Дистанционное зондирование земли

Снимки цифровых камер, как любительских, так и профессиональных, имеют прямоугольную форму. «Выгоднее» располагать камеру так, чтобы длинная сторона снимка располагалась поперек полета - это позволяет снимать большую площадь при той же длине маршрута. Съемку следует производить с максимальным качеством - с наименьшим jpeg сжатием или в RAW, если последнее возможно.

Современный уровень развития навигационных средств позволяет производить измерения элементов внешнего ориентирования (ЭВО) непосредственно в процессе съемки. Типичные точности таких измерений достигают единиц сантиметров по пространственным координатам X,Y и Z и 0.005 градуса по углам крена, тангажа и рысканья для самых точных систем Applanix POS AV, устанавливаемых на «большие самолеты». Часто этого достаточно, чтобы производить обработку без использования опорных точек. В любом случае, наличие таких данных значительно упрощает обработку и позволяет выполнять некоторые этапы обработки полностью в автоматическом режиме. Современные достижения микроэлектроники позволяют собрать механический (точнее MEMS - электронномеханический) гироскоп в корпусе размером в несколько мм, стоимостью от 250 $. Такие гироскопы не дают точность профессиональных, имеют значительный уход (порядка одного градуса за час) при эксплуатации, но существенно упрощают последующую обработку данных. При типовых поставках Птеро E4, Дозор 50 на борт могут быть установлены такие малогабаритные инерциальные системы - IMU (на Дозор-50 ставится IMU разработки ООО «Транзаз Телематика») и высокоточные двухдиапазонные GPS (TOPCON euro 160 на Птеро- E4, встроенный ГЛОНАСС/GPS приемник на Дозор-50). Паспортная точность этих GPS приборов составляет 10 мм +1,5 мм х B (B - удаление до базовой станции в км) в плане и 20 мм + 1,5 мм х B по высоте. К сожалению, обычно на борт БПЛА устанавливают более дешевые GPS приемники и не устанавливают IMU датчики. Данные о центрах проекции снимков в телеметрической информации снимаются через протокол NMEA и имеют в таком случае точность до 20-30 м, а углы тангажа, крена и рысканья вычисляются через вектор скорости GPS измерений. Точность угла рысканья в такой телеметрической информации невысокая и может превышать 10 градусов, а сами значения содержат систематические ошибки, что усложняет последующую обработку данных. Если при съемке использовался двухдиапазонный GPS приемник в дифференциальном режиме (или PPP обработка данных GPS), то требуется минимальное число опорных точек для получения наиболее точных результатов обработки, обычно достаточно 1-2 точки на 100 снимков, в ряде случаев обработку можно проводить без опорных точек. В случае, когда нет точных центров проекции, требования к планово-высотному обоснованию стандартные: одна планово-высотная точка на 6-10 базисов съемки.

Вопросы метрологического обеспечения

В целом, использование БПЛА для аэросъемки и для получения материалов картографической точности показывает экономическую эффективность и является оперативным. Для широкого внедрения такой аэросъемки требуется координация усилий как производителей БПЛА, так и пользователей их эксплуатирующих, а также разработчиков цифровых фотограмметрических систем.

Одним из сдерживающих факторов внедрения БПЛА для решения перечисленных выше задач является отсутствие у большинства организаций практического опыта их использования, а также отсутствие теоретически обоснованных рекомендаций по выбору съемочной аппаратуры для БПЛА и параметров выполняемой с их помощью аэрофотосъемки.

Территория полигона представляет собой уникальное многообразие картографических объектов. На этой территории расположены разнообразные населенные пункты: поселок городского типа, деревни, дачные и коттеджные поселки; дорожная сеть в виде железных, шоссейных, проселочных и полевых дорог; линии электропередачи различного напряжения; трубопроводы. На территории полигона имеются лесные массивы, различные гидрографические объекты, многообразные формы рельефа, сельскохозяйственные угодья и производственные объекты.

С целью обеспечения отработки и исследования технологий, основанных на применении БПЛА, на территории полигона начаты работы по созданию высокоточной сети планово-высотных опознаков (в виде естественных контуров местности и маркировочных знаков); ведется топографическая наземная съемка характерных участков местности в масштабе 1: 500 и 1: 2000. На эту же территорию по материалам аэрофотосъемки и космическим снимкам высокого разрешения созданы ортофотопланы и цифровые модели местности. По мере поступления новых съемочных материалов эти работы предполагается выполнять в дежурном режиме.

Для оценки изобразительных свойств снимков, полученных с помощь БПЛА, на полигоне будут развернуты радиальные миры.

Фотограмметрическую обработку полученных снимков предполагается выполнить на цифровой фотограмметрической системе PHOTOMOD.

Использование БПЛА в качестве аэросъемочной платформы имеет большие перспективы при съемке небольших по протяженности площадных объектов и при съемке линейных объектов. Данные с БПЛА позволяют получать качественные картографические материалы (пространственные данные) при следующих условиях:

• выполнении определенных (вполне посильных) требований к съемочной аппаратуре и процессу съемки (гарантия достаточности перекрытий);

• строгой фотограмметрической обработке. Точность при этом возрастает в десятки раз и может составлять около GSD, как и для обычной аэросъемки и космических снимков. Рекомендации для получения максимальной точности результатов съемки предназначены как для пользователей, эксплуатирующих БПЛА, так и для конструкторов, устанавливающих оборудование на БПЛА, и состоят в следующем.

• Использовать на БПЛА калиброванные камеры.

• Производить съемку с выдержкой не длиннее 1/250с.^ Использовать объективы с фиксированным фокусным расстоянием. Если это невозможно, следует фиксировать увеличение (Zoom). Съемка должна производиться с фокусировкой на бесконечность и с отключенным режимом автофокусировки.

• Проектировать съемку с увеличенными перекрытиями (80% вдоль, 40% поперек маршрута).

• Желательно использовать камеры с центральным затвором.

• Желательно использовать двухдиапазонные GPS приемники на борту и дифференциальный режим измерений.

• Желательно использование на борту IMU, пусть и не имеющего высокой точности.

Для получения практических умений и навыков по данному разделу предусмотрено проведение двух практических занятий:

1. «Постановка задачи и подготовка исходных данных для производства аэротопосъёмочных работ». Целью работы является отработка методики расчёта исходных данных для производства аэротопосъёмочных работ района.

2. «Разработка технического проекта на аэрофотосъёмочные работы для определения экономических показатели, технические средства, лётного времени, производительности, потребности в основных материалах». Целью

работы является приобретение инженерных навыков работы с конструкторской и нормативно-технической документацией.

Контрольные вопросы по Разделу 1.

1. Что понимается под ДЗЗ? Что представляют собой данные ДЗЗ?

2. Назовите основные преимущества использования ДЗЗ

3. Опишите основные этапы развития технологии ДЗЗ.

4. Назовите основные тенденции в развитии технологии ДЗЗ.

5. Опишите этапы дистанционного зондирования и анализа данных.

6. Что такое Аэрокосмические снимки? Какие виды снимков бывают? Какие самые распространенные масштабы?

7. Какие методы съемок принято выделять?

8. Что такое окна прозрачности земной атмосферы?

9. Приведите классификацию съемочных систем по технологии получения снимков.

10. Какие способы передачи данных ДЗЗ на Землю выделяют?

11. Какие форматы данных в основном применяют дистанционном зондировании?

12. Назовите основные элементы наземного и орбитального сегментов системы ДЗЗ.

13. Какие основные характеристики данных ДЗЗ вы знаете?

14. Какие характеристики КС зависят от высоты спутника?



Раздел 2. Дешифрирование и обработка цифровых снимков

Процедура дешифрирования, дешифровочные признаки

Необходимая для исследований информация (предметносодержательная и геометрическая) извлекается из снимков двумя основными методами, это дешифрирование и фотограмметрические измерения

Дешифрирование, которое должно дать ответ на основной вопрос - что изображено на снимке, позволяет получать предметную, тематическую (в основном качественную) информацию об изучаемом объекте или процессе, его связях с окружающими объектами. В визуальном дешифрировании обычно выделяют чтение снимков и их интерпретацию (толкование). Умение читать снимки базируется на знании дешифровочных признаков объектов и изобразительных свойств снимков. Глубина же интерпретационного дешифрирования существенно зависит от уровня подготовки исполнителя. Чем лучше знает дешифровщик предмет своего исследования, тем полнее и достовернее информация, извлекаемая из снимка.

Фотограмметрическая обработка (измерения) призвана дать ответ на вопрос - где находится изучаемый объект и каковы его геометрические характеристики: размер, форма. Для этого выполняется трансформирование снимков, их изображение приводится в определенную картографическую проекцию. Это позволяет определять по снимкам положение объектов и их изменение во времени.

Современные компьютерные технологии получения информации по снимкам позволяют решать следующие группы задач:

• визуализация цифровых снимков;

• геометрические и яркостные преобразования снимков, включая их коррекцию;

• конструирование новых производных изображений по первичным снимкам;

• определение количественных характеристик объектов;

• компьютерное дешифрирование снимков (классификация).

Для выполнения компьютерного дешифрирования применяют наиболее распространенный подход, основанный на спектральных признаках, в качестве которых служит набор спектральных яркостей, зарегистрированных многозональным снимком. Формальная задача компьютерного дешифрирования снимков сводится к классификации -- последовательной «сортировке» всех пикселей цифрового снимка на несколько групп. Для этого предложены алгоритмы классификации двух видов -- с обучением и без обучения, или кластеризации (от англ. cluster -- скопление, группа). При классификации с обучением пиксели многозонального снимка группируются на основе сравнения их яркостей в каждой спектральной зоне с эталонными значениями. При кластеризации же все пиксели разделяют на группы- кластеры по какому-либо формальному признаку, не прибегая к обучающим данным. Затем кластеры, полученные в результате автоматической группировки пикселей, дешифровщик относит к тем или иным объектам. Достоверность компьютерного дешифрирования формально характеризуется отношением числа правильно классифицируемых пикселей к их общему числу.

Вычислительные алгоритмы, основанные на спектральных признаках отдельных пикселей, обеспечивают надежное решение только самых простых классификационных задач; они рационально включаются в качестве элементов в сложный процесс визуального дешифрирования, которое пока остается основным методом извлечения природной и социальноэкономической информации из аэрокосмических снимков.

Процедура дешифрирования

Дешифрирование определяют как процесс изучения снимков с целью идентификации объектов и оценки их значимости. Дешифрирование является сложной задачей, для решения которой необходимо выполнить ряд работ по классификации и подсчету количества объектов, измерению их параметров и определению границ.

Первым этапом дешифрирования является классификация объектов, в ходе которой оператор относит различные объекты на снимке к определенным классам или кластерам. Процедура классификации также состоит из нескольких этапов, первым из которых является выделение пространственных объектов. Затем на этапе распознавания устанавливается тождество между отдельными объектами и соответствующими классами.

Для выполнения этого шага необходимы дополнительные знания об изучаемой территории. Наконец, на заключительном этапе, который называется идентификацией, каждый объект на снимке приписывается с некоторой степенью вероятности к одному из определенных классов.

Следующий этап дешифрирования -- подсчет количества объектов на снимке -- во многом зависит от того, насколько точно была проведена их классификация.

Третий этап состоит в определении геометрических характеристик объекта: длины, площади, объема и высоты. К этому этапу относится и денситометрия -- измерение яркостных характеристик объекта.

Последний этап заключается в определении контуров однородных по своим свойствам объектов или пространственных областей, которые при этом закрашиваются определенным цветом или штриховкой. Эту задачу проще выполнять при наличии у объектов четких границ и гораздо сложнее там, где свойства объектов изменяются плавно, например, на границе водоема и песчаных почв.

Для успешного дешифрирования очень важно понимать, от каких параметров зависит представление объекта на снимке.

Дешифровочные признаки

Дешифровочные признаки - свойства объектов, которые прямо или косвенно находят отображение на снимках и обеспечивают распознавание объектов.

Использование дешифровочных признаков составляет основу визуального дешифрирования снимков, которое, наряду с измерениями, представляет собой основной метод извлечения информации со снимков.

Дешифровочные признаки делят прямые и косвенные. Свойства объектов, находящие непосредственное отображение на снимках, принято называть прямыми дешифровочными признаками. К ним относятся три группы признаков:

• геометрические (форма, тень, размер),

• яркостные (фототон, уровень яркости, цвет, спектральный образ),

• структурные (текстура, структура, рисунок изображения).

Размер объекта зависит от масштаба. Как правило, при

дешифрировании анализируются относительные размеры объектов на одном и том же снимке. Например, размер частного дома должен быть меньше размера крупного торгового центра.

Форма объекта или его контуров является очень четким критерием дешифрирования. Как правило, объекты, созданные человеком (например, дороги, каналы, здания), имеют четкие границы и правильную форму, а форма природных объектов -- лесных массивов, водоемов и пр. -- является очень нерегулярной.

Тон объекта характеризует его относительную яркость или цвет. Это один из наиболее важных качественных критериев дешифрирования. Обычно тон объекта определяется как темный, средний или яркий.

Структура изображения определяется взаимным расположением объектов на снимке. Как правило, отчетливая и хорошо распознаваемая структура возникает в местах периодически повторяемых тонов и текстур. Так, например, разную структуру образуют упорядоченные дома в городе и деревья в саду.

Текстура, или частота изменений тона в определенной области снимка, является качественным параметром и обычно характеризуется как резкая или плавная. Например, сухие песчаники обладают плавной текстурой без выраженных вариаций тона. Наоборот, текстура смешанного леса является очень резкой из-за частых пространственных изменений тона, которые связаны с различием в форме и размерах верхушек деревьев разных пород и вариациями плотности лесного покрова.

Тень является одним из наиболее важных критериев дешифрирования, поскольку она дает представление об относительной высоте и профиле объекта. В горных районах тень хорошо подчеркивает топографические особенности рельефа и является полезным критерием при дешифрировании геологических структур.

Взаимосвязи -- еще один важный критерий дешифрирования, определяющий закономерности взаимного расположения близлежащих объектов. Например, небольшие участки земли белого цвета, расположенные нерегулярно вдоль реки, свидетельствуют о наличии у нее сухого песчаного берега. Сетка линий и регулярно расположенные прямоугольные объекты между ними указывают на территорию городского типа.

Тип местности является описательной характеристикой территории, в том числе ее топографии, почвенного или растительного покрова и т. д.

Порядок использования дешифровочных признаков в зависимости от их уровня сложности показан на Рисунке 11

Рисунок 11. Порядок использования дешифровочных признаков

Прямые дешифровочные признаки позволяют распознать объекты, изобразившиеся на снимке, однако по ним не всегда удается определить их свойства, то есть интерпретировать их, а также картографировать объекты, не изобразившиеся на снимках, изучать процессы и явления. Для этого используются косвенные дешифровочные признаки, методологической основой применения которых служит наличие взаимосвязей и взаимообусловленности всех природных и антропогенных свойств территории. В качестве косвенных признаков обычно выступают прямые дешифровочные признаки других объектов - индикаторов. Среди них выделяют:

• индикаторы объектов, не изобразившихся на снимках; индикаторы свойств объектов;

• индикаторы движения или изменений.

Индикационное дешифрирование, предусматривающее определение одних компонентов ландшафта по другим, физиономичным, легко опознаваемым на снимке, т. е. индикаторам - распространенный прием визуального географического дешифрирования.

Используя измерения формы объектов, определение количественных статистических показателей распределения объектов массового распространения, особенности рисунка изображения, выполняют морфометрическое дешифрирование. Количественные характеристики ландшафтных рисунков изучаются для разработки на их основе компьютерных алгоритмов морфометрического ландшафтного дешифрования.

Дешифровочные признаки были сформулированы применительно к дешифрированию аэрофотоснимков, но большинство их них сохраняет значение при работе с космическими снимками, в том числе при получившем широкое распространение визуальном дешифрировании цифровых снимков на экране компьютера.

Методы дешифрирования

Дешифрирование -- это специальная процедура, позволяющая связать географические структуры на земной поверхности с их изображением на снимке. Согласно Кэмбелу, можно выделить пять различных методов дешифрирования.

Полевые исследования

Часто снимок оказывается слишком сложным для анализа, и специалист по дешифрированию, несмотря на свои знания и опыт, не в состоянии установить взаимосвязь между объектами на земной поверхности и снимком. В этом случае для точной идентификации объектов необходимо провести полевые исследования, которые, в действительности, являются важной составной частью любой задачи дешифрирования.

Дешифрирование по прямым признакам

Этот метод дешифрирования сводится к применению знаний, опыта и аналитических способностей специалиста к распознаванию различных структур на снимке и определению их принадлежности к тому или иному классу объектов. По существу, этот процесс заключается в качественном и субъективном анализе снимка на основе различных дешифровочных признаков. Поскольку этот метод дешифрирования зависит от человеческой интуиции, анализ снимка должен проводиться методично и очень тщательно.

Дешифрирование по косвенным признакам

В этом случае дешифрирование снимка выполняется на основе информации о наличии или отсутствии связанных с объектом косвенных признаков. Так, границы почв напрямую связаны с такими факторами почвообразования, как рельеф и растительность. Поэтому дешифрирование последних позволяет восстановить и распределение почвенного покрова. Для того чтобы успешно применять этот метод, необходимы глубокие знания взаимосвязей между используемыми косвенными признаками и самим объектом.

Дешифрирование, основанное на вероятностях

Свойства многих объектов и явлений тесно связаны с определенными характеристиками природной среды. В качестве примера можно привести сезонность вызревания зерновых культур. Эту дополнительную информацию очень часто удается сформулировать в виде вероятностного утверждения и использовать его для дешифрирования.

Дешифрирование с помощью измерений

Этот метод дешифрирования является наиболее строгим и точным, поскольку он основан на использовании количественных взаимосвязей между самим снимком и объектами на нем. В отличие от других способов дешифрирования в данном методе большая часть информации извлекается непосредственно из снимка. Примером этого способа может служить фотограмметрический анализ стереопар. Сначала проводится съемка исследуемой области с двух различных точек траектории полета летательного аппарата, после чего измеряется видимое на стереопаре смещение объекта. Поскольку геометрические параметры съемки известны, по этим измерениям можно восстановить топографическую модель рельефа. Таким образом, для получения точных данных о рельефе в данном методе используются только сами снимки и информация о геометрических параметрах съемки.

В зависимости от цели исследования можно использовать различные комбинации перечисленных методов. Например, при дешифрировании почв сначала может оказаться необходимым выделить с помощью прямых признаков различные типы растительного покрова, а затем использовать эти результаты в качестве косвенных признаков для определения границ различных видов почв.

Выделение зональностей. Реестр результатов дешифрирования

Еще одним методом дешифрирования сложных структур является выделение на снимке зональностей -- участков однородного тона и текстуры изображения. При использовании этого метода оператор обращает внимание на общую структуру изображения, не стараясь распознать отдельные ландшафтные единицы.

Сначала на снимке выделяют области, однородные по тону, текстуре и другим признакам, затем эти зоны стараются отнести к одному из возможных классов объектов. Очевидно, что на этом шаге необходимо использовать данные полевых исследований и другую вспомогательную информацию. Если результаты дешифрирования оказываются неудовлетворительными, можно попытаться объединить или разделить выделенные области.

Выделение зон -- мощный инструмент дешифрирования, который, однако, следует применять с осторожностью. Выделенные зоны могут не точно соответствовать изучаемым классам объектов. Например, тон и структура одной области могут определяться геологическим строением и топографией, а схожие характеристики другой области -- растительным покровом.

Реестр результатов дешифрирования -- это способ собрать воедино всю имеющуюся информацию. Такие реестры выполняют двойную функцию, являясь одновременно:

1. Средством обучения молодых специалистов методам дешифрирования сложных снимков или тематического дешифрирования в новой области.

2. Способом документирования информации и примеров дешифрирования, относящихся к определенной тематической области.

По существу, реестр результатов дешифрирования -- это набор справочных материалов, с помощью которых можно быстро и точно идентифицировать объекты на снимках. Обычно реестр состоит из двух частей: набора снимков или стереопар с примечаниями и графического или словесного описания. Реестры систематизируются так, чтобы в любой момент можно было легко найти нужный снимок, относящийся, например, к определенной дате, территории или объекту.

Реестр результатов дешифрирования - это еще и способ систематизации сведений о важнейших характеристиках объекта или явления.

В то же время, следует подчеркнуть, что для использования реестров необходимы знания в тематической области. Сведения, содержащиеся в реестре, не могут заменить опыта специалиста, это всего лишь способ систематизации информации, который помогает ускорить процесс обучения дешифрированию.

Реестры результатов дешифрирования являются эффективным способом распространения опыта ведущих специалистов. Они помогают развивать практические навыки работы со снимками и позволяют получать четкое представление о самом процессе дешифрирования.

Оборудование, используемое для дешифрирования

Оборудование, которое используется для дешифрирования снимков, является относительно простым и, за исключением отдельных компонентов, недорогостоящим. В лаборатории дешифрирования должно быть достаточно места для хранения снимков и работы с ними. Для дешифрирования требуется следующее оборудование.

Светостол с прозрачной поверхностью и подсветкой снизу для удобного просмотра пленок. Если используются пленки в рулонах, стол должен быть оснащен специальными держателями и валиками, так чтобы пленку можно было свободно проматывать от одного края стола к другому.

Специальные измерительные шкалы, мирры, которые используют при дешифрировании, имеют очень точную градуировку. Точность обычных линеек, которые встречаются в быту, совершенно недостаточна для целей дешифрирования.

Стереоскопы -- приборы, предназначенные для стереоскопического просмотра аэрофотоснимков. Наиболее простым из этих устройств является карманный стереоскоп. Благодаря своим малым размерам и небольшой стоимости карманный стереоскоп стал одним из самых популярных приборов, применяемых для визуального дешифрирования.

Увеличители -- устройства, предназначенные для более подробного изучения снимков. Коэффициенты увеличения при анализе изображений выбирают в зависимости от личных предпочтений и исследовательской задачи.

Денситометр -- прибор, принцип действия которого основан на изменении яркости светового луча при его прохождении через пленку. С помощью денситометров измеряют плотность снимков -- количественную характеристику тона изображения.

Параллаксометр -- устройство, которое используется вместе со стереоскопом. С его помощью можно оценить топографическую высоту объектов, представленных на стереопаре. Параллаксометр снабжен двумя стеклянными пластинами, каждая из которых располагается под одной из линз стереоскопа. На каждой пластине нанесена небольшая черная точка. Одна пластина остается неподвижной, а вторую перемещают параллельно шкале параллаксометра до тех пор, пока две точки не совместятся. Измеренная величина перемещения в этом положении используется для расчета высоты точки рельефа.

Увеличивающий трансфероскоп -- прибор, выпускаемый корпорацией «Бауш и Ломб» для визуального совмещения снимков. С его помощью можно точно совмещать карты и снимки разного масштаба. При этом оператор наблюдает оба изображения через бинокулярные линзы и может изменять увеличение и ориентацию одного из снимков. После совмещения снимков оператор может выделить необходимые детали на одном из них и перенести их на промежуточный слой, который затем отпечатывается на другом снимке.

Автоматизированные методы дешифрирования

Основные принципы дешифрирования были сначала разработаны для аэрофотоснимков, а затем адаптированы к задачам дистанционного зондирования с использованием космических снимков. Далее описываются автоматизированные методы анализа цифровых данных, которые стали широко применяться с появлением мощных компьютеров.

Обработка цифровых снимков. Основные этапы.

Помимо визуальных методов дешифрирования космических снимков, которые обсуждались ранее, для анализа данных дистанционного зондирования применяют также численные методы, реализованные в специальном программном обеспечении. Хотя эти методы и не могут полностью заменить собой традиционные способы дешифрирования, у них есть определенные преимущества, к которым можно отнести повторяемость результатов, определение большего числа оттенков серого цвета, возможность проведения количественного анализа и т. д. Подробное сравнение визуальных и численных методов анализа космических снимков приводится в Таблице 4.

Таблица 4. Сравнение визуальных и численных методов дешифрирования

Визуальные методы	Численные методы
Традиционный подход, основанный на интуиции человека. Результаты дешифрирования во многом зависят от опыта специалиста	Современный подход, требующий специальной подготовки
Не требуется сложного и дорогостоящего оборудования	Сложные математические методы, для применения которых необходимо дорогостоящее оборудование
Используются яркостные характеристики объектов. Основное внимание на снимке уделяется пространственной информации	В основе методов -- анализ яркостных и спектральных характеристик снимков. Содержащаяся на снимке пространственная информация не используется
Хотя в анализ данных можно включать несколько спектральных диапазонов, как правило, используют только один из них	Анализируются данные из нескольких спектральных диапазонов
Анализ является субъективным и качественным, а его результаты во многом зависят от опыта оператора. Однако выводы из этого анализа -- вполне конкретные	Анализ является объективным и количественным, но во многом абстрактным

Методы обработки цифровых снимков -- обширная тема, для изложения которой зачастую требуется привлекать сложный математический аппарат.

Обработка цифровых снимков -- важнейшая составляющая дистанционного зондирования, назначение которой состоит в том, чтобы сделать цифровые снимки пригодными для большинства областей применения, в процессе обработки используют численные методы, основанные только на анализе яркостных и спектральных характеристик, проявляющихся на снимке в виде вариаций тона и цвета пикселей.

Результатом обработки является новый снимок, который можно вывести на экран монитора и сохранить в цифровом формате для последующего использования. Выделяют следующие этапы обработки цифровых снимков:

1. Коррекция и восстановление снимков.

2. Улучшение снимков.

3. Классификация данных.

4. Объединение данных и их интеграция в ГИС.

Этапы обработки цифровых снимков схематически представлены на Рисунке 20.

Расчет статистических показателей исходных данных

Статистические показатели используются для быстрой оценки поступивших со спутника исходных данных. Для каждой спектральной зоны рассчитывают минимальное, максимальное и среднее значения, стандартное отклонение и дисперсию. Зависимость между данными в различных спектральных диапазонах определяют с помощью ковариационной и корреляционной матриц. Для наглядного представления данных служат гистограммы и диаграммы рассеяния. Всю полученную таким образом статистическую информацию используют на следующих этапах предварительной обработки.

Цифровые данные

Коррекция и восстановление снимков

Коррекция -- это операция, которая применяется к исходным данным для устранения искажений. При сильных искажениях говорят о восстановлении снимков. К коррекции относятся такие операции, как устранение геометрических искажений, связанных с сенсором, внесение поправок на форму земной поверхности, трансформирование снимка к определенной проекции, радиометрическая калибровка и устранение шума. Тип коррекции во многом определяется характеристиками сенсора.

Улучшение визуального восприятия снимков

Улучшающие преобразования, которые применяют к снимкам, облегчают их дешифрирование и анализ. Как правило, для улучшения снимков используют методы, которые увеличивают видимые различия между объектами. Например, для подчеркивания тоновых различий используют методы увеличения контрастности, а для подавления определенных пространственных структур -- пространственную фильтрацию. Для контроля качества результирующих изображений, которые могут быть как монохромными, так и цветными, их просматривают на экране монитора либо печатают на пленке или бумаге.

Преобразование снимков

В отличие от операций улучшения снимков, для их преобразования используют данные не из одного, а из нескольких спектральных диапазонов. Новые изображения получают путем попиксельного сложения, вычитания, умножения или деления данных из разных диапазонов так, чтобы выделить или подчеркнуть определенные характеристики изображения. Еще одной задачей преобразования снимков является устранение избыточности данных, которая возникает при близком расположении спектральных диапазонов многозональных снимков. Эта задача решается методом главных компонент.

Классификация данных

Цель классификации состоит в замене визуального анализа снимка автоматизированной процедурой идентификации объектов, в процессе такой идентификации каждый пиксель цифрового снимка относят на основании некоторых статистических критериев к одному из классов пространственных объектов. Если классифицирующим признаком служит спектральная яркость, процесс классификации называют распознаванием спектральных образов. Если же статистический критерий основывается на геометрической форме, размерах и структуре объектов, говорят о распознавании пространственных образов. Результаты классификации можно использовать для создания тематических карт и статистических отчетов для территорий различного типа. Среди множества методов классификации выделяют два основных: контролируемая классификация и неконтролируемая классификация.

Объединение данных и их интеграция в ГИС

Объединение данных космической съемки с другими данными возможно на основании географической привязки к изучаемой территории, в частности, можно объединять данные, полученные в разное время с одного и того же спутника, или данные, полученные разными системами дистанционного зондирования. Для объединения данных ДЗ с данными из других источников используют средства ГИС.

Для получения практических умений и навыков по данному разделу предусмотрено проведение двух практических занятий:

1. «Производство плановой и перспективной съёмки участков местности с помощью беспилотного летательного аппарата». Целью работы является получение практических навыков применения беспилотных летательных аппаратов для производства аэрофотосъёмочных работ.

2. «Источники ошибок и требования к точности пилотирования при аэрофотосъёмке. Первичная обработка и контроль качества ДДЗ». Целью работы является оценка точностных характеристик и качества данных дистанционного зондирования.

Контрольные вопросы по Разделу 2.

1. Что такое дешифрирование и фотограмметрические измерения?

2. Как производится компьютерное дешифрирование снимков?

3. Опишите этапы дешифрования снимков.

4. С какой целью производится дешифрование снимков?

5. Что такое Дешифровочные признаки? Какие виды признаков вы знаете?

6. Какие методы дешифрования существуют?

7. В чем состоит задача классификации объектов?

8. Какое оборудование используется для дешифрования?

9. Какие существуют автоматизированные методы дешифрирования?

10. Для чего применяется коррекция и восстановление снимков?

11. В чем разница между улучшением визуального восприятия снимков и преобразованием снимков? Для чего они применяются?



Раздел 3. Применение данных дистанционного зондирования

Применение данных дистанционного зондирования при землепользовании и картографировании земельных ресурсов

Широкое применение данных космической съемки, которое началось с запуска спутника Landsat 1 в 1972 году, открыло новые перспективы для мониторинга состояния природных ресурсов и их использования. В результате развития методов дистанционного зондирования существенно упростился процесс картографирования земельных и водных ресурсов, почв, лесов, сельскохозяйственных посевов и городской инфраструктуры, оценки урожая и многое другое. Космические снимки используют для эффективного принятия решений с помощью географических информационных систем.

При этом для дешифрирования объектов применяют как визуальные, так и численные методы анализа снимков.

Далее будет рассмотрены некоторые наиболее важные области применения данных ДЗ и приводятся примеры, помогающие понять особенности используемых методик при различных видах исследований. Следует отметить, что визуальные методы дешифрирования не менее важны, чем численные. На практике успех применения численных методов в значительной степени зависит от навыков визуального дешифрирования, которыми обладает исследователь.

Для лучшего представления технологии применения данных ДЗ, ниже приводятся примеры их использования в различных областях:

1.	Землепользование и картографирование земельных ресурсов
2.	Исследования роста городов.
3.	Сельское хозяйство.
4.	Картографирование грунтовых вод.
5.	Борьба с наводнениями.
6.	Гидроморфологические исследования.
7.	Картографирование пустующих земель.
8.	Региональное планирование.
9.	Борьба с природными катастрофами.

Земля является важнейшим природным ресурсом, составляющим основу экономического развития общества. Успех любого планирования в этой области зависит от наличия подробной и точной информации как о самих земельных ресурсах, так и об их использовании. Работы по составлению соответствующих карт должны вестись систематически и быть хорошо структурированы, для чего необходимо, прежде всего, определить классы земельных ресурсов. Это можно сделать с помощью классификатора Геологической службы США (USGS), классификатора Cowardin Wetland или собственного классификатора. В качестве примера рассмотрим исследование земельных ресурсов и их использования, которое проводилось для части индийского округа Харидвар площадью около 260 км2 в границах между

78°07'13" и 78° 1644" в. д. и 30° и 30в08'53и с. ш. Данная область характеризуется различными видами растительности, в том числе лесной, наличием водоемов и территорий застройки, а также песчаными почвами. Для дешифрирования использовали снимки IRS-1C LISS-III (Рисунок 21) и PAN (Рисунок 22), полученные 3 апреля 2000 года. Общая схема анализа данных показана на Рисунке 23. По результатам полевых исследований было выделено 11 классов: 1) редкий лес, 2) умеренный лес, 3) густой лес, 4) залежная земля, 5) кустарник, 6) пустующая земля, 7) мелкие водоемы, 8) влажный песчаник, 9) сухой песчаник, 10) область застройки, 11) глубокие водоемы.

Рисунок 12. Общая схема анализа данных дистанционного зондирования

Обучающая выборка была сформирована с помощью программы ERDAS Imagine (Рисунок 23). По результатам статистических расчетов для этой выборки среднее расхождение составило 1999, что указывает на хорошее разделение всех выделенных классов в спектральной области. Для классификации снимков использовали критерий минимального расстояния и критерий максимального правдоподобия. Результаты показаны на Рисунках 25 и 26. Общая точность классификации составила 90% для критерия минимального расстояния и 94% для критерия максимального правдоподобия при значениях коэффициента каппа 0,89 и 0,94 соответственно.

Рисунок 13. Снимок, классифицированный с использованием критерия минимального расстояния

Рисунок 14. Снимок, классифицированный с использованием критерия максимального правдоподобия

Сельское хозяйство

Типичные сельскохозяйственные культуры отличаются сильным поглощением в видимой части спектра (от 0,4 до 0,7 мкм), высокой отражательной способностью в ближнем инфракрасном диапазоне и характерными окнами поглощения на длинах волн 1,45, 1,95 и 2,6 мкм. Спектральные характеристики листового полога зависят от его структуры и других факторов - например, от листовой поверхности, плотности посевов, стадии роста, климатических условий и т. п. Важны также тип почвы и ее влажность.

Различные виды растительности отличаются строением, вегетационным периодом и другими характеристиками, которые по-разному проявляются на космических снимках. Некоторые из этих характеристик используются для оценки посевных площадей, прогноза урожая и определения состояния растительности. В частности, хорошим индикатором зрелости сельскохозяйственных культур является отношение спектральных яркостей в ближнем инфракрасном и красном диапазонах.

Почвы.

Одной из самых важных характеристик отражательной способности сухих почв является увеличение отражательной способности с увеличением длины волны, особенно в видимом и ближнем ИК диапазонах спектра. Однако почва представляет собой сложную смесь минеральных и органических веществ, обладающих различными физическими и химическими свойствами, которые могут влиять на ее поглощательную и отражательную способность. Содержание влаги, количество органического вещества, окиси железа, содержание глины, пыли и песка, характеристики шероховатости поверхности - все это сильно влияет на спектральную отражательную способность почвы.

Оптические свойства почвы определяются в первую очередь ее минеральным составом, поскольку почва является результатом выветривания горных пород. Спектр отражения почвы является композицией спектров отражения ее минеральных компонентов. Подобно минералам почвы характеризуются увеличением отражения от видимои к коротковолновой инфракрасной области с полосами поглощения 1.4 мкм и 1.9 мкм, связанными с влажностью почвы.



Длина волны, мкм

Другим фактором, определяющим спектральные свойства почвы, является ее влажность. Увеличение влажности одной и той же почвы ведет к появлению параллельных спектров отражения. Это значит, что влажность почвы влияет на весь спектр в целом и отношение между спектральными каналами, например красным и инфракрасным, не зависит от влажности почвы. Таким образом, можно представить прямую линию, связывающую отражение в красной и инфракрасной области спектра.

Так называемая почвенная линия является характеристикой типа почвы и служит для определения некоторых индексов растительности, которые позволяют отделить спектральные свойства верхнего полога растительности от свойств почвы. Почвенная линия вычисляется методом наименьших квадратов и представляется в виде:

Nirsoii=aredsoii+b,



где redsoii - отражение почвы в красной области, nirsoii - отражение почвы в ближней инфракрасной области, a,b - параметры, оценивающиеся методом наименьших квадратов.

Другие каналы в видимой части спектра (синий, зеленый) могут быть использованы вместо красного.

Третьим фактором, определяющим спектральные свойства почв, является содержание органического вещества, которое оказывает слабый эффект в области около 1.8 мкм. Этот фактор влияет опосредованно через структуру почвы и способность сохранять влагу. Последний фактор, влияющий на спектральные свойства почвы, это шероховатость, связанная с ее структурой.

Экспериментальные данные показывают, что альбедо почвы возрастает с уменьшением частиц почвы данного типа. Действительно, крупные частицы почвы дают шероховатую поверхность, которая улавливает свет. Это изменение в распределении света и тени вызывает вариации отражательных свойств почвы, что наиболее характерно для отражения в дальней инфракрасной и микроволновой области спектра.

Оптические свойства зеленых листьев одинаковы для всех типов растительности. Здоровый зеленый лист имеет типичные свойства отражения, которые отличаются в функциях трех спектральных областей.

Листовые Структура _ пигменты: _Ю1етки: Содержание воды

0,4 0,С 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 Длина волны; мкм

В видимой части спектра (400-700 нм) поглощение света пигментами листа преобладает над отражением и ведет к общему низкому отражению (15% максимум). Имеются две основные полосы поглощения: синяя (450 нм) и красная (670 нм), вследствие поглощения двух основных листовых пигментов: хлорофилла А и Б, которые составляют около 65% листовых пигментов высших растений. Эти сильные полосы поглощения определяют пик отражения в желто-зеленой полосе (550 нм). По этой причине хлорофилл называют зеленым пигментом. Другие пигменты также имеют большое значение для видимого спектра листа. Например, пигмент каротин от желтого до оранжево-красного цвета имеет сильную полосу поглощения в области 350-500 нм и отвечает за расцветку некоторых цветов и фруктов, а также цвет листьев без хлорофилла осенью. В ближней ИК области (700-1300 нм) оптические свойства листа объясняются его структурой. Листовые пигменты и целлюлоза прозрачны для волн ближнего инфракрасного диапазона, и поэтому поглощение их листом очень мало (10% максимум), а отражение и пропускание высоки и могут достигать величины 50%. В этой области спектра имеется характерное плато в спектре листа. Уровень (высота) этого плато определяется внутренней структурой листа, а также величиной промежутков мезофилла, что определяет поверхности с различными коэффициентами преломления (клетки воды и воздуха). Отражательная способность (альбедо) листа увеличивается для более разнородных форм клеток и их структуры, а также с увеличением количества слоев клеток, размера пространства между клетками и размером клетки. Альбедо таким образом зависит от относительной толщины мезофилла. Ближний инфракрасный диапазон имеет два основных интерва ла: (1) между 700 и 1100 нм, где отражательная способность высока, исключая две полосы поглощения воды (960 и 1100 нм), и (2) между 1100 и 1300 нм, которая соответствует переходу между высокой отражательной способностью в ближней ИК области и зонами поглощения, связанными с водой в коротковолновой части ИК диапазона. Последний оптический отрезок - это коротковолновой ИК диапазон (1300 -2500 нм), характеризующийся слабой поглощаемостью водой в листе. Поскольку молекулы воды поглощают радиацию строго в 1450, 1950 и 2500 нм, эти длины волн не могут использоваться для измерения отражательной способности. На других длинах волн коротковолнового ИК диапазона коэффициент отражения увеличивается с уменьшением количества жидкости внутри листа. Во всех трех основных спектральных диапазонах факторами, определяющими оптические свойства листа, являются: внутренняя и внешняя структура, возраст, содержание воды, минералов и состояние.

Для минимизации влияния на радиометрические свойства полога растительности таких факторов, как оптические свойства почвы, освещение, геометрия наблюдения или измерения, а также метеорологических факторов (ветер, облака), отражательные способности в отдельных областях, характеризующиеся коэффициентами отражения, комбинируются в вегетационные индексы. Идеальный вегетационный индекс должен быть чувствителен только к пологу растительности (зеленая часть), и не чувствителен к почве. Кроме того, он должен быть менее чувствителен к влиянию атмосферы, хотя значения отражательной способности должны пройти в идеальном случае операцию геометрической и атмосферной коррекции до вычисления вегетационного индекса. Известны по крайней мере пятьдесят различных вегетационных индексов. Наиболее часто используются индексы, представляющие собой отношение коэффициентов отражения в отдельных зонах спектра или их линейных комбинаций. Деление позволяет устранить искажения, вызванные в каждом каналеодними и теми же причинами. Вегетационные индексы на основе отношения могут быть вычислены не по значениям коэффициентов отражения или альбедо, а по значениям яркости, если яркость измерена при тех же условиях освещенности (то есть без перехода к физическим величинам спектральной плотности энергетической яркости). Большинство вегетационных индексов, основанных на отношении, используют красный канал, который связан с поглощением света хлорофиллом, и ближний инфракрасный канал, который связан с плотностью зеленой растительности, потому что два эти канала содержат более 90% информации о растительном пологе. В красном и ближнем ИК каналах различия между растительностью и почвой максимальны.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Первый вегетационный индекс является отношением яркостей, который вычисляется по формуле (Pearson and Miller, 1972):

где nir = отражение в ближней ИК зоне, red = отражение в красной зоне NDVI имеет следующие интервалы значений: растительность: 0 < NDVI < 1; почва: 0 < NDVI < 1; вода: -1 < NDVI < 1.

Оценка площадей, занятых сельскохозяйственными культурами

Определение областей, занятых различными сельскохозяйственными культурами основывается на количественном анализе мельчайших различий в их спектральных характеристиках. Как правило, для такого анализа используют численные методы, а оценку площади посевов или насаждений проводят в несколько этапов. Сначала, используя данные полевых наблюдений, на снимке выделяют области, занятые известными сельскохозяйственными культурами. Затем для каждой области определяют ее спектральный эталон и проводят классификацию снимка на основе обучающих выборок.

При анализе данных на окружном уровне предварительно цифруют границу округа, а затем выделяют на снимках те пиксели, которые принадлежат выделенной области. Далее проводят контролируемую классификацию объектов с использованием критерия максимального правдоподобия. Описанная процедура успешно применялась для оценки площадей, занятых пшеницей, рисом, сорго, масличными культурами и хлопком в различных округах Индии. Аналогичная методика использовалась и для индийской шелковицы.

При исследовании большей территории (например, региона) необходимо обрабатывать существенно больший объем данных и проводить гораздо больше полевых исследований. В этом случае становится довольно сложно проанализировать весь объем информации за то короткое время, которое отводится для получения оценок в предуборочный период. Для решения этой проблемы используются различные выборочные методы (Рисунок 27). Суть этих методов заключается в том, что вся изучаемая территория разделяется в зависимости от агротехнических и агроклиматических условий на однородные области, каждая из которых делится, в свою очередь, на участки размером 10 х 10 км. Для сильно неоднородных областей используют более мелкое разделение на участки размером 7,5 х 7,5 или 5 x 5 км. Необходимость дальнейшего разделения зависит от того, какую площадь на данном участке занимают сельскохозяйственные культуры: больше или меньше 50%. В результате описанной процедуры удается существенно уменьшить объем обрабатываемых данных. Как правило, для анализа используется не более 10% выделенных участков. Следует также отметить, что для разделения второго уровня иногда используют сезонную информацию, которую получают с помощью визуального дешифрирования или путем обработки цифровых данных, являющихся результатом деления интенсивностей сигналов в красном и инфракрасном диапазонах спектра. На завершающем этапе результаты анализа для различных участков объединяют с помощью специальных статистических алгоритмов.

Картографирование грунтовых вод

Вода является уникальным природным ресурсом, от которого зависит само существование жизни на Земле. Однако распределение этого ресурса является крайне неравномерным. Около 97,41% всех водных запасов Земли составляет соленая морская вода океанов. Оставшиеся 2,59% распределены между ледниками (1,953%), грунтовыми водами (0,614%), озерами (0,008%), влажными почвами (0,005%), реками, атмосферой, флорой и фауной (0,0005%). Таким образом, человек и другие живые существа могут напрямую использовать только 0,014% всех запасов воды на Земле, то есть ту часть, которая содержится в озерах, реках, почве, атмосфере, флоре и фауне. Недостаток воды, который наблюдается во многих местах из-за ее неравномерного распределения, можно восполнить двумя способами: 1) подводя или транспортируя воду из озер, рек и водохранилищ или 2) используя запасы грунтовых вод -- широко распространенного природного источника, который возобновляется почти регулярно в результате выпадения атмосферных осадков.