Исследование полигона «Смольный»

Выделение границ геосистем. Для решения проблемы идентификации объектов

на космическом снимке целесообразно прибегнуть к операции выделения контуров

ПТК, которая, с определенной долей абстракции, может быть сведена к поиску

краевых пикселей изображения, для которых свойственно сильно выраженное,

скачкообразное изменение яркости. Такие краевые точки интересны по той причине,

что резкие колебания часто характеризуют границы геосистем, места изменения

отражательной способности поверхности.

В предварительной стадии выполнения алгоритма поиска границ, изображение

необходимо подготовить. Во-первых, для повышения производительности

вычислений, цветное изображение следует преобразовать в монохромное, серое.

Например, при цветовой модели RGB, пиксель растра характеризуется тремя

цветовыми компонентами – красной, зеленой и синей. Пиксель изображения в

градациях серого может описываться всего одним числом, яркостью, значение

которой равно максимальной из цветовых компонент. Космические снимки Landsat 7

уже поставляются в виде множества монохромных изображений различных

спектральных диапазонов. Во-вторых, проблему при определении краев создают

шумы изображения – беспорядочные, не коррелирующие между собой изменения

яркостей пикселей, усложняющие распознавание границ изображения ландшафтов.

Шумовое воздействие напрямую может способствовать возникновению резких

нежелательных колебаний яркости между соседними пикселями и, как следствие,

выделению контуров там, где их быть не должно. В борьбе с шумом полезно

сглаживание изображение, которое применяется для того, чтобы нивелировать

нежелательные различия между яркостями соседних пикселей. Суть алгоритма

сглаживания сводится к свертке двумерного массива яркости пикселей с фильтром, в

качестве которого целесообразно использовать гауссово ядро. При выборе параметра

гауссова фильтра нужно стремиться к компромиссу, при котором усредненное

значение пикселя размытого изображения будет в достаточной степени согласовано с

соседями, благодаря чему уменьшится влияние шума, но в то же время сглаженный

снимок не должен утратить значимых элементов.

В полученном на подготовительной стадии размытом монохромном

космическом снимке можно начать поиск контуров ПТК. Для начала целесообразно

вычислить значение и направление градиента яркости пикселей изображения. Решение

этой задачи возможно через применение оператора Собеля к каждому пикселю растра.

Вычисленные значения показывают, насколько резко меняется яркость каждого

пикселя растра. Чем модуль значения градиента в данной точке изображения выше,

тем больше вероятность того, что она является граничной. Ориентация вектора

градиента говорит нам о направлении наибольшего увеличения яркости. Далее, после

вычисления градиентов изображения, целесообразно выполнить операцию подавления

немаксимумов, предложенную Джоном Кэнни, в результате которой только локальные

максимумы отмечаются как границы и края становятся более тонкими и менее

размытыми. В ходе следующего шага все множество пикселей предполагается

разделить на три категории: достоверно определяющие границу, требующие

уточнения и подавляемые, для чего необходимо выполнить двойную пороговую

фильтрацию. Чем меньше нижний порог, тем больше границ будет находиться, но и

тем больше на конечный результат будет влиять шум. Наоборот, увеличивая нижний

порог, мы рискуем потерять тонкие границы. От верхнего порога зависит, какой

процент пикселей мы примем как достоверно граничные. Значения минимального и

максимального порогов двойной пороговой фильтрации выбираются эмпирически,

исходя из результата, полученного в результате предшествующих шагов алгоритма.

На завершающем шаге алгоритма выполняется проверка неоднозначных пикселей,

которые добавляются к достоверной границе в том случае, если они соприкасаются с

ней по одному из 8-и (или 4-х) смежных направлений, иначе происходит подавление

неоднозначной точки. По завершении данной операции мы получаем бинарное

изображение, белым цветом на котором выделены краевые точки исследуемого

космического снимка.

Выделенные комплексы в зависимости от целей исследования могут

подвергаться типологической классификации с выделением классов, подклассов,

групп, подгрупп, типов, подтипов, родов, подродов, видов и подвидов ландшафтов. В

качестве примера приведем схему типизации геокомплексов учебно-научного

полигона «Смольный» на уровне родов.

Природные ландшафты учебно-научного полигона «Смольный»

Обобщая написанное выше, стоит выделить основные этапы рассмотренного

алгоритма выделения границ: 1) подготовительные этап, включающий в себя:

преобразование исследуемого изображения в монохромное; сглаживание изображения

для удаления шума (задается радиус размытия); 2) вычисление градиентов пикселей

изображения; 3) подавление немаксимумов; 4) двойная пороговая фильтрация; 5)

проверка неоднозначных пикселей; 6) выделение полученных границ; 7)

характеристика свойств ландшафтов. Важно отметить, что исследуемую область

реального мира можно делить на районы различными способами, исходя из

поставленной цели, в то время, как число границ, которые можно перенести на карту –

ограничено. Представленный алгоритм позволяет вносить в процесс выделения границ

элемент субъективности, путем регулирования входных параметров его выполнения, в

зависимости от конечной цели, которую поставил эксперт.

Задача сознания алгоритма, который всегда оптимально выделяет границы

ландшафтов, на практике выглядит практически нерешаемой. Сложности реально

существующих природных территориальных комплексов (ПТК), обуславливает тот

факт, что число границ, которые можно выделить в рамках исследуемой территории,

практически бесконечно велико. Границы форм рельефа, типов почв, растительных

массивов и других компонентов часто коррелируют между собой, но эти взаимосвязи

осложняются характером антропогенной трансформации геосистем. Тем не менее,

максимально точное выделение краев с минимальной погрешностью, безусловно,

важно для решения многих задач обработки и анализа изображений, одной из которых

является задача ландшафтного картографирования и физико-географического

районирования. Её суть заключается в выделении территорий, обладающих

относительным сходством по некоторому признаку. Поэтому, перед началом решения

обозначенной задачи необходимо четко определить цель, с которой проводится

ландшафтное картографирование, выбрать критерии классификации.

В качестве полигона для апробации методики синтетического ландшафтного

картографирования использовалась система эталонных полигонов для

дешифрирования космических снимков, в том числе территория национального парка

«Смольный», расположенный в левобережье Алатыря в северной лесостепи

Приволжской возвышенности. Географические координаты поселка Смольный

(южная часть парка) 54○ 43ʹ с. ш., 45

○ 16ʹ в. д.

Учебно-научный полигон по дешифрированию космических снимков на

территории национального парка «Смольный»

Особенностью ландшафтной дифференциации территории националь-ного

парка «Смольный» является хорошо выраженная склоновая смена ПТК от внутренних

водораздельных пространств Алатыря и Пьяны к пойме Алатыря и его крупным

притокам: Язовке, Калыше, Барахманке. Эта закономерность определяется

пространственными изменениями элементов литогенной основы ландшафтов:

генетических типов четвертичных отложений (водно-ледниковых, аллювиально-

водно-ледниковых, древних и современных аллювиальных отложений), мощности

четвертичных отложений (от 0,5 до 20 м), глубины залегания грунтовых вод, а также

изменениями активности экзогенных геолого-геоморфологических процессов

(эрозионных, склоновых, суффозионных и др.). Особенности литогенной основы ПТК

определяют перераспределение тепла и влаги, структурно-функциональные

особенности геосистем и их устойчивость к антропогенному воздействию. В

склоновой смене ПТК принимают участие местности ландшафтов смешанных лесов

водно-ледниковых, аллювиально-водно-ледниковых равнин и надпойменных террас.

Общая последовательность работ по созданию электронной синтетической

ландшафтной карты территории полигона включила:

формирование баз данных: составление электронной топографической карты;

подбор и обработка космических снимков; составление базовых тематических карт на

основе анализа архивных, фондовых и литературных источников и приведение их к

единой картографической основе;

формирование баз знаний: установление характерных типов взаимосвязей

между природными компонентами (геологическое строение, рельеф, климат,

поверхностные и подземные воды, почвы, растительность и животный мир);

формулировка общих закономерностей пространственно-временной дифференциации

ландшафтов; разработка легенды общенаучной ландшафтной карты.

Для детализации электронной ландшафтной карты использовались космические

снимки Landsat 7, которые представлены комбинацией 8 каналов.

Любое растровое изображение, в том числе содержащее данные дистанционного

зондирования Земли, представляет собой матрицу – двумерный массив, неделимой

атомарной единицей которого является пиксель. К важнейшим характеристикам

данного типа изображений следует отнести его размерность (количество пикселей по

горизонтали и вертикали), разрешение (величину, определяющую количество точек на

единицу площади), глубину цвета (обусловливающую множество цветов, которое

может принимать пиксель изображения), цветовую модель (описывающую

представление цветов в виде кортежа чисел (Шадрин), называемых цветовыми

компонентами (RGB, CMYK)).

Каждый пиксель изображения, независимо от цветовой модели и глубины цвета

характеризуется такими величинами, как яркость, цветовой тон, насыщенность. На то,

как отображается на снимке фотографируемая поверхность, влияет целый ряд

факторов. Во-первых, обладая разнообразными физическими свойствами, различные

поверхности по-разному отражают и поглощают свет. Во-вторых, значение имеет

характеристика источника света. В-третьих, роль играет среда распространения

излучения. Все вышеперечисленное определяет цвет света. Проведя обратные

рассуждения, логично предположить, что цветовые компоненты пикселя изображения

в довольно высокой степени могут характеризовать физические свойства

фотографируемой поверхности, источника и среды распространения излучения.

Одной из важнейших характеристик растрового изображения является яркость

его пикселей, а вернее закономерности ее изменения от точки к точке. В частности,

скачкообразное изменение яркости соседних пикселей интересно по той причине, что

резкие колебания этой величины очень часто возникают на границах геосистем, в

местах изменения отражательной способности поверхности и освещения. Краевыми

или граничными точками называют точки изображения, в которых яркость изменяется

особенно резко.

Хорошей отправной точкой является обоснованный выбор канала съемки,

изображение которого будет подвергнуто анализу. Каждый из восьми спектральных

диапазонов съемки Landsat 7 характеризует свойство фотографируемой поверхности

отражать излучение определенной длины волны, благодаря чему по-разному

выражаются свойства изучаемой поверхности и отчетливо выделяются различные ее

участки. Выбор канала съемки обусловит расположение, характер и значение границ,

которые будут выделены в ходе выполнения алгоритма.

В предварительной стадии выполнения алгоритма, перед тем, как приступить к

непосредственному поиску границ, изображение необходимо подготовить.

Во-первых, для повышения производительности вычислений, цветное

изображение следует преобразовать в монохромное, серое. Например, при цветовой

модели RGB, пиксель растра характеризуется тремя цветовыми компонентами –

красной, зеленой и синей. Пиксель изображения в градациях серого может

описываться всего одним числом, яркостью, значение которой равно максимальной из

цветовых компонент.

Космические снимки Landsat 7 уже поставляются в виде множества

монохромных изображений различных спектральных диапазонов.

Монохромное изображение 5-го спектрального диапазона

Во-вторых, проблему при определении краев создают шумы изображения –

беспорядочные, не коррелирующие между собой изменения яркостей пикселей,

усложняющие распознавание границ изображения ландшафтов. Шумовое воздействие

напрямую может способствовать возникновению резких нежелательных колебаний

яркости между соседними пикселями и, как следствие, выделению контуров там, где

их быть не должно. В борьбе с шумом полезно сглаживание изображение, которое

применяется для того, чтобы нивелировать нежелательные различия между яркостями

соседних пикселей.

Суть алгоритма сглаживания сводится к свертке двумерного массива яркости

пикселей с ядром размытия (фильтром). Операцию свертки оптимально проводить,

используя быстрое преобразование Фурье. В этом случае, необходимо преобразовать

исходные данные в частотную область (вычислить их преобразование Фурье),

перемножить результаты преобразования и выполнить обратное преобразование

Фурье. Данная методика дает хорошие результаты, когда мы имеем дело с большими

массивами входных данных, которыми и являются исследуемые растровые

изображения.

В качестве ядра размытия целесообразно использовать гауссово ядро (Forsyth,

2002), описываемое следующей формулой:

( )

,

где σ – среднеквадратическое отклонение, которое представляет из себя

настраиваемый параметр гауссова фильтра.

Гауссова функция имеет максимальное значение при нулевом отсчете и

начинает стремиться к нулю при удалении от него. Таким образом, при свертке растра

с гауссовым ядром, значение яркости каждого пикселя размытого изображения

вычисляется как среднее взвешенное значений яркостей соответствующего пикселя

источника и его окрестности. Весовые коэффициенты соседних пикселей

уменьшаются по мере их удаления, благодаря чему снижается влияние значений их

яркости на результирующую величину. По правилу трех сигм, можно ограничиться

сверткой с ядром, радиус которого в три раза превышает используемое

среднеквадратическое отклонение, так как более удаленные пиксели практически не

влияют на сглаженное значение в данной точке.

Среднеквадратическое отклонение напрямую влияет на степень размытия

изображения фильтром. Если оно очень мало, то сглаживание не даст значительный

результат, так как весовые коэффициенты всех окрестных пикселей будут близки к

нулю. Наоборот, если выбрать слишком большое среднеквадратическое отклонение,

то вместе с шумом исчезнут и значимые элементы изображения ландшафта.

Таким образом, при выборе параметра гауссова фильтра нужно стремиться к

компромиссу, при котором усредненное значение пикселя размытого изображения

будет в достаточной степени согласовано с соседями, благодаря чему уменьшится

влияние шума, но в то же время сглаженный снимок не должен утратить значимых

элементов.

Теперь в полученном на подготовительной стадии размытом монохромном

космическом снимке можно начать поиск контуров природных комплексов. Для

начала целесообразно вычислить значение и направление градиента яркости пикселей

изображения. Решение этой задачи возможно через применение оператора Собеля к

каждому пикселю растра. Этот метод основан на свертке изображения с небольшими

целочисленными фильтрами в вертикальном и горизонтальном направлениях.

[

] [

] ,

где I – исходное изображение, – изображения, каждый пиксель которых

характеризует значение производной по x и y.

Значение и направления градиента в каждой точке растра можно получить

исходя из

√

( )

где G – матрица значений градиентов, А – матрица направлений градиента.

Значения результирующих матриц показывают, насколько резко меняется

яркость каждого пикселя растра. Чем модуль значения градиента в данной точке

изображения выше, тем больше вероятность того, что она является граничной.

Ориентация вектора градиента говорит нам о направлении наибольшего увеличения

яркости.

Далее, после вычисления градиентов изображения, целесообразно выполнить

операцию подавления немаксимумов, предложенную Джоном Кэнни. На данном шаге

для каждого пикселя проверяется, является ли величина градиента локальным

максимумом в направлении градиента, при этом угол направления вектора

округляется до величины, кратной 45 градусам.

Например, если округленный угол направления вектора градиента в данной

точке изображения равен нулю градусам (граница имеет направление с севера на юг),

то данный пиксель считается краевым, если величина его градиента больше, чем у

пикселей, которые располагаются севернее и южнее его. Если данное условие не

выполняется, то считается, что данный пиксель не является граничным.

В результате операции подавления немаксимумов, только локальные максимумы

отмечаются как границы и края становятся более тонкими и менее размытыми.

В ходе следующего шага все множество пикселей предполагается разделить на

три категории: достоверно определяющие границу, требующие уточнения и

подавляемые. Для этого необходимо вручную установить минимальное ( ) и

максимальное ( ) пороговые значения. Операция, носящая название двойной

пороговой фильтрации, заключается в том, что пиксели, яркость которых меньше

определенного минимального порога, окрашиваются в черный цвет и отбрасываются;

пиксели, яркость которых больше максимальной границы, обозначаются белым

цветом и принимаются за граничные, не требующие дальнейшего уточнения. Для

оставшихся пикселей устанавливается фиксированное среднее значение яркости, и на

завершающем шаге алгоритма будет необходимо уточнить, являются ли они

краевыми.

Чем меньше нижний порог, тем больше границ будет находиться, но и тем

больше на конечный результат будет влиять шум. Наоборот, увеличивая нижний

порог, мы рискуем потерять тонкие границы. От верхнего порога зависит, какой

процент пикселей мы примем как достоверно граничные.

Значения минимального и максимального порогов двойной пороговой

фильтрации выбираются эмпирически, исходя из результата, полученного в результате

предшествующих шагов алгоритма.

На завершающем шаге алгоритма выполняется проверка неоднозначных

пикселей, которые добавляются к достоверной границе в том случае, если они

соприкасаются с ней по одному из 8-и (или 4-х) смежных направлений, иначе

происходит подавление неоднозначной точки.

По завершении данной операции мы получаем бинарное изображение (Рисунок

10), белым цветом на котором выделены краевые точки исследуемого космического

снимка.

Результат выполнения алгоритма поиска границ, выполненного при параметрах

Для реализации алгоритма, суть которого описана в статье, использовался язык

Python. Его библиотека SciPy предоставляет доступ к обширному спектру

математических алгоритмов, что позволяет использовать данный язык, как

универсальную среду для научных расчётов (Klein), в качестве замены

специализированных коммерческих пакетов (таких как MATLAB). NASA и CERN

активно использует Python для научных исследований и расчетов.

Результатом выполнения алгоритма при заданных параметрах является изображение исследованного канала съемки Landsat 7 с отмеченными

краевыми точками. Регулируя входные параметры, можно добиться требуемого

результата с определенной точностью.

Выделенные комплексы в зависимости от целей исследования могут

подвергаться типологической классификации с выделением классов, подклассов,

групп, подгрупп, типов, подтипов, родов, подродов, видов и подвидов ландшафтов. В

качестве примера приведем схему типизации геокомплексов на уровне родов.

Нанесенные на анализируемое изображение краевые точки (отмечены красным

цветом)

Б. Местность водно-ледниковой равнины – занимает верхнюю

гипсометрическую ступень с абсолютными отметками от 150 до 220 м. Литогенная

основа ландшафтов представлена маломощными водно-ледниковыми песками (до 1

м), подстилаемыми нижнемеловыми песчано-глинистыми отложениями, реже

моренными суглинками. В верховьях Барахманки, Удальца и Язовки коренные

отложения (глины) на водораздельных пространствах вскрываются на глубине 0,2 –

0,4 м. Для этой группы ПТК характерны системы слабопроточных, почти не

выраженных в рельефе замкнутых и полузамкнутых западин, редкая сеть тальвегов.

Склоновые процессы слабо выражены. Особенности пространственной структуры

и функционирования геокомплексов во многом определяются преобладанием

нисходящих движений гравитационных, грунтовых и подземных вод с частичной их

разгрузкой в верховьях гидрографической сети. В структуре почвенного покрова

мозаично сочетаются светло-серые и дерново-подзолистые песчаные, супесчаные,

реже песчанисто-легкосуглинистые почвы. В естественной растительности

преобладают дубовые и дубово-липовые леса, прерываемые сменившими их

мелколиственными насаждениями.

Природные ландшафты учебно-научного полигона «Смольный»

В. Местность аллювиально-водно-ледниковой равнины – занимает высотный

интервал от 120 до 150 м. Она сложена песками (среднемощными), подстилаемыми

песчано-глинистыми породами нижнемелового возраста. В отличие от предыдущей

местности здесь наряду с нисходящим движением водных масс значительны

латеральные потоки воды, периодически выходящие на дневную поверхность весной и

во время дождей. Здесь сформирована сравнительно густая и глубокая гидрог-

рафическая сеть. В структуре почвенного покрова преобладают подзолистые, дерново-

слабо- и среднеподзолистые песчаные и супесчаные почвы. В естественной

растительности доминируют смешанные леса с сосной, елью, липой, дубом.

Г. Местность надпойменных террас – имеет абсолютные отметки от 100 до 120

м. Она субширотно протягивается в южной части национального парка. Литогенная

основа сложена преимущественно древнеаллювиальными песками, имеющими

мощность более 10 м. Отложения обладают хорошими фильтрационными свойствами.

С движением грунтовых вод связана повышенная активность суффозионных

процессов, что проявляется в довольно широком распространении пологих

бессточных воронок и западин. С развитием суффозионных процессов, вероятно,

связаны и многие обрывистые склоны террас к пойме Алатыря. Характерной чертой

рельефа этой местности является широкое распространение древнеэоловых форм

рельефа – дюн и котловин выдувания. Эти особенности литогенной основы ландшафта

обусловливают довольно хорошую выраженность фациальной микропоясности. На

вершинах бугров (дюн) распространены боры-беломошники на слабогумусированных

песках, которые вниз по склону сменяются сосняками-зеленомошниками на дерново-

слабоподзолистых почвах, а у их основания располагаются сосняки-долгомошники на

дерново-глеевых почвах. В западинах и других отрицательных формах рельефа

распространены небольшие сфагновые болота на торфянистых торфяно-глеевых

почвах. Степень выраженности фациальной микропоясности увеличивается в парке с

востока на запад.

Д. Местность пойм. Наибольшую долю в этом типе местности занимает пойма

Алатыря, которая полосой протягивается в южной части национального парка. Аллю-

виальные отложения представлены песками с прослоями суглинков. Особенности

литогенной основы определяют функционирование следующих типов пойменных

геокомплексов: выровненные, сложенные аллювиальными песками с прослоями суглинков

с аллювиальными дерновыми суглинистыми и супесчаными почвами под лесами с осиной,

липой, дубом, вязом; мелковолнистые, сложенные аллювиальными отложениями с

аллювиальными дерновыми слоистыми и аллювиальными дерновыми зернистыми

супесчаными, легко- и тяжелосуглинистыми почвами под клеверно-разнотравно-

злаковыми и мятликово-разнотравными лугами; выровненные с болотными низинными,

обедненными торфяными почвами, с растительным покровом из осок, евтрофных видов

сфагновых мхов или сосново-березовыми разреженными лесами низкого бонитета.

Е. Природные территориальные комплексы лощинно-балочной сети. Эрозионная

сеть ориентирована относительно Алатыря. Наиболее широкое распространение имеют

неглубокие лощины с сырыми и мокрыми днищами, дерново-подзолистыми глеевыми и

дерново-глеевыми супесчаными и суглинистыми почвами под осиново-

широколиственными лесами; балки разной степени дренированности с ручьями, часто

врезанными в днища, сложенные аллювиально-делювиальными отложениями с дерново-

грунтово-глеевыми, а по склонам – со смыто-намытыми почвами под осиново-

черноольховыми с ивой влажнотравно-щучково-осоковыми фитоценозами; балки влажные

и сырые под влажнотравно-злаковыми лугами и осиново-широколиственными

папоротниково-широкотравно-влажнотравными лесами на дерново-поверхностно-

глееватых и дерново-грунтово-глеевых почвах; балки заболоченные под черноольхово-

широколиственными болотнотравно-осоковыми лесами на перегнойных поверхностно-

глеевых и торфянисто-подзолистых поверхностно-оглеенных почвах, залегающих на

водно-ледниковых и древнеаллювиальных отложениях; балки с наносными суглинистыми

почвами, с байрачными дубравами.

Обобщая написанное выше, стоит выделить основные этапы рассмотренного

алгоритма выделения границ:

1. Подготовительные этап, включающий в себя:

– преобразование исследуемого изображения в монохромное

– сглаживание изображения для удаления шума. (задается параметр σ,

характеризующий радиус размытия)

2. Вычисление градиентов пикселей изображения.

3. Подавление немаксимумов.

4. Двойная пороговая фильтрация.

5. Проверка неоднозначных пикселей.

6. Выделение полученных границ.

7. Характеристика свойств ландшафтов.

Важно отметить, что исследуемую область реального мира можно делить на

районы различными способами, исходя из поставленной цели, в то время, как число

границ, которые можно перенести на карту – ограничено. Представленный алгоритм

позволяет вносить в процесс выделения границ элемент субъективности, путем

регулирования входных параметров его выполнения, в зависимости от конечной цели,

которую поставил эксперт.

Анализ состояния растительности. Целью многих проектов дистанционного

зондирования является характеристика типов и состояния растительности,

представленной на снимке. Ключом к решению данных задач является такое

характерное свойство растительности, как различная спектральная отражающая

способность, заключающаяся в том, что растительный покров по-разному отражает и

поглощает свет разной длины. Красная зона спектра солнечного света характеризуется

максимальным поглощением излучения хлорофиллом, а ближнее инфракрасное

излучение, напротив, сильно отражается листом. Это обусловлено фотосинтетической

активностью, свойственной для поверхности со значительной фитомассой растений.

Вегетативные индексы, полученные на основе сопоставления

многоспектральных данных дистанционного зондирования, широко используются в

разнообразных научных исследованиях, направленных на оценку биомассы, изучение

аспектов водопользования и растениеводства, здоровья растений. И хотя используется

на практике значительное число различных вегетативных индексов, расчет

большинства из них базируется на описанной выше характерной особенности по-

разному взаимодействовать с электромагнитным излучением красной и ближней

инфракрасной зон спектра.

Чем сильнее в данной точке снимка отражается ближнее инфракрасное

излучение и поглощается свет красной зоны спектра, тем активнее на изображаемом

участке земной поверхности происходит процесс фотосинтеза. Логично

предположить, что отношение значений этих двух показателей позволяет с высокой

долей правдоподобия отличить поверхность, покрытую растительностью от других

природных объектов – воды, почв, горных пород.

где NIR, RED – коэффициент отражения излучения соответственно ближнего

инфракрасного и красного спектрального диапазона в данной точке поверхности.

Вегетативный индекс вычисляется отдельно для каждого пикселя

многоспектрального космического снимка, как отношение соответствующих яркостей

пикселей фотоизображений инфракрасного и красного диапазонов.

Недостатком такого индекса является то, что для случая, когда коэффициенты

отражения двух спектров кардинально различны, их отношение может быть либо

слишком маленьким, либо, наоборот, чрезмерно высоким. Именно поэтому,

популярностью пользуется модифицированный показатель – нормализованный

разностный вегетативный индекс (НРВИ).

Этот индекс так же удобен для анализа состояния растительного покрова. Кроме

этого, множество принимаемых им значений ограничено интервалом [–1; +1], что

увеличивает точность измерений, и само по себе очень удобно.

Для участков земной поверхности, покрытых растительностью, НРВИ

принимает положительные значения, которое тем больше, чем выше зеленая

фитомасса. Кроме этого, на значение индекса влияет тип растительности, ее

плотность, состояние, тип почвенного покрова на котором она произрастает. Все это

делает данный показатель очень удобным при оценке состояния растительности на

исследуемой территории.

Для получения карты нормированного разностного вегетативного индекса

необходимо рассчитать значения НРВИ для каждого пикселя изображения. Анализ

построенной НРВИ карты позволяет определять свойства растительного покрова, его

состояние, проводить оценку его изменения во времени с целью составления прогноза.

Данный математический аппарат позволяет так же осуществлять обоснованное

принятие решений, направленных на повышение урожайности в сельском хозяйстве.

Несмотря на обозначенные преимущества, вегетативные индексы обладают и

некоторыми недостатками. Данные показатели в определенной степени зависят от

условий съемки, состояния атмосферы, типа сенсора. Поэтому, полученные в

результате дистанционного зондирования знания должны анализироваться вместе с

данными, полученными в результате полевых работ.

Для решения задачи построения НРВИ карт был выбран язык Python. Его

библиотека SciPy предоставляет доступ к обширному спектру математических

алгоритмов, что позволяет использовать данный язык, как универсальную среду для

научных расчётов, в качестве замены специализированных коммерческих пакетов

(таких как MATLAB). Библиотека Python Imaging Library (PIL) добавляет возможность

осуществлять оптимизированную обработку изображений. NASA и CERN активно

использует Python для научных исследований и расчетов.

В качестве входных данных были использованы многоспектральные

космические снимки Landsat-7. Изображение красной зоны спектра представлено в

третьем канале, а ближней инфракрасной – в четвертом.

Изображение исследуемой территории национального парка Смольный в

естественных цветах

Построенная на основе вычисления вегетативного индекса НРВИ карта

позволяет выделить на изучаемом полигоне участки с различной плотностью

фитомассы.

НРВИ карта территории национального парка Смольный.

Желтым цветом обозначены участки, на которых НРВ индекс меньше нуля

(содержащие малую долю зеленой фитомассы). Градациями зеленого цвета выделены

участки, покрытые растительностью. Чем темнее цвет в данной точке, тем выше в ней

НРВИ.

Расширенный вегетативный индекс (РВИ) – еще один усовершенствованный

показатель, обеспечивающий более высокую чувствительность для областей,

содержащих высокий объем биомассы. Он так же менее чувствителен к атмосферному

воздействию, чем нормализованный разностный вегетативный индекс. Для его

вычисления необходимо воспользоваться следующей формулой:

Можно заметить, что кроме красной и ближней инфракрасной здесь

анализируется так же синяя (BLUE) составляющая спектра (первый спектральный

диапазон съемки Landsat-7). Коэффициенты введены для того, чтобы можно было

гибко регулировать влияние значений яркости изображений красного и синего

спектральных диапазонов на конечный результат. G – коэффициент усиления

(масштабирования). Его изменение позволяет регулировать максимальное значение

РВИ показателя, а следовательно увеличивать и уменьшать число принимаемых им

промежуточных значений для повышения наглядности результата.

Основываясь на вычисленных для каждого пикселя снимка РВИ показателях

можно, аналогично, построить РВИ карту исследуемой местности.

РВИ карта территории национального парка Смольный.

Использование нейронных сетей прямого распространения для

ландшафтного картографирования на базе космических снимков.

Автоматизированное распознавание образов является важнейшей проблемой

различных инженерных и естественных наук. Постоянно растущая доступная

вычислительная мощность, развитие параллельных и облачных вычислений,

позволяющих быстрее обрабатывать массивные наборы данных, способствуют

развитию использования сложных и разнообразных методов анализа и классификации

данных. В то же время с невероятной скоростью растет спрос на системы

автоматического и автоматизированного распознавания образов, что особенно

характерно для области дешифрирования и анализа данных дистанционного

зондирования Земли. Процесс распознавания образов заключается в решении одной из следующих

двух задач классификации: управляемой, при которой анализируемый образ

определяется как экземпляр одного из предопределенных классов, и неуправляемой,

при которой образу присваивается не определенный до сих пор класс. При

управляемой классификации классы определяются специалистом, а при

неуправляемой выводятся на основе схожести некоторого набора признаков.

Обучение на основе набора примеров (обучающей выборки) является важным и

необходимым атрибутом большинства систем распознавания образов.

Среди наиболее распространенных обобщенных подходов к распознаванию

образов следует отнести: кластеризацию данных; сопоставление с эталоном;

статистическую классификацию; синтаксическое или структурное сопоставление;

искусственные нейронные сети. Эти модели вовсе не обязательно являются

независимыми, и иногда один подход к распознаванию образов существует в

различных интерпретациях. Нейросетевые модели могут быть с успехом применены к

решению задачи классификации ландшафтов, которая состоит в определении

принадлежности входного образа (например, участка многоканальной космической

съемки) одному или нескольким предварительно определенным видам ландшафтов.

Искусственные нейронные сети представляют собой наиболее актуальный

подход к распознаванию образов при анализе многоспектральных данных

дистанционного зондирования Земли. Это математическая модель, организованная

по принципу функционирования биологических нейронных сетей и представляющая

собой систему соединенных и взаимодействующих между собой простых процессоров

(искусственных нейронов). Преимущество нейросетевых моделей заключается в

возможности их обучения, способности решать трудно формализуемые задачи,

толерантности к ошибкам. Отклик обученной нейронной сети может быть

максимально нечувствительным к шуму и нежелательным искажениям.

Обобщенный алгоритм решения задачи классификации данных дистанционного

зондирования с целью ландшафтного картографирования с использованием

нейронных сетей имеет следующий вид.

1. Решить, в каком виде целесообразно представить входные данные, на основе

которых будет проводиться классификация (для различных типов задач целесообразно

использовать панхроматические, мультиспектральные, гиперспектральные

космические снимки определенного пространственного, радиометрического и

временного разрешения). Иными словами, необходимо обозначить компоненты

входного вектора x, содержащего необходимую для получения ответа информацию.

2. Определить форму выходных данных (элементы выходного вектора), чтобы

обеспечивалось выделение необходимых типов ландшафтов и интересующих

категорий для решения определенной практической задачи.

3. Выбрать архитектуру нейронной сети, число слоев и нейронов в каждом из

них, функцию активации нейронов, параметры обучения.

4. Провести обучение, которое заключается в том, чтобы подобрать параметры

сети, необходимые для оптимального решения задачи ландшафтного

картографирования.

5. Решить задачу классификации, подав на вход сети необходимые данные с

целью получения формализованного ответа.

Определение числа входных узлов нейронной сети представляется относительно

несложной задачей, так как зависит главным образом от числа независимых

переменных, представленных в анализируемом наборе данных. При анализе

многозональной съемки Landsat на входные узлы нейронной сети целесообразно

подавать значения яркости пикселей в различных спектральных диапазонах. Эти

величины позволяют объективно оценить, к какому типу принадлежит территория

данного участка съемки.

Выбор формы выходных данных (иными словами, выходных узлов нейронной

сети) опять же является проблемно-ориентированной задачей. Количество узлов

выходного слоя нейронной сети можно принять равным числу определяемых типов

ландшафтов.

Архитектура нейронной сети – это способ организации связи между

нейронами. Нейронную сеть можно рассмотреть в виде направленного взвешенного

графа, для которого узлами являются нейроны, отличающиеся друг от друга видом

активационной функции и могут объединяться в сети двух классов: прямого

распространения (персептроны, RBF-сети, сети каскадной корреляции) и с обратными

связями (сети Кохонена, Хопфида, Элмана, встречного распространения, машины

Больцмана).

Сеть прямого распространения не содержит обратных связей. Обработка

информации в ней носит однонаправленный характер, при котором сигнал передается

последовательно от входного слоя нейронной сети к выходному. Сети прямого

распространения просты в реализации и хорошо изучены, точность их работы зависит

главным образом от числа нейронов.

Сеть с обратными связями (рекуррентная) содержит в своей структуре петли,

что обеспечивает влияние выходного сигнала на процесс классификации в будущем.

Это дает возможность многократного участия нейронов в обработке входных данных

и сокращает объем сети за счет использования обратных связей.

Сети прямого распространения (персептрон) проще рекуррентных в реализации.

Они имеют гарантированную, математически доказанную сходимость вычислений,

хотя и требуют наличия большего числа нейронов при решении сложных задач,

поэтому изучение данного класса моделей для решения задачи классификации

ландшафтов имеет особый интерес.

Нейронная сеть прямого распространения характеризуется количеством слоев и

входящих в них нейронов. Определенного правила определения этих параметров не

существует. Известно, что с увеличением нейронов и слоев повышаются возможности

сети, увеличивается нелинейность зависимости между входом и выходом, но

снижается скорость обучения. При слишком малом числе нейронов сеть может не

обучиться и иметь большую ошибку в анализе данных дистанционного зондирования,

превышение необходимого числа нейронов неизбежно приводит к бессмысленному

снижению производительности и возможности переобучения, при котором на выход

модели будет слишком сильно влиять шум и сеть станет неспособной к обобщению.

Это чревато получением непредсказуемых значений в областях космического снимка,

для которых характерно отсутствие обучающих выборок.

Количество нейронов и слоев необходимо выбирать исходя из сложности

задачи, количества анализируемых данных и результирующих классов, имеющихся

вычислительных ресурсов. Возможность применения формул к определению числа

нейронов и слоев сети иногда может не привести к получению оптимальных

результатов, следовательно число нейронов и слоев сети должно подбираться

эмпирически.

Для решения задачи классификации данных дистанционного зондирования

часто оптимально использовать один скрытый слой. Его эффективность

обосновывается теоремой Колмогорова. Число нейронов в данном слое можно

оценить, используя геометрическое правило пирамиды, по которому число нейронов

скрытого слоя вычисляется как среднее геометрическое от числа нейронов выходного

и входного слоев и прямо пропорционально этим величинам:

√

где k – число нейронов в скрытом слое;

n – число нейронов во входном слое;

m – число нейронов в выходном слое.

Функция активации нейронов определяет зависимость выходного сигнала

нейронов от его входов:

(∑ ),

где y – выходной сигнал нейрона;

f(.) – функция активации нейрон;

n – общее число входных сигналов нейрона;

wi – весовой коэффициент i-го входного сигнала;

xi – значение i-го входного сигнала.

К таким функциям можно отнести жесткий и линейный пороги, гауссиан,

сигмоид. Последний наиболее часто применяется в многослойных нейронных сетях.

Существуют две парадигмы обучения нейронной сети: с учителем (на основе

обучающих выборок, сопоставляющих входные параметры с желаемым выходом) и

без учителя (исходя из анализа входных данных и их структуры). Для

картографирования морфологической структуры ландшафтов на основе

многозональной космической съемки целесообразно прибегнуть к парадигме обучения

с учителем, при которой необходимо для работы нейросетевой модели определить

соответствие участков съемки желаемым типам геосистем.

Формируя обучающие выборки, необходимо придерживаться ряда правил:

– схожие входные сигналы нейронной сети (близкие по характеристикам

пиксели космического снимка) должны быть отнесены к одному типу ландшафтов;

– сильно отличающиеся сигналы должны быть сопоставлены разным типам

ландшафтов.

Обучение представляет собой процесс настройки параметров нейронной сети на

основе моделирования среды, в которую встраивается данная сеть. Алгоритм

обучения работает итеративно. Один его шаг называется эпохой. В каждой эпохе на

вход сети подаются обучающие выборки, а затем выходные значения нейронной сети

сравниваются с желаемыми значениями. После этого вычисляется ошибка:

,

где ek – сигнал ошибки;

yk – выходной сигнал нейрона k;

dk – желаемый выход.

Значения сигнала ошибки и градиента поверхности ошибок используются для

корректировки весов нейронной сети, после повторяется еще одна эпоха обучения.

Начальная конфигурация сети может выбираться случайным образом. Процесс

обучения прекращается, когда ошибка достигает определенно низкого уровня или

когда пройдено определенное количество эпох.

После обучения нейронной сети необходимо произвести классификацию

многозональных данных с целью выделения ландшафтов с использованием

полученной модели. Если результат классификации удовлетворяет поставленным

требованиям, задачу можно считать выполненной, иначе необходимо повторить

обучение нейронной сети на основе иных параметров до получения желаемого

результата.

Для апробации методики детектирования типов ландшафтов с использованием

нейронных сетей прямого распространения был выбран эталонный полигон для

дешифрирования космических снимков Национальный парк «Смольный» (Рисунок

20). Данная особо охраняемая природная территория располагается в левобережье

Алатыря в северной лесостепи Приволжской возвышенности (Ямашкин, 2013б).

Географические координаты поселка Смольный, расположенного в южной части

парка 54° 43' с. ш. и 45° 17' в. д.

Обобщенная схема процесса применения

нейронной сети в анализе данных

Характерной чертой морфологической структуры ландшафтов является

склоновая смена природных комплексов от приводораздельных пространств Алатыря

и Пьяны к пойме Алатыря.

а. Местность водно-ледниковой равнины. Местность имеет широкое

распространение в северной части парка, где она занимает верхнюю

гипсометрическую ступень с абсолютными отметками от 150 до 220 м. Литогенная

основа ландшафтов представлена маломощными водно-ледниковыми песками (до 1

м), подстилаемыми нижнемеловыми песчано-глинистыми отложениями, реже

моренными суглинками. В верховьях Барахманки, Удальца и Язовки коренные

отложения (глины) на водораздельных пространствах вскрываются на глубине 0,2 –

0,4 м. Для этой группы природных территориальных комплексов характерны системы

слабопроточных, почти не выраженных в рельефе замкнутых и полузамкнутых

западин, котловин, редкая сеть тальвегов. Склоновые процессы слабо выражены.

Особенности пространственной структуры и функционирования геокомплексов во

многом определяются преобладанием нисходящих движений гравитационных,

грунтовых и подземных вод с частичной их разгрузкой в верховьях гидрографической

сети. В структуре почвенного покрова мозаично сочетаются светло-серые и дерново-

подзолистые песчаные, супесчаные, реже песчанисто-легкосуглинистые почвы. В

естественной растительности преобладают дубовые и дубово-липовые леса,

сменяемые мелколиственными.

Географическое положение эталонного полигона

на территории Национального парка «Смольный»

С увеличением мощности флювиогляциальных песков на нижних участках

склонов, наряду с нисходящим движением водных масс, значительны латеральные

потоки воды, периодически выходящие на дневную поверхность весной и во время

дождей. Здесь сформирована сравнительно густая и глубокая гидрографическая сеть.

В структуре почвенного покрова преобладают подзолистые, дерново-слабо- и

среднеподзолистые песчаные и супесчаные почвы. В естественной растительности

доминируют смешанные леса с сосной, елью, липой, дубом.

б. Местность надпойменных террас. Местность имеет абсолютные отметки от

100 до 120 м. Она субширотно протягивается в южной части парка. Литогенная

основа сложена преимущественно древнеаллювиальными песками, имеющими

мощность более 10 м. Отложения обладают хорошими фильтрационными свойствами.

С движением грунтовых вод связана повышенная активность суффозионных

процессов, что проявляется в довольно широком распространении пологих

бессточных воронок и западин. С развитием суффозионных процессов, вероятно,

связаны и многие обрывистые склоны террас к пойме Алатыря. Характерной чертой

рельефа этой местности является широкое распространение древнеэоловых форм

рельефа – дюн и котловин выдувания. Эти особенности литогенной основы ландшафта

обусловливают довольно хорошую выраженность фациальной микропоясности. На

вершинах бугров (дюн) распространены боры-беломошники на слабогумусированных

песках, которые вниз по склону сменяются сосняками-зеленомошниками на дерново-

слабоподзолистых почвах, а у их основания располагаются сосняки-долгомошники на

дерново-глеевых почвах. В западинах, небольших котловинах (вероятно,

термокарстового происхождения) и некоторых других отрицательных формах рельефа

распространены небольшие сфагновые болота на торфяно-глеевых почвах. Степень

выраженности фациальной микропоясности увеличивается в парке с востока на запад.

в. Местность пойм. Наибольшую долю в этом типе местности занимает пойма

Алатыря, которая полосой протягивается в южной части национального парка. Аллю-

виальные отложения представлены песками с прослоями суглинков. Особенности

литогенной основы определяют функционирование следующих типов пойменных

геокомплексов: выровненные, сложенные аллювиальными песками с прослоями

суглинков с аллювиальными дерновыми суглинистыми и супесчаными почвами под

лесами с осиной, липой, дубом, вязом; мелковолнистые, сложенные аллювиальными

отложениями с аллювиальными дерновыми слоистыми и аллювиальными дерновыми

зернистыми супесчаными, легко- и тяжелосуглинистыми почвами под клеверно-

разнотравно-злаковыми и мятликово-разнотравными лугами; выровненные с

болотными низинными обедненными торфяными почвами, с растительным покровом

из осок, евтрофных видов сфагновых мхов или сосново-березовыми разреженными

лесами низкого бонитета.

г. Антропогенные ландшафты: дорожные, лесохозяйственные (вырубки),

селитебные.

Для ландшафтного картографирования решено использовать 2, 3 и 4-й каналы

космической съемки территории Landsat-7. Второй спектральный диапазон включает в

себя видимые зеленые и желтые (525–605 нм) оттенки и условно называется

«зеленым» каналом. Он активно применяется для выделения классов растительности.

Третий диапазон, включающий видимые оттенки красного цвета (630–690 нм),

применяется для исследования почв и растительности. Четвертый, ближний

инфракрасный (760–900 нм), используется для характеристики растительного

многообразия, определения границ водных объектов, диагностики почв. В целом же

комбинация 2, 3, 4 информативна для изучения состояния растительного покрова.

Наша нейронная сеть должна иметь три входных нейрона – по одному для

каждого спектрального диапазона. Чтобы обеспечить выделение природных и

антропогенных ландшафтов, введем выходной слой из пяти нейронов.

Теперь проведем эксперимент, в ходе которого постараемся опытным путем

определить оптимальное число нейронов скрытого слоя. Используя геометрическое

правило пирамиды, можно предположить, что это число равно четырем. Обучим

нейронную сеть с меньшим скрытым слоем (3 нейрона); модель, в которой размер

внутреннего слоя равен выходному (5 нейронов) и больше его (10 нейронов). Данный

набор экспериментов проведем на основе одних и тех же обучающих выборок,

каждому классу ландшафтов сопоставив по нескольку учебных примеров. Процесс

обучения ограничим одним числом эпох.

На рисунке представлена архитектура проектируемой нейронной сети.

Архитектура проектируемой нейронной сети

прямого распространения

Для обучения нейросетевых моделей и проведения классификации был

использован программный комплекс ScanEx Image Processor.

Рассмотрим для начала результат классификации, полученный с помощью

нейронной сети, скрытый слой которой содержит всего 3 нейрона. Как видно на

рисунке (а), с помощью данной модели удалось выделить только ландшафты

хвойных, широколиственных и мелколиственных лесов, причем с очень высокой

погрешностью, если сопоставлять их с результатами полевых исследований.

Антропогенные и водные объекты имеют весьма слабую выраженность. Можно

сделать вывод о том, что использование нейронной сети прямого распространения с

тонким скрытым слоем приводит в итоге к грубым ошибкам классификации, а

извлеченные из космических снимков данные лишь в общих чертах отражают

морфологию ландшафтов.

Рассмотрим далее результат работы нейронной сети, размер скрытого слоя

которой подобран с использованием геометрического правила пирамиды (б). Как

видно на рисунке, контуры ландшафтов выделяются уже более четко. В класс

антропогенных объектов вошли территории населенных пунктов и вырубки, границы

которых выделились достаточно строго. Территории лесных массивов и данные об их

составе, полученные в результате работы нейросетевой модели, довольно точно

соотносятся с данными полевых исследований. Водные же объекты по-прежнему

остались невыделенными, несмотря на наличие обучающих выборок.

Дальнейшее увеличение объема скрытого нейронного слоя на один нейрон

привело лишь к огрублению полученного результата, при котором границы некоторых

выборок не обозначились, и выросла доля классифицированных геосистем хвойных

лесов (в).

При резком увеличении скрытого нейронного слоя до десяти нейронов

территории выделенных техногенных объектов и дорог еще более уменьшились, а

большая доля вырубок оказалась не обозначена (г). На основании этого можно

говорить о переобучении модели. С другой стороны, удалось довольно четко выделить

водные объекты и детализировать структуру ландшафтов хвойных лесов.

Хвойные леса

Широколиственные леса

Мелколиственные леса

Вода

Антропогенные ландшафты

I

II

III

IV

Результаты классификации ландшафтов с применением нейронных сетей

с различными размерами скрытого слоя:

3 (I), 4 (II), 5 (III), 10 (IV) нейронов.

Описание ландшафтов в тексте.

Подводя итоги проделанному эксперименту, можно сделать следующие выводы:

– результат классификации нейронной сети зависит от ее архитектуры, в

частности от размера скрытого слоя модели; геометрическое правило пирамиды

позволяет приблизительно определить оптимальную толщину скрытого слоя

нейронной сети, но для получения желаемого результата необходимо подбирать

данный параметр опытным путем;

– нейронная сеть прямого распространения, в которой скрытый слой слишком

мал, дает значительные ошибки классификации, а безграничное увеличение толщины

скрытого слоя далеко не всегда приводит к однозначному улучшению получаемого

результата. Это касается не только повышения времени, необходимого для обучения,

но и возникновения негативного явления переобучения сети;

– результаты классификации, полученные с применением нейросетевых

моделей, необходимо сопоставлять с результатами полевых и теоретических

исследований.

а а а а

б б б б в в в в

г г г