Мониторинг состояния земель и прогнозирования стихийных процессов на основе анализа инвариантных и динамических параметров территории

Размещено на http://www.allbest.ru/

Мониторинг состояния земель и прогнозирования стихийных процессов на основе анализа инвариантных и динамических параметров территории

Ямашкин С.А.

Описана методика оценки состояния земель и прогнозирования чрезвычайных ситуаций на базе данных ДЗЗ, базирующаяся на учете спектральных характеристик территории, инвариантных и динамических свойств, синтетических дескрипторов. Предлагаемая методика позволяет достичь снижения шумового воздействия, получения генерализованного результата, повышения точности классификации. Показано, что морфометрические параметры, являются важнейшей инвариантной характеристикой территории, а выделение динамических границ геофизических участков и оценка геофизического разнообразия территории методом вычисления энтропии и характеристик изменения яркости позволяют оценить динамические компоненты.

Ключевые слова: мониторинг земель, инвариантные свойства, динамические свойства, дескрипторы окрестности, энтропия, выделение границ. зондирование геофизический дескриптор окрестность

A method for assessing the state of land and forecasting of emergency situations on the basis of remote sensing data, based on the account of the spectral characteristics of the territory, the invariant and dynamic properties, synthetic handles are described. The proposed method allows to achieve a reduction of noise exposure, obtain generalized results, improve the accuracy of classification. It is shown that morphometric parameters are the most important characteristic of the territory of the invariant and dynamic allocation of boundaries geophysical stations and geophysical assessment of the diversity of the territory and the method of calculating the entropy change of brightness characteristics allow us to estimate the dynamic components.

Keywords: land monitoring, invariant properties, dynamic properties, descriptors neighborhood, entropy, edge detection.

Для получения комплексной пространственно-временной характеристики о состоянии земель и прогнозирования стихийных процессов целесообразно опираться на системный анализ данных, характеризующих динамические и инвариантные состояния территории, окружающей геофизический участок, ведь анализ свойств окрестности важен в определении класса территории, как и спектральные характеристики [1]. Выявление инвариантных свойств геофизической оболочки возможно в результате исследования морфометрических карт рельефа, изменение которого происходит в течение очень длительного периода, характеризуясь при этом необратимостью. Информацию о динамике геофизической оболочки можно извлечь из материалов дистанционного зондирования Земли через анализ спектральных характеристик.

Морфометрические параметры, как важнейшая инвариантная характеристика территории. Определение численных характеристик рельефа способно дать важную инвариантную информацию об изучаемой территории. Важнейшими морфометрическими параметрами выступают крутизна (уклон) и экспозиция склонов.

Крутизна (уклон) поверхности - это интенсивность перепада высот (модуль градиента) между двумя ее точками. Значение крутизны поверхности способно объективно характеризовать различные геофизические свойства и процессы, такие как поверхностный сток, эрозия, количество получаемой солнечной энергии, некоторые свойства почв и растительного покрова. Экспозиция является объективной характеристикой территории, отражающей ориентацию исследуемого участка к потоку солнечных лучей и, следовательно, количество получаемой радиации, влияющей на биологическую продуктивность произрастающих культур. Кроме того, экспозиция характеризует направление поверхностного стока воды.

Построение карт экспозиции и градаций экспозиции, так же позволяет получить наглядный графический материал, который в свою очередь может быть использован для составления карты оценки мелиоративного и агроэкологического состояния мелиорируемых земель.

Выделение динамических границ геофизических участков. Максимально точное выделение краев с минимальной погрешностью, безусловно, важно для решения многих задач обработки и анализа изображений, одной из которых является анализ земель. В данном контексте особый интерес представляет анализ скачкообразного изменения яркости соседних пикселей данных ДЗЗ, ведь резкие колебания этой величины очень часто возникают на границах геосистем, в местах изменения отражательной способности поверхности и освещения [2].

В предварительной стадии выполнения алгоритма, изображение необходимо подготовить: в борьбе с шумом полезно сглаживание изображения, которое применяется для того, чтобы нивелировать нежелательные различия между яркостями соседних пикселей. В полученном целесообразно вычислить значение и направление градиента яркости пикселей изображения. Решение этой задачи возможно через применение оператора Собеля к каждому пикселю растра. После вычисления градиентов изображения, целесообразно выполнить операцию подавления немаксимумов, предложенную Джоном Кэнни [3]. В ходе следующего шага все множество пикселей предполагается разделить на три категории. Операция, носящая название двойной пороговой фильтрации, заключается в том, что пиксели, яркость которых меньше определенного минимального порога, отбрасываются; пиксели, яркость которых больше максимальной границы, принимаются за граничные, не требующие дальнейшего уточнения. Для оставшихся пикселей будет необходимо уточнить, являются ли они краевыми. Результатом выполнения алгоритма является получение краевых точек, отмеченных на местах предполагаемых геофизических границ.

Оценка геофизического разнообразия территории методом вычисления энтропии и характеристик изменения яркости. Важнейшей характеристикой территории, учитываемых при мониторинге земель и прогнозировании чрезвычайных ситуаций является степень разнообразия входящих в нее компонентов. На уровне данных ДЗЗ анализ этой характеристики может быть сведен к исследованию разнообразия пикселей снимков в различных спектральных диапазонах [4]. В качестве меры оценки степени разнообразия пикселей, входящих в выбранную окрестность, целесообразно использовать информационную энтропию, выступает объективной характеристикой геофизического разнообразия изучаемого участка земной поверхности.

По характеру изменения яркости пикселей окрестности территории можно судить о степени геофизического разнообразия региона и динамических свойствах геофизической оболочки. Оценку изменения яркости логично проводить на основе анализа конечных разностей, градиентов, лапласиана, значения среднеквадратического отклонения.

Методика классификации геофизической оболочки с учетом параметров окрестности. Проведенные исследования показали, что анализ свойств окрестности также важен в определении класса территории, так как позволяет анализировать динамические и инвариантные компоненты геофизической оболочки. Под окрестностью геофизического объекта понимается территория, расположенная в пределах определенного расстояния от центра данного объекта.

Инвариантный морфометрический и динамические граничный и энтропийный дескрипторы целесообразно рассчитывать при помощи предложенных в предыдущем разделе алгоритмов. Анализ цветовых дескрипторов так же важен в определении пространственных объектов [5]. При этом целесообразно использовать признаки, инвариантные к нежелательным изменениям цвета, например, наложению тени и засвечиванию: цветовой момент, гистограмма оттенков, кортеж цветов.

После расчета дескрипторов окрестности можно сопоставить каждому атомарному участку космической съемки вектор его свойств. Учет дескрипторов окрестности при классификации целесообразно осуществлять через расчет вектора Фишера, представляющего собой частный случай ядра Фишера. Он предназначен для кодирования локальных особенностей изображения в формате, который подходит для эффективного обучения и сравнения с простыми метриками [6]. Вектор Фишера - это представление изображение, полученное путем объединения локальных особенностей-дескрипторов изображения, благодаря чему его целесообразно использовать в качестве дескриптора изображения или его части при классификации земель.

Выводы

Разработанная методика оценки состояния земель и прогнозирования чрезвычайных ситуаций на базе данных ДЗЗ, базируется на учете спектральных характеристик территории и синтетических дескрипторов, которая позволяет достичь: а) снижения шумового воздействия; б) получения генерализованного результата; в) повышения точности классификации.

Анализ аутентичности окружающих территорий позволяет на основе пространственных закономерностей с большей объективной точностью классифицировать участки земель. В итоговом результате исключается выделение геофизических территорий, не вписывающихся в общую пространственную модель, поэтому классификация материалов на основе параметров более крупной окрестности пригодна для составления карт геофизической оболочки мелкого масштаба.

Апробация методики на различных тестовых участках показала варьирование точности классификации в диапазоне 81-89 % (без учета окрестности), а с учетом окрестности она возрастает до 91-97 %. Выявлено, что значительное увеличение радиуса анализируемой окрестности приводит к снижению точности классификации.

Литература

1. Сочава Б. В. Введение в учение о геосистемах / Б. В. Сочава. - Новосибирск : Наука. Сиб. отд-ние, 1978. - 319 с.

2. Ямашкин А. А. Применение алгоритма выделения краев к решению задачи моделирования границ ландшафтов / А. А. Ямашкин, С. А. Ямашкин // Вестн. Воронеж ун-та. Сер. География, геоэкология. - 2013b. - № 3. - С. 68-78.

3. Canny J. A Computational Approach to Edge Detection / J. Canny // IEEE Transactions On Pattern Analysis And Machine Intelligence. - 1986. - Vol. Pami-8, №. 6. - РР. 679-698.

4. Ямашкин А. А. ГИС-моделирование ландшафтного разнообразия / А. А. Ямашкин, С. А. Ямашкин // Геодезия и картография. - 2013с. - № 11. - С. 40-46.

5. Кузнецов А.Е. Формирование цветных снимков по спутниковым изображениям среднего и высокого пространственного разрешения / А.Е. Кузнецов, П. Н. Светелкин // Цифровая обработка сигналов. - 2009. - № 3. - С. 36-40.

6. Perronnin F. Improving the fisher kernel for large-scale image classification / F. Perronnin, J. Sбnchez, T. Mensink // In Proc. ECCV, - 2010. - P. 23-37.

Размещено на Allbest.ru