Диссертация (1137223), страница 12

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 12)

Рис. 2.4).Dn ( x, y ) состояния территории, соответствующейодному пикселю, в формуле (2.15). Процедура классификации пикселей многослойногоизображения осуществляется с использованием построенной заранее «трубки» допустимыхтраекторий индекса состояния области интереса. В процессе классификации компонентывектораDn ( x, y ) рассматриваются как точки некоторой кривой, которая относится кинтересующему классу, если кривая динамики состояния попадает в «трубку» допустимыхтраекторий по заданному критерию.622.3.2Детектирование растительности по сериям космических изображенияхна основе анализа динамики вегетацииОпределение 2.13.

Вегетационный период (или сезон вегетации) – это время года, когдавозможны рост и развитие (вегетация) растений.Поскольку все изменения, происходящие с растениями, происходят именно в процессевегетации, то динамика вегетации отражает непосредственно этот временной промежуток [9].Анализ динамики вегетации растительности с использованием космических данных являетсямощным инструментом при решении различных задач мониторинга и прогнозирования [13, 88,49].

При этом используются различные вегетационные индексы, характеризующие состояниерастительности для каждого пикселя изображения в данный момент времени, напримерописанные в пункте 1.4.3 индексы NDVI, TCHVI, LAI и т.д. Пример подобного изображениядля индекса NDVI в летний период (09 августа 2013 года) приведен на рисунке 2.8 (г).

Нарисунке 2.6 (а) представлено изображение части территории со снимка 2.8 (г). На рисунке2.6 (б) представлен результат пороговой сегментации исходного изображения, вырезанныйсоответственно территории с изображения 2.6 (а). Как видно из рисунка, территории, взначительной степени покрытые растительностью, соответствуют областям изображения суровнем NDVI близким к максимальному значению индекса на изображении.

Этот факт такжеподтверждается численными экспериментами, в которых коэффициент корреляции междузначением индекса NDVI и количеством фото-синтетически активной биомассы (зелёной массырастений) оценивается в пределах 0,7-0,9 в зависимости от типа растительности [127, 180, 223].Таким образом, для детектирования могут быть использованы стандартные методы пороговойобработки и кластеризации пикселей [135]. Но в случае с растительностью появляется рядособенностей, которые ограничивают применение стандартных подходов, что приводит кзаметному снижению качества детектирования. При обнаружении растительности нааэрокосмических изображениях необходимо учитывать следующие факторы:— различные отражательные способности для разных видов растительности;— различная плотность растительного покрова для разных природных зон;— различные моменты начала вегетации (даже внутри одного типа растительности),что приводит к невозможности детектирования различных типов растительногопокрова на одном изображении;63— возможное ухудшение состояния растительности в общем для рассматриваемойтерритории является причиной понижения её отражательной способности;— сезонность вегетационного периода растений.Анализ результата выделения растительности с помощью пороговой обработки(Рис.

2.6 (а)-(б)) показывает, что при детектировании с использованием только значенийвегетационного индекса велика доля как ложных срабатываний, так и ложных пропусков.Разработанный метод (раздел 2.3.1) позволяет учитывать все перечисленные вышеособенности, связанные с детектированием растительности на аэрокосмических изображениях.Его применение оправдано, при отсутствии источников негативного воздействия на состояниерастительности, ввиду следующих фактов:— ход кривой динамики вегетации для конкретного типа растительности на конкретнойтерритории имеет незначительные отклонения на промежутке в несколько лет;— различная плотность растительного покрова для разных природных зоннивелируется при переходе от пространственного распределения индекса NDVI краспределению среднего значения NDVI по области во времени;— история изменения состояния растительности, отражаемая на вегетационной кривой,позволяет определять дату начала вегетации с точностью равной временному шагунаблюдений при построении кривой вегетации;— при наличии фактора, негативно влияющего на состояние растительности,необходимо проводить уточнение полученной карты растительности, с помощьюметода, описанного в пункте 2.3.3;— сезонные колебания значений индекса состояния растительности для разных летучитываются в разработанном методе (раздел 2.3.1) посредством построения«трубки» допустимых траекторий вегетационной кривой.Таким образом, в данном примере предлагается помимо спектрально-отражательныххарактеристик растительности, учитывать временной ход вегетации и пространственноераспределение областей, занятых растительностью.64(б)(а)Рисунок 2.6 – Выделение растительности с помощью пороговой обработки:(а) исходное изображение; (б) результат пороговой обработки, зеленым цветомвыделена растительностьХарактерный график изменения индекса состояния растительности на протяженииодного календарного года представлен на рисунке 2.7.65Рисунок 2.7 – Характерный вид вегетационного хода индекса NDVIНа графике хорошо прослеживаются три области: d NDVI  – соответствует весеннеdt— область максимального роста индекса max летнему периоду наиболее бурного роста растительности;— максимум кривой;— спадающая часть графика – созревание растений и последующее уменьшениеотражающей способности.66(б)(а)(в)Рисунок 2.8 – Карта индекса NDVI в разные месяцы 2013 года длянефтедобывающего района, прилегающего к городу Усинк: (а) – 6 июня, (б) – 1июля, (в) – 9 августаКонкретный вид графика зависит от территории и момента наблюдения (см.

Рис. 2.9).67Рисунок 2.9 – Пример хода вегетационного индекса NDVI для некоторых областейРоссийской ФедерацииКак видно из примеров, временной ход значений NDVI может иметь незначительныеотклонения от характерного (Рис. 2.9), но при этом общие тенденции сохраняются для каждойиз трёх областей, кривая вегетации которых представлена на рисунке 2.11.Перейдём непосредственно к выделению набора информативных признаков врассматриваемой задаче сегментации. Наблюдения внутри календарного года называютсясезонныминаблюдениями.Сезонныминаблюдениямирегистрируетсясостояниерастительности через определённые интервалы времени, при этом одно изображениесоответствуетодномунаблюдению.Послеоперацииусредненияиндексасостояниярастительности по всей области интереса для каждого изображения в году получаем векторсезонных наблюдений.

Эта процедура повторяется для всех календарных лет, участвующих внаблюдении. Набор векторов сезонных наблюдений можно рассматривать как конкретныереализации случайного вектора динамики состояния растительности на рассматриваемойтерритории. Вектор информативных признаков находим как математическое ожиданиеслучайного вектора динамики вегетации (см. Рис. 2.10).68...Сезонные наблюденияrprprpДатасет для области rpза N лет в моментнаблюдения l=1,|∆ |Рисунок 2.10 – Получение вектора информативных признаков областиrprprprp для долгосрочных наблюдений в N летВектор информативных признаков представлен на рисунке набором точек вместе сокрестностью, которая показывает допустимый интервал значений индекса состояниярастительности в данный момент наблюдения.

Таким образом, для области интересаrpполучаем объектVrp Vlrp , l  1, (2.20)где  - количество сезонных наблюдений;Vlrp– усреднённое по областиС помощьюVrprp значение индекса состояния V .осуществляется попиксельная проверка принадлежности территории крастительному покрову. Все предположения, использовавшиеся при описании методавыделения областей интереса, описанного в пункте 2.3.1, сохраняются.

Это означает, что ужеподготовлен набор датасетов по годамDn n1 , n  NˆNдля областиrp , выбран порог ∈ ℝдля классификатора аналогичного (2.17).Рассматривается процедура бинарной классификации многослойного изображенияDnна классы «растительность» / «не растительность». Вводится бинарная метка классов K  0,1 .K  1 соответствует классу «растительность», K  0 - «не растительность». Для каждогопикселя изображенияDnс координатами x, y вычисляются значения вектора сезонныхнаблюдений v  x, y    v l  x, y   , l  1,  . Тогда формула классификатора (2.17) принимаетследующий вид1, при dist v  x, y  , VK  x, y   0, иначе.r  ,(2.21)Если рассматривать переход к представлению хода индекса состояния в виденепрерывной кривой, то для оценки сходства кривых можно воспользоваться интегральноймерой, например расстоянием между контурами в L2 [113].Обобщение на случай числа классовK  2, K  делается добавлением новых метокклассов K  kh hH1 и использованием процедуры объектно-ориентированной классификации[76].

При таком подходе классифицируются объекты на изображении, которые получены путемпредшествующей сегментации снимка (построение карты классов на изображении). Объекты,подлежащие классификации, удовлетворяют определению 2.2. Такая формулировка не70ограничивает общности поставленной задачи и удовлетворяет классу исследуемых явлений,описанному в параграфе 2.1.2.3.3Метод уточнения карт растительностиИсследования показывают, что на процессы роста и развития, формирование адаптивныхреакций растений на урбанизированных территориях и вблизи промышленных объектовсущественное влияние оказывает комплекс неблагоприятных природных и антропогенныхфакторов [52, 67].

Наиболее распространёнными и хорошо изученными являются критерии иметодики оценки, основанные на прямом вычислении показателей состояния окружающейсреды посредством полевых измерений [43]. Эта группа методов включает методыбиоиндикации [4, 73], методы биохимического анализа [33]. По результатам статистическойобработки многолетних наблюдений на основе полевых измерений формируются шкалыоценки степени антропогенного воздействия для различных экосистем. Результатом такойобработки является сводная таблица, как в примере таблицы 2.2. Наземные измерения являютсянаиболее надёжным, но при этом самым трудозатратным источником получения информацииоб экологическом состоянии окружающей среды и о последствиях антропогенного воздействияна неё.Таблица 2.2 – Состояние растительности как индикатора экологического состояния территории[43]№ПоказателиПараметрыЭкологическоебедствие1.2.…18.19.Уменьшение биоразнообразия(индекс разнообразия Симпсона,в % от нормы)Плотность популяции видаиндикатора антропогеннойнагрузки, %…Лесистость, % от оптимальнойПовреждение древостоевтехногенными выбросами, % отобщей площадиОтносительноудовлетворительнаяситуацияболее 50Чрезвычайнаяэкологическаяситуация25 - 50более(менее) 50более(менее) 20-50более (менее) 20…менее 10…менее 30…менее 90более 5030-50менее 5менее 1071Приведённые результаты работ исследователей по поиску новых и улучшениюсуществующих критериев оценки антропогенного воздействия на окружающую средупоказывают постоянный рост актуальности данной проблемы для мирового сообщества [60].При этом возникает необходимость разработки объективных, робастных методов мониторингаи оценки экологического состояния территорий, подверженных антропогенному воздействию,на различном пространственном масштабе.На сегодняшний день наблюдается значительный рост числа методов ДЗЗ и ихсовершенствованиедлярешениянаиболееактуальныхзадачмониторинга.Методыдистанционного зондирования Земли обладают всеми необходимыми свойствами дляудовлетворения потребностей экологического мониторинга.

Характеристики

Список файлов диссертации