XI Международная студенческая научная конференция Студенческий научный форум - 2019

Дистанционные методы являются комплексным источником информации, позволяющим консолидировать информацию и решать природные, ресурсные и экологические проблемы территорий с любым уровнем генерализации. Использование космических снимков дает возможность специалистам увидеть, понять и более достоверно отразить на тематических картах, происходящие процессы на территории, связанные с повышением антропогенной нагрузки.

Для получения комплексной тематической информации необходимо интегрировать визуальное и компьютерное дешифрирование, каждое из которых имеет свои достоинства и ограничения. Так, визуальное дешифрирование снимков на экране компьютера с успехом дополняется автоматизированной обработкой, при этом позволяет улучшить дешифровочные свойства снимков, либо быстро и детально выделить четко изобразившиеся объекты [3].

Эталон дешифрирования представляет собой дешифрированный в поле на ключевом участке ландшафта КС (или его часть). Он служит образцом для камерального дешифрирования других КС данного ландшафта путем экстраполяции дешифровочных признаков.

Таким образом был создан набор обучающих эталонов для всех необходимых классов объектов, встречающихся на изображении (рис. 1). Для некоторых классов было определено несколько эталонов, что позволило повысить вероятность более точного автоматического дешифрирование. тк такие объекты как озеро, река и водохранилище имеют разную отражательную способность и при синтезе каналов это было выявлено.

Рисунок 1. Результат создания набора обучающих эталонов

На основе выбранных эталонных участков был построен дешифровочный атлас отражающий все необходимые характеристики (таб.1). Данный атлас состоит из 11 объектов, которые будут служить экстраполяцией дешифровочных признаков для дешифрирования аналогичных объектов, расположенных в пределах участка съемки.

Таблица 1. Дешифровочный атлас эталонных участков (частично представлен)

Объект	Координаты	Описание участка	Пример1	Пример 2
Дороги	56.721096 – 56.721358; 37.169927 – 37.170430	Новое шоссе –региональная дорога в городе Дубна.
Хвойный лес	56.914424 – 56.914681, 35.955824 – 35.956338	Хвойный лес рядом с деревней Крева. Кимрский район, Тверская область.
Широколиственный лес	56.914424 – 56.914681, 35.955824 - 35.956338	Широколиственный лес рядом с городским кладбищем г. Дубны.
Заболоченная территория	56.732354 – 56.733768, 37.083546 – 37.084959	Алешинский залив Конаковский район, Тверская область.
Антропогенная деятельность	56.914424, 56.914681; 35.955824 – 35.956338	За эталонный участок антропогенной деятельности была принята территория правого берега г.Дубны имеющий разные виды застройки и антропогенную нагрузку
с/х угодия	56.9146811421442 – 56.914681; 35.955824 –35.956316	Сельхоз поля неподалёку от деревни Демидовка. Кимрский район, Тверская область.

После того, как набор эталонных участков разных классов подготовлен, можно приступать к выполнению самой классификации. Для этого надо выполнить следующие действия:

Выполнить команду Processor/Classify… (Классификация). Появится диалоговое окно Set Classification Specifications (Установка параметров классификации) (рис. 2).

Рисунок 2. Диалоговое окно установки параметров классификации

На первом этапе необходимо отключить параметр Image Selection (Выделение изображения). Это необходимо для того, чтобы провести классификацию только по обучающим эталонам и получить начальную оценку качества определения классов.

Оставить все остальные параметры со значениями по умолчанию.

Щёлкнуть по кнопке OK в диалоговом окне параметров классификации, а затем по кнопке OK в окне Update Project Statistics (Обновить статистику проекта) для запуска процесса классификации [2].

После окончания вычислений можно посмотреть результаты классификации (табл. 2).

Таблица 2. Результатов классификации

Project Class Name	Reference Class Number	Accuracy, %	Number Samples	1	2	3	4	5	6	7	8
Крупные водные объекты	1	99.9	888	887	0	0	0	0	0	1	0
Коттеджи	2	89.7	195	0	175	3	16	0	1	0	0
Антропогенная деятельность	3	91.7	72	0	0	66	6	0	0	0	0
Поля/пустынная местность	4	85.6	167	0	15	9	143	0	0	0	0
Хвойный лес	5	100.0	30	0	0	0	0	30	0	0	0
Широколиственный	6	100.0	20	0	0	0	0	0	20	0	0
Средние водные объекты	7	100.0	46	0	0	0	0	0	0	46	0
с/х	8	100.0	165	0	0	0	0	0	0	0	165
Мелкие водные объекты	9	87.5	8	0	0	0	0	0	0	1	0
Заболоченная местность	10	86.7	30	0	0	0	0	2	2	0	0

Таблица, напечатанная в текстовом окне, содержит информацию о том, насколько качественно были классифицированы пиксели каждого класса. Параметр Accuracy (Точность) должен быть около 100% для всех обучающих эталонов. Если же этот параметр имеет низкое значение, меньше 50% у какого-то класса, то это значит, что для него надо переназначить эталонные участки [1].

В связи с тем, что результаты классификации являются удовлетворительными, то было произведено классификация всего изображения по эталонным участкам. В связи с чем была произведена корректировка эталонов и ввод других участков. После получения автоматически отдешифрированной карты, соответствующей местности изучаемой территории, были скорректированы цвета и надписи. Полученный результат можно видеть на рисунке 3.

Рисунок 3. Графический результат классификации

Данные системы позволяют улучшить дешифровочные свойства снимков, быстро и детально выделить отобразившиеся объекты. Идеально подходят для разделения объектов разного типа, определения границ между ними. При работе имелись некие недостатки, которые выявились в ходе дешифрирования Талдомского района, в связи с чем было увеличено количество эталонных участков и расширены их границы, что в итоге привело к удовлетворяющему результату.

Список литературы

GIS-Lab: Обработка многозональных космоснимков в MultiSpec. — Электронный ресурс: http://gis-lab.info/qa/multispec-sat.html#cite_note-Ref01-0. Режим доступа: Свободный. Дата обращения 15.12.2018.

An introduction and reference for MultiSpec. — Электронныйресурс: https://engineering.purdue.edu/~biehl/MultiSpec/MultiSpec_Intro_9_11.pdf. Режимдоступа: Свободный. Дата обращения 19.12.2018.

MultiSpec exercise: Supervised classification. — Электронный ресурс: https://engineering.purdue.edu/~biehl/MultiSpec/tutorials/MultiSpec_Exercise_4.pdf. Режим доступа: Свободный. Дата обращения 20.12.2018.

Код для цитирования: Скопировать