Методы обработки спутниковых данных

Компьютерная обработка материалов дистанционного зондировния включает геометрические и яркостные преобразования и классификацию. Большинство яркостных преобразований направлено на улучшение качества изображения для визуального дешифрирования на экране, но иногда путем преобразований можно получить нужный окончательный результат. Среди наиболее часто применяемых преобразований – повышение контрастности снимка для его наилучшего отображения, выполняемое путем изменения гистограммы значений яркости; фильтрация, квантование снимка по яркости, синтезирование цветных изображений, слияние (синергизм) снимков с разным пространственным разрешением, создание индексных изображений. Квантование – способ яркостных преобразований одиночного снимка, заключающийся в группировке уровней яркости в несколько относительно крупных ступеней. В результате такого преобразования получают новое изображение, на котором мелкие детали, как бы "зашумляющие" изображение, исчезают, постепенное изменение яркости заменяется четкой границей и закономерности распределения яркостей на снимке становятся более отчетливо выраженными. Весь интервал яркостей (например, значений вегетационного индекса) может быть разделен на равные ступени. Но в большинстве случаев лучшего эффекта можно достигнуть, если границы новых ступеней выбирает дешифровщик, пользуясь при этом гистограммой или измеряя на снимке интервалы яркостей для каждого из интересующих его объектов. Квантование чаще используют в случаях неопределенных границ, постепенных переходов. Яркостные преобразования многозонального снимка преследуют две основные цели: сжать информацию, т. е. получить одно изображение вместо нескольких, или улучшить визуальное восприятие снимка.

Синтез цветного изображения – простой и наиболее широко применяемый вид преобразования, при котором изображению в каждом из съемочных каналов присваивается свой цвет. Наиболее часто для синтеза используются зоны 0,5–0,6; 0,6–0,7 и 0,8–1,1 мкм или аналогичные им, которым присваивают соответственно синий, зеленый и красный цвета. Этот вариант синтеза называют стандартным. Растительность на изображении имеет красные тона, что объясняется ее высокой яркостью в ближней инфракрасной зоне спектра. Если изменить комбинацию съемочных каналов и цветов и присвоить инфракрасной зоне зеленый цвет, можно получить цветопередачу, близкую натуральной. Синтезировать можно не только зональные снимки, составляющие многозональный, но также разновременные снимки и изображения, полученные в результате более сложных преобразований. Для улучшения пространственного разрешения цветного изображения выполняется операция, называемая улучшением пространственного разрешения. Это другой вариант создания одного изображения из трех – одного с высоким разрешением (обычно это снимок в панхроматическом канале, но может быть и снимок другой съемочной системы, например радиолокационный), и двух зональных снимков, например в инфракрасном и красном каналах. Математические операции с матрицами значений яркости пикселов двух цифровых снимков (сложение, умножение и др.) так- же относятся к простейшим преобразованиям. Наиболее часто вычисляется отношение значений яркости двух зональных изображений при работе с многозональными снимками и вычитание – при анализе двух разновременных. Широко распространено определение индексов, т.е. преобразование изображений, основанных на различиях яркости природных объектов в двух или нескольких частях спектра. Наибольшее количество индексов относится к дешифрированию зеленой, вегетирующей растительности, отделении ее изображения от других объектов, в первую очередь от почвенного покрова и водной поверхности [14].

Характерным признаком растительности и ее состояния является спектральная отражательная способность, характеризующаяся большими различиями в отражении излучения разных длин волн. Знания о связи структуры и состояния растительности с ее спектрально отражательными способностями позволяют использовать аэрокосмические снимки для картографирования и идентификации типов растительности и их стрессового состояния.

Для работы со спектральной информацией часто прибегают к созданию так называемых «индексных» изображений. На основе комбинации значений яркости в определенных каналах, информативных для выделения исследуемого объекта, и расчета по этим значениям «спектрального индекса» объекта строится изображение, соответствующее значению индекса в каждом пикселе, что и позволяет выделить исследуемый объект или оценить его состояние. Спектральные индексы, используемые для изучения и оценки состояния растительности, получили общепринятое название вегетационных индексов.

В настоящее время существует около 160 вариантов вегетационных индексов. Они подбираются экспериментально (эмпирическим путем), исходя из известных особенностей кривых спектральной отражательной способности растительности и почв.

Расчет большей части вегетационных индексов базируется на двух наиболее стабильных (не зависящих от прочих факторов) участках кривой спектральной отражательной способности растений. На красную зону спектра (0,62 - 0,75 мкм) приходится максимум поглощения солнечной радиации хлорофиллом, а на ближнюю инфракрасную зону (0,75 - 1,3 мкм) максимальное отражение энергии клеточной структурой листа. Т.е. высокая фотосинтетическая активность (связанная, как правило, с большой фитомассой растительности) ведет к более низким значениям коэффициентов отражения в красной зоне спектра и большим значениям в ближней инфракрасной. Как это хорошо известно, отношение этих показателей друг к другу позволяет четко отделять растительность от прочих природных объектов [15].

Наиболее часто используют нормализованный разностный вегетационный индекс NDVI (Normalized Difference Vegetation Index), рассчитываемый по формуле

NDVI = (БИК–К)/(БИК+К),

где К – значение яркости в красной зоне, а БИК – в ближней инфракрасной.

См. рисунок 2.1.

Рисунок 2.1 - Участки характеристической кривой отражения растительности (усредненной), используемые для расчета NDVI c помощью данных MODIS

 

Значения индекса изменяются в пределах от -1 до +1. Для растительности характерны положительные значения NDVI, и чем больше ее фитомасса, тем они выше.

На значения индекса влияют также видовой состав растительности, ее сомкнутость, состояние, в меньшей степени экспозиция и угол наклона поверхности.

Индексные изображения создают на основе и других зональных соотношений. Например, содержание в воде фитопланктона определяют по различиям в синей и зеленой зонах, а концентрацию минеральных частиц (взвесей) – в красной и синей.

Более сложное преобразование – по методу главных компонент, направленное на оптимизацию изображения всех типов объектов, изобразившихся на многозональном снимке. Оно основано на переходе от спектральных зон снимка к новым изображениям, являющимся линейными комбинациями исходных зон (т.е. взвешенными суммами зональных значений яркости). Цветное синтезированное изображение первых трех главных компонент дает яркое, контрастное отображение всех объектов (хотя и в необычных цветах). Главные компоненты более высокого порядка обычно менее контрастны, изменения яркости в них соответствуют мелким деталям изображения либо шумам. Цвета на синтезированном изображении главных компонент не сопоставимы с физическими характеристиками объектов и для их интерпретации надо привлекать исходный многозональный снимок. Классификация многозонального снимка предполагает компьютерное, программное распознавание объектов на снимке. Использование многозональных снимков для распознавания объектов основано на особенностях их спектральной отражательной способности, следствием которых являются различия яркостных характеристик на зональных снимках, благодаря чему человек воспринимает различия в цвете. Классификация цифрового снимка заключается в группировке пикселов в соответствии с принятым правилом классификации. Возможны два подхода. В первом случае классификация основана на признаках объектов, принадлежность которых к определенному классу на местности известна (например, признаки объектов на эталонных участках). Это контролируемая классификация (supervised classification), иногда называемая классификацией с обучением. Другой подход заключается в группировке пикселов со сходными уровнями яркости в съемочных зонах без предварительного знания числа и характеристик классов объектов на местности. Это неконтролируемая классификация (unsupervised classification), или кластеризация (cluster), которую иногда называют классификацией без обучения. Смысл неконтролируемой классификации заключается в разделении всех пикселов изображения на группы (кластеры), название, спектральные характеристики и даже само существование которых предварительно неизвестны. Критерием отнесения пикселов к тому или другому кластеру служит схожесть спектральных характеристик. Выделенным кластерам присваиваются порядковые номера, а в задачу дешифровщика входит последующее определение их соответствия классам на земной поверхности. Этот способ чаще применяют при отсутствии достоверных эталонных данных: полевых наблюдений, спектрометрирования и т.д., а также как этап, предшествующий классификации с обучением. Контролируемая классификация предполагает отнесение каждого из пикселов снимка к определенному классу объектов на местности, которому соответствует некоторая область в пространстве признаков. Независимо от того, какой способ выбран для решения этой задачи, контролируемая классификация включает несколько этапов. Первый этап заключается в определении, какие классы объектов будут выделены в результате выполнения всей процедуры. Это могут быть сообщества растительности, сельскохозяйственные культуры, породы леса, гидрографические объекты и т. д. На втором этапе для каждого из классов объектов выбираются типичные для него пикселы, т.е. формируется обучающая выборка. Третий этап – вычисление параметров, "спектрального образа" каждого из классов, сформированного в результате набора эталонных пикселов. Набор параметров зависит от алгоритма, который предполагается использовать для классификации. Четвертый этап процедуры классификации – просмотр всего изображения и отнесение каждого пиксела к тому или иному классу. Контролируемая классификация выполняется, как правило, при наличии достаточных эталонных данных, прежде всего в случае наличия данных полевых наблюдений. Особое значение имеет формирование обучающей выборки, поскольку от ее качества в решающей степени зависит точность классификации. Широко распространены три метода классификации с обучением. Метод классификации по минимальному расстоянию (Minimum Distance) основан на детерминированном подходе. Он прост в вычислительном отношении. Смысл метода заключается в отнесении пиксела к тому эталонному классу, евклидово расстояние до центра которого в пространстве признаков минимально. Этот способ целесообразно использовать при ограниченном числе классов в обучающей выборке. Метод параллелепипедов (Box Classifier) реализует наиболее простой алгоритм, основанный на статистическом подходе. Он заключается в отнесении пикселов изображения к эталонным классам, в качестве характеристик которых задаются некоторые интервалы значений яркости. Они выбираются в результате анализа гистограммы распределения яркости на изображении. В пространстве признаков интервалы значений яркости определяют замкнутую область, которая в зависимости от размерности поля признаков может иметь форму параллелограмма, параллелепипеда или гиперпараллелепипеда для четырех и более зон. Метод дает хорошие результаты, если спектральные характеристики изобразившихся на снимке объектов не пересекаются в пространстве признаков. Метод максимального правдоподобия (Maximum Likelihood) также основан на статистическом подходе. Смысл его сводится к определению вероятности попадания пиксела в тот или иной класс. В общем случае вероятностное распределение спектральных признаков, которыми характеризуется каждый класс, определяет возможность нахождения пиксела в любом месте пространства признаков. Этот метод обычно применяют в случаях, когда спектральные характеристики классов объектов мало различаются, как это часто бывает при распознавании растительных сообществ. Заключительный этап классификации — это оценка достоверности результатов, т.е. определение процентного отношения правильно определенных объектов к общему количеству классифицируемых. Достоверность классификации вначале оценивают визуально, выявляют грубые промахи и несоответствия. Затем переходят к количественной оценке, сравнивая результаты классификации с тестовыми участками, в качестве которых могут использоваться результаты наземных наблюдений, карты и снимки крупного масштаба, данные публикаций и фондовые материалы. Если полученные результаты не удовлетворяют исполнителя, он уточняет обучающую выборку (например, путем деления крупных классов на более мелкие) и затем повторяет процесс. Практический опыт показывает, что достоверности классификации в 90–95% можно добиться для 2–3 классов. Удовлетворительными считаются результаты, если правильно определены 70–85% классифицируемых объектов [14].

Структура программы

Каждое спутниковое измерение можно представить в виде:

I(x,y,λ,t), где x-широта, у-долгота, λ-длина волны, t-время.

Сами спутниковые данные несут лишь информацию о процессах атмосферы и поверхности, и эту информацию нужно извлекать. Это происходит с помощью методов обработки. Чтобы обработать данные, их нужно сохранять и потом извлекать, быстро и точно. Кроме того, полученные после обработки результаты необходимо визуализировать.

Рисунок 2.2 - Структура данных

 

Выборка данных для обработки, визуализации и анализа

Проблема выборки данных из набора, представленных на рисунке 2.2 в том, что их структура является пространственно-временной и спектральной, что соответственно вызывает множество вариантов. Эти варианты представляют собой однотипные данные: точка, линия, матрица, куб (см. таблицу 2.1).

Таблица 2.1 - Варианты выборки данных

№ п/п	x	y	λ	t
	весь диапазон	весь диапазон	фиксировано	весь диапазон
	весь диапазон	весь диапазон	весь диапазон	фиксировано
	заданный диапазон	заданный диапазон	фиксировано	заданный диапазон
	заданный диапазон	заданный диапазон	заданный диапазон	фиксировано
	фиксировано	фиксировано	фиксировано	весь диапазон
	фиксировано	фиксировано	фиксировано	заданный диапазон
	фиксировано	фиксировано	весь диапазон	фиксировано
	фиксировано	фиксировано	заданный диапазон	фиксировано

 

Для отображения данных измерений спектрорадиометра MODIS необходимо разработать программную систему, способную обрабатывать многомерные матрицы данных большой размерности. См. рисунок 2.3.

 

Рисунок 2.3 - Структура программы

Тестирование