Геоинформационные технологии в системах территориального управления презентация

Государственный университет «Дубна» Кафедра «Системного анализа и управления» Геоинформационные технологии в системах территориального управления профессор Спивак Лев Феликсович levspivak@mail.ru моб.: 9164883249

МЕТОДЫ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ

СХЕМА ИНФОРМАЦИОННЫХ ПОТОКОВ в АСУРТ

Данные ДЗЗ являются косвенными наблюдениями, так как регистрируются не значения свойств реальных объектов, а интенсивность собственного или отраженного электромагнитного излучения участков подстилающей поверхности. Чтобы получить "объективную" картину НМ космический снимок нужно правильно обработать, т.е. перейти от яркостных характеристик поверхности к свойствам объектов. Для определения соответствия между изображением объектов на космических снимках и их наземными образами в СКМ подсистема наблюдения разделена на две части: космический сегмент включает КА ДЗЗ с бортовой целевой аппаратурой; подспутниковые полигоны на Земле.

ТЕХНОЛОГИЧЕСКАЯ СХЕМА ОБРАБОТКИ ДАННЫХ ДЗЗ В СИСТЕМАХ КОСМИЧЕСКОГО МОНИТОРИНГА Чтобы перейти от яркостных характеристик пикселей изображения земной поверхности к свойствам реальных объектов, космический снимок необходимо правильно обработать. Технология обработки включает несколько этапов: - первичная обработка - предварительная обработка (геопривязка, калибровка, нормализация ) -тематическое дешифрирование.

ПРЕДОБРАБОТКА Радиометрическая калибровка аппаратных погрешностей Геометрическая коррекция изображений с учетом суточного вращения и кривизны Земли, перемещения КА по орбите в процессе проведения съемки, нестабильности ориентации КА во время съемки, неравномерности расположения сенсоров, и т.п.

ПРИВЕДЕНИЕ ИЗОБРАЖЕНИЙ К ОДИНАКОВЫМ УСЛОВИЯМ СЪЕМКИ Атмосферная коррекция

ПРИВЕДЕНИЕ ИЗОБРАЖЕНИЙ К ОДИНАКОВЫМ УСЛОВИЯМ СЪЕМКИ (нормализация яркости)

ГЕОМЕТРИЧЕСКАЯ КАЛИБРОВКА И ПРОСТРАНСТВЕННОЕ СОВМЕЩЕНИЕ СНИМКОВ

ТЕМАТИЧЕСКОЕ ДЕШИФРИРОВАНИЕ Процедуру построения карты территории Т по космическому снимку называют тематическим дешифрированием. Следует различать два вида задач тематического дешифрирования: - задача объектного дешифрирования - отнесение изображений наземных объектов на снимках к одному из заданных классов; - задача параметрического дешифрирования - определение количественных значений свойств наземных объектов по космическим изображениям. Для корректного решения задач тематического дешифрирования необходимы соответствующие наземные данные

ОБЪЕКТНОЕ ДЕШИФРИРОВАНИЕ Формально задачу объектного дешифрирования можно определить как задачу перехода от изображения территории Т, заданного в виде матрицы “элементарных” пикселей F (X,Y), где X =(x1, … , xN), Y= (y1, … ,yM), обладающих размерами (δxi, δyj) и яркостью F(xi, yj), к описанию территории Т в виде совокупности "объектов" {Тk : k=1,…, K} различных классов с размерами (Δxk, Δyk) и отношениями R (Tk1, Tk2).

Для корректного решения задачи объектного дешифрирования необходимо предварительно построить классификатор объектов подстилающей поверхности и их «спектральные образы», определяющие критерии (правила) отнесения пикселей космического снимка к тому или иному классу подстилающей поверхности.

В результате объектного тематического дешифрирования формируется объектная карта территории (ОКТ )

Возможны два варианта постановки этой задачи: Возможны два варианта постановки этой задачи: - вариант «объект – пиксель», когда размеры пикселя изображения соответствуют размерам наземных объектов, т.е. (Δxk, Δyk) = (δxi, δyj) и К=M*N. В этом случае задача дешифрирования сводится к классической задаче распознавания образов. В результате ее решения каждому пикселю изображения присваивается номер соответствующего класса k; - вариант «объект – много пикселей», когда пространственные размеры наземных объектов существенно больше пикселя, т.е. (Δxk, Δyk) >> (δxi, δyj) и К << M*N. В этом случае задача дешифрирования объединяется с задачей районирования.

Постановка задачи объектного дешифрирования предполагает, что в пределах территории Т, выбраны типичные участки, так называемые, тестовые полигоны {ΩTl: l =1,…,L}, внутри которых проведены наземные наблюдения и выделены объекты разных классов, т.е. построен классификатор объектов и определены решающие правила их "прямого" распознавания. Используя эти данные, нужно провести распознавание объектов на территории Т по космическим снимкам. Постановка задачи объектного дешифрирования предполагает, что в пределах территории Т, выбраны типичные участки, так называемые, тестовые полигоны {ΩTl: l =1,…,L}, внутри которых проведены наземные наблюдения и выделены объекты разных классов, т.е. построен классификатор объектов и определены решающие правила их "прямого" распознавания. Используя эти данные, нужно провести распознавание объектов на территории Т по космическим снимкам. Важно, что суммарная площадь тестовых полигонов существенно меньше площади исходной территории, т.е. {∑ΩTl << S (Т)}. На практике это соотношение обычно изменяется от 5 до 20 % в зависимости от степени изученности и неоднородности территории Т. С учетом того, что затраты на наземные измерения на несколько порядков выше затрат на космическую съемку, процедура тематического дешифрирования позволяет заменить «прямой» способ картирования объектов («точный», но «дорогой») - на «косвенный» («дешевый», но «приближенный»).

РЕШЕНИЕ ЗАДАЧИ ОБЪЕКТНОГО ДЕШИФРИРОВАНИЯ : 1. Обучение 2. Тестирование (Экзамен) Экстраполирование

ОБУЧЕНИЕ Обучение предусматривает определение критериев и правил распознавания объектов по их изображениям с использованием наземных наблюдений на тестовых полигонах. Результаты наземных наблюдений делятся на две части: материал «обучения» и материал «экзамена». Материал «обучения» используется для выявления соответствия между «спектральными образами» на снимках и наземными «образами» реальных объектов и построения решающих правил.

Сложность решения задачи объектного дешифрирования определяется сложностью построения решающих правил, которая в свою очередь зависит от особенностей объектов распознавания, точнее - от специфики их «образов». Сложность решения задачи объектного дешифрирования определяется сложностью построения решающих правил, которая в свою очередь зависит от особенностей объектов распознавания, точнее - от специфики их «образов». Для распознавания статических образов (СО) применяются статические решающие правила (СРП), а для распознавания динамических образов (ДО) – динамические решающие правила (ДРП). СРП могут быть как простыми (однокритериальными) так и сложными (многокритериальными). ДО можно представить в виде упорядоченного ряда СО, каждый из которых отвечает определенному периоду жизненного цикла ДО. Соответственно ДРП представляет собой упорядоченную последовательность СРП, каждое из которых применяется в определенный период времени.

ПРИМЕРЫ РЕШАЮЩИХ ПРАВИЛ <простой критерий > ::= <имя свойства > < арифметическое условие > <значение > Пример : Red = 0.73; Пороговый критерий: 0.23<= NDVI <= 0.34 <СРП > ::= <простой критерий > [ <логическая связка > <простой критерий > ] Пример: Red >= 0.73 & 0.23<= NDVI <= 0.34 <ДРП > ::= {[ < период - 1> ] : (< СРП-1 >) ; . . .; [ < период - n> ] : (< СРП-n>)} <период > ::= <дата начала – дата конца > Пример: [01.05. – 10.06 ] : (0.13<= NDVI <= 0.23); [10.06. – 10.08 ] : ( 0.23<= NDVI <= 0.74); [10.08. – 10.09 ] : (0.13<= NDVI <= 0.34)

Объектное дешифрирование без обучения На практике при объектном дешифрировании космических снимков часто прибегают к процедуре распознавания образов без обучения, которую обычно называют задачей классификации. В результате ее решения каждому пикселю исходного изображения ставится в соответствие абстрактный номер класса объектов. Наиболее популярный алгоритм ISODATA Выбирается k исходных кластеров и относят все элементы в соответствии с внутрикластерным критерием минимальности (суммарное расстояние между точками кластера). После того как все элементы разделены на k кластеров, рассчитываются новые средние (центры) кластеров и вся процедура повторяется, до тех пор, пока не перестает улучшаться внутрекластерный критерий

В настоящее время большое число алгоритмов классификации и распознавания образов, включая и нейросетевые, встроены в стандартные пакеты обработки космических снимков, такие как Erdas Imagine, PCI, Er Mapper, ENVI, Imagine Pro и др. При этом результаты дешифрирования представляются в форматах совместимых с форматами наиболее распространенных ГИС-оболочек (ARC GIS, MapInfo и др.).

Матрица погрешностей и ошибки распознавания

ОШИБКИ РАСПОЗНАВАНИЯ Еij – объект принадлежащий классу j при распознавании отнесен к классу i Точность распознавания объектов классу j Δj= Еjj / i Еij Вероятность ошибки первого рода ( пропуски объекта класса j ) Λ1j = (i Еij – Еjj) / i Еij Вероятность ошибки второго рода («ложные» объекты отнесены к классу j) Λ2j = ( j Еkj - Еjj ) / (ji Еij - i Еij ) При суммировании в числителе индекс k обозначает строку,соответствующую классу j Риск потерь определяется двумя компонентами: вероятностью ошибок распознавания и ценой ошибки или величиной "штрафа" за ошибку. Риск «потерь» для объектов класса j Rj = Λ1j х S1j + Λ2j x S2j где S1j и S2j цена ошибок первого и второго рода для объектов класса j Суммарный риск потерь для всей матрицы R = j R j

Пример матрицы погрешностей и ошибки распознавания

ОЦЕНКА КАЧЕСТВА РАСПОЗНАВАНИЯ «Обучения» продолжается до тех пор, пока на «экзамене» не будут минимизированы вероятности ошибок распознавания 1 и 2-го рода (или риски потерь) для всех классов объектов. Рекомендуется: В процессе обучения периодически «перемешивать» материал «обучения» и материал «экзамена». .

ЭКСТРАПОЛИРОВАНИЕ. Правила, построенные для объектов тестовых полигонов, применяются для распознавания и картирования объектов на остальной территории Т. Рекомендуется: Периодически проводить дополнительные исследования по верификации результатов дешифрирования за пределами тестовых участков.

Параметрическое дешифрирование - перехода от изображения территории Т, заданного в виде “элементарных” пикселей F (X,Y), где X =(x1, … , xN), Y= (y1, … ,yM), обладающих размерами (δxi, δyj) и яркостью F(xi, yj), к представлению территории Т в виде матрицы значений искомого параметра G (X,Y), где X =(x1, … , xN), Y= (y1, … ,yM). Параметрическое дешифрирование - перехода от изображения территории Т, заданного в виде “элементарных” пикселей F (X,Y), где X =(x1, … , xN), Y= (y1, … ,yM), обладающих размерами (δxi, δyj) и яркостью F(xi, yj), к представлению территории Т в виде матрицы значений искомого параметра G (X,Y), где X =(x1, … , xN), Y= (y1, … ,yM). Примерами параметров: влажность почв, содержание гумуса в почве, рельеф, температура поверхности Земли, объем надземной биомассы и т.п. Важно, что результат параметрического дешифрирования представляется в сильных шкалах. Если для решения задачи объектного дешифрирования необходимо предварительно построить классификатор объектов, то для корректного решения задачи параметрического дешифрирования нужна шкала градуировки значений параметра, построенная по контактным измерениям.

РЕШЕНИЕ ЗАДАЧИ ПАРАМЕТРИЧЕСКОГО ДЕШИФРИРОВАНИЯ 1. Построение калибровочной функции R(F,G), устанавливающую соответствие между значениями яркостей F и численными значениями параметра G. Нужно иметь снимки, на которых представлены все градации значений параметра, включая пиксели с минимальным и максимально возможным значением. 2. Тестирование калибровочной функции По аналогии с объектным дешифрированием данные контактных измерений следует разделить на две части: материал «обучения» и материал «экзамена». Материал «обучения» используется для построения калибровочной функции, а материал «экзамена» для оценки точности калибровки. 3. Применение калибровочной функции для определения значений параметра Примечание. В ряде случаев вид калибровочной функции может зависеть от периода съемки (например: зима, весна, лето, осень). Кроме того для больших и неоднородных территорий построить единую калибровочную функцию часто не удается. В этих случаях следует провести предварительное районирование территории , разделить ее на однородные «районы» и строить свои калибровочные функций для каждого «района».

Карта температуры подстилающей поверхности.

Пример неправильного использования результатов дешифрирования (распознавание дат сева)

ОПИСАНИЕ ТЕРРИТОРИЙ В ГИС Результаты дешифрирования могут быть преобразованы в векторные карты и сохранены в ГИС . При этом дешифрированные объекты представляют собой тематические слои ГИС.

БД ГИС- ТЕРРИТОРИИ БД ГИС- территории представляет собой временной ряд ОКТ описывающих состояния территории, начиная с некоторого стартового момента t 0. Актуализация БД ГИС осуществляется на основе данных мониторинга с определенным временным шагом t. Таким образом, содержание БД ГИС- схематично можно представить в виде {ОКТ (t 0), ОКТ (t 0 +t), … ОКТ (t n - t), ОКТ (t n), … }.

Картографическая и атрибутивная информация, хранящаяся в ГИС, используется для последующей аналитической обработки, включая, распознавание изменений, анализ и диагностика тенденций, прогноз развития и выработка рекомендаций.

Геопортал ИТЦ Сканэкс http://www.kosmosnimki.ru/ http://osm.kosmosnimki.ru/

Landsat