, и привлекать для проверки дополнитель-

ные данные.

Пример создания производного изображения с расчетным значением

нормализованного разностного вегетационного индекса по исходному

снимку приведен на рисунке 19.

Для снимков территорий с разреженным растительным покровом, где

значительный вклад в яркость вносят почвы, используют вегетационный

индекс, скорректированный за почву — SAVI (Soil Adjusted Vegetation In-

dex) /8/:

SAVI=saviкик

кик

savi aВВ

BB

a

**

**

1

1;

Дальнейшее усовершенствование вышеупомянутого индекса (SAVI)

привело к введению вегетационного индекса, устойчивого к влиянию поч-

вы и атмосферы — SARVI (Soil and Atmospherically Resistant Vegetation In-

dex).

На сегодняшний день существуют около 160 вариантов вегетацион-

ных индексов. Часть из них — это модификация вышеперечисленных (в

том числе с использованием других спектральных зон), а часть — более

сложные индексы, основанные на биофизическом моделировании и калиб-

ровке по наземным данным, например индекс листовой поверхности LAI

(Leaf Area Index), показатель радиации, поглощенной растительностью при

фотосинтезе FPAR (Fraction of Photosynthetically Active Radiation) и др.

Они подбираются экспериментально, исходя из известных особенностей

кривых спектральной отражательной способности растительности и почв.

Многие программные пакеты включают расчет спектральных индек-

сов. Например, при обработке космических снимков в программном ком-

плексе ENVI могут быть рассчитаны любые спектральные индексы. Кроме

того, имеется специальный калькулятор вегетационных индексов, который

позволяет рассчитать 27 вегетационных индексов, используемых для оцен-

ки состояния растительности, содержания пигментов, азота, углерода, во-

ды.

66

67

4. ГЕОМЕТРИЧЕСКАЯ КОРРЕКЦИЯ И

ТРАНСФОРМИРОВАНИЕ ИЗОБРАЖЕНИЙ

Геометрическая коррекция призвана устранить искажения цифро-

вого изображения, вызванные влиянием вращения и кривизны Земли, осо-

бенностями сканерной развертки, наличием перспективных искажений. К

геометрической коррекции относится также пространственная привязка

цифровых изображений к топографической карте с учетом влияния рель-

ефа наблюдаемой местности. Искажения на снимках растут с увеличением

изменчивости высот рельефа местности, при более широкой полосе захва-

та съемкой, а также с уменьшением высоты полета. У фотографических

снимков они меньше, чем у сканерных и радиолокационных. Многие дат-

чики, выполняющие съемку, не получают изображение в надире осуществ-

ляя боковой обзор. Кроме того, датчики, выполняющие съемку в надире,

дают изображение в истинном надире только в центре кадра.

Процедуры геометрической коррекции выполняют для того, чтобы

изображение земной поверхности было правильно представлено на плос-

кости и имело свойства карты.

Необработанные снимки, получаемые со спутников и самолетов, яв-

ляются плоскими изображениями, но даже для кажущейся ровной поверх-

ности искажены за счет кривизны Земли и применяемого датчика.

Если выполняются подсчет площадей или другие процедуры, свя-

занные с измерениями характеристик лесов по снимкам, такие геометри-

ческие преобразования необходимы. Еще большее значение геометриче-

ская коррекция приобретает при оценке состояния лесного покрова по раз-

новременным изображениям, когда требуется высокая точность простран-

ственного совмещения снимков.

Искажения, вызванные вращением и кривизной Земли, разверткой

сканера, устраняются в процессе межотраслевой обработки на основе по-

лучаемых вместе с изображениями параметрических данных съемки и ска-

нера с помощью специальных математических моделей.

Для ввода цифровых снимков в ГИС и совмещения их с различными

картами необходимо более существенное преобразование – трансформи-

рование. При этом для изображений равнинной поверхности и слабохол-

мистых участков в зависимости от параметров съемки (высота съемки, по-

лоса захвата, угол визирования) чаще всего достаточно двумерного транс-

формирования, позволяющего перевести «искаженную» плоскость цифро-

вого изображения в проекцию топографической основы используемой

ГИС, принятую за «истинную».

Для проведения трансформирования космических изображений кро-

ме операций масштабирования, сдвига и поворота, традиционно исполь-

зуются полиномиальные преобразования, которые строятся на основе ин-

68

формации о координатах опорных точек, опознаваемых на исходном изоб-

ражении.

При трансформировании выполняют следующие процедуры:

Выбор способа трансформирования;

Опознавание и отбор опорных (контрольных) точек;

Расчет ошибок и оценка результатов трансформирования;

Переопределение значений пикселов и создание выходного фай-

ла изображения с новой информацией о координатах в заголовке

файла.

Выбор степени полинома для преобразования исходных растровых

координат снимка в координаты базовой карты или эталонного снимка за-

висит от характера искажения изображения, числа используемых кон-

трольных точек и их расположения относительно друг друга. Обычно для

трансформирования снимков используют полиномы не выше третьей сте-

пени, которые позволяют выполнить линейные (аффинные) и нелинейные

преобразования координат. При трансформировании космических сканер-

ных изображений, для учета сложных геометрических искажений, реко-

мендуется использовать полиномы высокого порядка, что требует знания

координат большого количества опорных точек.

Аффинные (линейные) способы трансформирования. Эти способы

предназначены для осуществления операций параллельного переноса, из-

менения масштаба, поворота, зеркального отражения или их сочетаний. Их

можно использовать для проектирования исходных изображений в карто-

графическую проекцию, преобразования проекций и трансформирования

сравнительно небольших областей изображения.

Аффинные преобразования выполняют с помощью полиномов первой

степени с 6-ю неизвестными коэффициентами - по три для каждой коорди-

наты х и у. Математически это преобразование описывается формулой:

x1=a 1+a2x+a3y;

y1=b1+ b2x+b3y;

где (x1,y1) - координаты пиксела в системе координат снимка (в исход-

ной координатной системе), а (x,y) – координаты пиксела в системе

карты (в эталонной координатной системе).

Нелинейные способы трансформирования позволяют корректиро-

вать произвольные (нелинейные, несистематические) искажения изобра-

жений. Способ коррекции нелинейных искажений известен как метод ре-

зинового листа.

Нелинейные методы трансформирования реализуются полиномами

второй и выше степени. Полиномы второй степени можно использовать

для трансформирования изображений больших территорий с учетом кри-

69

визны земной поверхности, в случае искажения данных, например, вноси-

мых камерой, а также для преобразования географических координат (φ,λ)

в прямоугольную систему. Полиномы третьей степени применяют для

трансформирования дефектных аэрофотоснимков, сканированных дефор-

мированных карт и для улучшения радарных изображений. Полиномы чет-

вертой степени используют редко, обычно в случае сильно искаженных

аэрофотоснимков.

Опознавание и отбор опорных точек

В методах трансформирования, основанных на полиномиальной ап-

проксимации, для нахождения коэффициентов полиномов (ai,bi) использу-

ют координаты наземных или снятых с карты (эталонного снимка) опор-

ных точек. Эти точки представляют собой пикселы исходного изображе-

ния с известными выходными координатами. Наборы опорных точек со-

стоят из 2-х пар координат (х,у) и разделяются на:

- исходные координаты – координаты опорных точек трансформи-

руемого изображения (обычно номера строк и столбцов)

- эталонные координаты - координаты точек карты или эталонного

изображения, в проекцию которого трансформируется исходное

изображение (метры, градусы или номера строк и столбцов).

Для нахождения коэффициентов полиномов решают систему уравне-

ний, связывающих координаты этих двух типов точек.

Исходные и эталонные координаты опорных точек могут быть:

- известны заранее (априорно) и существуют в виде файла или вво-

дятся с клавиатуры;

- выбраны с помощью мыши на двух соответствующих изображе-

ниях, выведенных на экран;

- выбраны по изображению на экране, как исходные, и считаны с

бумажной карты или заданы в виде файла как эталонные.

Чем точнее измерены опорные точки, тем точнее результат трансфор-

мирования, поскольку эти точки определяют точность координат всех дру-

гих точек изображения. Основные правила отбора опорных точек:

- их число должно быть достаточным для выбранного способа

трансформирования;

- точки должны располагаться равномерно по всему полю изобра-

жения, чем равномернее распределены точки, тем надежнее ре-

зультаты трансформирования;

- не следует располагать опорные точки на границах изменчивых

объектов местности, таких как берега озер или других водоемов,

по границам растительности.

70

Для коррекции сложных искажений применяют полиномы более вы-

соких порядков, для которых требуется большее количество опорных то-

чек. Например, три точки определяют плоскость, поэтому для трансфор-

мирования первого порядка, по меньшей мере, должно быть 3 опорных

точки, для трансформирования второго порядка - как минимум 6, т.е.

столько, сколько коэффициентов имеет уравнение полинома для пересчета

одной координаты.

До трансформирования необходимо установить соответствие между

разрешением изображений и масштабом и проекцией исходной карты. При

вводе опорных точек с помощью «мыши» следует знать соответствие меж-

ду изображениями низкого и высокого пространственного разрешения.

Следует избегать увеличения изображения на экране более чем в 4 раза.

Оценка ошибок трансформирования.

Вычисление среднеквадратической ошибки

Прежде чем выполнять трансформирование всего снимка, необходимо

оценить, хорошо ли подходят коэффициенты полиномиальных уравнений,

найденные по опорным точкам. Для этого нужно снова подставить коор-

динаты эталонных контрольных точек (xk, yk) в уравнения с уже найденны-

ми коэффициентами и вычислить координаты (x1k, y

1k) их предполагаемого

местоположения на исходном снимке (назовем эти координаты ретранс-

формированными). В идеале, должно быть x1k = xk, a y1

k = yk. Однако, как

правило, это не так, поскольку всегда имеются погрешности в определении

точек, либо нелинейные искажения снимка не позволяют определить ко-

эффициенты. Каждая из точек влияет на качество полиномиальной интер-

поляции.

Коэффициенты должны быть таковы, чтобы при трансформировании

эталонных контрольных точек имело место минимально допустимое от-

клонение координат ретрансформированных и исходных (оригинальных)

точек на снимке, т.е. ошибка трансформирования была бы минимально

возможной. Величина отклонения координат, вычисляемая как расстояние

между этими точками, называется среднеквадратической ошибкой (RMSE

в растровых ГИС-пакетах).

В большинстве случаев при трансформировании не требуется ни пол-

ного совпадения всех исходных и ретрансформированных контрольных

точек, ни высокой степени полиномов. Оправданный и широко распро-

страненный способ - установление параметра допуска для каждой эталон-

ной точки среднеквадратической ошибки Dk.

kD = 2

0

12

0

1 )()( yyxx .

71

Среднекадратическая ошибка выражается в единицах координат ис-

ходного изображения, как правило, в пикселах. Считается, что допустимый

размер Dk эквивалентен величине радиуса окрестности контрольной точки,

в пределах которой ее ретрансформированные координаты рассматривает-

ся как корректные. Например, если допустимое значение Dk, равно 2, то

ретрансформированный пиксел, отстоящий от исходного положения на 2

пиксела, все еще будет рассматриваться как точно локализуемый (рисунок

20).

Рисунок 20 - Область допустимых значений среднеквадратической ошибки /14/

Теоретически для растровых изображений среднеквадратичная ошиб-

ка должна быть меньше половины разрешения исходного изображения.

Для уменьшения величины ошибки обычно рекомендуется исключать

опорную точку с наибольшим отклонением. Но не всегда это правильно,

не следует удалять такую точку, если положение ее уверенно определено,

или ее удаление нарушает условие равномерности распределения опорных

точек по всему изображению. Приемлемое значение Dk определяется поль-

зователем в зависимости от разных факторов: принятых стандартов точно-

сти, целей использования снимков, типов снимков, точности контрольных

точек и точности используемых вспомогательных данных. Рассчитать до-

пустимую среднеквадратичную ошибку можно тремя разными способами,

основываясь на:

- масштабе и картографической точности базовой карты,

- заданной вероятности ошибки,

- заданных требованиях к точности создаваемой по снимку карты.

Как правило, хорошие результаты дает многократное выполнение

процедуры трансформирования, причем начать лучше с трансформирова-

ния 1-го порядка. Применение трансформирования более высокого поряд-

ка с использованием более сложных уравнений полиномов может привести

к менее точным и предсказуемым результатам, особенно при переопреде-

лении яркости трансформированного пиксела.

После каждого очередного расчета коэффициентов полиномов транс-

формирования, опираясь на оценку полученных Dk, выполняют одну из

следующих операций:

72

- исключают контрольную точку с наибольшим значением Dk (учи-

тывая замечание, сделанное выше) и вычисляют новые коэффи-

циенты полиномов по оставшимся точкам; при этом может быть

достигнута приемлемая точность, иначе операцию повторяют;

- устанавливают новые параметры допуска ошибки;

- увеличивают порядок трансформирования, выполняя более слож-

ное геометрическое преобразование изображения;

- оставляют только те точки, относительно которых имеется

наибольшая уверенность, даже если их число минимально допу-

стимое.

Переопределение значений пикселов трансформированного снимка

Следующая процедура в процессе трансформирования - пересчет яр-

кости пикселов нетрансформированного снимка в яркость на трансформи-

рованном снимке. Необходимость переопределения значений яркости пик-

селов в соответствии с их новым положением возникает из-за того, что

сетка пикселов в исходном изображении редко соответствует сетке эта-

лонного изображения. Она может иметь другое разрешение и направление

осей (рисунок 21). Поскольку пикселы характеризуют некоторые про-

странственные единицы территории, и изображение ассоциируется с неко-

торой таблицей с одинаковыми квадратными ячейками (Рисунок 21а), то

после геометрических коррекций эти квадраты превращаются в четырех-

угольники самой различной формы и размера, в зависимости от сложности

преобразования (Рисунок 21б).

Рисунок 21 - Передискретизация пикселов изображения при трансформировании

Трансформированное изображение заполняется пиксел за пикселом по-

строчно. Процедура переопределения значений пикселов состоит в извле-

чении значения яркости пиксела исходного изображения с координатами

(x1,y1) и присвоении его пикселу, находящемуся в подходящей (в смысле

а б в

73

уравнений коэффициентов полиномов) точке с координатами (х,у) в новой

сетке. Проблема состоит в том, что в большинстве случаев вычисленные

по формуле ретрансформированные координаты (x1,y1) уже не целые, что

не позволяет однозначно выбрать пиксел исходного снимка. Так, напри-

мер, на рисунке 22 пиксел трансформированного изображения с координа-

тами (5,4) в эталонной сетке соответствует координатам (2.4 и 2.7) в сетке

исходного изображения для которых значение яркости неопределенно.

Рисунок 22 - Присвоение пикселам трансформированного изображения в сетке

(x,y) значений яркости исходного изображения из сетки (x1,y1): черной точкой показано

ретрансформированное положение пиксела, показанного кружком в эталонной сетке

/14/

Для назначения подходящих значений яркости трансформированным

пикселам в программах обработки изображений применяют методы интер-

поляции:

- метод ближайшего соседа;

- метод билинейной интерполяции;

- метод кубической интерполяции.

Метод ближайшего соседа - простейший и самый быстрый из трех

методов вычислений, который приписывает пикселу вторичного изобра-

жения значение ближайшего к его ретрансформированным координатам

пиксела исходного изображения. Таким образом значение пиксела из фай-

ла исходного снимка становится значением пиксела трансформированного

изображения. Для примера, на рисунке 22 - ВТ (4,5)= ВИ (2,3), где ВТ - яр-

кость трансформированного, а ВИ - яркость исходного изображения.

Преимуществом этого метода является сохранение исходных значе-

ний яркостей снимка, благодаря чему не происходит потери экстремаль-

ных и слабо различающихся значений, что важно для дешифрирования

снимка. Однако при применении метода для пересчета значений из сетки

x1

y1

74

более крупного размера в сетку меньшего размера обычно имеет место

эффект «ступенчатости» вокруг диагональных линий и кривых, пропада-

ние пикселов.

Метод билинейной интерполяции базируется на вычислении рассто-

яний между местоположением ретрансформированной координаты (x1,y1)

и четырьмя ближайшими пикселами исходного изображения (в окне 2x2).

Для расчета ВТ применяют метод средневзвешенной интерполяции. При

использовании метода билинейной интерполяции трансформированное

изображение получается сглаженным, отсутствует эффект «ступенчато-

сти», как это бывает в случае применения метода ближайшего соседа. Од-

нако это приводит к потере экстремальных значений яркости и некоторому

сглаживанию границ.

Метод кубической интерполяции аналогичен предыдущему, но для

расчета использует окрестность из 16 пикселов в окне 4x4, интерполируя

их значения полиномами 3-ей степени. Так как применяется кубическая, а

не линейная функция, пикселы, более удаленные от ретрансформирован-

ного, имеют экспоненциально меньший вес по сравнению с более близки-

ми к нему. Используя разные виды весовых коэффициентов, можно либо

усреднить и сгладить значения яркости, либо повысить контраст.

В большинстве случаев применения метода кубической интерполя-

ции (кубической конволюции) в трансформированном изображении сохра-

няются среднее и стандартное отклонение значений яркости, присущие ис-

ходному изображению, но увеличивается контрастность изображения и

сглаживаются шумы. Этот метод рекомендуется при значительном изме-

нении размера ячейки сетки. Однако он наиболее емкий по количеству вы-

числений и поэтому самый медленный.

Несмотря на надежность описанных методов, в процессе трансформи-

рования некоторая спектральная целостность может быть утеряна. Не-

трансформированное изображение является спектрально более верным.

Поэтому, в частности, рекомендуют проводить классификацию по исход-

ным снимкам, а трансформировать уже изображение, созданное в резуль-

тате классификации. Исключением является наличие для исследуемой тер-

ритории наземных опорных точек, полученных с помощью спутниковых

систем позиционирования.

Ортотрансформирование снимков. Создание мозаик

Трансформирование изображений горных территорий, где влияние

рельефа на геометрию снимков более существенно, требует использования

более сложных и точных преобразований для устранения искажений из-за

рельефа – ортотрансформирования,- осуществляемых с использованием

принципов и подходов цифровой фотограмметрии. В случае сравнительно

плоских областей в ортотрансформировании снимков нет необходимости.

75

Такая геометрическая коррекция применяется к аэро- и космическим

снимкам при их использовании для создания топографических карт.

Основой для проведения ортотрансформирования является цифровая

модель рельефа (ЦМР) изучаемой местности. Кроме ЦМР требуется ин-

формация о положении камеры или датчика в момент съемки - элементы

внешнего ориентирования камеры и элементы внутреннего ориентирова-

ния снимка. Определение элементов внешнего ориентирования снимков -

масштаба и положения относительно геодезической системы координат на

местности производится с помощью опорных точек (минимум три точки).

Для установления математической зависимости между системами

координат изображений, датчика и наземной системой применяют извест-

ные из топографии и фотограмметрии формулы триангуляции. Получае-

мые в результате триангуляции данные являются исходными для операции

ортотрансформирования. При ее выполнении каждому пикселу ЦМР нахо-

дится соответствующее положение на снимке. Для вычисления положения

точки на ортотрансформированном снимке используют значения яркости в

найденной точке и элементы внешнего ориентирования исходного снимка,

а также данные о высоте из ЦМР.

Алгоритмы, используемые для учета особенностей геометрии сенсо-

ра, определения элементов внутреннего ориентирования снимков по опор-

ным точкам, решения задачи триангуляции и ортотрансформирования,

позволяют достичь внутрипиксельной точности, оцениваемой долями пик-

села (subpixel). Многие из подобных алгоритмов обеспечивают возмож-

ность построения цифровой модели рельефа по стереоснимкам. ЦМР мо-

жет создаваться как в полуавтоматическом, так и в интерактивном режиме

в виде регулярной сети (растра) или нерегулярной триангуляционной сети

(TIN).

Цифровая модель рельефа может быть получена по следующим дан-

ным:

1. готовые растровые файлы, импортируемые в таких форматах как

DTED, USGS DEM и др.;

2. горизонтали, точки и орографические линии в векторных форма-

тах, полученные по топографическим картам;

3. модели нерегулярной триангуляционной сети – сети, состоящей

из неправильных треугольников (TIN);

4. стереомодели, полученные по стереопарам цифровых изображе-

ний.

Специализированные пакеты фотограмметрической обработки сним-

ков обеспечивают для отображения и редактирования построенной или

импортированной ЦМР так называемый стереоскопический режим с ис-

пользованием очков с жидкокристаллическими затворами. Измерения по

76

такой стереомодели выполняются с помощью курсора, который может ав-

томатически следовать рельефу местности. При этом его высотные отмет-

ки определяются с помощью алгоритма пространственной корреляции. Ре-

зультаты измерений выдаются в заданных пользователем проекции, си-

стеме координат и единиц измерения. Так как на ортотрансформирован-

ных изображениях устранены искажения, связанные с рельефом местно-

сти, проводимые по ним измерения столь же точны, что и выполняемые по

топографической карте. Так, например, лесотаксационные работы, прове-

денные с использованием высокоточных цифровых ортофотоснимков,

позволяют повысить точность измерения площадей, а, следовательно, и

точность оценок запаса древесины.

Другого рода проблема, связанная с трансформированием изображе-

ний, возникает при изучении больших территорий, представленных на не-

скольких снимках, возможно полученных разными системами или в разное

время. Процедура комбинирования снимков для создания одного файла

изображения называется созданием мозаики. Выполнение этой процедуры

связано с решением нескольких задач: совмещением снимков по коорди-

натам, выравниванием их яркостного контраста, заданием границы (линии

сшивки) между соединяемыми изображениями в области их перекрытия,

определением значений яркости пикселов в области перекрытия, создани-

ем результирующего изображения.

Все изображения, выбранные для создания по ним мозаики, должны

быть трансформированы и представлены в одной системе координат. Вы-

равнивание контраста выполняют путем подгонки гистограмм изображе-

ния, направленной на минимизацию различий между ними. Для этого мо-

жет быть применен один из описанных выше способов спектрального

улучшения изображений. Если гистограммы объединяемых снимков раз-

личаются сильно, то целесообразно подгонять гистограммы, построенные

только для областей перекрытия, поскольку на них фиксируется распреде-

ление яркости одних и тех же объектов. Далее пользователь, анализируя

область перекрытия снимков, задает линию их «сшивки». В большинстве

случаев эта процедура выполняется вручную, поскольку линия может

иметь сложную форму. Значения яркости пикселов в области перекрытия

могут быть определены разными способами: используют значения пиксе-

лов накладываемого сверху изображения, вычисляют среднее значение

пикселов двух изображений, минимальное или максимальное; осуществ-

ляют линейную интерполяцию значений яркости пикселов в области пере-

крытия.

Последним шагом в создании результирующего изображения является

задание его границ, которые определяются границами территории либо

границами кадров соединяемых снимков. Эта операция задает также чис-

ло строк и столбцов в записи созданного изображения. Пример мозаики

из ортотрансформированных снимков, выполненных компанией «Со-

77

взонд» приведен на рисунке 23.

78

Рисунок 23 - Мозаика из ортотрансформированных космических панхроматиче-

ских снимков, полученных со спутника ALOS (PRISM) с пространственным разре-

шением 2,5 м, покрывающих Прибайкалье (подготовлена компанией«Совзонд»)

79

5. ИНТЕРАКТИВНЫЕ МЕТОДЫ ДЕШИФРИРОВАНИЯ

Интерактивные методы дешифрирования материалов аэрокосмиче-

ских съемок основаны на рациональном сочетании знаний и опыта дешиф-

ровщика и возможностей компьютерных технологий. Простейшим приме-

ром такого метода является дешифрирование по изображению на экране

компьютера.

Использование компьютерной техники в значительной мере расши-

ряет возможности визуального и аналитико-измерительного дешифриро-

вания. Современные программные средства позволяют работать с различ-

ными вариантами синтеза многозональных изображений, использовать со-

четания изображений различных датчиков и различной давности и их про-

изводные, увеличивать многократно на экране компьютера изображение

дешифрируемого объекта (таксационного выдела или его части), осу-

ществлять визуальное контурное и лесотаксационное дешифрирование,

проводить в автоматизированном режиме различные измерения, например,

сомкнутости полога, диаметров и площадей крон деревьев (или их групп),

подсчитывать число видимых на снимке деревьев, различая их по породам

или их группам, измерять длину теней деревьев или других объектов (на

аэро- и космических снимках высокого разрешения), измерять высоты де-

ревьев по разности продольных параллаксов.

Объектом анализа при интерактивном дешифрировании являются

цифровые изображения различного происхождения. Это могут быть пере-

веденные в цифровую форму аэро- или космические фотоснимки, много-

зональные сканерные изображения, радиолокационные снимки, данные

сканирующих радиометров и др. При дешифрировании могут быть также

использованы сочетания изображений различного разрешения и сроков

съемки. Особо следует отметить возможность обработки цифровых дан-

ных дистанционного зондирования вместе с разнообразными картографи-

ческими и атрибутивными данными в среде современных геоинформаци-

онных систем.

В отличие от дешифрирования по аналоговым фотоотпечаткам при

интерактивном методе дешифрирования можно корректировать визуали-

зируемое на экране изображение и преобразовывать его в наиболее ин-

формативный и удобный для дешифровщика вид. Существует множество

алгоритмов улучшения и преобразования изображений – изображение

можно контрастировать, убрать шумы и сбойные строки, изменить цвето-

передачу, осуществить синтез из изображений в отдельных съемочных ка-

налах, сгладить или подчеркнуть с помощью пространственных фильтров

различные элементы изображения и т.д.

Использование при дешифрировании фотоснимков жестко привязы-

вает дешифровщика к определенному масштабу. При интерактивном ме-

80

тоде имеется возможность оперативно увеличивать и уменьшать изобра-

жение до масштаба, позволяющего извлечь максимум информации.

При интерактивном методе дешифрирования получаемые контуры

сразу формируются в растровом или векторном виде. Этот метод пред-

ставляет широкий спектр возможностей, позволяя:

Обрабатывать не исходное изображение, а результат его преобра-

зования.

Совмещать изображения из разных источников – разновремен-

ные, полученные в оптическом и радио диапазонах, результаты автомати-

зированной обработки и т.п.

Совмещать обрабатываемое изображение с любыми другими про-

странственно связанными с ним данными – различными тематическими

картами, данными наземного лесоустройства и т.п.

Технология интерактивного лесного дешифрирования в упрощенном

виде заключается в выделении объектов и определении их таксационных

характеристик непосредственно на экране компьютера. Для этого форми-

руется изображение, которое может быть синтезом зональных изображе-

ний, синтезом любых других изображений или результатов их обработки,

например, главных компонент. Подготовленное для обработки изображе-

ние выводится на экран в виде слоя – подложки и увеличивается до нужно-

го масштаба.

С помощью курсора дешифровщик-оператор производит оконтури-

вание нужных участков. Современные программные средства обеспечива-

ют удобный и доступный интерфейс даже для неопытного пользователя.

При этом получаемые контуры сразу формируются в векторном или раст-

ровом виде и автоматически вычисляются их площади. Для каждого вы-

деленного замкнутого контура участка визуальным, измерительным или

автоматизированным методом с использованием различных программных

и технологических приемов определяются таксационные характеристики.

Компьютерная система для визуального анализа изображений может

быть оснащена устройством для работы со стереоизображениями. Напри-

мер, затворными жидкокристаллическими очками, обеспечивающими раз-

дельную передачу на правый и левый глаз дешифровщика соответствую-

щих растровых изображений за счет синхронизации мигания развертки

экрана и срабатывания затворов. Специальное программное обеспечение в

комплекте с этим устройством позволяет производить стереоскопическое

дешифрирование.

По завершении формирования набора контуров выделов и их харак-

теристик данные передаются в базу картографических и таксационных

данных для дальнейшей их обработки и актуализации.

81

Дешифровочные признаки, используемые при интерактивном де-

шифрировании оцифрованных фотоснимков или синтезированных (компо-

зитных) многозональных изображений, аналогичны тем, что используются

при визуально-инструментальном дешифрировании.

При дешифрировании аналоговых аэро- и космических снимков лес-

ные объекты опознаются по комплексу «прямых» и косвенных дешифро-

вочных признаков. К «прямым» признакам относят те, которые непосред-

ственно отображаются на снимке и воспринимаются дешифровщиком, а

именно, тон (цвет), форма, размер, структура и текстура изображения, ха-

рактер тени, рисунок.

1) Тон (цвет) характеризует относительную яркость объекта или его

цвет. Это один из наиболее важных признаков дешифрирования. Для черно-белых снимков тон - степень почернения изображения на

снимке. При дешифрировании цифровых снимков количество разли-

чимых градаций тона/цвета ограничивается только их количеством,

т.е. радиометрическим разрешением изображения.

2) Форма объекта или его контуров является очень четким признаком

дешифрирования. Как правило, объекты, созданные человеком,

имеют четкие границы и правильную форму, а естественные объек-

ты - лесные массивы, водоемы и пр. имеют неправильную форму и,

зачастую, размытые границы. Форма объектов может быть точечной,

линейной, площадной. Линейные объекты различают по ширине,

длине, извилистости. К ним относятся дороги, трассы, каналы, про-

тивопожарные разрывы, реки, границы категорий земель. Площад-

ные объекты – выделы.

3) Размер объекта зависит от масштаба. Как правило, при дешифриро-

вании анализируются относительные размеры объектов на одном и

том же снимке.

4) Структура изображения определяется взаимным расположением

объектов на снимке. Как правило, отчетливая и хорошо распознава-

емая структура возникает в местах периодически повторяющихся

тонов и текстур. Так по структуре изображения можно отличить лес-

ные культуры в регулярных рядовых посадках, созданных челове-

ком, от насаждений естественного происхождения.

5) Текстура или частота изменений тона в определенной области

снимка обычно характеризуется как резкая или плавная. Например,

текстура смешанного леса характеризуется резкими пространствен-

ными изменениями тона, которые связаны с различиями в форме и

размерах крон деревьев разных пород и вариациями их сомкнутости.

82

6) Тень является одним из важных дешифровочных признаков, по-

скольку дает представление об относительной высоте и профиле

объекта (дерева или полога леса).

7) Рисунок изображения создается комплексом всех формирующих

его признаков. Он зависит от характера местности, масштаба изоб-

ражения или разрешения снимков, спектральных зон и условий

съемки.

На сверхкрупномасштабных аэроснимках (1:2000 и крупнее) рисунок

создается кронами деревьев, их тенями и фоном. На снимках такого мас-

штаба опознаются отдельные ветви, очертания крон, их морфологические

особенности, по которым можно определить древесные породы, степень

повреждения древостоев вредителями, болезнями и прочими неблагопри-

ятными факторами. Ландшафтные особенности местности, в том числе,

тип условий местопроизрастания, не оказывают существенного влияния на

рисунок изображения, поскольку даже минимальные по площади единицы

природно-территориальных комплексов, значительно больше площади,

изображающейся на крупномасштабном снимке. На таких снимках можно

опознать и подсчитать практически все деревья в верхней части полога,

кроны которых не затенены соседними деревьями.

На аэроснимках крупного масштаба (1:2000-1:10000) рисунок изобра-

жения создается генерализованными кронами деревьев, формирующими

структуру полога. На средне- и мелкомасштабных аэроснимках (1:10000-

1:100000) изображаются группы деревьев, при этом структура полога де-

шифрируется отчетливо.

На космических фотоснимках изображаются целые лесные массивы с

дифференциацией на группы и виды древесных пород в зависимости от

масштаба изображения. Помимо масштаба существенное влияние на изоб-

ражение оказывают характер рельефа местности, речная сеть и водные

объекты, геологическое строение и степень хозяйственной освоенности

территории.

При переходе от масштаба к масштабу претерпевают изменения гео-

метрические и изобразительные свойства снимка. Если на крупно- и сред-

немасштабных снимках видны кроны или группы крон деревьев, то на

мелкомасштабных, прежде всего, космических, происходит генерализация

цвета и структуры изображения. Теряются мелкие и малоконтрастные объ-

екты. Линейные очертания контуров обобщаются за счет исключения мел-

ких деталей и изгибов. Размытые границы становятся контрастными и чет-

кими, приближаясь к линейным. По мере уменьшения масштаба рисунок

изображения определяется структурой природно-территориальных ком-

плексов разного таксономического ранга (уровня) – урочищ, местностей,

ландшафтов.

83

К косвенным дешифровочным признакам относят приуроченность

объектов к определенным условиям местопроизрастания, ландшафтам.

При дешифрировании производных изображений, например, синтези-

рованных из зональных при нестандартных вариантах синтеза, индексных,

преобразованных методом главных компонент и др., дешифровочные при-

знаки разрабатываются отдельно для каждого варианта преобразованного

изображения.

Следует отметить, что практически все современные методы автома-

тизированной классификации изображений в той или иной мере являются

интерактивными, поскольку требуют либо предварительного участия

опытного дешифровщика в процессе подготовки и настройки классифика-

тора, либо его участия после классификации для оценки полученных ре-

зультатов.

84

6. ОСНОВНЫЕ СПОСОБЫ КОМПЬЮТЕРНОЙ

КЛАССИФИКАЦИИ ОБЪЕКТОВ ПО СНИМКАМ

Классификация - автоматизированное подразделение всех пикселов

снимка на группы или классы, соответствующие разным объектам обычно

по спектральным признакам, т.е. на основе различий в значениях спек-

тральной яркости.

Для успеха классификации в пространстве спектральных признаков

каждому классу должна соответствовать своя область значений яркости, не

пересекающаяся с областями других классов. Чтобы проверить, так ли это,

строят двумерные графики пространства спектральных признаков и выби-

рают для классификации те сочетания спектральных зон, в которых изуча-

емые объекты различаются лучше всего.

Способы классификации зависят от того, как выделяют и ограничивают

область значений яркости класса. Наиболее оптимальный (экономичный)

способ классификации должен учитывать характер распределения значе-

ний яркости между классами и внутри каждого класса.

Группы способов классификации по использованию распределения зна-

чений яркости делятся на непараметрические и параметрические.

В группе непараметрических способов распределение значений ярко-

сти внутри класса не учитывается и не описывается никакими параметра-

ми. Это распределение может быть неоднородным, класс может включать

произвольные скопления сочетаний спектральных яркостей. Для отделения

этого класса от других нужно точно описать границу занимаемой им обла-

сти. Если область отстоит далеко от областей других классов, то ее можно

ограничить простой геометрической формой, например прямоугольником

(Рисунок 24,а). Прямоугольник в двумерном пространстве спектральных

признаков задается лишь минимальным и максимальным значением ярко-

сти класса в каждой спектральной зоне, поэтому классификация идет

быстро. Если же область находится рядом с другими и ее границы имеют

сложную геометрическую форму, то для классификации требуется много

данных и машинного времени. Например, при многоугольной форме обла-

сти нужно знать все значения яркости, задающие углы многоугольника

(Рисунок 24,б).

У непараметрических способов два основных применения. Во-первых,

их используют для крайне простых классификаций, когда надо различить

всего 2 - 4 контрастных по яркости объекта (например, вода, суша, облака).

Во-вторых, их применяют в наиболее сложных случаях, когда классы тес-

но соседствуют в пространстве спектральных признаков и внутренне неод-

нородны, из-за чего невозможно применение параметрических способов.

Вторая группа включает параметрические способы классификации,

предполагающие, что распределение значений спектральной яркости внут-

ри класса подчинено определенному закону. Тогда распределение модели-

85

руют с помощью стандартных расчетов на основе этого закона, что позво-

ляет не тратить время на детальное определение границы области, занима-

емой значениями яркости класса. Почти всегда используют закон нормаль-

ного (гауссова) распределения, типичного для яркостей природных объек-

тов. Для него характерны симметричное распределение значений яркости

вокруг среднего значения, непрерывность и преобладание малых отклоне-

ний от среднего. Графически этому соответствует симметричная колоко-

лообразная кривая (Рисунок 24 в). Нормальное распределение значений

яркости класса в каждой спектральной зоне рассчитывается по двум пара-

метрам среднему значению яркости (В*λm) и стандартному отклонению

(σλ).

в г д

Рисунок 24 - Способы классификации /8/

I- непараметрический: а - с простыми границами между классами; б - со сложными

границами между классами; II- параметрический: в- кривая нормального распределения

значений яркости; г - оценка нормальности распределения по гистограмме значений

яркости класса: 1- близкое к нормальному; 2- многомодальное, далекое от нормально-

го; д- отображение классов с нормальным распределением яркости в пространстве

спектральных признаков

I

II

86

Стандартное отклонение определяют по формуле:

1

)(1

2**

n

BBn

i

mi

,

где n- количество значений яркости пикселов в пределах класса, В*λm -

среднее значение яркости в определенной зоне, В*λi -значение яркости пик-

села i.

Стандартное отклонение интерпретируется как отстояние значений яр-

кости от среднего значения яркости всего класса. Чем меньше σλ, тем луч-

ше среднее значение представляет класс в целом. Из математической ста-

тистики известно, что если распределение данных нормальное, то в преде-

лах ± σλ от среднего значения находится более 68 % общего числа значе-

ний, а в пределах ± Зσλ — более 99 %. Таким образом, интервал В*λm ± 3σλ

содержит практически все значения яркости для нормально распределен-

ного класса. Чтобы оценить, насколько близко распределение значений

спектральной яркости класса к нормальному, строят гистограмму по зна-

чениям яркости пикселов в пределах класса и сравнивают ее с графиком

кривой нормального распределения, имеющей те же В*λm и σλ (Рисунок 24

г).

Наиболее важно, чтобы гистограмма была одномодальной, т.е. имела

только один четко выраженный пик по яркости. Если на ней есть несколь-

ко пиков, то класс следует разбивать на несколько подклассов по яркости

со своими В*λm и σλ. Симметричность и высота гистограммы по сравнению

с теми же параметрами кривой нормального распределения имеют важное,

но второстепенное значение.

При параметрической классификации по многозональному снимку

предполагают, что распределение значений яркости в пределах каждого

класса в каждой спектральной зоне нормальное. В двумерном простран-

стве признаков область класса с нормальным распределением значений яр-

кости отобразится как круг, если σλ в двух зонах одинаковые, а при разных

σλ — как эллипс. Если зональные значения яркости класса меняются взаи-

мосвязанно, то эллипс имеет определенный наклон (Рисунок 24 д). Напри-

мер, для открытых почв с увеличением значений в красной зоне растут

значения в ближней инфракрасной, и на двумерном графике значений яр-

кости в этих зонах эллипс будет вытянут по диагонали вдоль осей. В этом

случае говорят, что существует положительная ковариация между значе-

ниями яркости почв в указанных зонах. Если же с повышением значений

яркости в одной зоне значения в другой падают, т.е. эллипс вытянут попе-

рек осей координат, наблюдается отрицательная ковариация.

Вытянутость эллипса, ограничивающего область класса, пропорцио-

нальна ковариации. Этот важный факт позволяет использовать ковариа-

87

цию для моделирования формы областей классов в пространстве спек-

тральных признаков. Ковариацию рассчитывают по формуле:

1

))(( *

2

*

2

0

*

1

*

1

2,1

n

BBBB

Covmi

n

i

mi

, где B*λ1i , B*λ2i – значения яркости

пиксела i в двух сравниваемых спектральных зонах.

Для n спектральных зон значения ковариации между яркостями во

всех возможных парах зон записывают в виде двумерного массива, или

матрицы ковариации размером nn. Эта матрица является компактной ха-

рактеристикой взаимосвязей между спектральными яркостями в пределах

класса.

Для оценки зависимости между значениями яркости в разных спек-

тральных зонах часто используют другую статистическую меру — коэф-

фициент корреляции kB*, который является стандартизованным вариан-

том ковариации. Для получения коэффициента корреляции ковариацию

делят на произведение стандартных отклонений значений яркости в двух

сравниваемых спектральных зонах.

,21

2,1*

2,1

CovkB

Корреляцию используют вместо ковариации, когда зональные значения

яркости не были взаимно откалиброваны, таким образом делая их сравни-

мыми. Значения коэффициента корреляции варьируют от +1 (полная по-

ложительная корреляция) до -1 (полная отрицательная корреляция), а зна-

чения ковариации — в произвольных пределах. Если ковариация или ко-

эффициент корреляции близки к нулю, связи между зональными значени-

ями яркости нет.

Таким образом, среди параметрических способов классификации есть

простые способы, использующие только средние значения яркости клас-

сов, и сложные, использующие также стандартные отклонения и матрицу

ковариации (либо матрицу коэффициентов корреляции). Чем больше па-

раметров в классификации, тем лучше различаются классы, близкие по

значениям яркости, однако тем больше машинного времени требуется для

ее выполнения.

Параметрические методы применяют для классификаций средней и вы-

сокой сложности с умеренным количеством классов (обычно от 3 до 100),

внутри которых значения яркости распределяются согласно нормальному

закону.

88

По способу реализации различают контролируемую классификацию

или классификацию с обучением и неконтролируемую классификацию

или без обучения. В способах классификации с обучением используются

заранее определенные человеком эталонные значения спектральной ярко-

сти объектов. В интерактивном задании этих значений и состоит обучение.

В процессе классификации значения яркости текущего пиксела сравнива-

ются с эталонными и пиксел относится в наиболее подходящий класс объ-

ектов. Качество обучения можно оценить по правильности классификации

эталонных участков — в этом заключается контроль.

Результатом работы алгоритмов с обучением является так называемая

карта классификации — изображение, на котором пикселы, вместо исход-

ных значений яркости, дифференцированы по принадлежности к опреде-

ленным классам объектов. Карта классификации имеет заранее определен-

ную легенду. Алгоритмы с обучением используют, когда имеются досто-

верные наземные данные, не очень много классов объектов (обычно до 30)

и они четко различаются на снимке.

В способах классификации без обучения (кластеризации) вначале про-

водится автоматическое разделение пикселов на группы. Исходная инфор-

мация, задаваемая дешифровщиком, минимальна: количество классов, ко-

торые нужно получить; насколько сильно они должны различаться по зна-

чениям яркости между собой; параметры, определяющие длительность

классификации. На первом этапе изображение разделяется на массивы

сходных по спектральным характеристикам пикселов — кластеры. Затем

дешифровщик анализирует характеристики кластеров, сопоставляет их с

характеристиками реальных географических объектов и определяет, к ка-

ким объектам относится кластер.

Полученная карта классификации более объективно отражает близкие

по значениям дешифровочных признаков группы объектов, чем при клас-

сификации с обучением, поскольку кластеры определяются автоматически.

Но ее легенда, первоначально не указывающая объектного содержания

кластеров, даже после определения объектов дешифровщиком обычно

требует дальнейшего редактирования (объединения или разбиения клас-

сов). Одни и те же объекты могут попасть в разные кластеры, например из-

за условий освещения (горные леса на склонах разной экспозиции), а раз-

ные объекты — оказаться в одном кластере из-за одинаковой яркости

(скальные участки и бетонное покрытие дорог). В первом случае необхо-

димо объединить кластеры в единый класс, а во втором — привлечь до-

полнительные дешифровочные признаки для различения объектов.

Способы классификации с обучением и без обучения взаимно допол-

няют друг друга и часто их сочетают в той или иной последовательности в

рамках гибридной классификации /8/.

89

7. МЕТОДЫ НЕКОНТРОЛИРУЕМОЙ КЛАССИФИКАЦИИ

Методы неконтролируемой классификации (классификации без обу-

чения), которые часто называют кластерным анализом или кластериза-

цией, основаны на естественной группировке классифицируемых объектов

изображения на основе анализа пространства признаков.

Классификация без обучения (кластеризация) по спектральным

признакам позволяет автоматически разделить все изображение снимка на

участки с одинаковыми объектами на основе близких значений их спек-

тральной яркости. При этом группы (кластеры), к которым отнесены все

пикселы изображения, не обязательно соответствуют тематическим (ин-

формационным) классам. Критерием отнесения пикселов к тому или дру-

гому кластеру служит только схожесть спектральных характеристик.

В задачу дешифровщика входит задание некоторых входных парамет-

ров, которые применяются для выявления сходства пикселов, интерпрета-

ция полученных классов (кластеров) после классификации, т.е. отнесение

их к тематическим (информационным) классам. Входными параметрами, в

соответствии с которыми производится анализ пространства спектральных

признаков и формирование кластеров, могут быть число кластеров, раз-

брос значений внутри каждого кластера, число итераций и другие.

В основе алгоритмов неконтролируемой классификации лежат поро-

говые процедуры. В них предполагается, что количество первоначальной

информации достаточно для разделения классов, поэтому эталоны (обуча-

ющая выборка) не используются /13/.

Способы кластеризации с использованием спектральных признаков

делятся на одношаговые и многошаговые (итерационные).

Способ быстрого выделения кластеров пригоден для быстрого раз-

деления многозонального снимка на пространственно и спектрально одно-

родные области. Анализ цифрового снимка осуществляется построчно,

предварительно задаются значения пороговой величины, т.е. предельного

расстояния от пиксела до центра кластера и среднеквадратического откло-

нения. В качестве центра первого кластера выбирается первый элемент

строки. Далее последовательно вычисляется евклидово расстояние от это-

го центра до следующего пиксела в строке. Это расстояние сравнивается с

выбранным порогом. Если расстояние от анализируемого пиксела до цен-

тра первого кластера меньше порогового значения, то пиксел относится к

сформированному кластеру, центр которого перевычисляется, т.е. вычис-

ляется среднее из двух значений. В противном случае формируется новый

кластер, а второй пиксел становится его центром. Аналогично рассматри-

вается каждый следующий пиксел в строке. После просмотра всей первой

строки выполняется анализ следующей. При анализе каждой очередной

строки учитываются результаты просмотра предыдущих строк и в качестве

центров кластеров задаются полученные ранее координаты. Так последо-

90

вательно просматриваются все пикселы снимка и формируются кластеры,

именами которых служат порядковые номера.

После обработки всего снимка получают предварительную карту кла-

стеризации, в легенде которой указаны порядковые номера кластеров. Да-

лее дешифровщик определяет соответствие этих кластеров тематическим

классам. Чем меньше порог, тем большее количество кластеров будет об-

разовано. При большом пороге число кластеров уменьшается. Преимуще-

ство способа — высокая скорость вычислений, а недостаток — влияние

значений яркости первых нескольких пикселов на результат кластериза-

ции. Усовершенствованный вариант алгоритма быстрого выделения кла-

стеров предполагает определение яркостных порогов в процессе кластери-

зации. Способ является параметрическим поскольку предполагает группи-

ровку пикселов вокруг средних значений яркости кластеров.

В программном комплексе ENVI представлены два основных алго-

ритма для классификации без обучения: метод k-средних и ISODATA. Оба

способа требуют задания числа классов, которые будут выделены, и ряда

ограничивающих параметров: порога сходимости (близости характери-

стик), числа итераций, минимального количества пикселов в классе и дру-

гих.

Метод k-средних

Суть этого метода состоит в следующем: исследователь заранее опреде-

ляет количество классов (k) на которые необходимо разбить имеющиеся

наблюдения, и первые k - наблюдений становятся центрами этих классов.

Для каждого следующего пиксела рассчитывается расстояние до центра

класса. Например, у вас есть гипотеза относительно числа кластеров (по

наблюдениям или по переменным), которые будут выделены на изображе-

нии, предполагаете, что их - 3. Вы можете указать системе образовать ров-

но три кластера так, чтобы они были настолько различны, насколько это

возможно. В общем случае метод k-средних строит ровно k различных кла-

стеров, расположенных на возможно больших расстояниях друг от друга,

при этом расстояния между пикселами внутри класса минимальны. Рас-

стояние понимается как эвклидово расстояние, то есть объекты рассматри-

ваются как точки эвклидова пространства.

Формула эвклидова расстояния приводится ниже:

22 )()(D clijlckijk BVBV , где BVijk, значение яркости отдельного

пиксела в строке i столбце j, D - эвклидово расстояние, µck и µcl - средний

вектор.

Метод k-средних работает следующим образом: 1) задается порог раз-

биения данных на кластеры; вычисляются центры тяжести кластеров; 2)

происходит перемещение точек: каждая точка помещается в ближайший к

91

ней кластер; 3) вычисляются центры тяжести новых кластеров; 4) шаги 2, 3

повторяются, пока не будет найдена стабильная конфигурация (то есть

кластеры перестанут изменяться) или число итераций достигнет величины,

заданной дешифровщиком. На рисунке 25 приведен пример классифика-

ции изображения ALOS AVNIR способом k-средних для создания масок

воды и облаков, и улучшения последующей классификации.

Итеративный самоорганизующийся способ кластеризации

ISODATA (от Iterative Self-Organising Data Analysis Technique — итера-

тивный самоорганизующийся способ анализа данных) используют для бо-

лее точной, многошаговой обработки снимков. Основной параметр, зада-

ваемый перед вычислениями, — число кластеров n, которое необходимо

получить. Перед первой итерацией рассчитывают статистические парамет-

ры распределения яркости всего снимка в каждой спектральной зоне: ми-

нимальное, максимальное и среднее значения, стандартное отклонение.

Далее все пространство спектральных признаков делят на n равных диапа-

зонов и назначают средние значения кластеров в центре каждой из образо-

ванных областей (рисунок 26 а). Затем проводят первую итерацию класте-

ризации: для значений яркости всех пикселов рассчитывают спектральные

расстояния dic до средних значений и каждый пиксел относят в определен-

ный кластер по принципу минимального расстояния (рисунок 26 б). После

первой итерации рассчитывают реальные средние значения спектральных

признаков по полученным кластерам. На второй итерации повторяют кла-

стеризацию с новыми средними значениями и уточняют границы класте-

ров (рисунок 26 в). По уточненным кластерам рассчитывают новые сред-

ние значения, проводят следующую итерацию и т.п. Итерации повторяют

до тех пор, пока границы кластеров не стабилизируются, т. е. пикселы не

перестанут переходить из кластера в кластер. Обычно задают этот пара-

метр, так называемый порог сходимости, равным от 95 до 99 % всех пик-

селов. При определенном распределении значений яркости на снимке та-

кой стабилизации не происходит, поэтому одновременно используют вто-

рой ограничивающий параметр — максимальное число итераций.

Скорость обработки способом ISODATA зависит от заданного дешиф-

ровщиком количества классов, объема снимка, процессора, размера опера-

тивной памяти, программного обеспечения. Однако в результате обработ-

ки снимка по этому способу объективно выявляется распределение объек-

тов с разными спектральными характеристиками. В отличие от алгоритма

быстрого выделения кластеров результат кластеризации не зависит от того,

с какого пиксела начинается обработка. Способ ISODATA является пара-

метрическим, так как значения яркости группируются вокруг среднего

значения яркости кластера.

92

а) б)

в) г)

Рисунок 25 - Использование способа k-средних для создания маски «водные

объекты» и последующей классификации изображения с исключением водных объ-

ектов, благодаря использованию созданной маски

а) исходный многозональный снимок ALOS AVNIR (пространствен-

ное разрешение 10 м);

б) маска для водных объектов;

в) синтезированное изображение с маской для водных объектов (ИК-

К-З)

г) классификация снимка на 20 классов с исключением водных объ-

ектов

93

Рисунок 26 – Последовательность работы алгоритма ISODATA /8/ а – определение начальных значений центров кластеров, б- определение границ

кластеров в результате 1-ой итерации, в - уточнение положения центров и границ кла-

стеров в результате 2-ой итерации

В программном комплексе ENVI при использовании классификатора

ISODATA оператором задаются следующие ограничивающие параметры

(показатели):

1. число классов, которые будут выделены на снимке;

2. максимальное число итераций;

3. порог сходимости - количество пикселов (в %), которые меня-

ют свою принадлежность к классу при переходе к следующей

итерации;

4. максимальное стандартное отклонение от среднего;

5. минимальное число пикселов для выделения класса (если вы-

деленный класс будет меньше, чем указанный порог, то он бу-

дет удален, а пикселы отнесены к ближайшему классу);

6. максимальное стандартное отклонение внутри класса (если

стандартное отклонение класса будет больше, чем указанный

порог, то класс будет разбит на 2 класса) и пр.

Следует помнить, что получаемые при неконтролируемой классифи-

кации классы-кластеры не являются тематическими, т.к. выделены на ос-

нове математического анализа сходства объектов (пикселов) по некоторым

заложенным в алгоритмах кластеризаций критериям. Поэтому во всех слу-

чаях завершающим этапом кластеризации является идентификация класте-

ров, т.е. установление их принадлежности определенным тематическим

классам или группам классов.

Яр

ко

сть

в

зо

не

2

94

8. МЕТОДЫ КОНТРОЛИРУЕМОЙ КЛАССИФИКАЦИИ ИЛИ

КЛАССИФИКАЦИИ С ОБУЧЕНИЕМ

Смысл классификации с обучением по спектральным признакам или

контролируемой классификации заключается в отнесении каждого из пик-

селов снимка к определенному классу объектов, которому соответствует

некоторая область в пространстве спектральных признаков.

Контролируемая классификация обычно предпочтительна в случаях,

когда необходимо выделить относительно небольшое число классов и ко-

гда пользователь имеет возможность задать на изображении обучающую

выборку. Обучающая выборка представляет собой совокупность участков-

эталонов, подкрепленных, как правило, информацией из других проверен-

ных источников (например, материалов наземного обследования) или уве-

ренно опознаваемых однородных территорий, соответствующих каждому

из выбранных классов. Однородность - одна из важнейших характеристик

обучающей выборки для любого информационного класса.

Набор пикселов, попавших в обучающую выборку, позволяет вычис-

лить статистики признаков (среднее значение, дисперсию и т.д.), а затем

создать и оценить сигнатуры распознаваемых классов. Сигнатуры строятся

в виде частотных гистограмм (графика) для каждого информационного

класса по всем спектральным диапазонам.

Пример сигнатур для различных классов объектов приведен на рисун-

ке 27. По оси ординат отложено среднее значение яркости пикселов, при-

надлежащих к определенному классу, по оси абсцисс - спектральные зоны.

Успех контролируемой классификации во многом зависит от качества

обучающей выборки, поэтому при выборе эталонных областей необходимо

учитывать следующие характеристики /19/.

Количество пикселов. Хотя точных рекомендаций в отношении этого

показателя не существует, каждый тематический класс должен включать

достаточно большое количество пикселов.

Размер области. Размер области следует выбирать так, чтобы соот-

ветствующая выборка содержала точную и надежную информацию об ин-

формационном (тематическом) классе. Вместе с тем, размер области не

должен быть слишком большим, поскольку в этом случае возрастает веро-

ятность нежелательных вариаций яркости.

Количество эталонных областей. Этот параметр зависит от числа

распознаваемых объектов и их разнородности. Как правило, для каждого

класса формируют от пяти до десяти обучающих выборок. Этого бывает

достаточно, чтобы учесть пространственную и спектральную изменчи-

вость свойств объектов внутри каждого класса. Формировать несколько

выборок полезно еще и потому, что некоторые из них впоследствии могут

быть исключены из рассмотрения.

95

Рисунок 27- Пример сигнатур, построенных по значениям яркости объектов обучающей

выборки

96

На основании опытных работ установлено, что лучше использовать

много эталонных областей малого размера, чем небольшое число крупных

эталонных областей.

Однородность, как отмечалось выше, – одна из важнейших характе-

ристик обучающей выборки для любого тематического (информационно-

го) класса. Обучающая выборка должна содержать только однородную

информацию. Если гистограмма соответствующего выборке спектрального

класса имеет только один пик, то обучающая выборка сформирована пра-

вильно. Наличие нескольких пиков на гистограмме свидетельствует о том,

что обучающая выборка содержит разнородную информацию и ее нельзя

использовать для классификации. В этом случае идентифицируют эталон-

ные области, вызывающие этот эффект, и исключают их из рассмотрения.

Однородность данных характеризует дисперсия, поэтому минимальность

дисперсии определяет репрезентативность выборки.

После создания обучающей выборки и оценки соответствующего

набора сигнатур производится собственно классификация изображения,

каждый пиксел которого анализируется независимо. Вектор признаков

каждого пиксела сравнивается с сигнатурами в соответствии с решающими

правилами. К наиболее распространенным, относятся следующие алгорит-

мы:

способ параллелепипеда;

способ минимальных расстояний;

способ максимума правдоподобия.

Способ параллелепипеда

Этот способ применяют для классификации четко различающихся

объектов, когда значения спектральной яркости разных объектов практи-

чески не перекрываются, а классов объектов немного. Как следует из

названия, при классификации в пространстве спектральных признаков вы-

деляются области в форме параллелепипедов (а в двумерном пространстве

— прямоугольников) ограничивающих значения яркости объектов данного

класса. Граничные (минимальные и максимальные) значения яркости

определяют по двумерным графикам спектральных признаков (сигнату-

рам). За максимальное значение принимают сумму среднего значения яр-

кости объекта в обучающей выборке и удвоенного стандартного отклоне-

ния, за минимальное – разность между средним значением яркости и удво-

енным стандартным отклонением.

Затем значения спектральных признаков в каждом пикселе сравнива-

ются с граничными для каждого класса. Если пиксел по своим значениям

яркости попадает в один из диапазонов с заданными границами, его отно-

сят к соответствующему классу. Если значения яркости пиксела не попали

97

ни в один диапазон, его относят к неклассифицированным объектам. Если

значения яркости попадают в несколько диапазонов, возможно несколько

вариантов классификации объекта. Ни рисунке 28 показан принцип работы

алгоритма.

Преимущества способа — простота, отсутствие требований к распреде-

лению значений яркости (способ непараметрический), быстрота выполне-

ния классификации. Этот способ часто применяют в сочетании с более

сложными, чтобы быстро отделить объекты, не пересекающиеся по диапа-

зонам характерных значений яркости с другими, а уже затем обрабатывать

оставшиеся участки с помощью более сложных алгоритмов. Например, по

сочетанию значений яркости в красной и ближней инфракрасной зоне

снимка можно отделить растительность от открытых почв перед компью-

терным дешифрированием типов растительности.

Рисунок 28 - Классификации методом параллелепипеда. Принцип работы алгорит-

ма. Использование для задания вершин параллелепипеда стандартных отклонений- 2σ

от средних значений класса 1- МА1 и МБ 1- в зонах А и Б соответственно /14/

Способ минимального расстояния

Этот способ используют, когда спектральные признаки разных клас-

сов довольно схожи и диапазоны значений их яркости перекрываются.

Идея способа состоит в том, что средние значения яркости классов, вычис-

98

ленные по обучающей выборке (по эталонам), служат центрами, к которым

притягиваются пикселы с наиболее близкими значениями яркости. Для

этого складываются квадраты разностей между значением яркости пиксела

и средним значением яркости класса эталона во всех спектральных зонах.

Извлекая квадратный корень из этой суммы, получают так называемое

спектральное расстояние Dic от значений спектральной яркости В*i произ-

вольного пиксела i, не относящегося к обучающей выборке, до совокупно-

сти средних значений яркости Мс класса с в n спектральных зонах в соот-

ветствии с формулой:

2*

1

)( i

n

i

cic BMD

,

Спектральное расстояние вычисляют для всех возможных классов.

Пиксел относят в тот класс, расстояние до совокупности средних значений

яркости которого оказалось минимальным (Рисунок 29). В результате

классификации пространство спектральных признаков разбивается на об-

ласти, соответствующие классам. Неклассифицированных пикселов при

использовании данного способа не остается. Поэтому его применяют для

дешифрирования непрерывно и плавно меняющихся характеристик,

например, уровня повреждения лесной растительности промышленными

выбросами /8/. Способ является параметрическим. Скорость вычислений

этим алгоритмом ниже, чем алгоритмом параллелепипеда, но выше, чем в

более сложных способах, использующих большее количество параметров,

а точность сопоставима с последними. Способ удобен для выделения до 20

— 30 классов объектов, поскольку почти все операции, в том числе опре-

деление границ между классами, выполняются автоматически. Необходи-

мо лишь предварительно рассчитать по эталонным обучающим выборкам

средние значения яркости для каждого из классов.

Способ минимального расстояния эффективен, когда количество клас-

сов в обучающей выборке ограничено /11/. Для успешной классификации

необходимо, чтобы значения спектральной яркости объектов компактно

группировались вокруг средних значений соответствующих классов. Од-

нако нередки ситуации, когда область значений яркости класса так вытя-

нута в пространстве спектральных признаков, что часть попадающих в нее

пикселов ближе по яркости к средним значениям других классов. В этом

случае способ даст ошибочную классификацию. Поэтому чаще применяют

более сложный алгоритм, учитывающий особенности взаимосвязи между

спектральными зонами, т.е. особенности вариаций спектральных призна-

ков объекта.

99

Рисунок 29 - Классификация методом минимального спектрального расстояния.

Принцип работы алгоритма. М1, М2 и М3 средние значения яркости пикселов, рассчи-

танные по эталонам для классов 1, 2 и 3 соответственно в двух зонах /14/

Способ максимального правдоподобия

Этот способ классификации учитывает вариации спектральных при-

знаков объектов, предполагает нормальное распределение значений ярко-

сти в пределах каждого класса во всех спектральных зонах и использует

ковариации между значениями спектральной яркости. Напомним, что в

этом случае моделируют области, занимаемые классами в двумерном про-

странстве спектральных признаков как эллипсы, ориентированные в

направлении наибольшего разброса значений и с центром в точке со сред-

ними значениями признаков для данного объекта. Чем ближе значения яр-

кости пиксела к центру определенного эллипса, тем выше вероятность

принадлежности пиксела к соответствующему классу. При классификации

удовлетворяется условие максимальной вероятности отнесения пиксела к

данному классу (максимального правдоподобия) — отсюда название спо-

соба.

Поскольку этот способ применяется в наиболее сложных случаях, ко-

гда значения яркости разных классов весьма близки, эталонные участки

выбирают особенно тщательно, контролируя распределение значений яр-

кости в пределах класса по гистограммам. Это распределение должно быть

близким к нормальному или, как минимум, одномодальным с резко выра-

женным пиком. По крайней мере, в одной спектральной зоне не должно

быть значительных перекрытий текущего класса с другими. По эталонным

участкам для каждого класса рассчитываются минимальные, максималь-

ные и средние значения спектральных яркостей и матрица ковариации, ха-

100

рактеризующая взаимосвязи между значениями яркости класса в разных

спектральных зонах. С учетом всех этих параметров вычисляют особое

спектральное расстояние, называемое расстоянием Махалонобиса.

Пиксел относится к тому классу, расстояние Махаланобиса до эталон-

ных средних значений которого минимально (при равенстве значений

устанавливают определенную последовательность классификации, и клас-

сы, обрабатываемые первыми, имеют преимущество). Если значения ярко-

сти пикселов вообще не соответствуют эталонным диапазонам яркости

классов или расстояния Махаланобиса для них больше заданного порога,

то их оставляют неклассифицированными. Это позволяет оценить, какой

процент площади снимка не определяется спектральными признаками, по-

лученными по эталонным участкам.

Существует усовершенствованный вариант способа, основанный на

так называемом правиле Байеса, которое позволяет дополнительно учиты-

вать информацию об относительной площади снимка, занимаемой каким-

то классом. Например, известно, что в лесном массиве, изобразившемся на

снимке, 2/3 елей и 1/3 берез. По эталонным участкам в густых еловых по-

садках и в березовой роще получены значения яркости этих пород, кото-

рые хорошо различаются в ближней инфракрасной зоне, что позволяет

правильно классифицировать участки леса, где встречается только одна

порода. Однако допустим, что в массиве много смешанного леса, который

отображается промежуточными значениями яркости на снимке. Классиче-

ский вариант способа будет с равной вероятностью относить такие значе-

ния к классу берез или елей, что может привести к завышению процента

берез в лесном массиве по сравнению с реальным. Байесовский вариант

способа позволяет ввести весовые коэффициенты, пропорциональные ве-

роятности встречаемости пород, и в этом случае при классификации пик-

селы с промежуточными значениями яркости будут чаще относиться к

елям, чем к березам /8/.

Оба варианта способа используются для идентификации большого ко-

личества разнородных типов объектов, имеющих различную площадь и

характер размещения. Для этого параметрического способа классификации

требуется наибольший объем вычислений и значительное время.

Основные этапы классификации с обучением. Процесс классификации

можно разделить на четыре основных этапа:

- планирование классификации, выбор способа;

- выбор эталонных участков;

- процесс классификации;

- оценка качества классификации и оформление ее результатов.

Примеры классификации с обучением разными алгоритмами показаны на

рисунке 30.

101

Рисунок 30 - Примеры работы различных алгоритмов классификации с обучением по

спектральным признакам (контролируемая классификация)

102

Классификация на основе спектральных признаков. Выбор способа /8/

Выбор способа классификации зависит от распределения яркостей

объектов в многомерном пространстве спектральных признаков. Проил-

люстрируем процесс выбора оптимального способа — наиболее простого

и быстрого, но при этом достаточного для решения задачи, используя для

простоты двумерное пространство спектральных признаков.

В наиболее простом случае области, ограничивающие значения яр-

костей для разных объектов, не пересекаются, что позволяет однозначно

дешифрировать объекты и ограничить поле яркостей каждого объекта

прямоугольником. На практике это осуществимо, если самих объектов

немного (2 —4). В этом случае используют способ параллелепипеда.

Чаще области, соответствующие разным объектам, пересекаются.

Если при этом корреляции между значениями спектральной яркости в

разных зонах нет (т. е. области, соответствующие объектам, имеют округ-

лую форму) и известны эталонные средние значения яркости класса

(например, в результате определения по эталонным участкам на снимке),

то применяют способ минимального расстояния, учитывающий только

отстояние значений яркости от среднего для каждого объекта. Если эта-

лонные значения неизвестны, применяют способы классификации без

обучения: быстрого выделения кластеров или способ ISODATA.

Если же корреляция между значениями спектральной яркости в раз-

личных зонах есть, то ее используют для более достоверного различения

объектов, применяя способ максимального правдоподобия. Как указыва-

лось выше, в случаях, когда спектральные яркости объекта имеют прибли-

зительно нормальное (гауссово) распределение (что характерно для есте-

ственных и сельскохозяйственных ландшафтов), в двумерном спектраль-

ном пространстве они отобразятся в пределах эллипса. Размеры эллипса

задаются размахом значений яркости на снимке, а его форма и ориенти-

ровка осей — коэффициентами корреляции между значениями в разных

спектральных зонах. При классификации учитывается не только отстоя-

ние значений яркости от среднего для объекта, но и их нахождение в пре-

делах эллипса.

Заметим, что опытный специалист по обработке снимков иногда ин-

туитивно определяет особенности распределения яркости объектов и

наилучший способ классификации, глядя на снимок. Однако в процессе

обучения компьютерному дешифрированию, а также при детальном ана-

лизе и использовании большого количества классов сопоставление изоб-

ражения объектов на снимке и их положения на графике пространства

спектральных признаков необходимо.

103

Рациональный выбор способа позволяет значительно уменьшить время

компьютерной обработки. Для снимка большого объема (например, 200

Мбайт) способ параллелепипеда выделит заданное количество классов

объектов в несколько раз быстрее, чем при использовании способа мини-

мального расстояния.

В сложных случаях целесообразно сочетать несколько способов клас-

сификации: например, объекты, резко отличающиеся от всех остальных по

яркости, классифицировать способом параллелепипеда, а остальные — бо-

лее сложным способом. Это одна из разновидностей гибридной классифи-

кации.

Необходимо ограничиваться минимально достаточным количеством

дешифровочных признаков. Например, если при составлении карты расти-

тельности по снимку выявлено, что все типы растительности хорошо иден-

тифицируются с помощью значений яркости в двух спектральных зонах,

не нужно использовать остальные зоны. Наличие излишней информации

замедлит компьютерную обработку и может даже ухудшить ее результаты,

если в дополнительно используемых спектральных зонах типы раститель-

ности не разделяются.

104

9. ОЦЕНКА РЕЗУЛЬТАТОВ КЛАССИФИКАЦИИ

После того как классификация выполнена, необходимо оценить до-

стоверность ее результатов, которая подразумевает оценку точности де-

шифрирования (опознавания) полученных классов. Поскольку границы

классов на местности, как правило, достоверно не известны, оценивают та-

кой показатель, как процент пикселов верно отнесенных к классу, задан-

ному как эталон.

Для оценки качества классификации могут быть использованы разные

способы:

Визуальный экспертный анализ с привлечением всех известных

данных об объектах местности;

Проверка по данным наземных наблюдений, не использованных

при формировании обучающих выборок с известными коорди-

натами на местности, промеренными с помощью GPS;

Оценка статистических характеристик выборок и итоговых

классов.

При использовании метода контролируемой классификации наиболее

простой способ оценки достоверности заключается в том, чтобы выбрать

данные, относящиеся к известному объекту, разделить эти данные на две

части, а затем использовать одну из них в качестве обучающей выборки, а

другую - для оценки точности классификации.

Наиболее часто применяемый на практике способ оценки результатов

классификации основан на построении матрицы ошибок, которая харак-

теризует не только погрешность классификации для каждого класса, но

ошибки, связанные с неверной классификацией. Матрицу ошибок рассчи-

тывают по контрольным участкам (не совпадающим с эталонными участ-

ками, использовавшимися для создания обучающих выборок). Экспери-

ментально подтверждено, что для каждого класса нужно иметь 70-100 кон-

трольных участков (точек) /22/. Процесс оценки включает:

- Создание матрицы ошибок классификации, размерность которой

определяется числом классов, путем простого сопоставления эта-

лонных пикселов с классифицированными на изображении;

- Расчет статистических оценок точности в процентном выраже-

нии, исходя из результатов сопоставления, зафиксированных в

матрице.

В таблице 4 приведен пример матрицы ошибок. Строки матрицы – это

классы, установленные по наземным или иным эталонным данным, приня-

тые за истинные, а столбцы – классы, полученные в результате дешифри-

рования снимка. На пересечении строк и столбцов записано количество

пикселов, отнесенных к определенному классу. Таким образом, в диаго-

нальных элементах матрицы указано количество пикселов, классифициро-

105

ванных правильно, а вне диагонали — количество пикселов, попавших в

ошибочные классы.

Таблица 4 Матрица ошибок дешифрирования

Путем построения матрицы ошибок можно рассчитать ряд показателей

достоверности классификации. Достоверность классификации оценива-

ется как количество правильно классифицированных пикселов от общего

количества проверяемых пикселов в %. Для данных, представленных в

таблице, этот показатель будет равен:

(30+45+54) / 143 = 90%

Кроме того, можно, например, вычислить достоверность распознавания

каждого класса объектов. Так, отношение числа правильно определенных

пикселов класса «лес» (45) к сумме всех эталонных пикселов этого класса

(54), характеризует достоверность дешифрирования класса « лес» - 83%.

Недиагональные элементы матрицы содержат информацию о ложной

классификации и пропусках.

Для оценки ложной классификации, вычисляют сумму недиагональных

элементов в столбце класса, а затем делят на общее число пикселов в дан-

ном классе. Например, в классе «лес», в приведенном примере, ошибочно

оказались 5 пикселов, в действительности принадлежавших классу «боло-

то». В этом случае величина ошибки ложной классификации составит:

5/54=9%

Пропуски классификации представлены для каждого класса недиаго-

нальными элементами в строке матрицы. Для определения ошибок про-

пусков суммируют значения в соответствующей строке и делят на общее

количество пикселов в данном классе. Например, в приведенной таблице

количество пропущенных пикселов не отнесенных к данному классу «лес»

составляет: 9/54= 16,6%

Эталонные

данные

Результат дешифрирования

Водоем Лес Болото Всего Правильно

отдешифрировано, %

Водоем 30 0 0 30 100

Лес 0 45 9 54 83

Болото 0 5 54 59 92

Всего 30 50 63 143 90

106

Приведенный выше показатель достоверности классификации - количе-

ство правильно классифицированных пикселов по диагонали матрицы

ошибок (в %) - на самом деле может быть случайным. Чтобы учесть этот

факт, часто при обобщении результатов используют другую характеристи-

ку, так называемый индекс κ - Каппа Коэна, вносящий поправку на слу-

чайность. Этот индекс вычисляется по формуле:

κ =(d-q)/(N-q),

где d - число случаев правильного получения результата (сумма значе-

ний, стоящих на диагонали матрицы ошибок), q- число случайных резуль-

татов, вычисляемое через число случайных результатов в столбцах nc и ис-

тинных nr - в строках матрицы ошибок как:

N

nnq

rc , где N - общее число пикселов.

Для абсолютно точных результатов (все точки на диагонали) Каппа

равна 1, а при чисто случайном попадании – 0. В приведенном примере:

q = (30х30) + (50х54) + (63х59) / 143 = 51,16

κ = (129-51,16) / (143-51,16) = (77,84)/91,84=0,847

Показатель достоверности классификации в приведенном примере ра-

вен 84,7%, что меньше значения, полученного по диагональным элементам

матрицы - 90%. Принято считать качество классификации хорошим, если

κ>0,75 и неприемлемым, если κ<0,4 /8/ .

Кроме перечисленного простого способа анализа матрицы ошибок и

расчета достоверности дешифрирования, существуют более сложные спо-

собы расчета, основанные на вычислении статистических показателей /19/.

107

10. СОСТАВЛЕНИЕ КАРТ ПО ЦИФРОВЫМ СНИМКАМ

В результате компьютерной классификации получают растровое

изображение, каждый из пикселов которого отнесен к определенному

классу. Обычно его называют схемой классификации. Такая схема, строго

говоря, еще не карта (цифровая карта), даже если информация на ней пред-

ставлена в географических или прямоугольных координатах.

При классификации разделение объектов изображения основано на их

яркостных свойствах, а на карте — на их сущности /11/. Кроме того, схема

классификации лишена картографической генерализации. Дополнительная

обработка полученного изображения может частично компенсировать эти

недостатки. Наиболее часто используемые процедуры — объединение

классов, относящихся по своей сущности к одной категории, и фильтрация

изображения. На рисунке 31 показан порядок действий при создании кар-

ты по результатам дешифрирования космического снимка.

Фильтрация изображения направлена на некоторое обобщение изоб-

ражения и заключается в том, что одиночным пикселам присваивается имя

класса, преобладающего среди соседних, непосредственно примыкающих

к нему пикселов. Эта процедура может применяться не только к результа-

ту классификации, как показано на рисунке 31- этап 2) , но и как отмеча-

лось в главе 3 для улучшения визуального восприятия снимка на экране,

устранения помех и шумов, а также при подчеркивании границ и выделе-

нии линейных объектов.

Цифровой снимок и любые результаты автоматизированной обработ-

ки (преобразования яркостей, математических операций и классификации)

всегда представлены в растровом формате. Чтобы перейти к карте в век-

торном формате, возможны два варианта: векторизация или цифрование по

классифицированному изображению на экране.

Процедура автоматической векторизации растрового изображения

заключается в оконтуривании всех пикселов, различающихся по яркости с

соседними элементами или по присвоенному значению (имени). В процес-

се векторизации не предусматривается обобщение, поэтому необходимо

редактирование полученных контуров. При векторизации группы пиксе-

лов одного класса объединяют, формируя полигоны. Затем полигонам

присваивают уникальные коды или идентификационные номера, по кото-

рым можно будет присоединить различные другие тематические характе-

ристики. Хорошие результаты при автоматической векторизации можно

получить лишь в том случае, если на картографируемой территории пре-

обладают однородные и компактные объекты. Только в этом случае редак-

тирование полученного изображения не требует значительного времени.

108

Рисунок 31 - Последовательность действий при создании карты по результатам

дешифрирования космического снимка

б) Редактирование результатов

дешифрирования.

в) Генерализация

или дробление классов

а) Исходный космический снимок

г) Векторизация границ классов,

выделенных по снимкам и формирование полигонов.

Создание картографической базы данных.

д) Создание базы атрибутивных данных и

оформление карты

109

Цифрование изображения на экране компьютера применяется пре-

имущественно при визуальном дешифрировании цифрового снимка и при

необходимости генерализации преобразованного или классифицированно-

го растрового изображения. Дешифровщик обводит курсором нужные гра-

ницы, которые фиксируются в векторном формате, в виде набора пар ко-

ординат (x,y). Выполнение этой процедуры занимает несравнимо больше

времени, чем автоматическая векторизация. Однако в случае, когда карто-

графируемые объекты представляют сочетание разнородных элементов

или они слишком мелки и детальны относительно масштаба создаваемой

карты, цифрование экранного изображения может оказаться значительно

более эффективным, чем редактирование автоматически векторизованного

изображения.

Лучшие результаты при составлении карт по цифровым аэро- и кос-

мическим снимкам можно получить, если использовать в качестве «под-

ложки» при цифровании на экране не одно, а несколько растровых изоб-

ражений. Например, при картографировании растительности можно анали-

зировать цветной синтезированный снимок, распределение на нем значе-

ний вегетационного индекса, результаты классификации. Повысить досто-

верность составляемой карты может использование нескольких разных

цифровых изображений, трансформированных и приведенных к единой

координатной системе, к примеру, фотоплан из черно-белых аэрофото-

снимков и классифицированное изображение многозонального космиче-

ского снимка.

110

11. ИСПОЛЬЗОВАНИЕ ГИС ПРИ ОБРАБОТКЕ ЦИФРОВЫХ

АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ ЛЕСОВ

ГИС (геоинформационная система) - информационная система, кото-

рая предназначена для работы с данными, имеющими пространственную

привязку, т.е. привязку к прямоугольным или географическим координа-

там. ГИС является одновременно и базой пространственных данных, и

набором средств, необходимых для их обработки. В классическом вариан-

те, ГИС определяют как набор аппаратных и программных средств, пред-

назначенных для сбора, хранения и обработки пространственных данных.

Существует множество других определений ГИС, которые можно

найти в специальной учебной и научной литературе.

Для представления объектов и явлений реального мира в ГИС данные,

характеризующие эти объекты или явления, преобразуются в цифровую

форму и сохраняются в базе геоданных. Одним из источников данных в

ГИС являются данные дистанционного зондирования - космические сним-

ки и цифровые аэроснимки, представленные в виде растровых слоев ГИС.

Материалы дистанционных съемок служат источником объективной ин-

формации о динамике и нарушенности лесов. Геоинформационные систе-

мы позволяют обрабатывать, хранить, обновлять, интерпретировать со-

бранные данные и создавать карты по результатам обработки.

Космические и аэроснимки, записанные в растровых форматах непо-

средственно импортируются в ГИС. В векторной форме обычно представ-

ляются карты различного назначения и содержания.

Особенность обработки данных дистанционного зондирования в сре-

де ГИС, состоит в том, что они могут совмещаться с другими информаци-

онными источниками - картами, таблицами, базами данных. Благодаря

операции оверлея можно накладывать друг на друга различные источники

информации. В возможности использования разных видов и типов цифро-

вых данных, полученных из разных источников, проявляются интеграци-

онные свойства ГИС.

Вместе с тем необходимо понимать, что использование разнотипных

данных порождает и ряд проблем. Основные проблемы, возникающие при

совместном использовании разнотипных данных в ГИС:

различное отображение положения границ на разных цифро-

вых источниках, вызванное как субъективными, так и объективными

причинами;

различные временные параметры данных;

не очень частое обновление картографических материалов;

разные принципы генерализации изображения, например, лес-

ной растительности на снимках и наведения границ выделов на плано-

во-картографических материалах лесоустройства;

111

Проблемы интеграции данных стали особенно острыми в связи с до-

ступностью уже существующих цифровых карт, содержащихся в разнооб-

разных базах пространственных данных и распространяемых по телеком-

муникационным сетям. В ряде случаев такие материалы могут лишь

условно называться картами. Они могут быть слоями ГИС, представлять

результаты компьютерного дешифрирования аэро- и космических сним-

ков, цифрового моделирования объектов и явлений. Информация относи-

тельно их происхождения, методов создания, точности и достоверности

часто отсутствует или недоступна. Совокупность цифровых данных о про-

странственных объектах, составляющих содержание баз географических

данных ГИС, по существу, еще не является цифровой картой. На картах,

созданных на основе данных дистанционного зондирования, «пиксель-

ные» разрешение и генерализация могут не соответствовать требованиям,

предъявляемым к точности и генерализации для карт выбранного масшта-

ба и проекции. Простота совмещения любой пространственно привязанной

информации в ГИС-пакетах, совсем не означает, что полученные результа-

ты и выводы могут быть истолкованы однозначно. Использование разно-

типных данных, достоверность которых вызывает сомнение или несопо-

ставимых по точности, может привести к ложным выводам.

Использование ГИС, в которых растровый и векторный анализ могут

выполняться параллельно, позволяет осуществлять наложение векторной

карты на растровую или на космический снимок. Интеграция векторных и

растровых данных не приводит к конфликтным ситуациям, если разреше-

ние растра (параметры съемки или сканирования) согласовано с точностью

картографирования в данном масштабе. Грубое разрешение (большой раз-

мер пиксела) при сканировании может привести к потере информации. С

другой стороны уменьшение размера пиксела (увеличение разрешения при

сканировании) не всегда повышает точность и информативность данных,

зачастую увеличивая только объемы хранимой информации. Знание этих

параметров особенно важно при совместном использовании растровых и

векторных карт, потому что большинство операций с растровыми данными

производится с точностью до пиксела.

Разные принципы генерализации изображений на картах и снимках,

отдельно для позиционных (координатно привязанных) и тематических

данных, создают особую проблему совместного использования данных.

Без знания методов и уровня генерализации совмещаемых данных их при-

менение становится невозможным, необходимы также сведения, в каком

диапазоне масштабов следует использовать тематические слои базы дан-

ных (БД).

К точности географической (координатной) привязки предъявляют

особенно высокие требования еще на этапе сбора исходной информации

для ввода в ГИС. Координатная привязка снимков по опорным точкам мо-

жет осуществляться как в специализированных пакетах, предназначенных

112

для обработки дистанционных данных, так в ГИС-пакетах. Трансформиро-

вание изображений в проекцию карты производится путем проективных

преобразований с помощью стандартных алгоритмов. Тематическая обра-

ботка может вестись и по снимкам, трансформированным в известные си-

стемы координат и проекции. Однако предпочтительней сначала обрабо-

тать «сырые» цифровые изображения, а в последующем осуществить

трансформирование результатов дешифрирования и привязать эти резуль-

таты к цифровой топографической основе.

В ГИС все разнородные источники данных должны быть привязаны к

единой топографической основе. Во всех случаях потребуется преобразо-

вание этой разнородной информации, которое принято выполнять по пра-

вилам картографической генерализации и согласования.

Разные принципы представления пространственной информации в ба-

зе данных, применение разных моделей и форматов данных в разных типах

систем управления базами данных (СУБД) требует наличия различных

программных средств манипулирования совмещаемыми данными. Этим

объясняется расширение наборов обменных форматов, которыми сейчас

оперируют наиболее распространенные ГИС-пакеты, и предусмотренные в

них процедуры импорта-экспорта данных. Многие компании, разработчи-

ки программного обеспечения ГИС, создают специальные расширения к

ГИС-пакетам, встраивая специальные программные модули, предназна-

ченные для обработки дистанционных данных, непосредственно в ГИС.

Возможно другое решение, когда посредством расширения процедур им-

порта-экспорта и поддержки большого числа обменных форматов соеди-

няют отдельные модули программных пакетов в ходе разработки какой-

либо прикладной технологии. На рисунке 32 приведен пример такой инте-

грации программного обеспечения обработки данных дистанционного

зондирования и ГИС, реализованный компанией «Совзонд».

Отечественные и зарубежные эксперты, отслеживающие тенденции

развития информационных технологий в мире, считают, что в ближайшем

будущем материалы дистанционных съемок станут основным источником

данных для ГИС.

В лесном хозяйстве интеграция различных информационных источни-

ков в ГИС-среде сейчас особенно актуальна в связи с работами по дистан-

ционному мониторингу, которые развернуты предприятиями системы Рос-

лесхоза.

113

Рисунок 32 - Интеграция программного обеспечения обработки ДЗЗ и ГИС, реализованная компанией «Совзонд»

112

114

12. ОБРАБОТКА РАЗНОВРЕМЕННЫХ СНИМКОВ ДЛЯ

ИЗУЧЕНИЯ ДИНАМИКИ ПРОЦЕССОВ,

ПРОИСХОДЯЩИХ В ЛЕСНОМ ФОНДЕ

При изучении изменений, происходящих в лесном фонде, используют

снимки, полученные в разное время, так называемые разновременные

снимки. Использование серий снимков, полученных на разные даты съем-

ки особенно необходимо при ведении мониторинга текущих изменений

состояния лесов под влиянием пожаров, насекомых-вредителей и болез-

ней, нарушений состояния лесов, связанных с деятельностью человека.

Серия разновременных снимков характеризует развитие явлений, фикси-

руя на каждом одномоментном снимке его определенные этапы.

Методика дешифрирования разновременных снимков специфична:

она включает обработку как ряда разновременных снимков, так и одиноч-

ных.

Способы изучения динамики лесов и их состояния путем сопоставле-

ния разновременных снимков многообразны, но могут быть сведены к

двум основным подходам:

раздельной (последовательной) обработке снимков для их последу-

ющего сравнения;

совместному (одновременному) дешифрированию снимков на раз-

ные даты, которые геометрически совмещаются и обрабатываются вместе,

подобно многозональному снимку. Предварительно следует провести

геометрическую коррекцию снимков (описанную в главе 4), т. е. транс-

формировать их и представить в единой системе координат.

Считается, что среднеквадратическая ошибка трансформирования

должна быть <0,5 пиксела /14/.

Раздельное или последовательное дешифрирование - самый простой

способ изучения динамики. Дешифровщик определяет на расположенных

рядом разновременных снимках идентичные объекты и выявляет измене-

ния. При этом сопоставлять можно как различные снимки: панхроматиче-

ские (черно-белые), цветные, синтезированные, так и снимки с картами.

Преимущество этого способа состоит в том, что не требуется предвари-

тельное геометрическое преобразование снимков — приведение их к оди-

наковому масштабу, к единой проекции и системе координат. Источники

информации могут быть разнообразными, но разновременными.

Этот подход к изучению динамики реализуется обычно при визуаль-

ном дешифрировании фотоотпечатков или изображений на экране монито-

ра. Результатом раздельного сопоставления может быть или качественная

оценка произошедших изменений, или схемы дешифрирования.

Для получения количественных параметров или составления карты

необходимо совместить, «сложить» схемы дешифрирования разновремен-

ных изображений. Геометрическим преобразованиям подвергаются имен-

115

но они, т.е. результаты дешифрирования с согласованными тематическими

классами.

Имеется много способов обработки разновременных снимков, кото-

рые можно объединить в следующие основные группы:

- преобразование снимков;

- классификация объектов по разновременным снимкам для изучения

изменений.

Преобразование разновременных снимков

Для выявления динамики процессов, происходящих в лесном фонде,

используют следующие преобразования разновременных снимков.

Алгебраические операции с изображениями

Вычитание разновременных снимков применяют, когда снимки по-

лучены одной и той же или похожими съемочными системами, после про-

ведения радиометрической коррекции и устранения различий атмосфер-

ных условий при съемке. На неизменившихся участках разность значений

яркости близка к нулю, а на изменившихся — имеет положительные или

отрицательные значения (в зависимости от направленности изменений).

Результат вычитания представляют в виде изображения в определенной

цветовой гамме. Например, если оценивается изменение состояния расти-

тельности по ближней инфракрасной зоне, можно закодировать участки

уменьшения яркости красными оттенками (ухудшение состояния расти-

тельности), а ее увеличения — зелеными (улучшение состояния расти-

тельности). Достоинство способа — простота и наглядность, недостаток —

необходимость тщательной предварительной взаимной коррекции сним-

ков, которая требует значительных затрат времени.

Получение многовременных индексов в результате деления значений

спектральной яркости пикселов одного снимка на значения идентичных

пикселов изображения на другую дату съемки. При отсутствии изменений

простое отношение значений яркости в двух одинаковых спектральных зо-

нах за две даты будет близко к единице, а для изменившихся участков бу-

дет отличаться от единицы. Преимущество способа в простоте расчетов.

Однако, как и при вычитании снимков, необходима их предварительная

радиометрическая коррекция. Иногда проводят взаимную калибровку

снимков по значениям яркости неизменившихся участков. По результатам

расчета индексов может быть построено индексное изображение с четким

выделением участков, где произошли изменения исследуемых объектов.

Цветовой синтез разновременных снимков предполагает совмеще-

ние снимков за три даты в сочетании RGB. В случаях, когда меняются не

границы распространения, а спектральные характеристики объектов, такой

синтез позволяет выделить участки с разным характером изменений (вы-

сыхание, обводнение, развитие растительности, таяние снежного покрова и

т.п.). При изменении пространственного положения объектов можно полу-

116

чить цветное синтезированное изображение, на котором одновременно

отобразится положение исследуемого объекта на разные даты.

Чтобы добиться успеха необходимо, чтобы исследуемые динамичные

объекты четко выделялись на окружающем фоне. Тогда получают яркий,

контрастный снимок, на котором присутствует изображение изменившего-

ся объекта за все три даты, имеющее для каждой даты свой цвет. Измене-

ния оцениваются по полученному изображению визуально, а геометриче-

ские параметры, например площадь объекта на разные даты, определяются

с помощью компьютерных программ.

Классификация объектов для изучения изменений

При одновременном изучении изменения многих типов объектов при-

меняют более сложные способы, основанные на классификации объектов.

Сравнение результатов классификаций объектов по снимкам за разные сроки проводят путем наложения границ распространения опреде-

ленных классов на двух разновременных обработанных (классифициро-

ванных) изображениях. В результате составляется карта изменений, пока-

зывающая пространственное распределение изменений (замещений), а

также матрица изменений, в ячейках которой указано количество пикселов

(площади) для всех имеющихся на карте сочетаний классов. При числе

классов n количество их сочетаний может достигать n2 , при n >4 карта из-

менений становится трудной для восприятия. Поэтому в случае большого

числа классов на сравниваемых картах выделяют смысловые группы соче-

таний и генерализуют матрицу изменений, и соответственно карту измене-

ний. Качество карт изменений зависит от достоверности классификации

каждого из исходных снимков и точности их совмещения. Этот способ це-

лесообразно применять, когда снимки значительно различаются по радио-

метрическим свойствам и их нельзя обрабатывать как многозональный

снимок, составленный из разновременных изображений.

Классификация объектов по разновременным снимкам проводится

по синтезированному изображению, включающему спектральные зоны

снимков за разные даты. Используют алгоритмы классификации как с обу-

чением, так и без обучения. Успех такого подхода зависит от того,

насколько четко изменившиеся участки отличаются от неизменившихся по

спектральным признакам на снимках. Если различия достаточно велики, то

такой подход проще, чем сравнение классификаций объектов, выполнен-

ных раздельно по разновременным снимкам. Снимки должны быть срав-

нимы радиометрически (т. е. пройти взаимную калибровку) для исключе-

ния ложных изменений, вызванных различиями в условиях съемки, разно-

сезонностью снимков и т. п.

При одновременном использовании всех спектральных зон разновре-

менных снимков классификация осложняется в связи с большим объемом

и избыточностью информации, поэтому требуется использование иных,

более сложных методов.

117

13. РАДИОЛОКАЦИОННЫЕ СНИМКИ, ОСОБЕННОСТИ

ИХ ПОЛУЧЕНИЯ И ОБРАБОТКИ

Радиолокационная съемка применяется в исследованиях природных

объектов с 1970-х годов. Она существенно отличается от фотографической

и сканерной съемок, как технологией получения снимков, так и информа-

ционными особенностями изображений. Первоначально радиолокация

нашла применение в военной разведке для определения положения кораб-

лей и самолетов и для измерения расстояний. Первый радар был изобретен

во время Второй мировой войны. Позднее радиолокация, стала применять-

ся в океанологии и метеорологии.

Дистанционное зондирование в микроволновом диапазоне может

быть, как активным, так и пассивным. Как уже отмечалось во введении,

особенность излучения микроволнового диапазона заключается в том, что

облачность, туман, дымка и пр. не препятствуют его прохождению через

атмосферу, поскольку волны большей длины не подвержены атмосферно-

му рассеиванию, в отличие от излучения оптического диапазона. Пассив-

ное радиолокационное зондирование регистрирует излученную природ-

ными объектами на земной поверхности энергию микроволнового диапа-

зона. Принцип работы пассивных микроволновых датчиков, обычно ра-

диометров, похож на принцип работы сканеров теплового диапазона, за

исключением одного – для приема и записи микроволнового излучения

используется антенна. Поскольку длины волн сравнительно велики, реги-

стрируемая энергия, излученная объектами земной поверхности, достаточ-

но мала по сравнению с энергией оптического диапазона, поэтому прихо-

дится увеличивать поле зрения аппаратуры, чтобы ее зафиксировать. Из-за

этого для большинства пассивных микроволновых датчиков характерно

низкое пространственное разрешение. Пассивное радиолокационное зон-

дирование применяется в метеорологии, гидрологии и океанографии. Ме-

теорологи используют эти системы для измерения атмосферных профилей

и определения содержания озона и воды в атмосфере. Гидрологи измеряют

с помощью пассивной радиолокации содержание почвенной влаги, а океа-

нографы применяют ее для картографирования морских льдов, океаниче-

ских течений и выявления загрязнений вод, в частности, нефтяных пленок.

Активное радиолокационное зондирование представляет для иссле-

дования лесов бόльший интерес. В отличие от фотографической и сканер-

ной съемок, основанных на регистрации отраженного от земной поверхно-

сти солнечного или собственного теплового излучения объектов, радары

(от англ. RAdio Detection And Ranging) работают в активном режиме. Эти

системы генерируют микроволновое излучение, посылают сигнал и реги-

стрируют ответный сигнал (радиоэхо), отраженный от земной поверхно-

сти. Во время полета антенна, установленная на носителе

118

(самолете или космическом корабле), посылает на земную поверхность в

определенном направлении высокочастотные импульсы. Отраженные от

облучаемой земной поверхности сигналы воспринимаются этой же антен-

ной. Измеряется интенсивность отраженного сигнала (радиоэха), чтобы

дифференцировать различные объекты, и время запаздывания направлен-

ного антенной сигнала и отраженного от объекта, по которому идентифи-

цируется расстояние до объекта или дальность (англ. range). Принципи-

ально то, что радар является устройством измерения дальностей.

После обработки и преобразования сигналы записываются в цифровой

форме. Интенсивность отраженного от объекта «радиоэха» передается на

радиолокационном снимке градациями яркости и их сочетанием. Для ин-

терпретации снимков важны изменения интенсивности и характера отра-

женного сигнала, который зависит, в первую очередь, от структуры по-

верхности, ее шероховатости и диэлектрических свойств.

Характер взаимодействия зондирующего электромагнитного излуче-

ния с поверхностью и природными объектами определяется длиной волны,

ее поляризацией (направлением колебаний в посылаемом импульсе) и уг-

лом падения. Это важно понимать для дешифрирования радиолокацион-

ных снимков.

Основные параметры радиолокационной съемки. Как отмечалось

выше, характер взаимодействия зондирующего радиолуча с поверхностью

и природными объектами определяется такими параметрами как:

длина волны;

поляризация (направление колебаний в посылаемом им-

пульсе);

угол падения радиолуча на земную поверхность.

Длина волны. Рабочие длины волн и частоты микроволнового излуче-

ния, применяющиеся при дистанционном зондировании приведены в таб-

лице 3 введения. Напомним диапазоны, в которых работают радары:

Ка, К и Ки (0,8-1,1 см) - очень короткие радиоволны, использо-

вавшиеся ранее в самолетных радарных системах, но сегодня

крайне редки;

Х (2,4-3,8 см), использующиеся в военной разведке и картогра-

фировании рельефа земной поверхности;

С (3,8-7,5 см) - типичные для многих самолетных радиолокаци-

онных исследовательских систем и космических систем, включая

ERS-1 и 2 и RADARSAT;

S (7,5-15 см) – использовавшиеся радарами на российских спут-

никах «Алмаз»;

119

L (15-30 см)- использующиеся радарами на американских спут-

никах SEASAT и японском JERS-1, а также самолетных системах

NASA;

P (30-100 см) - использующиеся радарами, установленными на

самолетах при ведении экспериментальных исследований NASA.

Длины волн определяют проникающую способность коротковолново-

го излучения. С увеличением длины волны проникающая способность сиг-

нала растет. Так, например, излучение в Ка диапазоне с длиной волны 0,8

см имеет существенно меньшую проникающую способность, чем излуче-

ние в L-диапазоне с длиной волны 25 см. С целью приближенной оценки

проникающую способность сигнала можно приравнять к половине длины

волны. Таким образом, для L-диапазона она составит порядка 12 см.

Поляризация. Направление колебаний в импульсе, посылаемом ан-

тенной радиолокационной системы, может быть ориентированным, в част-

ности, вертикальным (В) или горизонтальным (Г). В этом случае говорят о

вертикально - В (англ. V) или горизонтально - Г (англ. H) - поляризован-

ном сигнале. Схематичное изображение плоскостей поляризации пред-

ставлено на рисунке 33.

Рисунок 33 - Пример горизонтальной (черный) и вертикальной (серый) плоскостей по-

ляризации электромагнитной волны /21/

Направленный на земную поверхность поляризованный сигнал отра-

жается от нее. Часть отраженного сигнала имеет ту же поляризацию, что и

излученный, и антенна радиолокационной системы принимает однородно

поляризованный сигнал, так называемые ГГ - и ВВ формы.

Другая часть посылаемого сигнала вследствие множества отражений и

фазовых переходов на поверхности объекта подвергается деполяризации, и

120

колебания в отраженном сигнале происходят в самых различных направ-

лениях. Сильная деполяризация сигнала происходит на участках местно-

сти, покрытых растительностью. Это объясняется множественными отра-

жениями падающего луча от листьев, ветвей и сучьев. Особенно ярко это

явление наблюдается для относительно коротковолнового радиоизлучения

в Ка и Х- диапазонах.

Чтобы принимать деполяризованный сигнал, отраженный поверхно-

стью, радиолокационная система кроме основной передающей антенны,

принимающий отраженный сигнал с однородной поляризацией, оборуду-

ется дополнительной антенной для приема излучения с поперечной поля-

ризацией. Таким образом, можно производить съемки ГВ и ВГ-типа. Исхо-

дя из этого, существуют 4 типа различных комбинаций поляризации пере-

данного и принятого антенной сигнала: ГГ, ВВ, ГВ, ВГ.

При ГВ-типе передающая антенна посылает сигнал с горизонтальной

поляризацией, а приемная антенна принимает вертикально поляризованное

радиоэхо. При регистрации поперечно поляризованного сигнала радиоло-

кационные снимки получаются в более широком динамическом диапазоне.

Сопоставление их информативности с информативностью однородно по-

ляризованных снимков показывает, что первые несут дополнительную ин-

формацию, особенно в областях, покрытых растительностью. Изображение

растительных сообществ разных типов оказывается на них существенно

более дифференцированным /10/. Кроме того, они обладают существенно

более высокой контрастностью. Современные радиолокационные системы

на космических платформах выполняют съемку с изменяемой поляризаци-

ей излучения, получая изображения с поляризацией всех 4 типов.

Угол падения. Угол падения пучка импульсов на земную поверхность,

отсчитываемый от вертикали, имеет решающее значение. Он увеличивает-

ся по мере увеличения расстояния между антенной и объектом в полосе

обзора. (см. рисунок 34.)

Если поверхность рельефа обращена к антенне, то большая часть

мощности падающего луча отражается в направлении антенны. Если сиг-

нал направлен перпендикулярно рельефу, то коэффициент отражения мак-

симален. Соответственно наклону и ориентировке по направлению к ан-

тенне, склоны, обращенные к траектории полета, на радиолокационных

снимках передаются светлыми тонами. Площадки, наклоненные в направ-

лении от антенны, отражают меньше энергии. Они передаются на РЛ-

снимке более темными тонами. Так же выглядит и водная поверхность, яв-

ляющаяся по отношению к длинам волн Х и L-диапазонов совершенно

гладкой. Она передается темным тоном. Площадки, наклоненные от ан-

тенны под углами бόльшими, чем угол визирования, вовсе не облучаются

и соответственно не могут отразить сигнал, поэтому они выглядят абсо-

лютно черными. Они называются радиотенями. Различия яркости на РЛ-

121

снимке, обусловленные рельефом, прекрасно передают характер снимае-

мой местности.

В дистанционном зондировании природных объектов применяются

радиолокационные системы бокового обзора, антенны которых направля-

ют пучок импульсов в сторону от направления полета носителя. По техно-

логии выполнения съемки и техническим характеристикам различают два

типа радиолокационных систем:

радиолокационные системы бокового обзора с реальной апертурой

антенны (РЛРА или некогерентные системы, в англ. терминологии –

RAR);

радиолокационные системы бокового обзора с синтезированной

апертурой антенны (РЛСА или SAR), основанные на волновых фа-

зовых (когерентных) эффектах.

Радиолокационные системы бокового обзора с реальной апертурой

относительно просты и не требуют сложной обработки данных при по-

строении изображений. Такие системы устанавливаются в основном на

авиационных носителях, самолетах. Их применение ограничивается невы-

соким пространственным разрешением. Однако некоторые РЛРА все же

разворачиваются в космосе, например, украинская система, работающая на

спутнике «Океан» (высота его орбиты составляет 650 км). Система рабо-

тает в Х-диапазоне (≈3 см или 9,7 ГГц) и использует вертикальную поля-

ризацию, ее разрешающая способность составляет 2 км по азимуту и 1 км

по дальности /18/.

Радиолокационные съемочные системы

с реальной апертурой антенны

Процесс съемки. В радиолокационной системе генератор производит

электрические импульсы, которые преобразуются передатчиком в высоко-

частотные радиолокационные зондирующие сигналы, излучаемые направ-

ленной антенной во время полета на подстилающую поверхность перпен-

дикулярно или под заданным углом к траектории полета. Посланный ан-

тенной в виде плоского луча сигнал характеризуется длиной волны,

направлением колебаний (поляризацией) и длительностью импульса. Ве-

личина облучаемой в каждый момент полета площадки (пространственный

элемент разрешения) определяется в поперечном к полету направлении

длительностью импульса, а в направлении полета (азимутальное направле-

ние) - шириной диаграммы направленности и физической длиной антенны

(ее апертурой) - L. Располагающаяся в пределах элемента разрешения зем-

ная поверхность отражает зондирующее радиолокационное излучение

диффузно или зеркально и направляет большую или меньшую часть па-

дающей энергии обратно в направлении антенны (Рисунок 34).

122

Радиоэхо, приходящее от объектов поверхности, принимается антен-

ной, усиливается в приемнике и преобразуется в видеосигнал. Интенсив-

ность видеосигнала модулирует яркость изображения. Отраженный и уси-

ленный в приемнике сигнал преобразуется в цифровую форму и записыва-

ется на носитель информации.

Расстояние между объектами на РЛ-снимке (пропорциональное рас-

стоянию на поверхности Земли) при описанном виде регистрации съемоч-

ных данных определяется разницей во времени прихода отраженных ими

сигналов на антенну. Эта разница функционально связана с расстоянием

между антенной и объектом, обозначаемым как «наклонная дальность»

(Рисунок 34 и 38).

Рисунок 34 - Принцип работы и параметры радиолокационных систем с реальной апер-

турой антенны: c - скорость света, τ - длительность импульса, λ - длина волны, L-длина

антенны, R- наклонная дальность, θ - угол визирования (угол места) /10/

Пространственное разрешение систем РЛС

с реальной апертурой антенны

Пространственное разрешение радиолокационных систем с реальной

апертурой различно в направлении облучения (по нормали к линии полета)

и в направлении полета (азимутальное направление). Как показано на ри-

сунке 34, размер облучаемой в момент съемки площадки на Земле в попе-

речном полету направлении определяется длительностью импульса посы-

лаемого микроволнового излучения (τ), а в направлении полета - горизон-

тальной шириной радиолуча (в русской терминологии раскрыв или апер-

тура антенны). Теоретическое поперечное разрешение в поле зрения ра-

диолокатора равно произведению половины длительности импульса на

R

123

скорость света ( 2c ), поскольку импульс проходит расстояние от антен-

ны до объекта и обратно. Длительность импульса (τ) измеряется микросе-

кундами. Половину ее следует умножить на скорость распространения

электромагнитного излучения в пространстве (c). Полученная величина

представляет собой перспективное разрешение в нормальном к полету

направлении. Чтобы получить величину соответствующего ему разреше-

ния на местности, величину перспективного разрешения необходимо раз-

делить на косинус угла визирования антенны γ или на синус дополнитель-

ного к нему угла падения радиолуча θ (см. рисунок 34). Угол визирования

(или угол места) γ есть угол между горизонтальной поверхностью, прохо-

дящей через антенну, и прямой линией, соединяющей антенну и объект.

Объекты, располагающиеся друг от друга на расстоянии, равном или

меньшем, чем расчетная величина разрешения, не будут выражены на

снимке как индивидуальные объекты. Они будут восприняты как суммар-

ный сигнал от одного элемента разрешения. Если расстояние между объек-

тами больше, чем величина разрешения на местности, они изобразятся на

снимке раздельно.

Рисунок 35а - Поперечное разрешение снимков в ближней и дальней зонах /10/

Как можно видеть на рисунке 35а, разрешение на местности, соответ-

ствующее половине длительности импульса, и соответственно поперечное

разрешение (Rq) в ближней области хуже, чем в дальней. Оно улучшается

пропорционально удалению объекта от антенны.

124

Рисунок 35 б - Ширина радиолуча и азимутальное разрешение радиолокатора с реаль-

ной апертурой

В направлении полета (или в азимутальном направлении) ширина

элемента разрешения определяется шириной радиолуча (рисунок 35 б).

Ширина радиолуча прямо пропорциональна длине антенны (реальной ее

апертуре). Более длинные антенны дают лучшее разрешение. Угол раскры-

тия пучка излучаемой энергии прямо пропорционален также длине волны

излучения. Поэтому азимутальное разрешение (Ra) выше для коротковол-

нового излучения. Как показано на рисунке 35 б, лепесткообразный радио-

луч в ближней области уже, чем в дальней. Отсюда следует, что азиму-

тальное разрешение систем с реальной апертурой в ближней области луч-

ше, чем в дальней. Его величина представляет собой также функцию

наклонной дальности. Два одинаково удаленных друг от друга на местно-

сти объекта (А и Б) в ближней зоне РЛ снимка достоверно разделяются, но

в дальней зоне (соответственно В и Г) будут перекрываться на снимке, т.к.

попадут внутрь одного элемента разрешения. Таким образом, простран-

ственные разрешения в направлении облучения (по дальности) и в азиму-

тальном направлении имеют тенденции к изменениям в противоположные

стороны.

Во всех случаях величина элемента разрешения на местности опреде-

ляется основными и решающими параметрами съемки: высотой полета,

длительностью импульса и углом визирования.

125

Радиолокационные съемочные системы

с синтезированной апертурой антенны

Процесс съемки. Как указывалось, выше, геометрическое разрешение

радиолокационных систем с реальной апертурой может быть улучшено

путем применения более коротких волн и путем увеличения длины пере-

дающей антенны. Однако оба эти пути повышения геометрического раз-

решения порождают свои проблемы. Уменьшение длины волны вызывает

снижение количества излучаемой в импульсе энергии. Значительное уве-

личение длины антенны невозможно из-за технических ограничений. При

самолетной съемке размеры антенны ограничены 1-2 м, при съемке из

космоса размеры антенны не могут превышать 10-15 м.

Эти проблемы были решены благодаря разработке радиолокационных

систем с синтезированной апертурой (РЛСА). Идея, положенная в их ос-

нову, заключается в искусственном удлинении антенны за счет движения

носителя. Метод синтезированной апертуры позволяет за счёт многократ-

ного получения изображения одного элемента поверхности с различных

углов наблюдения существенно увеличить азимутальное пространствен-

ное разрешение по сравнению с обыкновенным радаром.

РЛСА работают с относительно короткой антенной. Через регулярные

промежутки времени она излучает относительно широкий лепесткообраз-

ный луч на местность в сторону от траектории полета (рисунок 36). При

поступательном движении платформы со съемочной системой, распола-

гающийся в полосе съемки, объект перемещается внутри излучаемого ан-

тенной радиолуча. Во время полета объект облучается со многих следую-

щих друг за другом позиций в пределах смещающегося лепестка радиоан-

тенны и отраженные от него импульсы энергии принимаются радиоантен-

ной также со многих следующих друг за другом позиций. Вследствие ка-

жущегося перемещения наземного объекта через радиолуч после отраже-

ния от объекта происходит изменение частоты и фазы излученных антен-

ной радиоимпульсов. Эти основанные на эффекте Доплера разностные из-

менения частоты показаны на доплеровской диаграмме (рисунок 36 а).

Вследствие движения самолета эта разностная доплеровская частота отра-

женных от наземного объекта сигналов возрастает от некоторого миниму-

ма в момент входа в радиолуч в позиции А до максимума в позиции Б

непосредственно против самолета. Затем частота вновь падает до миниму-

ма в позиции В, когда объект выходит из радиолуча. Частота, амплитуда и

фазовые характеристики отраженных от объекта радиосигналов за то вре-

мя, в течение которого объект облучается антенной, накапливаются в элек-

тронном устройстве. Каждая точка внутри облучаемого пространства име-

ет свою только ей присущую картину изменений доплеровских частот.

http://ru.wikipedia.org/wiki/%D0%A0%D0%B0%D0%B7%D1%80%D0%B5%D1%88%D0%B5%D0%BD%D0%B8%D0%B5_%28%D0%BE%D0%BF%D1%82%D0%B8%D0%BA%D0%B0%29

http://ru.wikipedia.org/wiki/%D0%A0%D0%B0%D0%B7%D1%80%D0%B5%D1%88%D0%B5%D0%BD%D0%B8%D0%B5_%28%D0%BE%D0%BF%D1%82%D0%B8%D0%BA%D0%B0%29

126

Рисунок 36 а - Принцип съемки радиолокационных систем с синтезированной аперту-

рой антенны. Доплеровское изменение частоты отраженного сигнала обусловлено от-

носительным перемещением объекта на местности через радиолуч

На рисунке 36б показано, что длина синтезированной таким образом ан-

тенны (L) соответствует отрезку траектории между позициями P1 P2 .

Рисунок 36 б - Разрешение радиолокатора с синтезированной апертурой: L=P1P2 - син-

тетически удлиненная антенна (Lэфф), D-действительная длина антенны

127

Принятые антенной радиолокационной системы отраженные сигналы

регистрируются совместно с данными об изменениях их частоты и фазы.

Эти данные, сочетающие в себе фазовую характеристику и характеристику

наклонной дальности близлежащих импульсов и их отражений, обрабаты-

ваются таким образом, чтобы получились яркостные различия объектов.

Для получения радиолокационного снимка первичные съемочные данные

пересчитываются.

Формирование радиолокационного снимка можно проиллюстрировать

на примере работы аппаратного комплекса спутника RADARSAT. Пер-

вичные данные Х-диапазона с частотой приблизительно 8 Ггц получают и

конвертируют с помощью понижающего частоту преобразователя, распо-

ложенного в структуре антенны, до промежуточной частоты в 375 Мгц.

Поток данных затем еще раз преобразуется в два различных потока (со-

держащих собственно данные и синхронизацию времени) посредством би-

тового синхронизатора, связанного с компьютером, расположенным на

станции приема. Результирующая информация записывается специальной

цифровой системой записи. Поток цифровых данных из цифровой системы

записи пропускается через «видео синхронизатор», который подготавлива-

ет данные в виде изображения. Данные становятся полностью пригодны-

ми для компьютерной обработки. Цифровые данные в виде изображения

затем записываются на любой носитель информации, компакт-диск или

магнитную ленту (Рисунок 37).

128

Рисунок 37- Формирование радиолокационного

снимка и запись на носитель информации

129

Пространственное разрешение систем РЛС с

синтезированной апертурой

При описанном способе регистрации пространственное разрешение

определяется эффективной апертурой (Lэфф), связанной с расстоянием от

траектории выражением Lэфф = R/L. Оно улучшается с ростом удаления

объекта. Отсюда следует, что азимутальное разрешение составляет при-

мерно половину физической длины антенны независимо от удаления и

длины волны используемого излучения. Синтезированная апертура излу-

чающей антенны имеет, таким образом, эффект очень узкого постоянного

по ширине в азимутальном направлении радиолуча. Это схематически по-

казано в виде покрытой точками полосы на рис. 36б.

Азимутальное разрешение систем РЛСА не зависит от удаления (R) и

длины волны (λ), поэтому практически все космические аппараты послед-

них лет оснащены такими системами. Дополнительным преимуществом

для достижения высокого разрешения является постоянство угла визиро-

вания с орбиты спутника в сочетании с большой высотой полета и ста-

бильностью съемочной платформы. На практике применяются микровол-

новые радарные системы, установленные на спутниках, изображения кото-

рых имеют пространственное разрешение лучше 10 м. Так например, ра-

диолокационная система с синтезированной апертурой антенны, установ-

ленная на спутнике TerraSAR-X (Германия), работает в Х-диапазоне длин

волн (≈3 см или 9,7 ГГц) с изменяемой поляризацией излучения (ГГ, ВГ,

ГВ, ВВ), и выполняет съемку с пространственным разрешением до 1 м.

/12/. Современные радиолокационные системы на космических платфор-

мах могут работать в переменном режиме, обеспечивая получение снимков

разного разрешения от 100 до 2 м при полосе охвата 45-500 км. Тому при-

мером является радиолокационная аппаратура канадских спутников

RADARSAT (рисунок 44).

Геометрические искажения радиолокационных снимков

Радиолокационные снимки имеют искажения, которые определяются

с одной стороны, геометрическими особенностями изображений, а с дру-

гой – особенностями передачи и получения сигнала приемной антенной.

Искажение наклонной дальности. Построение радиолокационного изоб-

ражения основано на определении наклонной дальности, т.е. расстояния

между радиолокационной антенной и объектом на земной поверхности.

Одинаковые по длине отрезки на местности при развертке по наклонной

дальности выглядят неодинаковыми (рисунок 38). Возникает, так называе-

мое, искажение наклонной дальности.

130

Рисунок 38 - Наклонная и горизонтальная дальность.

Г.п.-гиперболическая поправка к радиолокационной наклонной дальности, приближа-

ющая расчетное представление к соотношениям на местности, и расстояния на отко-

рекктированном РЛ-снимке - А2=В2=С2; А1<В1<С1 – наклонная дальность, А=В=С – го-

ризонтальная дальность.

Для устранения этого эффекта вносится гиперболическая поправка в

радиолокационную наклонную дальность, преобразующая наклонную

дальность в горизонтальную. В современных РЛ системах коррекция ис-

кажения наклонной дальности осуществляется автоматически в процессе

получения изображений. На рисунке 39 представлен радиолокационный

снимок, иллюстрирующий эффект искажения наклонной дальности (верх-

ний), и тот же снимок (нижний) откорректированный.

Рисунок 39 - Коррекция искажения наклонной дальности на радиолокационном снимке

/23/. Исходный снимок (а) и откорректированный (б), геометрия которого соответству-

ет соотношениям расстояний между объектами на местности.

а)

б)

131

На радиолокационных снимках имеются искажения, обусловленные

характером рельефа. К таким искажениям относятся эффект «складки» и

радиотеней.

Эффект «складки» возникает при определении координат в попереч-

ной направлению движения платформы плоскости посредством анализа

временной задержки импульса. Отраженные от наземных объектов сигна-

лы достигают приемной антенны радиолокационной станции в порядке,

определяемом их испусканием. Однако в районах с высокими горами и

крутыми склонами может встретиться ситуация, когда излученный антен-

ной сигнал может достигнуть вершины склона ранее, чем его подножья.

Соответственно отраженные вершиной горы сигналы достигнут приемной

антенны ранее, чем сигналы, отраженные от ее подножья. Поэтому на

снимке получается впечатление опрокидывания высоких гор в направле-

нии к антенне и эффект увеличения крутизны склонов. Эффект складки

есть функция наклонной дальности, т.е. расстояния между антенной и

наземным объектом, угла визирования и крутизны склона. Обусловленные

этим эффектом искажения в ближней зоне съемочной полосы выше, чем в

средней ее зоне. Для средней зоны радиоэхо от основания горы будет

принято радиолокационной системой раньше, чем радиоэхо от ее верши-

ны, поэтому в этой полосе такого эффекта не наблюдается. Корректировка

эффекта складки осуществляется с помощью цифровой модели рельефа.

Рисунок 40 - Эффект «складки» на радиолокационном изображении /23/

132

Радиотени. Вследствие прямолинейности распространения радиоло-

кационных импульсов в горных районах имеются участки, которых радио-

волны не достигают и от которых не может отразиться сигнал. Такие

участки на РЛ-снимке кажутся черными и называются радиотенями. Этот

эффект особенно сильно проявляется в районах с резко расчлененным ре-

льефом. Величина радиотеней зависит от угла визирования, высоты полета

и высоты объекта съемки (рельефа местности) и увеличивается от ближней

к дальней зоне снимка (рисунок 41а и 41б).

Рисунок 41а - Радиотени в ближней и дальней зонах радиолокационного снимка

Рисунок 41б - Зависимость радиотени от высоты полета и угла визирования

На рисунке 42 схематично проиллюстрированы упомянутые искажения

радиолокационных изображений /21/.

133

а) б) в)

Рисунок 42 - Искажения изображений, полученных локатором бокового обзора с синте-

зированной апертурой антенны: а) искажения наклонной дальности (S), б) эффект

«складки», в) эффект радиотени /22/

Спекл-шумы. Снимки, получаемые радиолокаторами с синтезирован-

ной апертурой, имеют тонкие и мелкие изменения тона на изображении.

Это явление зернистости или крапчатости изображения называется спек-

лом (от англ. speckle - крапчатость). Оно обусловлено когерентностью ра-

диолокационного сигнала и случайной интерференцией (наложением) от-

раженных сигналов, исходящих из многочисленных центров рассеяния,

располагающихся в пределах одного пиксела. Фазы и амплитуды сигналов,

отраженных от участка земной поверхности, соответствующего одному

элементу разрешения, к тому же несколько изменяются от импульса к им-

пульсу. Отсюда варьирует и общее отражение сигнала в пределах пиксела.

Его значение может сильно отличаться от значений соседних пикселов то-

го же объекта. Спекл-шумы искажают изображение объектов, поэтому их

влияние необходимо снизить. Для удаления спекл-шумов применяют как

алгоритмы фильтрации, так и специфические алгоритмы, учитывающие

природу искажений на радиолокационных снимках.

Применение радиолокационных спутниковых изображений

По внешнему виду радиолокационные изображения похожи на черно-

белые фотографии, полученные оптическими системами. Яркость изобра-

жения зависит от изменчивости величины отраженного от объекта радио-

сигнала. Как отмечалось, диапазон уровней яркости систем дистанционно-

го зондирования может дифференцироваться в соответствии с радиомет-

рическим разрешением и рассматривается как динамический диапазон.

Для снимков оптического диапазона обычно используют 256 уровней яр-

134

кости, (8-битовые изображения), радиолокационные снимки могут диффе-

ренцировать до 100 000 уровней яркости. Поскольку глаз человека может

различить порядка 40 уровней яркости одновременно, такой объем инфор-

мации радиолокационных снимков для визуального дешифрирования из-

быточен. Этот объем данных будет сложно обработать и обычному ком-

пьютеру. Поэтому первичные данные радиолокационных снимков записы-

вают и обрабатывают как 16-битовые изображения (65536 уровней ярко-

сти), которые в дальнейшем сворачиваются в 8-битовые (256 уровней) для

визуального дешифрирования или цифровой компьютерной обработки.

Особенность радиолокационных снимков заключается в том, что фак-

торы, влияющие на формирование «яркости» изображения нельзя разде-

лить, они взаимосвязаны. Свой вклад вносят физические параметры - ди-

электрическая постоянная материала поверхности, неровности поверхно-

сти, внутренняя структура, а также параметры самой радиолокационной

системы – длина волны (частота), поляризация и угол падения. «Яркость»

изображения есть слагаемое различных упомянутых компонентов, опреде-

ляемых как природными характеристиками – шероховатость поверхности,

ее диэлектрические свойства, увлажнение, так и техническими - геометри-

ей визирования и геометрией земной поверхности. Недостатком радарных

изображений является присутствие упомянутых выше различных геомет-

рических искажений, которые необходимо учитывать при обработке.

Эти изображения, несмотря на присутствие множества эффектов, ис-

пользуются в топографии, океанографии, изучении снежных и ледниковых

покровов. Однако дешифрирование снимков и идентификация необходи-

мых параметров - достаточно сложный процесс. Каждый пиксел снимка

характеризует только один показатель - суммарный коэффициент отраже-

ния направленного антенной радиосигнала от определенного участка по-

верхности, который бывает трудно увязать с физическими параметрами

объекта. Вместе с тем с совершенствованием радиолокационных систем на

космических платформах связывают большие перспективы их возможного

использования. Радиолокационные изображения имеют неоспоримые до-

стоинства и принципиально отличаются от снимков видимого и инфра-

красного диапазонов спектра. В силу своих различий их совместное ис-

пользование позволит извлечь взаимодополняющую информацию при

совместной обработке. На рисунке 43 приведен пример синтеза радиоло-

кационного изображения с многозональным /23/.

Канадская система RADARSAT, установленная на нескольких поко-

лениях спутников, является примером стабильно работающей в течение

многих лет.

Спутник RADARSAT-1 запущен в ноябре 1995 г. на орбиту высотой

800 км. Основное его назначение - получение радиолокационных изобра-

жений. Радиолокационная система бокового обзора работает в С-диапазоне

(5,3 ГГц) и использует горизонтальную поляризацию излучения. Исследу-

135

емая полоса находится справа от траектории движения спутника. В отли-

чие от других, более простых радиолокационных систем бокового обзора,

данный аппарат обладает существенной гибкостью в выборе режимов по-

лучения изображений. Например, при режиме «широкой полосы обзора» -

ширина полосы составляет 510 км с углом падения луча 20º у ближайшего

края полосы и 49º у дальнего края полосы - пространственное разрешение

составляет 100х100м. В режиме «идеальный луч» размеры области обзора

составляют 45х45 км, а пространственное разрешение равно 10х10 м.

В 2007 г. выведен на орбиту космический аппарат RADARSAT-2. Ра-

диолокационная система бокового обзора работает в C-диапазоне с изме-

няемой поляризацией излучения - ГГ, ВВ, ГВ, ВГ- и выполняет съемку с

разрешением от 3 до 100 м при полосе захвата от 10 до 500 км соответ-

ственно. На рисунке 44 схематично показаны основные параметры съемки

с борта спутника RADARSAT-2, возможности изменения полосы съемки и

углов падения луча.

Канадское космическое агентство определило следующие области

применения радиолокационных снимков в лесном хозяйстве:

опознавание мест сплошных рубок и определение вырубок в гра-

ницах выделов,

определение типов леса,

оценка биомассы,

анализ нарушенности лесов.

136

Рисунок 43 - Пример совмещения радиолокационного снимка RADARSAT с много-

зональным сканерным изображением

Рисунок 44 - Основные параметры съемки с борта спутника RADARSAT-2 /23/

137

14. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ МЕТОДОВ

АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ ДЛЯ

МОНИТОРИНГА ЛЕСОВ

Мониторинг пожарной опасности в лесах

Приоритетными задачами, нацеленными на обеспечение многоцелево-

го, рационального, непрерывного, неистощительного использования для

удовлетворения потребностей общества в лесах и лесных ресурсах, кото-

рые определены и закреплены законодательно в Лесном Кодексе признаны

осуществление мониторинга в целях обеспечения пожарной безопасности

(статья 53) и санитарной безопасности в лесах России (статья 55).

Под мониторингом пожарной опасности в лесах понимают си-

стему регулярных наблюдений, дающую информацию о степени и ха-

рактере пожарной опасности в лесах, т.е. возможности возникнове-

ния и (или) развития лесного пожара. Рекомендовано осуществлять этот

вид мониторинга на базе геоинформационных систем, обеспечивающих

обработку наземных данных, авиационных и космических изображений.

После катастрофических пожаров 2010 г. в Европейской части России

вопросам обеспечения пожарной безопасности уделяется пристальное

внимание как Правительством РФ, так и общественностью. В ответ на об-

щественные потребности стали разрабатываться и совершенствоваться

информационные системы мониторинга лесных пожаров. Созданы 3 такие

конкурирующие системы, отличающиеся объектами слежения:

Мониторинг МЧС (система «Каскад»), задача которого обнару-

жение очагов пожаров и слежение за их развитием, с тем, чтобы

обезопасить население и не допустить перехода огня из лесных

массивов в населенные пункты

Мониторинг пожаров на особо охраняемых природных террито-

риях, который осуществляет Министерство природных ресурсов

и экологии России.

Мониторинг природных пожаров в лесах (система «ИСДМ Рос-

лесхоз»), который в соответствии с лесным законодательством

осуществляет Федеральное агентство лесного хозяйства.

С 1995 г. в ФБУ «Авиалесоохрана» Федерального агентства лесного

хозяйства (Рослесхоза) проводятся работы по созданию информационной

системы спутникового мониторинга лесных пожаров, оперирующей ком-

плексом данных, получаемых как наземными и авиационными средствами,

так и по материалам космической съемки. До недавнего времени основным

источником информации для этих целей служили космические изображе-

ния AVHRR/NOAA с пространственным разрешением порядка 1 км, кото-

рые в настоящем заменены новыми более информативными материалами

съемки, полученными аппаратурой MODIS со спутников Terra/Agua (с

138

разрешением 250 м в видимом и 1000 м в тепловом диапазоне). Сенсор

MODIS производит съемку в 36-и спектральных зонах, покрывающих важ-

ные для выявления очагов пожаров два тепловых диапазона 3,5-4 мкм и 8-

9 мкм. В информационной системе мониторинга лесных пожаров массово

используют также данные спутников Landsat и SPOT-5 и 6 для детальных

обследований, а для выборочных оценок отдельных гарей - RapidEye. Вме-

сте с тем на сегодня данные MODIS остаются незаменимыми для выявле-

ния очагов пожаров.

В существующей сейчас системе спутникового мониторинга реги-

стрируются только крупные лесные пожары. Как отмечают исследователи,

очевидным недостатком системы мониторинга лесных пожаров Рослесхоза

является ее базирование на данных зарубежных спутниковых систем низ-

кого и среднего пространственного разрешения, находящихся в открытом

доступе и не требующих ощутимых затрат на их получение. Потенциал

этих систем уже используется достаточно эффективно. Определенные

надежды возлагаются на использование данных комплекса аппаратуры

среднего пространственного разрешения (50-100 м), установленного на

российских метеорологических спутниках серии Метеор-М, Однако, для

выявления очагов пожаров система непригодна, т.к. в ней отсутствует теп-

ловой канал.

Информационная система мониторинга лесных пожаров Федераль-

ного агентства лесного хозяйства введена в опытную эксплуатацию с 2003

г. С 2005 г. система работает в промышленной эксплуатации. Система со-

здавалась достаточно долго с 1995 г. В ее создании принимали участие

Институт космических исследований РАН, ЦЭПЛ РАН, Институт солнеч-

но-земной физики Сибирского отделения РАН, СПбНИИЛХ и другие.

Оператором системы дистанционного мониторинга пожаров являет-

ся отраслевая организация - ФБУ «Авиалесоохрана».

В ИСДМ-Рослесхоз организованы:

Максимально автоматизированный сбор информации, необхо-

димой для мониторинга пожарной опасности в лесах, реги-

страции лесных пожаров, организации и контроля их тушения,

а также оценки последствий их действия. Такая информация

включает спутниковые данные, отчеты региональных служб

охраны лесов от пожаров, метеорологическую информацию,

данные регистрации молниевых разрядов.

Автоматическая обработка данных для получения различных

информационных продуктов.

Ведение оперативных и долговременных архивов спутниковых

данных и результатов их обработки

Оперативное представление результатов пользователям.

Основные элементы системы.

Подсистема автоматического сбора данных.

139

Обеспечивает оперативное получение спутниковых данных из

российских центров приема, расположенных в г. Пушкино в

ФБУ «Авиалесоохрана», ИКИ РАН ( г. Москва), НИЦ Планета

(г.Москва), г. Ханты-Мансийске, г. Новосибирске,

г.Красноярске, г. Хабаровске, а также из архивов Геологиче-

ской службы США, и других поставщиков спутниковой ин-

формации. В настоящее время в систему поступают данные

NOAA, Terra/Aqua, Spot, Landsat, RapidEye, Метеор-М. Из

Гидрометцентра Росгидромета в систему ежедневно поступает

метеорологическая информация. Работа организована через

распределенные узлы в центрах приема спутниковых данных.

Подсистема архивации данных

Обеспечивает ведение оперативных и долговременных архивов

данных, пополнение архивов, обработку запросов и выборку

данных. Работа архивов и баз данных (около 20 архивов) орга-

низована на системе распределенных узлов.

Подсистема автоматической обработки данных

Состоит из блоков, формирующих специальные информационные

продукты.

Блок автоматического формирования оперативных про-

дуктов на основе спутниковых данных. Выявление очагов

лесных пожаров.

Блок оценки последствий действия лесных пожаров. Обра-

ботка данных низкого и среднего пространственного разреше-

ния: MODIS, SPOT-VGT для оценки площадей, пройденных

огнем, на основе анализа временных рядов спутниковых дан-

ных. В этом блоке осуществляется оценка площадей, пройден-

ных огнем, оценка степени повреждения лесов, послепожарной

динамики гарей и мониторинг изменений, связанных с пожа-

рами.

Блок автоматической подготовки отчетных форм и доку-

ментов.

Подсистема представления данных пользователю.

Обеспечивает оперативное представление различных информацион-

ных продуктов, получаемых в ИСДМ-Рослесхоз. Доступ к информа-

ции организован через информационные серверы. В подсистеме

пользователю доступны различные виды информации, в том числе

картографической. Она ориентирована на работу с удаленными

пользователями. Доступ к ресурсам системы ограничен только заре-

гистрированными пользователями. Более подробную информацию о

составе системы можно получить по адресу:

http://www.aviales.ru/rus/main.sht

140

Базовый состав картографических продуктов информационной си-

стемы дистанционного мониторинга лесных пожаров Рослесхоза включает

следующие тематические карты:

Очаги крупных лесных пожаров;

Количество действующих лесных пожаров (по субъектам Федера-

ции);

Количество возникших лесных пожаров (по субъектам Федера-

ции);

Прирост пройденной огнем площади (в га) за день (по субъектам

Федерации) и др.

Карты формируют один раз в сутки и поступают на информацион-

ные серверы «Авиалесоохраны» между 9-10 часами по московскому вре-

мени.

Кроме того, для анализа ситуации на всей территории России в си-

стеме формируются различные обзорные продукты (карты и информаци-

онные слои). Эти продукты получают и анализируют с помощью системы

динамических Web-интерфейсов и ГИС «Авиалесоохраны». В системе

формируют следующие базовые оперативные продукты:

Карта, отображающая число действующих за сутки лесных пожа-

ров (по субъектам Федерации);

Карта, отображающая число возникших за сутки лесных пожаров

(по субъектам Федерации);

Карта, отображающая прирост пройденной огнем площади за сут-

ки (по субъектам Федерации);

Карта пожарной опасности, полученная на основе суточной ме-

теорологической информации;

Информационный слой с выделенными участками подозрений на

пожары за сутки, полученными по спутниковым данным;

Информационные слои с изображениями облачности, получен-

ными на основе спутниковых данных в видимом и инфракрасном

каналах, накопленными за 6 часов;

Информационные слои с данными регистрации молниевых разря-

дов за сутки;

Информационный слой со средними за сутки характеристиками

ветра;

Информационные слои с различной картографической информа-

цией и ряд других.

Использование данных дистанционного мониторинга пожарной

опасности для решения задач регионального уровня, таких как информа-

ционная поддержка решений по оперативному тушению пожаров, учет вы-

зываемых пожарами последствий и послепожарная нарушенность лесных

земель, требует привлечения спутниковых изображений более высокого

141

пространственного разрешения и более детальных данных о лесах, содер-

жащихся в материалах лесной инвентаризации. Однако, привлечение такой

информации существенно повышает стоимость эксплуатации региональ-

ных систем мониторинга лесных пожаров.

Информация, полученная при мониторинге пожарной опасности в ле-

сах, является основой для разработки планов тушения лесных пожаров и

самого тушения лесных пожаров. Отсюда вытекают требования к техноло-

гии мониторинга пожаров в части регулярности и оперативности получе-

ния сведений. Регистрация очагов пожаров для решения тактических задач

и разработки планов тушения должна быть ежедневной. Как свидетель-

ствует отечественная и зарубежная статистика, более 95% ежегодно охва-

тываемой огнем площади приходится на долю не более 5% лесных пожа-

ров, не ликвидированных в течение ближайших двух суток после их воз-

никновения.

Лесопатологический мониторинг

Обязательность ведения лесопатологического мониторинга закреплена

в статье 56 Лесного Кодекса РФ. Согласно статье 55 части 1 разделу 2, ле-

сопатологический мониторинг осуществляется в целях обеспечения сани-

тарной безопасности. Основные цели лесопатологического мониторинга

(ЛПМ)- своевременное обнаружение, оценка и прогноз изменений сани-

тарного и лесопатологического состояния лесов для осуществления

управления в области защиты лесов и обеспечения санитарной без-

опасности в лесах. Для сбора информации о лесопатологическом состоя-

нии лесов осуществляются авиационные и наземные работы с использова-

нием при необходимости данных космической съемки. Проведение лесо-

патологического мониторинга в отношении лесов, расположенных на зем-

лях лесного фонда, обеспечивается Федеральным агентством лесного хо-

зяйства.

Порядок организации и осуществления лесопатологического монито-

ринга в лесах регламентирует специальный нормативный документ. Со-

гласно этому нормативному документу, лесопатологический мониторинг

включает проведение сбора, анализа и использования информации о лесо-

патологическом состоянии лесов, в том числе об очагах вредных организ-

мов, отнесенных к карантинным объектам.

При осуществлении лесопатологического мониторинга должны обес-

печиваться:

своевременное выявление неудовлетворительного лесопатологиче-

ского состояния лесов, определение причин его возникновения;

проведение оценки эффективности профилактических, санитарно-

оздоровительных мероприятий, авиационных и наземных работ по

локализации и ликвидации очагов вредных организмов;

142

подготовка прогноза развития наблюдаемых в лесах патологических

процессов и явлений, а также проведение оценки их возможных по-

следствий;

подготовка, обработка и хранение информации о лесопатологиче-

ском состоянии лесов;

подготовка обзоров санитарного и лесопатологического состояния

лесов, рекомендаций по обеспечению санитарной безопасности в ле-

сах;

своевременное направление информации о необходимости проведе-

ния мероприятий по защите лесов лицам, осуществляющим защиту

лесов.

В соответствии со статьями 82-83 Лесного Кодекса субъектам Феде-

рации переданы полномочия по защите лесов на подведомственных терри-

ториях. Поэтому результаты лесопатологического мониторинга, должны

оперативно предоставляться в региональные органы управления лесным

хозяйством для информационной поддержки принимаемых ими решений

по локализации и ликвидации очагов вредных организмов, ведению сани-

тарно-оздоровительных мероприятий.

Способами осуществления лесопатологического мониторинга являют-

ся:

- наземные наблюдения за состоянием объектов лесопатологическо-

го мониторинга;

- дистанционные наблюдения за санитарным и лесопатологическим

состоянием лесов;

- лесопатологическая таксация и экспедиционные обследования.

Дифференциация способов осуществления лесопатологического мо-

ниторинга определяется лесозащитным районированием. Дистанционные

наблюдения за санитарным и лесопатологическим состоянием лесов и, при

необходимости, экспедиционные обследования, применяются преимуще-

ственно в зоне слабой лесопатологической угрозы. В зоне средней лесопа-

тологической угрозы применяются дистанционные наблюдения за сани-

тарным и лесопатологическим состоянием лесов, наземные наблюдения за

состоянием объектов лесопатологического мониторинга и лесопатологиче-

ская таксация. В зоне сильной лесопатологической угрозы используются

все способы лесопатологического мониторинга с преобладанием наземных

наблюдений за состоянием объектов лесопатологического мониторинга.

Основные требования к дистанционным наблюдениям за санитарным

состоянием лесов и лесопатологической обстановкой регламентированы

специальным нормативным документом. Согласно этому документу:

1. Основной целью дистанционных наблюдений является своевремен-

ное обнаружение опасных отклонений в санитарном состоянии ле-

сов, а также предварительная оценка размеров повреждений. Ди-

станционные наблюдения за санитарным состоянием лесов преду-

143

сматривают космическую и авиационную съемку, аэровизуальное

обследование лесов. Они могут представлять собой регулярные вы-

борочные наблюдения, либо специальные обследования в случае

возникновения массовых повреждений лесов.

2. В зависимости от объекта и задач лесопатологического мониторинга

при планировании дистанционных наблюдений определяются мас-

штаб (пространственное разрешение) авиационной и (или) космиче-

ской съемки, вид изображений, спектральное разрешение, время и

периодичность съемки, необходимые технические и программные

средства для их обработки и анализа.

3. Оценка состояния лесов способом дистанционных наблюдений осу-

ществляется путем дешифрирования материалов дистанционного

зондирования Земли (ДЗЗ), распознавания на них признаков повре-

ждения и гибели лесных насаждений. Дешифрирование материалов

ДЗЗ проводится с привлечением результатов наземных наблюдений

за состоянием объектов лесопатологического мониторинга на тесто-

вых участках. Тестовым может быть любой участок леса, по которо-

му имеется характеристика состояния древостоя на момент произ-

водства съёмки. Предпочтение отдаётся тестовым участкам леса, на

которых имеются постоянные пункты наблюдений (ППН).

4. Дешифрирование материалов ДЗЗ может быть визуальным (глазо-

мерным, аналитическим), измерительным, автоматическим (машин-

ным), а также комплексным – аналитико-измерительным или авто-

матизированным (интерактивным, человеко-машинным). При визу-

альном дешифрировании изучаемый объект описывается на основе

признаков дешифрирования его изображения на материалах ДЗЗ, ви-

димых невооруженным глазом или с помощью приборов. При анали-

тико-измерительном дешифрировании сочетается визуально-

логический анализ изображения с измерением различных парамет-

ров дешифрируемых объектов. Автоматическое дешифрирование

основано на распознавании по спектральным и морфометрическим

характеристикам дешифрируемых объектов их количественных и

качественных показателей. В этом случае процесс дешифрирования

выполняется с помощью специальных программных продуктов для

обработки изображений.

5. Автоматизированное (интерактивное, или человеко-машинное) де-

шифрирование сочетает в себе элементы аналитико-измерительного

дешифрирования, выполняемого экспертом по изображению на

экране компьютера, с автоматическим дешифрированием. В этом

случае анализируются и обрабатываются материалы ДЗЗ с помощью

специальных программных средств обработки изображений при ак-

тивном участии эксперта.

144

6. Для обнаружения повреждений отдельных деревьев используются

материалы ДЗЗ высокого (метрового и субметрового) простран-

ственного разрешения, на которых опознаются повреждения части

крон или отдельных ветвей в кронах деревьев. При значительном по-

вреждении крон деревьев с увеличением линейных размеров участ-

ков поврежденного леса или погибших насаждений, используются

материалы ДЗЗ с меньшим пространственным разрешением (таблица

5).

Таблица 5 - Типичные размеры объектов лесопатологического дешифрирования

Объекты

дешифрирования

Распознаваемые

структурные

детали

изображения

Минимальные

размеры

объектов на

местности

Необходимые

материалы

съемок

Незначительные

повреждения (до 1/3

кроны) отдельных

деревьев (ослабленные

деревья) и куртин

Ветви

0,1–0,3 м

Сверх крупномасштаб-

ные (крупнее 1:1000) и

крупномасштабные

аэрофотоснимки

масштаба 1:1000–

1:3000

Значительные

повреждения (до 2/3

кроны и более)

отдельных деревьев

(сильно ослабленные,

усыхающие и усохшие

деревья) и куртин

Ветви

Кроны

0,3–0,5 м

2–4 м

Крупномасштабные

аэрофотоснимки:

масштаб 1:3000–

1:5000;

масштаб 1:5000–1:7000

(сверхдетальные КС)

Насаждения разной

степени повреждения:

слабой и средней

сильной (сплошной)

Кроны, биогруп-

пы

Куртины

Выдел

5–10 м

более 0,25 га

более 10 га

Среднемасштабные


масштаб 1:10000

(детальные КС);


1:15000

Космические снимки с

разрешением 10 - 40 м

Скопление мертвого

леса независимо от

происхождения:

в защитных лесах

в эксплуатационных

Выдел

Выдел

3–15 га

более 10 га

Среднемасштабные



1:15000 (детальные КС)

Космические снимки с

разрешением 10 - 40 м

145

или резервных лесах

146

7. Дешифрирование материалов съемок включает следующие этапы:

привязку, обнаружение объектов, их опознавание, интерпретацию и

экстраполяцию.

8. Привязка снимков заключается в определении пространственного

(географического) положения изображения и осуществляется при

помощи топографических карт или с использованием специальных

программных продуктов и навигационных данных. Ориентирами и

опорными точками для привязки служат места взаимного пересече-

ния элементов гидрографической сети, дорог, трасс коммуникаций,

просек, а также населенные пункты и другие надежно опознаваемые

объекты.

9. Обнаружение объектов – выделение различных рисунков изображе-

ния, характерных для дешифрируемых объектов или их групп.

10. Опознавание объектов – или их идентификация включает анализ

комплекса прямых признаков дешифрирования тона (цвета), формы,

рисунка (структуры, текстуры), а также косвенных признаков, ука-

зывающих на сопряженность распознаваемых объектов с другими

объектами или природными и антропогенными особенностями.

11. Интерпретация – заключается в определении характеристик дешиф-

рируемых объектов по прямым и косвенным признакам в зависимо-

сти от тематической направленности дешифрирования.

12. Экстраполяция – включает идентификацию аналогичных объектов

на всей территории, которая получает изображение на одном снимке

или нескольких снимках, полученных при одних и тех же атмосфер-

но-оптических условиях съемки.

13. Для повышения достоверности работ по оценке состояния насажде-

ний применяются материалы ДЗЗ за июль-август, когда в древесном

пологе появляется свежий сухостой.

14. Одной из разновидностей дистанционного зондирования является

авиалесопатологическая таксация.

15. Авиалесопатологическая таксация выполняется подготовленными

специалистами при обязательном участии летчика-наблюдателя. Ра-

бочими документами при авиалесопатологической таксации служат

топографическая карта в масштабе не менее 1:200000. При авиалесо-

патологической таксации должны использоваться электронные топо-

графические карты, спутниковая навигация и специальные про-

граммные продукты, обеспечивающие пространственную привязку

контуров оцениваемых лесных участков. На карту наносятся лесные

массивы, в которых наиболее вероятно нахождение резерваций и

возникновение вспышек массового размножения опасных вредите-

лей леса, вырубки, гари и прочие хорошо опознаваемые объекты

внутри таких лесных массивов. На топографической карте осу-

147

ществляется планирование полетов по точкам, с хорошо опознавае-

мыми с воздуха объектами. Авиалесопатологическая таксация пла-

нируется на июнь – начало июля в период наиболее заметного объ-

едания хвои. Проводится с высоты в 400-500 м по предварительно

спланированным маршрутам. Расстояние между маршрутами может

назначаться от 4 до 10 км в зависимости от рельефа местности, ме-

стонахождения древостоев и лесопатологической ситуации. Общая

протяженность полетов при авиалесопатологической таксации

должна составлять 1000-2500 км на каждый миллион гектаров об-

следуемой площади.

16. Степень повреждения полога древостоев хвое- и листогрызущими

вредителями оценивается по шкале:

• слабое - при потере хвои (листвы) до 25%;

• среднее - до 50%;

• сильное - до 75%;

• сплошное - свыше 75%.

17. Степень усыхания насаждений оценивается по проценту усыхающих

и сухостойных деревьев в них с ошибкой не более 20%.

18. Предельно малой нормой подлежащих выявлению при авиалесопа-

тологической таксации неблагополучных насаждений может счи-

таться:

• повреждение полога хвоегрызущими - 25%;

• наличие усыхающих и свежесухостойных деревьев - 10%;

• наличие сухостоя прошлых лет - 20%;

• ветровальники и свежие гари - 10 га.

19. Контуры выявленных методами лесопатологического дешиф-

рирования и авиалесопатологической таксации участков леса должны быть

описаны последовательностью точек, позиционированных в системе гео-

графических координат WGS-84.

Информация, полученная в результате осуществления дистанционных

наблюдений за санитарным и лесопатологическим состоянием лесов, ис-

пользуется, в том числе, для решения следующих задач:

выбора первоочередных объектов для применения других спо-

собов лесопатологического мониторинга;

разработки и составления тематических, в том числе оценочно-

прогнозных карт;

обеспечения наземного наблюдения за состоянием объектов ле-

сопатологического мониторинга.

Ведение лесопатологического мониторинга осуществляет Россий-

ский центр защиты леса (ФБУ «Рослесозащита») и 42 его региональных

филиала.

В настоящее время широкий общественный резонанс приобрела про-

блема массового усыхания таежных лесов на европейской территории Рос-

148

сии и в Сибири. В 2005-2006 гг. в Архангельской области специалистами

ФБУ «Рослесозащита» проведены рекогносцировочные авиационные об-

следования и наземные полевые работы. По результатам обследования вы-

явлено 2550 тыс. га еловых лесов с неудовлетворительным санитарным со-

стоянием, из них 61% (1711 тыс. га) усыхающих и погибших. Массовое

усыхание таежных лесов не является чисто российской проблемой. Это яв-

ление зафиксировано в лесах бореальной зоны Северной Европы и Север-

ной Америки. В этой связи, технология дистанционного мониторинга

представляет интерес как для российских специалистов по защите леса, так

для зарубежных.

Мониторинг незаконных рубок и использования земель лесного фонда

В настоящее время, по данным официальной статистики, общий объем

заготавливаемой древесины всеми видами рубок составляет около 175-190

млн. м3, в том числе, в процессе проведения сплошных рубок в объеме 125

млн. м3 на площади порядка 700 тыс. га. В последние 10 – 15 лет в нашей

стране получили значительное распространение незаконные рубки. Объе-

мы незаконных рубок неизвестны. Органы управления лесным хозяйством

оценивают их в 1 млн. м3, по оценкам неправительственных организаций

их объем составляет не менее 30% от общего объема рубок, учтенных ста-

тистикой, т.е. около 30 – 40 млн. м3. Под незаконной рубкой понимается

рубка лесных насаждений без положенных разрешительных документов, а

также рубка, проводимая с нарушениями существующих Правил рубок.

Дистанционный мониторинг незаконных рубок и использования зе-

мель лесного фонда инициирован Федеральным агентством лесного хозяй-

ства (Рослесхозом) в 2005 г. В настоящем этот вид обследования рассмат-

ривается как самостоятельный, так и в комплексе работ по государствен-

ной инвентаризации лесов, которая проводится филиалами ФГБУ «Росле-

синфорг» Рослесхоза. В рамках работ по этому виду мониторинга осу-

ществляется выявление и учет изменений состояния лесов, происходящих

в результате негативных воздействий антропогенного характера. А имен-

но:

заготовки древесины;

выполнения работ по геологическому изучению недр и разра-

ботке месторождений полезных ископаемых;

строительству и эксплуатации водохранилищ, иных искусствен-

ных водных объектов, а также гидротехнических сооружений,

специализированных портов;

строительству и реконструкции линий электропередачи, линий

связи, дорог, трубопроводов и других линейных объектов.

Основными задачами мониторинга незаконных рубок являются:

149

1. Выявление и определение места, площади и объема незаконных сплош-

ных рубок леса.

2. Выявление нарушений действующих правил и нормативов при органи-

зации и осуществлении лесопользования.

Подлежат регистрации следующие нарушения и отступления от нор-

мативных требований:

отвод лесосек при отсутствии согласованных планов рубок или

в местах, не предусмотренных планами рубок (за исключением

назначения в рубку древостоев, требующих срочной рубки по

состоянию;

отвод лесосек в защитных лесах, где сплошные рубки запреще-

ны;

превышение фактической площади вырубок и их параметров

данным отвода лесосек, указанным в проектах освоения лесов и

на планах рубок (не соответствие фактической рубки, заплани-

рованной);

завизирная рубка – рубка за пределами отведенной лесосеки;

превышение нормативных требований Правил рубок по ширине,

длине (площади) разработанных лесосек;

не соблюдение способов и сроков примыкания лесосек;

отступления в определении направлений лесосек, направлений

рубки и числа зарубов в квартале;

не соответствие принятого способа рубки (неправомерность

применения сплошного способа рубки);

оставление компактных недорубов (невырубленных участков)

на лесосеках.

Порядок работ по выявлению незаконных рубок и использования зе-

мель лесного фонда регламентируется специальными методическими до-

кументами. К таким документам относятся следующие:

Методические рекомендации по аэрокосмическому мониторин-

гу порядка лесопользования, одобренные на заседании Совета

Федерального агентства лесного хозяйства 19.05.2005;

Положение о порядке освидетельствования мест рубок главного

пользования методом аналитико-измерительного дешифрирова-

ния материалов крупномасштабной аэросъемки, утвержденное

МПР РФ от 20.07.2006 №169, зарегистрировано в Минюсте

28.08.2006.

Работы проводят в такой последовательности по этапам:

1. Подготовительные работы.

2. Приобретение и обработка космических снимков.

3. Дешифровочные работы.

4. Проведение выборочной полевой проверки.

150

5. Анализ материалов и написание отчета.

Информация принимается на российские наземные станции «УниС-

кан» со многих космических аппаратов, преимущественно зарубежных, в

том числе IRS-1C, IRS-1D, IRS-P5, IRS-P6 (Индия); SPOT-2, SPOT-4,

SPOT-5 (Франция) и других. Для приема данных со спутников сформиро-

вана сеть наземных станций. Они установлены, в частности, в Магадане,

Московской области и Иркутске.

На сегодняшний день требуется порядка 48 часов от момента съемки

до получения космических снимков специалистами лесного хозяйства, за-

нимающимися их обработкой. Ранее проходило от 1 до 2 месяцев со вре-

мени приема данных на станцию до прихода снимков в региональный

центр мониторинга. Сокращение времени произошло за счет прямого при-

ема спутниковых данных на станции «УниСкан» и последующей передачи

информации по электронным каналам связи. Для передачи данных в реги-

ональные подразделения сейчас используют специализированный Web-

геосервис «Государственная инвентаризация лесов 2010».

Общее число поставляемых снимков со всех космических аппаратов

за год достигает нескольких десятков тысяч.

В работах по дешифрированию, которые выполняют региональные

центры мониторинга, предпочтение отдается космическим снимкам SPOT

(с разрешением на местности 10 м); ALOS PRISM (2,5 м); Cartosat-1(2 м);

IRS (6 м). Обработка проводится способом интерактивного дешифрирова-

ния в различных ГИС-пакетах и с использованием программных средств

«ScanEx Image Processor».

На основании экспериментальных исследований и практических работ

сформулированы требования к периодичности получения сведений о со-

стоянии лесов и к средствам съемки, дифференцированные по задачам раз-

личных видов мониторинга и оперативности получения дистанционной

информации, которые приведены в таблице 6.

151

Таблица 6 - Задачи мониторинга в интересах лесного хозяйства и требования к дистан-

ционной (аэрокосмической) информации /6/

Задача

Пер

ио

ди

чн

ост

ь

на

бл

юд

ени

й

Сту

пен

ь с

ъем

ки

1

Ра

зреш

ени

е н

а

мес

тн

ост

и,

м

Диапазон съемки

По

тр

ебн

ост

ь в

на

зем

ны

х о

бсл

е-

до

ва

ни

ях

0.4-

1.1.м

км

ИК-

тепло-

вой

СВ

Ч

Мониторинг лесных пожаров

Охрана лесов от пожаров

Контроль за предпожарной обстанов-

кой в лесу (составление экспресс-

карт пожарной опасности)

Сход снежного покрова, фе-

нологическое состояние

Влажность лесных горючих

материалов

Синоптическая обстановка,

грозовая облачность

Выявление очагов лесных пожаров и

контроль их динамики:

Обнаружение очагов лесных

пожаров, оценка их парамет-

ров

Выявление конвективной об-

лачности в районе пожаров

Прогнозирование распро-

странения пожаров и кон-

троль их динамики

3-5 дней

1 раз в

сутки

2 раза в

сутки

2 раза в

сутки

2 раза в

сутки

2 раза в

сутки

К

К+С

К

К

С

К

К

С

30…250

250

10…50

250..1000

10…250

1..10

250..1000

10..250

5…10

+

-

-

+

+

-

+

+

-

+

+

+

-

+

+

+

+

+

+

+

+

-

-

-

+

+

-

-

-

+

-

-

+

-

-

+

Лесопатологический мониторинг

Оценка последствий воздействия на леса стихийных бедствий, насекомых-вредителей леса, промыш-

ленного загрязнения

Контроль за резервациями насеко-

мых-вредителей

Контроль за состоянием лесов в зоне

промышленного загрязнения крупных

предприятий, объектов нефте- и газо-

добычи и пр.

Выявление лесных насаждений, по-

врежденных ветровалами, насекомы-

ми-вредителями, оценка ущерба и

контроль за ликвидацией последствий

1 раз в

год

1 раз в

год

2 раза в

год

С+К

С+К

К

С

0.1…0.5

0.5…20

5…10

0.1…0.5

+

+

+

+

+

+

-

-

-

-

-

-

+

+

-

+

1 К - космическая ступень съемки (наблюдения); С - самолетная, аэросъемка

152

Мониторинг незаконных рубок и использования лесов

Контроль соблюдения правил заготовки древесины и динамики лесовосстановления

Контроль за размещением и порядком

проведения сплошных рубок

Контроль за порядком организации

рубки на лесосеках, за использовани-

ем древесины, сохранением подроста,

напочвенного покрова (освидетель-

ствование мест рубок)

Контроль за динамикой лесовосста-

новления на вырубках

1 раз в

год в

районах

рубок

В год

рубки

1 раз в 5

лет

К

С

К

С

5..10

0.1..0.2

5…20

0.1..0.2

+

+

+

+

-

-

-

-

+

-

-

-

+

+

-

+

Учет нарушенности земель лесного фонда для обновления статистической отчетности

Учет и картографирование нарушен-

ности земель лесного фонда, вызван-

ных:

Пожарами

Стихийными бедствиями

Антропогенной деятельностью

1 раз в год

-»-

-«-

К

К

С

К

С

5..10

5..10

0.5..1.0

до 10

0.5..1.0

+

+

+

+

+

-

-

-

-

-

-

-

-

+

-

-

-

+

-

+

153

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Законодательные документы

1. Договор о принципах деятельности государств по исследованию и

использованию космического пространства, включая луну и другие

небесные тела. Москва– Вашингтон – Лондон. 27 января 1967 г.

2. Конвенция о передаче и использовании данных дистанционного зон-

дирования Земли из космоса. Москва, 19 мая. 1978 г.

Учебники, монографии и статьи

3. Аэрокосмические методы в охране природы и лесном хозяйстве/под

ред. Сухих В.И., Синицына С.Г.М.: Лесная промышленность.1979 –

288 с.

4. Дистанционное зондирование в лесном хозяйстве /Данюлис Е.П.,

Жирин В.М.,Сухих В.И., Эльман Р.И. М.: Агропромиздат, 1989 -223

с.

5. Дистанционное зондирование: количественный подход

/Ш.М.Дейвис, Д.А. Ландгребе, Т.Л. Филипс и др. Под ред. Ф.Свейна

и Ш. Дейвис. Пер. с англ. М.:Недра, 1983. - 415 с.

6. Дмитриев И.Д., Мурахтанов Е.С., Сухих В.И. Лесная авиация и

аэрофотосъемка М.: Агропромиздат, 1989. - 366 с.

7. Киреев Д.М. Методы изучения лесов по аэроснимкам. Новосибирск:

Наука, 1977. -212 с.

8. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические

методы географических исследований. Учеб. Для студ. высш. учеб.

заведений. М.: Издательский центр «Академия», 2004. - 336с.

9. Кринов Е.Л Спектральная отражательная способность природных

образований. М.-Л.: Изд-во АН СССР, 1947. - 271 с.

10. Кронберг П. Дистанционное изучение Земли: Основы и методы ди-

станционных исследований в геологии. М.: Мир.1988. - 343 с.

11. Лабутина И.А. Дешифрирование аэрокосмических снимков: Учеб.

Пособие для студентов вузов. - М.: АспектПресс, 2004.-184 с.

12. Ланцл Р. TerraSAR-X: третий год в космосе. Развитие коммерческого

сектора дистанционного зондирования Земли. // Земля из космоса:

наиболее эффективные решения. Вып.2. лето 2009. С.49-53

13. Лурье И.К. Геоинформационное картографирование. Методы геоин-

форматики и цифровой обработки космических снимков: Учебник-

М.: КДУ, 2008 - 424 с.

14. Лурье И.К., Косиков А.Г. Теория и практика цифровой обработки

изображений. М.: Научный мир, 2003.- 168 с.

154

15. Маслов А.А. Космический мониторинг лесов России: Современное

состояние, проблемы и перспективы.// Лесной бюллетень № 1(31)

февраль, 2006. с.8-13

16. Самойлович Г.Г. Применение авиации и аэрофотосъемки в лесном

хозяйстве. М.: Гослесбумиздат, 1964.- 484 с.

17. Сухих В.И., Гусев Н.Н., Данюлис Е.П. Аэрометоды в лесоустрой-

стве. М.: Лесная промышленность. 1977. - 192 с.

18. Рис У.Г. Основы дистанционного зондирования. Москва: Техносфе-

ра. 2006.- 336 с.

19. Чандра А.М., Гош С.К. Дистанционное зондирование и географиче-

ские информационные системы. М.: Техносфера, 2008.- 312 с.

20. Чуркин А.Л. Космический комплекс гидрометеорологического и

океанографического обеспечения «Метеор-3М» со спутником «Ме-

теор»// Геоматика №3. 2009. С.79-85.

21. Шовенгердт Р.А. Дистанционное зондирование. Методы и модели

обработки изображений. Москва: Техносфера. 2010. - 560 с.

22. Jensen Introductory Digital Image Processing. A Remote Sensing Per-

spective. 2-nd ed. NJ: Prentice Hall, 1996.- 318 p.

23. Fundamentals of Remote Sensing. Remote Sensing Tutorial. Canada Cen-

tre for Remote Sensing. Natural Resources of Canada. 2008. - 258 p.

http://www.ccrs.nrcan.gc.ca

Date post:	20-Jun-2020
Category:	Documents
Upload:	others
View:	7 times
Download:	0 times

L H F : L B A B J H < : G G H ? R B N J B J H < : G B ... · «дистанционное...

Documents