Применение аэрокосмических методов в ландшафтоведении
Область применения и способы получения аэрокосмической информации. Характеристика методов обработки аэрокосмических изображений. Объединение снимков с различным разрешением. Выделение объектов по яркостному порогу. Сущность и методика кластерного анализа.
Рубрика | Коммуникации, связь, цифровые приборы и радиоэлектроника |
Вид | контрольная работа |
Язык | русский |
Дата добавления | 22.10.2010 |
Размер файла | 22,8 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Содержание
- Введение
- 1. Аэрокосмические методы, применяемые в ландшафтоведении
- 1.1 Область применения аэрокосмической информации
- 1.2 Способы получения аэрокосмической информации
- 2. Характеристика аэрокосмических методов
- 3. Методы обработки аэрокосмических изображений
- 3.1 Метод главных компонент
- 3.2 Объединение снимков с различным разрешением
- 3.3 Выделение объектов по яркостному порогу
- 3.4 Метод вычисления вегетационного индекса NDVI
- 3.5 Основные понятия и методика кластерного анализа
- Заключение
- Список литературы
Введение
Последние десятилетия ознаменовались огромным прогрессом в деле получения и обработки данных дистанционного зондирования. Заметно расширился арсенал методов дешифрирования, основанных на выявлении и использовании в целях научного познания и картографирования прямых или косвенных зависимостей между зафиксированными в аэрокосмических изображениях параметрами волновых излучений и характеристиками объектов географической оболочки.
В целом значительные колебания результатов анализа спектральных характеристик земной поверхности происходят при изменении высоты съемочного аппарата, высоты Солнца и угла сканирования земной поверхности, оптических свойств атмосферы, углов наклона, пространственной ориентации и других параметров рельефа, температуры и влажности земной поверхности и т.д.
При использовании прямых дешифровочных признаков, применении инструментальных или автоматизированных методик точность дешифрирования практически никогда не приближается к 100%. Это во многом объясняется сложностью объектов земной поверхности, уникальной индивидуальностью размеров, форм и структур каждого из них, постоянной изменчивостью фиксируемых в аэрокосмических материалах их параметров и характеристик.
Цель работы рассмотреть применение аэрокосмических методов в ландшафтоведении. Задачи работы рассмотреть:
1. Аэрокосмические методы, применяемые в ландшафтоведении.
2. Характеристика аэрокосмических методов.
3. Методы обработки аэрокосмических изображений.
1. Аэрокосмические методы, применяемые в ландшафтоведении
1.1 Область применения аэрокосмической информации
Аэрокосмическую информацию используют для обеспечения разведки месторождений углеводородного сырья, проектирования, строительства и эксплуатации объектов добычи, переработки и транспортировки нефти и газа с использованием аэрокосмической информации производят изучение рельефа, растительности, почв и грунтов, их состояния в разные времена года, в том числе в экстремальных природных условиях, например, при наводнениях, засухах или сильных морозах, анализ наличия и состояния селитебной и транспортной инфраструктуры, изменений компонентов ландшафтов в результате хозяйственного освоения территории, в том числе в результате аварий на нефтяных и газовых промыслах и трубопроводах и т.д.
1.2 Способы получения аэрокосмической информации
Для выявления таких характеристик территории используются различные по способам получения, диапазону излучения и уровню пространственного разрешения данные дистанционного зондирования, включая черно-белые и цветные фотоснимки, радиолокационные и сканерные изображения. По ним производят визуальный, измерительный анализ интенсивности, спектрального состава, пространственной дифференциации и временной изменчивости зафиксированного в аэрокосмических изображениях излучения. При необходимости применяют цифрирование, фотограмметрическую и фотометрическую обработку изображений, их геометрическую коррекцию, масштабирование, квантование, контрастирование и фильтрацию, синтезирование цветных изображений, в том числе с использованием различных фильтров и т.д.
2. Характеристика аэрокосмических методов
Подбор аэрокосмических материалов и дешифрирование изображений производятся с учетом времени суток и сезона проведения съемки, влияния метеорологических и иных факторов на параметры изображения, маскирующего действия облачности, аэрозольного загрязнения или задымления при пожарах на нефтегазопромыслах, закрытости изучаемых объектов растительностью и т.п.
Наряду c единичными аэрокосмическими изображениями применяют их серии, например, пары снимков для стереоскопической рисовки рельефа, разновременные снимки для изучения сезонной и многолетней динамики ландшафтов и изменения окружающей среды под воздействием хозяйственной деятельности, разномасштабные изображения для сочетания локального крупномасштабного исследования ключевых участков и наиболее сложных объектов с мезо- и мелкомасштабными исследованиями региональных закономерностей. Для того, чтобы расширить возможности анализа аэрокосмической информации, используются не только прямые дешифровочные признаки, априорно известные или выявляемые в процессе целенаправленного исследования аэрокосмических изображений, но и косвенные признаки, широко используемые при визуальном дешифрировании. Они, прежде всего, основаны на индикационных свойствах рельефа, растительности, поверхностных вод, почв и грунтов.
Достоверность и объективность таких косвенных определений в значительной мере зависят от степени подготовки дешифровщика, его знания дешифрируемых объектов и территорий. Поэтому при дешифрировании одних и тех же объектов разными специалистами результаты дешифрирования могут существенно различаться.
3. Методы обработки аэрокосмических изображений
3.1 Метод главных компонент
Метод главных компонент (МГК) используется как эффективный инструмент анализа данных. Он позволяет выявить основные закономерности анализируемых изображений, выявляя и подавляя помеховые сигналы.
В конечном итоге, объем данных уменьшается, а их информативность увеличивается.
Изображения, полученные с помощью МГК, дополняют друг от друга, и обычно легче поддаются интерпретации, чем исходные данные.
Процесс обработки данных МГК можно пояснить на примере распределения яркостей пикселов в двухканальном спутниковом изображении.
Координатные оси соответствуют яркостям пикселов в каждом канале. Если данные в обоих каналах имеют нормальные распределения, то итоговое распределение имеет характерную форму эллипса.
В n-мерной системе координат эллипс (2 измерения), эллипсоид (3 измерения) или гиперэллипсоид (более чем 3 измерения) формируются, если распределение в каждом канале нормальное или близкое к нормальному.
Для удобства будем использовать далее термин “эллипс” вне зависимости от числа рассматриваемых каналов.
Основной идеей МГК является вращение осей спектрального пространства таким образом, чтобы добиться максимальной некоррелированности координат анализируемых точек.
Очевидно, что при этом происходит изменение координат каждого пиксела относительно новых осей, т.е. меняются их яркостные значения. Продольная секущая, которая соответствует главной (самой длинной) оси эллипса, называется первой главной компонентой (ПГК) данных.
Направление первой главной компоненты - первый собственный вектор, а ее длина - первое (максимальное) собственное число. Новая ось спектрального пространства определяется этой первой главной компонентой, а точкам в системе координат, соответствующей этой оси, теперь присваиваются новые координаты.
Первая компонента показывает направление и длину главной оси эллипса. Вдоль нее яркости пикселов будут иметь в среднем наибольший диапазон изменчивости, что облегчает разделение объектов по различным яркостным градациям.
В двухмерной системе координат вторая главная компонента соответствует второй оси эллипса.
В вероятностном смысле она описывает наибольший разброс данных измерений, которые не учитывает (из-за ортогональности) ПГК. В общем случае в n измерениях имеются n основных компонент. Каждая последующая главная компонента:
- является самой длинной из оставшихся осью эллипса и ортогональна к предыдущим компонентам в n-мерном пространстве системы координат;
- ее длина количественно соответствует дисперсии оставшейся (неучтенной предыдущими основными компонентами) изменчивости данных.
После применения МГК количество каналов, данные которых анализируются, остается прежним, т.к. поворот осей в n-ерном пространстве не понижает его размерности.
Однако, несколько первых новых каналов учитывают максимальный разброс данных - в некоторых случаях почти 100%, _ поэтому данными остальных каналов часто можно пренебречь без потери полезной информации.
Таким образом, практически МГК позволяет уменьшить объем данных и понизить количество используемых каналов.
Отдельный анализ различий по второй и последующим компонентам может выявить минимальные различия данных основных составляющих каналов.
По этим компонентам, после устранения влияния предыдущих, можно выделить очень тонкие детали изображения, которые были затенены более высоким контрастом в первоначальном изображении.
В ряде случаев они могут использоваться, наоборот, для целей фильтрации, исключая характерный шум в данных (помехи в данных, полученных со старых или неисправных сканеров).
Обратное преобразование изображения, обработанного МГК, в исходное со снижением уровня шумов после удаления последних главных компонент, содержащих эти шумы, называется инверсией главных компонент.
Этот прием используется для более качественного и точного распознавания объектов и их свойств другими цифровыми методами.
3.2 Объединение снимков с различным разрешением
В `'ERDAS Imagine'' существует функция, позволяющая объединить два снимка различного разрешения для получения третьего изображения, обладающего лучшими характеристиками обоих исходных снимков.
Данная функция как бы “накладывает” один из каналов изображения с высоким разрешением на каждый канал изображения среднего разрешения, что можно наглядно описать следующей формулой:
Ех (1S + 2S + 3S + 4S) = 1ES + 2ES + 3ES + 4ES, где
Е - один из каналов исходного изображения с высоким разрешением;
1S, 2S, 3S, 4S - каналы исходного изображения со средним разрешением;
1ES, 2ES, 3ES, 4ES - получившиеся каналы синтезированного изображения, имеющие высокое пространственное разрешение и цветовую подложку от снимка среднего разрешения.
3.3 Выделение объектов по яркостному порогу
Данный метод используется в ситуациях, когда известен приблизительный разброс яркостей выделяемого объекта в том или ином канале рассматриваемого изображения. Этот разброс можно получить, используя гистограмму и ход спектральных кривых объекта, полученных по тестовым точкам.
В таком случае пользователь задает приблизительные значения (пороги), в пределах которых может колебаться яркость выделяемого объекта, и выделить его с необходимой степенью точности.
3.4 Метод вычисления вегетационного индекса NDVI
Методы вычисления вегетационных индексов (в т.ч. индекса NDVI) заключаются в выделении зеленой растительности с помощью простого арифметического преобразования и относятся к полностью автоматизированным методам, в которых участие пользователя ограничивается лишь одним последним этапом - идентификацией выделенных объектов.
Использование вегетационных индексов возможно благодаря специфическому ходу спектральных кривых зеленой растительности.
Нормализованный вегетационный индекс NDVI равен отношению разности яркостей пиксела изображения в инфракрасном и красном диапазоне спектра к их сумме, т.е. ИК - К / ИК + К.
При этом, чем больше значение данного индекса, тем более яркой является рассматриваемая растительность и тем в более хорошем состоянии она находится.
3.5 Основные понятия и методика кластерного анализа
Кластерный анализ относится к цифровым автоматизированным методам обработки космических изображений и позволяет выделять контура с неконтрастной по спектральной яркости структурой. Это могут быть как непосредственно выделяемые растительность, открытые почвы, вода, облака и другие объекты, так и некоторые особенности территории, выделяемые по косвенным признакам, например, увлажнение, степень продуктивности почв, литологический состав пород и т.д.
Алгоритм кластеризации производит спектральный анализ исходного многозонального растрового изображения и пересчитывает его в однозональное, распределяя все пикселы в кластеры по их яркостным характеристикам.
Метод кластеризации ISODATA использует спектральные расстояния как основу, но классифицирует пикселы в несколько приемов (итераций), переопределяя критерии для каждого класса и классифицируя снова таким образом, что спектральные расстояния составляющих исходных данных постепенно уточняются. Также он пересчитывает статистику.
Метод ISODATA использует минимальное спектральное расстояние, чтобы определить соответствующий кластер для каждого пиксела. Процесс начинается с назначения случайного (приближенного) среднего значения кластера и повторяется до тех пор, пока это значение не достигнет величины среднего для каждого кластера исходных данных.
Начальные средние значения кластеров распределяются равномерно вдоль центрального вектора спектрального пространства. Количество кластеров задается пользователем.
В течение первой итерации пространство равномерно разбивается на области, центром каждой из которых являются средние значения кластеров.
Пикселы анализируются с левого верхнего угла изображения к нижнему правому, блок за блоком. Вычисляется спектральное расстояние между пикселом и средним значением кластера. Пикселы назначаются в тот кластер, где это расстояние минимально.
При этом назначенные центры кластеров смещаются, т.к. их средние значения меняются в зависимости от преобладающих яркостей попавших в них пикселов. Для того, чтобы определить расположение новых центров, производится второй пересчет.
В процессе второй итерации снова определяются минимальные спектральные расстояния между точками и новыми средними значениями кластеров. В результате этого пикселы снова перераспределяются.
Такие пересчеты повторяются до тех пор, пока все точки с 95%-й вероятностью не попадут в какой-либо кластер. Пользователь может сам задать максимальное количество итераций.
Заключение
В последние годы проведён большой объём научно-исследовательских и опытно-конструкторских работ в области развития дистанционных методов исследования окружающей среды аэрокосмическими средствами. Основными направлениями этих работ явились:
- Методическое и аппаратное обеспечение научных исследований по развитию систем дистанционного зондирования.
- Выработка рекомендаций по развитию программно-аппаратного и методического обеспечения обработки и тематической интерпретации данных дистанционного зондирования.
- Использование данных аэрокосмических наблюдений в различных отраслях народного хозяйства и научных исследованиях.
- Совершенствование и развитие новых систем сбора, обработки и хранения аэрокосмической информации.
- Несмотря на определённое улучшение по каталогизации и архивации космической информации, продолжают иметь трудности широкого доступа к ней производственной и научной общественности.
- Продолжается создание новых пунктов приёма космической информации. Однако развитие соответствующей приёмной сети в восточной части страны, особенно на Дальнем востоке, нельзя признать удовлетворительным.
- Развивается международное сотрудничество в области космического наблюдения Земли, что обеспечивает всё более широкое использование данных зарубежных спутников в различных отраслях народного хозяйства и научных исследованиях.
- Уделяется недостаточное внимание проблеме изучения малых газовых составляющих атмосферы в существующих и планируемых к ближайшему запуску российских космических системах.
- Наблюдается отставание России в развитии приборов наблюдения Земли из космоса, особенно в разработке систем всепогодного наблюдения Земли, наблюдения Мирового океана и др.
Учитывая ограниченность финансирования российской космической деятельности, Федеральному космическому агентству совместно с заинтересованными организациями разработать программу по основным направлениям развития средств космического зондирования Земли. Эта программа должна содержать ограниченный круг задач дистанционного зондирования и связанный с этим ограниченный набор систем космического наблюдения.
В связи с тем, что в настоящее время ведётся разработка систем двойного применения наблюдения Земли из космоса, осуществить мероприятия по более широкому ознакомлению возможных потребителей информации с параметрами этих систем и организовать создание программ по использованию соответствующей информации в научных целях.
Завершить составление Научной программы, опирающуюся на использование информации с планируемого к запуску российско-украинского спутника Сич -1М.
Федеральному космическому агентству провести мероприятия по возможно более широкому доступу потребителей к базам данных, накапливаемых в процессе эксплуатации российских систем космического мониторинга Земли.
Ведутся мероприятия по включению в программу очередной конференции по аэрокосмическим методам исследования Земли направление, связанное с применением космических систем для исследования ионосферы Земли.
Список литературы
1. Гарбук С.В., Гершензон В.Е. Космические системы дистанционного зондирования Земли. - М.: Издательство А и Б, 2003. - 296 с.
2. Исаев А.С., Сухих В.И., Калашников Е.Н. и др. Аэрокосмический мониторинг лесов. - М.: Наука, 2001. - 240 с.
3. Исаченко А.Г. Ландшафты СССР. - Л.: ЛГУ, 1985. - 320 с.
4. Калуцкова Н.Н. Ландшафтный кадастр заповедных территорий: методика составления и использование при организации биосферных заповедников (диссертация). - М.: МГУ, 2001. - 214 с.
5. Книжников Ю.Ф. Основы аэрокосмических методов исследований. - МГУ, 2003 - 137 с.
6. Книжников Ю.Ф., Кравцова В.И. Принцип множественности в современных аэрокосмических методах и способы дешифрирования серии снимков при сельскохозяйственных исследованиях. // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. - М.: Наука, 2001 - с. 47-54.
7. Кравцова В.И. Географическое разрешение - новый показатель географо-картографической оценки снимков. // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. - М.: Наука, 2003.
8. Щербенко Е.В., Асмус В.В., Андроников В.Л. Методика цифровой обработки аэрокосмической информации для составления почвенных карт. // Исследование Земли из космоса, 1990, №4. - с. 102-112.
Подобные документы
Исследование методов обработки информации в системах технического зрения роботов. Описания искусственных нейронных сетей и их использования при идентификации изображений. Определение порогового уровня изображений, техники обработки визуальной информации.
магистерская работа [2,2 M], добавлен 08.03.2012Интроскопия - внутривидение, визуальное наблюдение объектов, явлений и процессов в оптически непрозрачных телах и средах, в условиях плохой видимости. Классификация методов диагностики. Общность методов и средств обработки иитроскопических изображений.
реферат [265,7 K], добавлен 01.02.2009Обзор существующих методов и средств измерения расхода вещества. Скоростной метод измерения расхода. Измерение расхода на основе различных методов, их характеристика и сущность. Наименование объекта проектирования, назначение и область применения (ОП).
курсовая работа [729,5 K], добавлен 27.02.2009Выбор методов проектирования устройства обработки и передачи информации. Разработка алгоритма операций для обработки информации, структурной схемы устройства. Временная диаграмма управляющих сигналов. Элементная база для разработки принципиальной схемы.
курсовая работа [1,8 M], добавлен 16.08.2012Характеристика инженерно-технической защиты информации как одного из основных направлений информационной безопасности. Классификация демаскирующих признаков объектов защиты, способы их защиты и обнаружения. Сущность и средства процесса защиты объекта.
реферат [37,0 K], добавлен 30.05.2012Модель обработки радиоголографических изображений. Изображение объекта, находящегося за препятствием. Фильтр для практической реализации метода. Исследование эффективности метода пространственной фильтрации при малом поглощении и преломлении в стене.
дипломная работа [4,1 M], добавлен 19.06.2013Теоретические аспекты получения знаний. Сравнение активных и пассивных индивидуальных и групповых методик. Простейший алгоритм извлечения информации из текстов. Особенности развития методов и программных средств, призванных упростить этот процесс.
курсовая работа [2,7 M], добавлен 18.09.2013Характеристика и область применения сигналов в системах цифровой обработки. Специализированный процессор цифровой обработки сигналов СПФ СМ: разработчики и история, структура и характеристики, область применения, алгоритмы и программное обеспечение.
курсовая работа [224,9 K], добавлен 06.12.2010Недостатки цифровых систем: сложность, ограниченное быстродействие. Этапы цифровой обработки радиолокационных изображений: первичная и вторичная, объединение информации. Особенности процесса двоичного квантования. Анализ схем логических обнаружителей.
дипломная работа [3,5 M], добавлен 09.04.2012Общие понятия об информационной организации структур организма. Принципы передачи регистрируемой физиологической информации от биообъекта к средствам обработки. Приложение математических методов вейвлет-преобразования к медико-биологическим задачам.
курсовая работа [812,2 K], добавлен 25.11.2011