Обработка информации комплекса активных и пассивных приборов дистанционного зондирования Земли при аэрокосмическом мониторинге, страница 2

Кратко описываютсясуществующие методы обработки данных ДЗЗ при мониторинге лесов.Приводятся материалы о системах глобального мониторинга лесов РФ сописанием заложенных принципов и указанием основных преимуществ инедостатков.Во второй главе описываются исходные предпосылки для разработкинового метода мониторинга лесов с использованием информации с приборовразличных диапазонов длин волн. Рассматриваются подходы кластерногоанализа при обработке данных ДЗЗ с описанием вариантов применениясуществующих алгоритмов.

Исходя из основного определения лесного выделав лесоустроительных работах и учёта методов ДЗЗ, предлагается созданиеспециально адаптированных для космического мониторинга выделов на основеклассификации полей значений ВИ, радиояркостных температур (РЯ), удельнойэффективной площади рассеивания (УЭПР) и других дистанционных признаковлесного участка без участия эксперта в автоматическом режиме. Такие выделыпредлагается именовать как дистанционно-ориентированные выделы.

ДОВ –это относительно однородные группы, в пределах которых общая изменчивостьзначений ВИ, РЯ, УЭПР или любых других дистанционных признаков меньшечем в общей совокупности. Описывается предложенная математическая модельформирования ДОВ по данным с приборов ДЗЗ различных диапазонов длинволн (оптических, радиометрических, радиолокационных). Приводится таблицаВИ, часто применяемых на практике при мониторинге растительности и легкореализуемых существующими средствами обработки данных ДЗЗ оптическогодиапазона.Известно,текущеесостояниетематической обработкидистанционныхданныхоптическогодиапазонапримониторингерастительности во многом определяется разработкой и валидацией ВИ.

ВИ –это показатель, рассчитываемый в результате операций с разнымиспектральными диапазонами (каналами) и имеющий отношение к параметрамрастительностивданномпикселеснимка.Прииспользованиигиперспектральных данных возможно формирование большого числадистанционных признаков (более 40 разных ВИ) участка леса.Интенсивность радиотеплового излучения в системах пассивного СВЧзондирования, характеризуемая РЯ, определяется температурой нагрева истепенью черноты излучающего объекта. РЯ в растительном покрове в общемвиде определяется соотношением4:4Чухланцев А.А., Винокурова С.И.

О применении радиолокационных средств для зондирования почвеннорастительных покровов // Исследование Земли из космоса. 1991. №4. Стр.21-26.8Я ТП 1 , , 1 1 (1)где , , – коэффициент отражения Френеля как функция от многокомпонентной диэлектрической проницаемости, λ – длины волны, α –угла наблюдения; ТП – температура почвы; Т0 – температура растительногопокрова; - альбедо растительного слоя (лежит в диапазоне от 0.02÷02);коэффициент β=exp(-2τ sec(α)); τ – интегральное ослабление СВЧ-излучения,обусловленное растительным покровом и связанное со значением удельнойфитомассы растительности Q, кг/м2 соотношением: (2)где u – коэффициент типа растительности, принимает значения 3÷5.Основным количественным параметром при анализе радиолокационныхизображений (активное СВЧ зондирование) был выбран УЭПР каждогоэлемента изображения.

Радиационная модель для активной радиолокации сопределением σ0 (УЭПР) во взаимосвязи с параметрами почвы ирастительности отражается соотношением4: П exp2 sec 24 , , cos exp2 sec"#√"#%&'()"*√"#%"#+,-#./ (+&)(3)где П – УЭПР почвенного покрова. Величина имеет размерностьплощади и измеряется обычно в квадратных метрах. Обобщённая модельформирования ДОВ отражена на схеме рис. 1.Расчёт значений доступных ВИ, РЯ, УЭПР и др.

признаков (более 40)участка лесаКластеризация полей ВИ, РЯ, УЭПР и др. признаков алгоритмом ISODATAПоиск межклассовых пространственных пересечений кластеров пикселейВИ, РЯ и УЭПР и др. признаковАвтоматическая векторизация полученных обобщённых кластеровРис. 1 Модель формирования ДОВФормирование ДОВ осуществляется алгоритмами кластеризации назаранее определённом участке леса, который отделён от остальных объектов9методами управляемой классификации с участием эксперта.

С учётом основныхпреимуществ и недостатков алгоритмов кластеризации5 был выбран алгоритмISODATA (Iterative Self-Organizing Data Analysis Techniques)6. K – числовозможных кластеров; I – максимальное число итераций; QN – пороговыйуровень для минимального числа пикселей в каждом кластере (необходимо дляотбраковки кластеров); QS – пороговый уровень для среднеквадратическогоотклонения значений ВИ (необходимо для разделения пикселей); QC –пороговый уровень разницы между двумя значениями пикселя поляВИ/РЯ/УЭПР (необходимо для слияния пикселей).

Алгоритм ISODATA взадаче формирования ДОВ выглядит следующим образом: Шаг 1. Произвольновыбирается k (оно может и не равняться K), инициализируются кластерныецентры: m1, m2,… mk из общего набора значений ВИ {xi, i=1, 2,…,N}. Шаг 2:Для каждого из N значений определяются наиболее корректные кластерныецентры исходя из того, что: x ∈ Wj, если DL (x, mj)= min{ DL (x, mi), i=1,…,k},где Wj – кластер, DL – разность значений или расстояние в пространствезначений). Шаг 3: Затем отбрасываются кластеры с количеством пикселейменьше QN, т.е.

если для какого-то j, Rj< QK, то кластер Wj отбрасывается иk←k-1, где Rj – пиксели в окрестности кластера mj, QK – пороговое числопикселей k-го кластера. Шаг 4: Выполняется преобразование кластерныхцентров согласно:mj =1Rj∑ x , (j=1,…,k);(4)x∈W jШаг 5: Вычисляется среднее расстояние Dj в пространстве значенийкластера Wj с полученными кластерными центрами:Dj =1Rj∑Dx∈W jL( x, m j ),(j=1,…,k);(5)Шаг 6: Рассчитывается общее среднее расстояние значений по всемкластерам:1D =Kk∑R Dj =1jj(6)5Spellabs it company. [Электронный ресурс]: Гончаров М.

Кластерный анализ — Электрон. дан. (1 файл).—[Б. м.]. — Режим доступа http:// www.spellabs.ru/download/ClusterAnalysis.pdf, свободный. —Яз. рус.6Книжников Ю.Ф., Кравцова В.И., Тутубалина О.Т. Аэрокосмические методы географических исследований:учеб.

для студ. высш. учеб. заведений/ - М.: Издательский центр "Академия", 2004. - 336 с.10Шаг 7: Проверяется условие: Если k≤K/2 (т.е. слишком мало кластеров),то выполняются операции расщепления полученных кластеров (Шаг 8), а еслиk≥2K (слишком много кластеров), то операции слияния кластеров (Шаг 9). Виных случаях проверяется условие порога итераций (Шаг 14) кластеризации,если оно достигает I, то процесс прекращается, иначе всё выполняется заново(Шаг 2). Шаг 8: Операции расщепления кластеров проходят в несколько этапов:Формируется вектор значений среднеквадратических отклоненийдля каждого кластера:σ j = σ 1 ,..., σ n[]σi( j)=1Rj∑(xx∈W ji− mi ) 2,(i=1,…,n, j=1,…,k),(7)Где σi – среднеквадратическое отклонение значений в кластере Wj .

Шаг9: Затем выполняется поиск максимальной компоненты в векторе σj . Шаг 10:Если для какого-либо σmax выполняется условие: σmax > QS, Dj > D, Rj > 2QK, торазделяется mj на два новых кластерных центра mj+ и mj- , которые образуютсяприбавлением ±δ соответствующего значению σmax кластера. Где δ = α σmax,для произвольного α >0. Прежний кластерный центр удаляется и k←k+1.Алгоритм переходит на начальный Шаг 2, иначе на Шаг 14. Шаг 11: Этопервый шаг по слиянию кластеров.

Вычисляется попарно расстояние впространстве значений (разница) Dij между двумя кластерными центрами: Dij =DL (mi, mj), для всех i ≠j. Сортируется k(k-1)/2 значений Dij в порядкевозрастания. Шаг 12: Определяются не более P наименьших Dij, которыеменьше чем Qc и сортируются в порядке возрастания: Di1j1 ≤ Di2j2 ≤ … ≤ DipjpШаг 13: Выполняется попарное объединение кластеров по кластерным центрамmmjLiLс условием о том, что если ненене используются в текущейитерации, то они сливаются в один кластерный центр:m =[1Ri mi + R jL m jLRiL + R jL L L], где L = 1, …, P(8)После чего предыдущие варианты кластерных центров удаляются иk←k-1 и выполняется Шаг 2.

Шаг 14: Процесс завершается, если максимальноечисло итераций достигнуто I, в ином случае возвращаются к Шагу 2.Окончательно сформированные кластеры поля значений Признака №1запоминаются для поиска пересечений с кластерами полей значений Признака№2, 3 и т.д. который формируется аналогично вышеописанной процедуре.Наполняется таблица классов (табл. 1) признаков (ВИ, РЯ, УЭПР) для каждогопикселя снимка с поиском их совпадений (пересечений).

Нормировка кластеров11различных признаков (формирование общей ранговой шкалы классов)учитывается при непосредственном проведении алгоритма кластеризацииISODATA, однако эвристическое определение некоторых входных параметровалгоритма может привести к несовпадению итогового числа полученныхклассов.

Пусть ВИ1 имеет все пять заданных класса, а признак ВИ2 только три.В случае такого несовпадения предусмотрена дополнительная классификациякластеров меньшего по их числу признака ВИ2(3) на близость к классамбольшего ВИ1(5) по показателю дисперсии. Оценка близости выполняется наосновании расчёта минимального расстояния (обычное евклидово расстояние впространстве значений дисперсий каждого признака):r 3D56 D78 .(9)Где Dij, Dnm — дисперсии кластеров, i, n — номер признака, j, m – номеркласса. Минимальное значение дисперсий характеризует принадлежностьискомого кластера признака ВИ2 к соответствующему классу признака ВИ1.Затем ищется пересечение одноклассовых пикселей каждого признака.

В случаеотсутствия пересечений всех признаков или совпадений числа классов, системапереходит на формирование ДОВ из меньшего числа совпадений (минимум до2-х) или более приоритетных.Таблица 1Пиксель (координата)ВИ1(5)*ВИ2(4)……УЭПР(4)РЯ(4)Пересеч.54°57'2.67"N, 37°33'26.26"E24……13─54°53'3.11"N, 37°33'28.46"E..11…………11454°53'3.11"N, 37°33'28.46"E21……212*Примечание: В скобках обозначено общее число получившихся классов признака врезультате кластеризации их значений.Одновременное совпадение классов трёх признаков означает ихпересечение в пространстве снимка (Рис. 2).12Рис.

2 Пересечение трёх дистанционных признаков вРиспространстве снимкаФормирование ДОВ может быть выполнено после поискапространственныхственных пересечений большего числа кластеров различныхпризнаков, однако в этом случае снижается возможность их пересечения длявыделения общего участка. В случае отсутствия пространственных пересеченийвсех кластеров, ДОВ формируется на основе пересечений приоритетныхприоритетндляпользователя признаков.

Итоговой процедурой формирования ДОВ являетсяавтоматическая векторизация пересечённых кластеров с помощью алгоритма«жука» и нетопологической векторной модели данных.В третьей главе приводятся материалы о совместной обработке ианализе разносенсорных данных ДЗЗ (принцип Data Fusion).Fusion Реализуетсямодель формирования ДОВ по совместно обрабатываемым данным с приборовоптического и радиолокационного диапазонов длин волн.13Рис.