Зондирование земли
 Скачать 7.34 Mb.
|
|
Сжатие и архивация данных является одним из наиболее важных элементов обработки данных дистанционного зондиро- вания, так как при этом приходится обрабатывать огромные по- токи данных и хранить обработанную информацию. Путем уменьшения формата или объема данных в коммуникационных системах возможно понизить требования к передаче, хранению и обработке данных, что в конечном итоге приводит к сниже- нию стоимости системы обработки в целом. Под улучшением изображений в широком смысле пони- мают процедуры улучшения любой разновидности данных, представленных в виде изображения, а в узком – процедуры, улучшающие визуальное восприятие данных, представленных в виде изображения. Все процедуры улучшения изображений мо- гут быть полезны безотносительно от того, действительно ли данные дистанционного зондирования должны быть визуализи- рованы. Например, фильтрация, позволяющая улучшить выде- ление контуров или границ, может быть частью более сложной процедуры. Другие операции предназначены для уменьшения различных видов аппаратурных шумов и тем самым могут быть использованы для улучшения последующего классификацион- ного анализа. Преобразование снимков.В отличие от операций улучше- ния снимков, для преобразования снимков используются дан- ные из нескольких спектральных диапазонов, причем эти дан- ные могут соответствовать даже различным датам проведения съемки (многовременные данные). В результате преобразования формируются новые снимки, на которых гораздо четче выделя- ются определенные объекты и области интереса. К простейшим преобразованиям относятся операции попиксельного сложения, вычитания, умножения и деления. Например, операция вычита- ния состоит в том, что из значения яркости каждого пикселя од- ного снимка вычитается значение яркости соответствующего пикселя другого снимка, который совмещен с первым. Резуль- тирующий снимок называется разностным. Объекты, отража- тельная способность которых изменилась незначительно за вре- мя между двумя съемками, будут окрашены на разностном снимке в светло-серые тона, а темные и яркие области снимка 71 будут соответствовать значительным изменениям отражатель- ной способности. Этот тип преобразования полезен для карто- графирования городской инфраструктуры, наблюдения за лесоза- готовками, оценки посевных площадей и других подобных задач. Сложение изображений является усредняющей операцией, позволяющей снизить уровень шума на снимке. Эту операцию широко используют при пространственной фильтрации для вы- деления объектов определенного масштаба. Операция умноже- ния снимков при обработке данных дистанционного зондирова- ния применяется крайне редко. В отличие от нее, операция де- ления, на которой основано вычисление многих спектральных признаков, является одним из наиболее часто используемых преобразований. Эта операция позволяет подчеркивать малей- шие изменения в спектральной отражательной способности раз- личных земных покровов. К преобразованию снимков прибегают при расчете вегета- ционных индексов (1.3)–(1.6), при вычислении температуры по- верхности по спутниковым измерениям, например с использо- ванием двухканальных методов (1.10) и т. д. Интерпретация данных дистанционного зондирования. Использование снимков в географических исследованиях и кар- тографировании основано на их чтении и толковании, что пред- полагает, помимо их коррекции и улучшения, выполнение авто- матического распознавания и дешифрирования изображенных объектов, их классификацию и т. д. Дешифрирование снимков – метод исследования тер- риторий, акваторий и атмосферных явлений на основе зависи- мости между свойствами объектов и характером их воспроизве- дения на снимках. Дешифрирование включает обнаружение, распознавание, интерпретацию, а также определение качествен- ных и количественных характеристик объектов и отображение результатов в графической (картографической), цифровой или текстовой формах. Различают дешифрирование снимков общегеографическое (топографическое), ландшафтноеи тематическое (отрасле- вое) – геологическое, почвенное, лесное, гляциологическое, сельскохозяйственное и др. Дешифрирование делят на визуальное и компьютерное, од- нако это деление условно, так как визуально дешифрируют и фо- 72 тоотпечатки, и растровые, состоящие из пикселей, снимки на эк- ране компьютера. Визуальное распознавание объектов базируется на знании их дешифровочных признаков (глубина интерпретации существенно зависит от географической подготовки дешифров- щика). Компьютерное дешифрирование включает также методы автоматизированной классификации исследуемых объектов. Дешифрирование выполняется по принципу от общего к частному. Всякий снимок – прежде всего информационная мо- дель местности, воспринимаемая исследователем как единое це- лое, а объекты анализируются в развитии и неразрывной связи с окружающей их средой. Тематическое дешифрирование выполняют по 2-м логиче- ским схемам: 1-я предусматривает вначале распознавание объ- ектов, а затем их графическое выделение, 2-я – вначале графи- ческое выделение на снимке однотипных участков, а затем их распознавание. Обе схемы завершаются интерпретацией, науч- ным толкованием результатов дешифрирования. При компью- терном дешифрировании эти схемы реализуются в технологиях кластеризации и классификации с обучением. Объекты на снимках различают по дешифровочным при- знакам, которые делят на прямые и косвенные.Кпрямым отно- сят форму, размер, цвет, тон и тень, а также сложный объеди- няющий признак – рисунок изображения. Косвенными призна- ками служат местоположение объекта, его географическое со- седство, следы взаимодействия с окружением. При косвенном дешифрировании, основанном на объектив- но существующих связях и взаимообусловленности объектов и явлений, дешифровщик выявляет на снимке не сам объект, ко- торый может и не изобразиться, а его индикатор. Такое косвен- ное дешифрирование называют индикационным, географиче- скую основу его составляет индикационное ландшафтоведение. Его роль особенно велика, когда прямые признаки теряют зна- чение из-за сильной генерализованности изображения. При этом составляют особые индикационные таблицы, где для каждого типа или состояния индикатора указан соответствующий ему вид индицируемого объекта. Такая методика тщательно отрабо- тана, например, для гидрогеологического дешифрирования, ко- гда по распространению растительности определяют не только наличие, но и глубину залегания и минерализацию грунтовых вод. 73 Индикационное дешифрирование позволяет от пространст- венных характеристик переходить к временным. На основе про- странственно-временных рядов можно установить относитель- ную давность протекания процесса или стадию его развития. Например, по гигантским речным меандрам, оставленным в до- линах многих сибирских рек, по их размерам и форме оценива- ют расходы воды в прошлом и происходившие изменения. Индикаторами движения водных масс в океане часто слу- жат битые льды, взвеси идр. Движение вод хорошо визуализи- руют и температурные контрасты водной поверхности – именно по тепловым инфракрасным снимкам выявлена вихревая струк- тура Мирового океана. Дешифрирование многозональных снимков. Работа с се- рией из 4–6 зональных снимков сложнее, чем с одиночным снимком, и их дешифрирование требует некоторых особых ме- тодических подходов. Различают сопоставительное и последо- вательное дешифрирование. Сопоставительное дешифрирование состоит в определе- нии по снимкам спектрального образа, сравнении его с извест- ной спектральной отражательной способностью и в опознавании объекта. Вначале на зональных снимках выявляют совокупно- сти объектов, различные в разных зонах, а затем, сопоставляя их (вычитая зональные схемы дешифрирования), выделяют в этих совокупностях индивидуальные объекты. Наиболее эффективно такое дешифрирование для растительных объектов. Последовательное дешифрирование основано на том, что зональные снимки оптимально отображают разные объекты. Например, на снимках мелководий благодаря неодинаковому проникновению лучей разных спектральных диапазонов в вод- ную среду видны объекты, расположенные на разных глубинах, и серия снимков позволяет выполнить послойный анализ и за- тем поэтапно суммировать результаты. Дешифрирование разновременных снимков обеспечивает изучение изменений объектов и их динамики, а также косвенное дешифрирование изменчивых объектов по их динамическим признакам. Например, сельскохозяйственные культуры опозна- ют по смене изображения в течение вегетационного периода с учетом сельскохозяйственного календаря. 74 Различаютполевое и камеральное дешифрирование. При полевом дешифрировании объекты опознают на местности, сличая их с натурой. Это наиболее достоверный вид дешифри- рования, но инаиболее дорогой. Его разновидностью можно считать аэровизуальное дешифрирование. При камеральном дешифрировании объект распознают по прямым и косвенным признакам без непосредственного выхода на местность. На практике обычно комбинируют оба вида дешифри- рования, заранее подготавливают дешифрованные эталоны – снимки типичных объектов с нанесенными результатами дешиф- рирования. Их используют при камеральном дешифрировании, дополняя географической интерполяцией и экстраполяцией. Под цифровой классификацией понимают процесс отнесения пикселей изображения к тому или иному классу. Классификация объектовлежит в основе автоматизированного дешифрирования снимков. При этом исходят из того, что каж- дому пикселю многозонального снимка соответствует набор значений спектральных признаков или вектор в спектральном пространстве, размерность которого равна числу съемочных зон. Тогда процесс классификации сводится к распределению всех элементов растра поклассам в соответствии с отражатель- ной способностью или значением спектральной яркости каждо- го объекта в одной или нескольких зонах спектра, например ти- пов растительности или категорий использования земель. Трудности классификации связаны прежде всего с изменчи- востью признаков – отражательная способность меняется в зави- симости от времени суток, сезона и т. д. Часто классификация бы- вает неопределенной, поскольку элементы растра могут принад- лежать сразу к нескольким классам – это так называемые «смешан- ные элементы». Но в процессе классификации неопределенность игнорируется, и каждый элемент помещается в один из классов. Классификация опирается на математическую теорию рас- познавания образов. Согласно ей пространство признаков нуж- но разделить на замкнутые области с признаками, характерными для одного из классов, и затем отнести каждый пиксель к тому классу, в область которого попал его вектор признаков. Границы получаемых областей называют решающими (раз- деляющими) границами, а сами области – областями решения. Способ отнесения пикселей снимка к классам объектов (облас- 75 тям решения) определяет правило классификации, которое обеспечивает соответствующий алгоритм. Правило классифика- ции обычно формируют на основе признаков типичных объек- тов, принадлежность которых к данному классу заранее уста- новлена, например, на тестовых участках. Алгоритмы подразделяют на 2 типа: алгоритмы контроли- руемой и неконтролируемой классификаций. При контролируе- мой классификации правила перехода от показателей спек- тральной яркости к классам объектов вырабатывают на «учеб- ном» (тестовом, эталонном) участке, а затем автоматически применяют и на остальной части снимка. Эти алгоритмы иногда называют «классификацией с обучением». Контролируемую классификацию реализуют с помощью алгоритмов, использующих разные способы учета спектральных характеристик эталонных объектов: ♦ дискриминантные функции, которые в простейшем случае представляют собой линии, разделяющие объекты на классы, если они не пересекаются в пространстве признаков (рис. 3.3, а); ♦ минимальные расстояния R, когда классифицируемые объекты относят к тому или иному классу, вычисляя евклидово расстояние в пространстве признаков между проверяемыми и эталонными пикселями и относя каждый пиксель к тому классу, до эталона которого это расстояние минимально (рис. 3.3, 6); ♦ алгоритм параллелепипеда, когда в признаковом про- странстве выделяют замкнутые прямоугольные области, грани- цы которых задают на основе анализа гистограмм распределе- ния спектральных яркостей эталонных объектов в двух, трех или более зонах спектра. Каждый пиксель снимка относят к то- му классу, в чей параллелепипед он попадает по своим значени- ям яркости (рис. 3.3, в); ♦ метод максимального правдоподобия, основанный на ста- тистических оценках характеристик классов объектов (рис. 3.3, г). Смысл его сводится к определению вероятности попадания пик- селя в тот или иной класс. В общем случае вероятностное рас- пределение спектральных признаков, которыми характеризуется каждый класс, определяет возможность нахождения пикселя в любом месте пространства признаков. Этот метод обычно при- меняют в случаях, когда спектральные характеристики классов объектов мало различаются, как это часто бывает при распозна- вании растительных сообществ. 76 Рис. 3.3. Методы классификации: буквами обозначены разные классы объектов, 1 и 2 – точки произвольных измерений признаков [Картоведение …, 2003] Алгоритмы неконтролируемой классификации реализуют часто применяемые в исследованиях многопараметрически опре- деленных объектов методы кластеризации, основанные на так называемых пороговых процедурах. В них предполагается, что первоначальная информация о природных различиях объектов, зафиксированная в спектральных яркостях, достаточна для раз- деления классов, и поэтому можно обойтись без эталонов. В общем случае при пороговой классификации сравнивают значения яркости двух соседних пикселей снимка. Если их раз- 77 личие превышает некоторую, заранее заданную величину d (по- рог), то считается, что эти пиксели принадлежат разным объек- там и между ними проходит разделяющая граница. При таком способе классификации точность обычно невысока, тем не ме- нее при отсутствии априорной информации выполнение этой процедуры целесообразно. Алгоритмы кластеризации осуществляют объединение пикселей с близкими значениями яркости в группы – кластеры и позволяют вычислить средневзвешенные значения яркостей всех пикселей, вошедших в кластер, которые определяют поло- жение центра кластера в пространстве признаков. Простейшей мерой близости пикселей является евклидово расстояние. Компьютерную обработку снимков выполняют построчно с повторением проверки условия для всех элементов строки и в конечном итоге – всего снимка. В результате создается карта кластеризации, а также массив спектральных координат центров кластеров с известным числом пикселей в каждом из них. Де- шифровщик, используя карту кластеризации, а также дополни- тельную информацию, может оценить соответствие кластеров классам объектов и принять решение об их объединении в нуж- ные тематические группы (выделы). Существуют различные модификации алгоритмов класте- ризации, отличающиеся в основном способом приближения выделяемых кластеров к классам путем дополнительных про- верок «качества» получаемых кластеров. При этом оценивают расстояние между центрами кластеров (при небольшом рас- стоянии повышается вероятность пересечения кластеров и возникает необходимость их объединения) и разброс пикселей в кластерах (большая дисперсия яркости пикселя относитель- но центра кластера отражает случайность его попадания в данный «рыхлый» кластер, который, скорее всего, должен быть разделен). Оценки выполняются итерационно с последо- вательным уточнением характеристик кластеров. На таких оценках основан известный алгоритм ISODATA, который ис- пользуется во многих растровых ГИС-пакетах. В состав программного обеспечения автоматизированной обработки аэрокосмических снимков обычно входят несколько алгоритмов контролируемой и неконтролируемой классифика- ции. Применение того или иного алгоритма определяется нали- 78 чием априорной информации, качеством самого снимка, решае- мой задачей, опытом и интуицией дешифровщика. Мониторинг и картографирование изменений в природе, хозяйстве и их взаимодействия связаны с составлением карт динамики. Компьютерная реализация этих методов главным образом направлена на обеспечение точного пространственного совмещения разновременных карт, аэро- и космических сним- ков для извлечения динамической информации. Прежде всего необходимо определить классы динамиче- ских объектов и их временной интервал (сезон, год и т. п.). Обеспечить спектральную идентичность снимков крайне трудно из-за разнообразия определяющих ее параметров. Ярко- стная коррекция позволяет делать разновременные снимки мак- симально сравнимыми при условии, что сезонные различия ми- нимальны, а облачность отсутствует. Подходящие алгоритмические процедуры выявления и кар- тографирования изменений основаны на методах контролируе- мой, неконтролируемой или гибридной классификации и овер- лейных ГИС-технологиях. Наиболее часто применяют следующие операции: ♦ создание композиций разновременных снимков за два срока и выделение изменившихся и неизменившихся кластеров пикселей; ♦ использование алгебры изображений – вычитание, син- тез или вычисление отношений соответствующих зон (после их приведения к единой системе координат и размеру); ♦ сопоставление результатов классификации разновре- менных снимков, полученных путем автоматизированного де- шифрирования нужных объектов на геометрически совмещен- ных снимках; ♦ применение бинарных масок – специально создаваемых изображений, содержащих только 0 и 1, которые применяют для маскирования неизменившихся или не интересующих дешиф- ровщика объектов, что позволяет выделить изменения; ♦ использование карт как источников данных за первую дату, когда результаты съемки сравнивают с картой, составлен- ной на более ранний срок. В этом случае карту сканируют, сни- мок трансформируют в проекцию карты, выполняют его клас- сификацию, а далее применяют для карты и классифи- цированного снимка описанные выше операции; 79 ♦ ручное цифрование классов изменений по экрану – выде- ление контуров площадных объектов на разновременных картах классификации или снимках высокого разрешения способом так называемого цифрования по растровой подложке, с последующим совмещением полученных векторных карт на одной основе. Заключительный этап классификации – это оценка досто- верности результатов, т. е. определение процентного отношения правильно определенных объектов к общему количеству класси- фицируемых. Достоверность классификации вначале оценивают визуально, выявляют грубые промахи и несоответствия. Затем пе- реходят к количественной оценке, сравнивая результаты класси- фикации с тестовыми участками, в качестве которых могут ис- пользоваться 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 круп- ных классов на более мелкие), значения порогов и т. д. Затем по- вторяет процесс. Практический опыт показывает, что достоверно- сти классификации в 90–95 % можно добиться для 2–3-х классов. Удовлетворительными считаются результаты, если правильно оп- ределены 70–85 % классифицируемых объектов. Для оценки точ- ности составления карт динамики строят «матрицы динамики» классов объектов, аналогичные матрицам классификации. Представление данных – один из важных видов обработки и анализа данных. Результаты, полученные после обработки и анализа данных дистанционного зондирования, представляются конечным потребителям в определенном, строго оговоренном виде и формате (таблицы, массивы данных, графики, схемы, карты). Причем пользователи делятся на множество категорий – от так называемых продвинутых пользователей, которые смогут потреблять продукты дистанционного зондирования с мини- мальной обработкой или без обработки вообще, до абсолютно неподготовленных, которым нужны конечные продукты дис- танционного зондирования в виде таблиц, карт или графиков. Формы представления данных в значительной степени зависят от характера приложений и от используемой процедуры обработ- ки. Для задач исследования пространственной и временной измен- чивости гидрофизических характеристик одним из наиболее под- ходящих способов является представление данных в виде карт. 80 Средства визуализации позволяют сформировать визуальные представления для результатов анализа спутниковых снимков. Использование цвета при визуализации изображения обусловлено несколькими причинами. Во-первых, цвет облегчает распознава- ние и выделение объекта на изображении, во-вторых, человек в состоянии различать тысячи различных оттенков цвета и всего лишь около двух десятков оттенков серого. Второе обстоятельст- во особенно важно при визуальном анализе изображений. Во многих программных пакетах для визуализации данных применяется модель RGB (Red; Green; Blue). Модель RGB – ап- паратно-ориентированная модель, используемая в дисплеях для аддитивного формирования оттенков самосветящихся объектов (пикселей экрана). Данная модель идеально подходит для све- тящихся поверхностей (мониторы, телевизоры, цветные лампы и т. п.). В основе ее лежат три цвета: Red – красный, Green – зе- леный и Blue – синий. Модель RGB базируется на основе строе- ния глаза. Начало трехцветной теории цветового зрения было положено еще М. В. Ломоносовым (1711–1765), который отме- тил, что с помощью этих трех основных цветов можно получить почти весь видимый спектр. Например, желтый цвет получается сложением красного и зеленого; первичный синий в формиро- вании желтого цвета не участвует. Цвет в этой цветовой модели описывается тремя значениями цветов в диапазоне от 0 до 255. Каждое значение соответствует одному из базовых цветов и указывает на его содержание в дан- ном цвете. Значения записывают в следующем порядке: красная, зеленая и синяя составляющие. В таблице 3.1 приведено описа- ния ряда цветов, включая базовые, в цветовой модели RGB. Таблица 3.1 Описания некоторых цветов в цветовой модели RGB Красный Зеленый Синий Результат 0 0 0 Черный 255 0 0 Красный 0 255 0 Зеленый 0 0 255 Синий 0 255 255 Голубой 255 0 255 Пурпурный 255 255 0 Желтый 255 255 255 Белый 81 Для целей представления данных в виде картографических изображений разрабатываются палитры в соответствии со сред- ствами используемого программного обеспечения. 3.2. Обзор программных средств обработки данных дистанционного зондирования Несмотря на то что обработка данных дистанционного зон- дирования включает стандартные этапы, конкретная реализация этих этапов во многом зависит от используемого программного обеспечения. Сегодня в системах обработки данных дистанци- онного зондирования стали стандартом рабочие станции и пер- сональные компьютеры с высокоскоростными процессорами и накопителями большой емкости, что предъявляет соответст- вующие требования к процедурам обработки данных. В настоя- щее время разработано множество пакетов прикладных про- грамм различного уровня для обработки данных дистанционно- го зондирования и изображений, начиная с распространяемых бесплатно и заканчивая дорогими высокопрофессиональными [Информационные технологии …, 2007]. Системы для обработки данных дистанционного зондиро- вания появились фактически в результате дальнейшего каче- ственного развития программных средств, предназначенных для цифровой обработки изображений общего назначения (графических редакторов), таких как Adobe PhotoShop, Corel Photo-Paint и т. п. Оба класса систем имеют много общего: ра- ботают с растровой моделью данных, используют базирую- щиеся на аналогичном математическом аппарате методы об- работки изображений. Однако следует отметить ряд сущест- венных отличий, связанных со спецификой данных дистанци- онного зондирования: данные дистанционного зондирования – это файлы весь- ма большого объема, для эффективной работы с которыми не- обходимы специальные средства, в том числе особые форматы; в данных дистанционного зондирования числовое значе- ние пикселя оказывается важным в задачах восстановления по- лей каких-либо характеристик снятого объекта; данные дистанционного зондирования – это многомер- ные данные, число и параметры спектральных зон съемки кото- 82 рых не позволяют трактовать их как RGB-изображения, кроме того, в них могут использоваться еще и другие координаты из- мерения (например, время); данные дистанционного зондирования нуждаются в пред- варительной геометрической и радиометрической коррекции; данные дистанционного зондирования – это пространствен- ная информация, имеющая, как правило, координатную привязку; важным свойством программного обеспечения по обработ- ке данных дистанционного зондирования является возможность быстрого перехода от предварительной обработки и тематического дешифрирования к выполнению операций моделирования и про- странственного анализа средствами геоинформационных систем. Из перечня зарубежного программного обеспечения по об- работке данных дистанционного зондирования следует выде- лить ERDAS Imagine, ENVI, ER Mapper, IDRISI и др. Из отече- ственных программных продуктов отметим программные про- дукты СканЭкс и Sputnik. Большинство существующих пакетов программ направлено на решение нескольких конкретных узких задач, связанных с обработкой и анализом данных. В такой си- туации для осуществления всего цикла работ пользователю не- обходимо иметь в своем распоряжении как минимум несколько программных продуктов. Лишь немногие пакеты программ обеспечивают возможность осуществления всего комплекса ра- бот с данными дистанционного зондирования, к ним относится зарубежный программный продукт ERDAS Imagine и отечест- венная разработка Sputnik, позволяющие решать широкий спектр задач по обработке и анализу данных дистанционного зондирования. Кроме того, большинство существующих про- граммных комплексов, таких, например, как ERDAS Imagine, предназначенных для обработки данных дистанционного зонди- рования, в основном ориентировано на их интерактивную обра- ботку. В то же время в последние годы стали особенно актуаль- ны задачи создания автоматизированных систем обработки спутниковых данных, и для их решения требуется специализи- рованный программный инструментарий. ERDAS Imagine. Пограммный пакет ERDAS Imagine, по- ставляемый на рынок фирмой ERDAS, сочетает в себе функции растровой и векторной ГИС и системы для обработки изобра- жений, ориентированной на данные аэро- и космических съе- 83 мок, и предназначен для профессионалов в области ДЗЗ и фото- грамметрии. Широкий набор инструментов, дающий возмож- ность обрабатывать данные из любого источника и представлять результаты в любом виде – от профессионально оформленных печатных карт до трехмерных моделей местности, делает ERDAS Imagine одним из лучших программных продуктов для анализа и обработки данных ДЗЗ. Ядром программного обеспечения ERDAS Imagine является один из трех вариантов базовых пакетов: Imagine Essentials, Im- agine Advantage и Imagine Professional. Каждый последующий пакет включает в себя функциональные возможности предыду- щего и расширяет их. В качестве специализированных инструментов компания ERDAS разрабатывает дополнительные модули, которые можно приобрести отдельно от базового варианта и подключить к нему для получения новых функций. Такими модулями являются Im- agine VirtualGIS, Imagine OrthoBASE, Imagine Subpixel Classifier, Imagine Radar Mapping Suite, Imagine Developers Toolkit, Stereo Analyst и др. Модуль трехмерной визуализации и анализа Imagine VirtualGIS позволяет производить реалистичные трехмерные сцены из снимков и моделей рельефа местности, а также эффект движения по создаваемому ею виртуальному миру в реальном времени при наличии графического ускорителя. Imagine OrthoBASE – основа фотограмметрических реше- ний ERDAS. Этот модуль позволяет обрабатывать сотни аэро- фотоснимков, выдавая на выходе фотоплан картографической точности. Вариант OrthoBASE Pro позволяет автоматически по- лучить модель рельефа местности. Второй фотограмметриче- ский продукт Stereo Analyst позволяет работать с парами сним- ков в стереорежиме и выполняет стереодешифрированне, по- добно традиционным фотограмметрическим приборам. Модуль Imagine Subpixel Classifier реализует особый метод классификации изображений, который направлен на решение про- блемы смешения множества объектов в пределах одного пикселя. Imagine Radar Mapping Suite реализует различные аспекты обработки радарных изображений. Инструмент программиста Imagine Developers Toolkit позволяет дополнить ERDAS Imagine любыми функциями, которые нужны заказчику. 84 ERDAS Imagine предоставляет набор средств для улучше- ния изображения, повышения его читаемости и информативно- сти, составления карт землепользования и выделения объектов с применением контролируемой (на основе принципа максималь- ного правдоподобия, минимального расстояния, расстояния Ма- халонобиса) и неконтролируемой классификации (иерархиче- ский кластерный анализ), выявления изменений, происшедших с течением времени на какой-либо территории и т. д. ERDAS Imagine обеспечивает возможность точной привяз- ки аэро- или космических снимков к реальным координатам, преобразование их в картографические проекции с использова- нием различных параметров земного эллипсоида. ERDAS Imagine позволяет интерактивно конструировать модели, используя специальный объектно ориентированный графический редактор алгоритмов Model Maker, открывая дос- туп более чем к 200 операциям по обработке изображений и ма- нипулирования данными ГИС. В частности, очень просто могут быть созданы модели для описания природной среды и проис- ходящих в ней процессов. Для создания профессионально оформленной картографи- ческой продукции и демонстрационной графики может быть ис- пользован специальный редактор Map Composer. Картографиче- ские композиции могут включать один или несколько слоев изображения, тематических векторных карт, аннотаций. Модуль Vector в ERDAS Imagine работает с векторно- топологической моделью данных ГИС ARC/INFO, обеспечивая уникальную комбинацию возможностей растровой и векторной ГИС в одном и том же пакете. С его помощью можно создать полную географическую базу данных на исследуемую террито- рию, включая в нее векторные электронные карты. Кроме того, у него имеются средства редактирования векторных карт, вклю- чая построение топологии. Внутренний формат графических данных IMG является от- крытым для растровых данных. ERDAS Imagine позволяет на- прямую просматривать и обрабатывать файлы различных век- торных и растровых форматов, а также обладает широкими воз- можностями импорта и экспорта изображений. Достоинством системы является ее открытость, т. е. воз- можность написания пользователем и внедрения в нее дополни- 85 тельных модулей обработки изображений, для чего в системе предусмотрен специальный набор функций разработчика. ERDAS ER Mapper. Система ERDAS ER Mapper, известная ранее как ER Mapper, использует единый интегрированный ин- терфейс, позволяющий получать быстрый и удобный доступ ко всем функциям обработки и анализа данных, поддерживаемых системой. Обрабатываемые данные могут быть объединены в рабочие наборы, в которые могут входить растровые, векторные и аннотационные слои. Рабочие наборы могут формироваться на основе данных растровых аэрокосмосним ков, цифровых релье- фов местности, данных магнитной и сейсмической разведки и т. д. Главной особенностью системы является то, что она не требует обязательного сохранения на диске результатов выпол- нения той или иной операции над данными, если пользователю этого не требуется. Вместо этого повторяющиеся последова- тельности операций объединяются и хранятся в виде алгорит- мов, представляющих собой запись определенной последова- тельности шагов обработки, которые необходимо выполнить над тем или иным рабочим набором данных. Преимущество та- кого подхода заключается в значительном повышении эффек- тивности работы с дисковым пространством, что главным обра- зом положительно отражается на экономичности его использо- вания. В алгоритмах могут записываться операции многоуров- невой фильтрации, яркостного трансформирования (коррекции), обработки посредством формул и т. д. Формулы представляют собой наборы арифметических и логических операций, задающих правила обработки многозо- нальных снимков. Аргументами формулы обычно являются от- дельные спектральные каналы обрабатываемого снимка. Боль- шой набор стандартных формул по обработке изображений, по- ставляемых системой, позволяет ускорить процесс создания эф- фективных алгоритмов обработки. ER Mapper содержит много разнообразных «шаблонных» алгоритмов, а также позволяет создавать собственные пользовательские алгоритмы обработки. ER Mapper также предоставляет широкий выбор утилит импорта и экспорта данных большинства стандартных растро- вых и векторных форматов, наиболее распространенных форма- тов КС (Landsat, SPOT, NOAA и т. д.), а также данных в форма- тах многих широко известных ГИС (Arclnfo, ArcView, Maplnfo и 86 т. д.). Всего в системе поддерживается до 130 разнообразных форматов данных. Большое разнообразие функций обработки данных ДЗЗ по- зволяет решать широкий спектр задач как предварительной, так и тематической обработки. В системе представлены эффектив- ные утилиты, позволяющие выполнять проекционное транс- формирование (более чем в 40 проекций), геометрическую кор- рекцию снимков, производить географическую привязку, со- ставлять мозаики из перекрывающихся аэрокосмоснимков, осу- ществлять слияние разнородных данных (например, снимков разных спутников), а также выполнять контролируемую и не- контролируемую классификацию снимков с целью извлечения содержательной тематической информации и т. д. ER Mapper поставляется в виде единого комплекта, что ис- ключает необходимость приобретения дополнительных модулей. Система ER Mapper является открытой и позволяет пользователям расширять ее возможности, предоставляя для этого набор специа- лизированных библиотек, дающих доступ ко всем функциям сис- темы и базирующихся на языке программирования С. ENVI. Программный комплекс ENVI (Environment for Visu- alizing Images – среда для отображения снимков) включает на- бор функций для обработки данных ДЗЗ и их интеграции с дан- ными ГИС. ENVI лицензирован ведущими операторами косми- ческих данных, поэтому обеспечивает поддержку данных ДЗЗ, полученных со спутников Quick Bird, Ikonos, Orb view, Cartosat- 1, Formosat-2, Resourcesat-1, SPOT, IRS, Landsat и др. ENVI включает в себя функции: обработки и глубокого анализа гиперспектральных снимков; исправления геометрических и радиометрических искажений; интерактивного улучшения изображений; интерактивного дешифрирования и классификации; анализа снимков в радиодиапазоне; построения запросов; оцифровки; и многие другие. ENVI содержит спектральные библиотеки и инструменты для выполнения спектрального и топографического анализа, анализа растительности и классификации изображений по сле- дующим алгоритмам: 87 K-means, ISODATA; метод параллелепипедов; алгоритмы минимального спектрального расстояния, расстояния Махаланобиса; метод максимального правдоподобия; классификация с помощью метода спектрального угла; двоичное кодирование; дерево принятия решений; нейронная сеть. С помощью алгоритма «Дерево принятия решений» возмо- жен совместный анализ различных данных (цифровая модель рельефа DEM – высота, угол и направление уклона; гидрогеоло- гические особенности – глубина залегания подземных вод, ха- рактер грунтов; особенности растительного покрова) для выде- ления районов, подверженных эрозионным процессам, пожаро- опасных участков. Средствами обнаружения количественных и качественных изменений, входящими в ENVI, на тематических или панхрома- тических снимках можно находить области, на территории ко- торых произошли изменения. Функции ENVI, обеспечивающие топографическое модели- рование, позволяют вычислять уклоны, виды из заданной точки наблюдения, отмывки рельефа, а также кривизну и выпуклость поверхности по снимкам с данными высот. Дополнительный ин- струмент классификации по топографическим признакам позво- ляет классифицировать каждый пиксель по шести классам топо- графии местности: горы, гребни, перевалы и равнины, каналы и впадины. С помощью ENVI можно создавать отмывки рельефа, совмещенные с цветными снимками, что позволяет придать по- лученному изображению более реалистичный вид. С помощью инструмента определения зон и линий видимости ENVI Line-of- Sight Calculator можно определять, какие пиксели видимы из за- данной точки. Инструменты ENVI, предназначенные для работы с векторами, позволяют преобразовывать векторные контуры вы- сот в регулярные растровые цифровые модели рельефа (ЦМР). В программный комплекс ENVI встроен язык программи- рования IDL (Interactive Data Language), с помощью которого можно существенно расширять функциональные возможности программы для решения специализированных задач, создавать 88 собственные и автоматизировать существующие алгоритмы об- работки данных и выполнять пакетную обработку данных. ENVI имеет интуитивно понятный графический интерфейс, позволяющий начинающему пользователю быстро освоить все необходимые алгоритмы обработки данных. IDRISI. ГИС IDRISI (Университет Кларка, США) представ- ляет собой растровую ГИС, которая предназначена для анализа пространственной информации, получаемой из различных источ- ников. В состав пакета IDRISI для Windows входит блок обработ- ки данных ДЗЗ, включающий возможности как общей обработки снимков (контрастирование, фильтрация, координатная привязка, создание псевдоцветных композиций, определение NDVI, анализ главных компонент и др.), так и тематического дешифрирования. Для некоторых съемочных платформ существуют специальные способы обработки – в частности, преобразование данных 6-го канала Landsat в температурные показатели. В состав пакета вхо- дит мощный модуль анализа растровых карт, в том числе постро- енных на основе результатов обработки данных ДЗЗ. Пакет имеет развитые возможности ввода и импорта-экспорта данных, а под- держка векторной графики у него довольно слабая. Оставаясь очень простым в освоении, пакет IDRISI в на- стоящее время находит широкое применение в небольших по объему обработки данных ДЗЗ-проектах, в основном научно- практического характера. При этом круг пользователей может быть намного шире, если учесть, что по сравнению с другими зарубежными программами стоимость пакета невелика. MultiSpec. Программный пакет MultiSpec (Университет Пердью, США) предназначен для интерактивной обработки мультиспектральных и гиперспектральных снимков, прост в ис- пользовании и распространяется бесплатно по Интернету. В MultiSpec есть уникальные функции, полезные и при на- личии дорогих коммерческих пакетов для обработки снимков. MultiSpec располагает набором алгоритмов для: импорта и визуализации изображений разных форматов; яркостной коррекции изображений с построением гистограмм; трансформирования в заданную систему координат; выполнения двух основных типов компьютерной клас- сификации снимков: без обучения и с обучением. Предлагается два алгоритма классификации без обучения: 89 1) алгоритм быстрого выделения кластеров, который приго- ден для быстрого, одношагового разделения многозонального снимка на пространственно однородные области (кластеризации); 2) итеративный алгоритм ISODATA. Для классификации с обучением можно выбрать один из шести алгоритмов: 1. Метод минимального расстояния; 2. Метод линейного дискриминантного анализа Фишера: используется корреляция между значениями яркости в разных спектральных зонах, граница между классами в многомерном поле признаков принимается линейной; 3. Метод максимального правдоподобия; 4. Метод спектрально-пространственной классификации ECHO (Extraction and Classification of Homogeneous Objects – распознавание и классификация однородных объектов): учиты- ваются не только спектральные характеристики снимка, но и пространственная однородность создаваемых классов; 5. Метод спектральной корреляции SAM (Spectral Angle Mapper – картографирование спектральной корреляции); 6. Метод «сравнения фильтра» (Matched Filter, на основе СЕМ – Constrained Energy Minimisation, ограниченной/условной минимизации энергии). Последние два метода используются для классификации гиперспектральных снимков. MultiSpec занимает мало места на диске, может использо- ваться на большинстве компьютеров с достаточно ограничен- ными техническими возможностями. Пакет широко применяет- ся в школьном и университетском эколого-географическом об- разовании и в других областях. Программные продукты компании «СканЭкс». Научно- технологический центр «СканЭкс» предлагает пользователям полный цикл программного обеспечения (ПО) для приема, хра- нения, предварительной и углубленной тематической обработки и интерпретации спутниковых снимков. Предлагаемые про- граммные решения включают ПО управления станциями, ПО предварительной обработки данных, ПО организации архивов данных ДЗЗ, ПО пакетной обработки растровой и векторной информации и линейку коробочных программных продуктов, предназначенных для общей и тематической обработки данных оптической и радиолокационной космической съемки. Коро- 90 бочные программные продукты могут использоваться вне пред- лагаемой компанией «СканЭкс» технологии обработки данных. ScanEx Image Processor представляет собой современную тех- нологию для предварительной и тематической обработки спутни- ковых снимков и создания конечных продуктов – карт, физических индексов, моделей, а также экспорта данных в ГИС и системы об- работки изображений. ScanEx Image Processor состоит из базовой конфигурации и дополнительных подключаемых модулей. Компанией «СканЭкс» разработана нейросетевая растровая интерпретационная система ScanEx NeRIS, позволяющая при- менять при обработке исходных данных ДЗЗ как традиционные методы (визуализация, фильтрация, получение новых изображе- ний расчетными методами), так и современные методы, исполь- зующие адаптивные алгоритмы на основе искусственных ней- ронных сетей Кохонена. Специализированное Windows-приложение MeteoGamma предназначено для обработки в оперативном режиме данных 5-канального радиометра AVHRR. MeteoGamma используется для исследования облачного покрова в оперативной синоптиче- ской практике, а также для проведения мониторинга окружаю- щей среды в летний период. Программный комплекс Sputnik, разработанный Институ- том космических исследований РАН (рис. 3.4), имеет следую- щие характеристики [Возможности построения ..., 2004]: работает под единой программной оболочкой; имеет объектно ориентированную архитектуру; имеет возможность легкого расширения и добавления внешних процедур и модулей обработки данных; имеет возможность легко создавать цепочки процедур об- работки данных и поддерживать их выполнение; обеспечивает работу в полностью автоматизированном режиме; обеспечивает возможность удаленного контроля за своим функционированием; позволяет проводить разработку отдельных модулей неза- висимыми группами программистов. В настоящее время комплекс Sputnik позволяет решать раз- личные задачи, возникающие в процессе обработки спутнико- вых данных. Он позволяет сегодня работать с данными сле- дующих приборов: AVHRR – установлен на спутниках серии NOAA; 91 МСУ-Э – установлен на спутниках серии «Ресурс», «Океан-О», «Метеор-ЗМ»; МСУ-СК – установлен на спутниках серии «Ресурс», «Океан-О»; MODIS – установлен на спутниках серии Terra, Aqua; VEGETATION – установлен на спутниках серии SPOT и др. Рис. 3.4. Окно программного комплекса Sputnik Основной задачей программного комплекса Sputnik являет- ся предоставление современного инструментария для создания, поддержки и развития автоматизированных комплексов обра- ботки космической информации. Для реализации блоков полно- стью автоматизированной обработки спутниковых данных в программном комплексе Sputnik разработана подсистема созда- ния и поддержки работы макрокоманд (макросов) – представ- ляющих собой последовательность операций, записанных во внешний файл. Основной единицей макроса служит макроопе- рация – это стандартная операция комплекса, способная рабо- тать в автоматическом режиме. 92 4. ПРИМЕНЕНИЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ 4.1. Применение данных дистанционного зондирования в картографии Материалы аэрокосмического зондирования широко приме- няются в картографии, в особенности – материалы космической съемки, которая, будучи более экономичной, по детальности те- перь приближается к аэросъемке. Эти материалы имеют важные преимущества перед другими источниками для составления карт: обзорность космических изображений – от глобального ох- вата до десятков километров при детальной съемке – обеспечива- ет экономичное картографирование обширных пространств; съемка из космоса одной и той же территории с разным разрешением и генерализацией позволяет параллельно создавать и обновлять карты разных масштабов, избавляя от необходимости составлять карты более мелких масштабов по крупномасштаб- ным, что неизбежно удлиняло процесс картографирования; центральная проекция, в которой строится изображение, при большой высоте центра проектирования близка к ортого- нальной, что упрощает фотограмметрическую обработку при создании карт; повторные съемки с заданной периодичностью обеспечи- вают динамическое картографирование и мониторинг быстро меняющихся во времени процессов и явлений; обеспечивается картографирование труднодоступных рай- онов – пустынь, болот, высокогорий, полярных островов, Антарк- тиды, решается проблема съемки других планет и их спутников; выразительность и наглядность космических снимков обусловили появление новых видов картографической продук- ции – фотокарт и спутниковых карт биофизических характери- стик земной поверхности; комплексное отображение на одном снимке всех компонен- тов земных ландшафтов способствует наиболее правильной пере- даче пространственных взаимосвязей картографируемых объектов. 93 Аэрокосмические снимки нашли в картографии разнообраз- ное применение при составлении и оперативном обновлении топо- графических карт, создании тематических карт и фотокарт, карто- графировании малоизученных и труднодоступных районов. Создание фотокарт.Наглядное, выразительное отображе- ние местности на снимках вызывает естественное стремление использовать эти снимки в дополнение к карте, а иногда и вме- сто нее. Это привело к созданию особого вида картографиче- ской продукции – фотокарт. Фотокарты в сравнительно круп- ных масштабах, до 1 : 50 000, начали создавать в 1950-х гг., ис- пользуя материалы аэросъемки. Построить высококачественные фотокарты более мелких масштабов не удавалось, так как моза- ичное фотоизображение, смонтированное из многих снимков, было неоднородным, пестрым. Появление космических снимков с большим пространственным охватом и генерализованностью, получаемых в широком диапазоне масштабов и разрешения, вы- звало быстрое развитие этого нового вида картографических произведений, весьма разнообразных по содержанию и форме. Высококачественные фотокарты начали составлять в масштабах 1 : 100 000 и мельче. Но производственное изготовление фото- карт стало возможным лишь после накопления фондов снимков обширных территорий. Массовое получение снимков с первой долговременно ра- ботавшей орбитальной станции «Салют-4» завершилось созда- нием серии фотокарт южных республик бывшего Советского Союза. Через несколько месяцев работы первого американского ресурсного спутника Landsat была смонтирована из почти 600 снимков фотокарта США, репродуцированная затем в широком диапазоне масштабов – от 1 : 250 000 до 1 : 5 000 000. Позже по снимкам со спутника Landsat созданы фотокарты многих стран и даже континентов. С появлением новых, более совершенных и детальных снимков возрос интерес к фотокартам туристических объектов, национальных парков. Стала традиционной красочная печать фотокарт из снимков Тематического картографа Landsat с впе- чатыванием на обороте топографической карты того же мас- штаба. Массовое распространение получили фотокарты горо- дов, созданные по детальным снимкам SPOT. Цифровая полиграфия и использование цифровых моделей рельефа сделали фотокарты особенно выразительными. Так, 94 прекрасная серия фотокарт материков создана по снимкам AVHRR/NOAA, с отмывкой рельефа суши и морского дна на основе цифровой модели. Чрезвычайно выразительна созданная по радиолокационным снимкам со спутника Radarsat фотокарта Антарктиды, где контрастное изображение рельефа льда под- черкнуло ледниковые потоки. Кроме общегеографических создаются специальные фото- карты объектов и явлений, требующих оперативного слежения за их динамикой, – снежного покрова материков, морских льдов Северного полярного бассейна и т. п. Иногда фотокарты допол- няют тематической нагрузкой – результатами дешифрирования геологических структур, контурами типов почв. Их можно счи- тать |