english | русский | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
КАРТИРОВАНИЕ ЛЕСОВ | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Разработка легенд тематических продуктов извлекаемых из данных RESOURS/MSU-SK Исходя из полученных результатов анализа спектральной разделимости основных категорий лесных и нелесных земель, а также их представленности на тестовом регионе, предлагается следующая структура классификации изображений МСУ-СК (рис. 1). Непокрытые лесом и нелесные земли объединяются в единый класс "не лес", и на первом уровне детальности рассматриваются следующие классы: покрытые ("лес") и непокрытые лесом ("не лес") земли, облачность, снег, вода и тени от облаков. Второй уровень детализации раскрывает содержание классов "лес" и "не лес". В класс "не лес" вошли следующие, статистически представленные в лесном фонде тестового участка, категории нелесных земель: с/х угодья, вода, урбанизированные территории (площади специального назначения), болота. Из непокрытых лесом земель в класс "не лес" вошли вырубки, гари и погибшие насаждения, прогалины. Другие категории (лесные питомники (0%), плантации (0%), несомкнувшиеся лесные культуры (0,4%), пустыри (0,001%), редины антропогенные и биологические (0%)) были статистически мало представлены на тестовом регионе, и не вошли в состав легенды. К классу "лес" причислены такие категории лесного фонда, как леса естественного и искусственного происхождения. Из этих категорий были выделены три класса, различающихся между собой полнотой или сомкнутостью, а именно низко-сомкнутые леса (полнота 0,1-0,3), средне-сомкнутые (полнота 0,3-0,7) и высоко-сомкнутые леса (полнота 0,7-1). Дополнительно в легенду введен класс поврежденные насаждения насекомыми вредителями со степенью дефолиации менее 50%. Третий и четвертый уровни детальности легенд карт раскрывают породно-возрастную структуру покрытых лесом земель в части сомкнутых насаждений. Исходя из результатов спектрального анализа сигнатур древесных пород, преобладающих в лесах тестового участка, были выделены три основных типа лесной растительности: хвойные (светлохвойные и темнохвойные), смешанные и мелколиственные (березовые и осиновые) леса. На этапе классификации изображений МСУ-СК хвойные леса разбивались на светлохвойные и темнохвойные, результаты которых приводятся в следующем разделе главы. Смешанные леса представляют собой насаждения с равным участием в составе полога леса лиственных и хвойных пород. Березовые и осиновые насаждения были объединены в один класс в силу их низкой спектральной разделимости по одиночному изображению МСУ-СК. Анализ разделимости спектральных сигнатур классов возраста различных пород предопределил состав легенды четвертого уровня. Достаточно хорошо отличаются молодые насаждения 1 и 2 класса возраста от спелых и приспевающих насаждений большинства пород. Средневозрастные насаждения равнозначно перепутываются как с молодыми, так и со спелыми насаждениями. Этот класс является переходным и трудно интерпретируемым при проведении работ по дешифрированию аэрофотоснимков. Исходя из полученных результатов, можно предположить, что наиболее правильно необходимо разбить все классы возраста на две основные группы: молодые (молодняки 1 и 2 класса возраста) и взрослые (средневозрастные, приспевающие и спелые) насаждения. Таким образом, предлагаются следующие тематические продукты и их легенды, которые могут быть получены по результатам обработки одиночных изображений среднего разрешения МСУ-СК/РЕСУРС-О.
Методика тематической обработки изображений РЕСУРС-О/МСУ-СК Исследования проводились на основе совместного использования базы данных инвентаризации лесов тестового региона и изображения среднего разрешения, полученного по результатам многоспектральной съемки прибором МСУ-СК со спутника РЕСУРС-О. Последовательность этапов тематической обработки выстраивалась в процессе проведения исследовательских работ по промежуточным результатам классификаций спутниковых изображений. В основе методики был положен подход иерархической классификации изображений с последовательным увеличением числа классов при переходе с первого уровня детализации на последующий. При этом совместно использовались методы как управляемой, так и неуправляемой классификации, первый из которых применялся для первичной классификации изображения с использованием априорной информации об анализируемых классах, а второй подход для уточнения полученных спектральных распределений классов. На рисунке 2 приводится блок-схема последовательности обработки изображений МСУ-СК и получения тематического продукта. В качестве метода управляемой классификации использовалась байесовская теория решения, основанная на вероятностной оценке классов и поиске решающего правила, минимизирующего ожидаемые потери или условный риск [11]. На основе плотности распределения p(x|wi) сигнатур эталонных участков распознаваемых классов определялись их апостериорные вероятности P(wi|x), и вычислялось такое решающее правило wi , при котором достигается наименьшая средняя вероятность ошибки распознавания классов C. Иными словами для минимизации уровня ошибок алгоритм руководствуется таким правилом: принять решение wi, если P(wi|x) > P(wj|x) для всех j | i, где i, j = 1,…c - классы. Вероятность правильного распознавания классов методами управляемой классификации зависит от достоверности выборки эталонных спектральных сигнатур классифицируемых природных объектов, подаваемых алгоритму в виде их плотностей распределения, и использующихся для оптимизации решающего правила. Компенсировать ошибки классификации, связанных с неточностями в заданных распределениях эталонов классов, вызванных ошибками пространственного совмещения спутниковых изображений и лесных карт, а также погрешностями лесотаксационных данных, можно с помощью процедур неуправляемой классификации индивидуально для каждого предварительного распознанного тематического класса. Для этого использовались методы кластерного анализа, разбивающего анализируемое пространство признаков на однородные в спектральном отношении кластеры. Причем на вход алгоритма подается многомерное пространство признаков (спектральные каналы и их отношения), ограниченное плотностью распределения анализируемого классов, полученного с использованием байесовского решающего правила. Совместный визуальный анализ распределений яркостей кластеров и эталонных сигнатур уточняемого класса в двумерном пространстве информативных спектральных признаков, позволяет выявить аномальные кластеры, находящиеся на краях гистограмм класса. Проецирование пикселов, выявленных аномальных кластеров на исходное изображение МСУ-СК и визуальный их анализ совместно с лесными картами дает возможность идентифицировать их реальную принадлежность к одному из классов тематической карты (Рис 3). Пусть A1, A2..,Af являются подмножествами (кластерами) множества F (например, класс "ЛЕС"), а B1, B2..,Bs являются подмножествами (кластерами) множества S (например, класс "НЕ ЛЕС"), т.е.{Af | f е F} и {Bs | s e S} . Тогда, если в процессе визуальной интерпретации кластеров, было выявлено, что подмножество A1 являются частью множества S, а не F, то выполняется переопределение этих множеств, а именно S'=CFCFA1 И S. Оценка полученных результатов и выработка рекомендаций по использованию данных RESOURS/MSU-SK для картографирования лесов регионального уровня Экспериментальная обработка изображений МСУ-СК выполнялась в программной среде ERDAS Imagine 8.4 в соответствии с методикой, изложенной в разделе 6.5. Последовательность выполнения этапов обработки определялась составом производных картографических продуктов и содержанием их легенд. Экспериментальная обработка состояла из следующих этапов. На первом этапе выполнялась классификация методом максимального правдоподобия изображения на два класса "лес" и "не лес". В качестве дополнительного признака кроме исходных спектральных каналов в классификации использовался вегетационный индекс, получаемый отношением красного и ближнего инфракрасного каналов. В значения пикселов каждого канала вводились поправки, в виде констант, смещающих начало координат к значимым частям гистограмм: RVI=(R-DNr)/(IR-DNir), где DNr=23 - поправка к красному каналу R (2 канал МСУ-СК), DNir = 20 - поправка к инфракрасному каналу IR (4 канал МСУ-СК). DN - уровни квантования изображения {0..255} Этот индекс позволяет некоторым образом учитывать изменения площади проективного покрытия в пикселе спутникового изображения, занимаемого древесным пологом по отношению к открытым участкам напочвенного покрова. После уточнения карты с применением кластерного анализа, проводилось ее валидация и оценка точности. На следующем этапе выполнялась независимая тематическая обработка по той же методике в участках изображений, отнесенных к классам "лес" и "не лес", с целью получения карты категорий земель. На этом этапе создавалась карта второго уровня детализации (рис. 1). Затем процедура повторялась для класса сомкнутых насаждений с целью его дискриминации на группы преобладающих пород. И на последнем этапе обработки проводилась классификация участков изображений по группам возрастам. Примеры фрагментов картографических продуктов приводятся на рисунках 4b,4v,4g,4d. Фрагмент синтезированного изображения МСУ-СК на туже территорию приведен на рисунке 4a. Валидация производных тематических продуктов выполнялась по картографическим материалам лесоинвентаризации Чунского, Енисейского, Кизирского и Мотыгинского лесхозов. Для этого лесные карты лесхозов преобразовывались в цифровой вид и пространственно совмещались с изображениями. В качестве опорных ориентиров использовались места слияния рек и перекрестки дорог, а также контуры лесных массивов, имеющих геометрические формы и легко опознаваемых на изображениях и лесных картах. В результате лесные карты были пространственно совмещены с спутниковыми изображениями с точностью в среднем около 210 метров. Для частичной компенсации влияния ошибок взаимного положения лесных карт и производных тематических продуктов на точность их валидации, контрольные площадки выбирались в крупных лесных массивах и участках различных категорий лесных и нелесных земель. Сопоставление контрольных площадок с картой покрытых и непокрытых лесом земель ("лес" и "не лес") определило следующую точность совпадения тематических классов: к классу "лес" отнесено 93% пикселов лесных территорий контрольных участков, к классу " не лес" - отнесено 83%, соответствующих территорий контрольных участков (таблица 1). Ошибки первого и второго рода для классов "лес" и "не лес" составили соответственно 13% и 36%. Полученная оценка точности карты, позволяет говорить о возможности применения данных МСУ-СК для получения достоверных карт лесистости на региональном уровне. Таблица 1 Матрица перепутывания классов "лес" и "не лес"
Сравнение карты категорий земель с контрольными площадками соответствующих классов показало следующие результаты (таблица 2):
Таблица 2 Матрица перепутывания основных категорий земель
Сравнительный анализ карты групп преобладающих пород и возрастов с материалами лесоинвентаризации показал следующие результаты (таблица 3):
Таблица 3 Матрица перепутывания преобладающих пород
В таблице 4 приводятся вероятности правильного распознавания классов "молодые" и "взрослые" насаждения по группам преобладающих пород, из которых видно, что карта распределения лиственных пород по группам возраста получена с достаточно высокой точностью, в среднем по классам 96,5%. Таблица 4 Матрица перепутывания классов групп возрастов
Сравнительный анализ контрольных площадок с классами карты "распределение светлохвойных пород по группам возраста" выявил большие ошибки правильного распознавания молодых насаждений светлохвойных пород. Вероятно, причиной этому является небольшой размер обучающей выборки, не позволивший сделать опорной сигнатуры данного класса статистически репрезентативной.
Вероятность правильного распознавания классов возраста темнохвойных насаждений составляет в среднем около 76%, что является вполне удовлетворительным результатом. В тоже время, около 29% пикселов взрослых насаждений темнохвойных пород отнесено к классу "молодые насаждения". Детальный анализ состава контрольный выборки показал, что большинство перепутанных пикселов, принадлежат классу средневозрастные насаждения темнохвойных пород (от 41 до 90 лет). Это частично объясняет причину появления данной ошибки при классификации данного класса.
Выводы На основании результатов валидации картографических продуктов тематической обработки изображений МСУ-СК можно сделать выводы об информативных возможностях данного сканера среднего разрешения и предложить ряд рекомендаций по его использованию при картографировании лесов на региональном уровне.
Проведенный анализ исходных изображений выявил ряд сложностей, ограничивающих широкого пользования данных сканера среднего разрешения МСУ-СК спутника РЕСУРС-О:
|