автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка методики тематической обработки спутниковых снимков таёжных лесов на основе структурного моделирования

На правах рукописи

Алешко Роман Александрович

РАЗРАБОТКА МЕТОДИКИ ТЕМАТИЧЕСКОЙ ОБРАБОТКИ СПУТНИКОВЫХ СНИМКОВ ТАЁЖНЫХ ЛЕСОВ НА ОСНОВЕ СТРУКТУРНОГО МОДЕЛИРОВАНИЯ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук

Санкт-Петербург 2013

1 О ОКТ 2013

005534315

Работа выполнена в лаборатории №1 «Интегрированные автоматизированные машиностроительные системы» Федерального государственного бюджетного учреждения науки Институт конструкторско-технологической информатики Российской академии наук.

Научный руководитель: доктор технических наук,

доцент Гурьев Александр Тимофеевич

Официальные оппоненты: доктор технических наук,

профессор Яковлев Сергеи Алексеевич

кандидат технических наук, старший научный сотрудник

Невмержицкий Василий Никифорович

Ведущая организация: Федеральное государственное бюджетное

образовательное учреждение высшего

профессионального образования «Балтийский

государственный технический университет «ВОЕНМЕХ» им. Д.Ф. Устинова»

Защита состоится «31» октября 2013 г. в 13ч. на заседании диссертационного совета Д.002.199.01 при Федеральном государственном бюджетном учреждении науки Санкт-Петербургском институте информатики и автоматизации Российской академии наук по адресу: 199178, Россия, Санкт-Петербург, 14 линия Васильевского острова, дом 39.

С диссертацией можно ознакомиться в научной библиотеке Федерального государственного бюджетного учреждения науки Санкт-Петербургского института информатики и автоматизации Российской академии наук

Автореферат разослан «28» сентября 2013 г. Учёный секретарь у- ____

диссертационного совета Д.002.199.01 —^^ \, > ."X Ф.Г. Нестерук

кандидат технических наук / 1 '

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

В последние годы в лесопромышленном комплексе потребность в информации о лесных ресурсах уже не удовлетворяется использованием только специализированных цифровых карт и баз атрибутивных данных. Недостаточная актуальность имеющейся информации зачастую приводит к замедлению принятия управленческих решений. На сегодняшний день существует потребность в регулярно обновляемых данных о лесных ресурсах в рамках. В большинстве случаях для правильной оценки выбранного варианта решения поставленной задачи необходимо иметь достоверную и актуальную информацию о лесах. Такую информацию могут предоставить материалы дистанционного зондирования Земли.

В связи с увеличением объемов данных спутниковой съемки, а также вычислительной мощности технических средств все чаще возникает потребность в автоматизации обработки значительного объема полученной информации. Анализ существующих методик и алгоритмов автоматизированного дешифрирования лесных территорий показал, что, несмотря на значительные результаты исследований в данной области, применение методик автоматизированной тематической обработки спутниковых снимков в лесопромышленном комплексе весьма ограничено. Это, как правило, связано с недостаточно развитым математическим аппаратом в данной области и сложностью формализации процесса дешифрирования лесов. В частности, существующие методики дешифрирования не обеспечивают достаточного уровня достоверности получаемых данных, характеризуемого коэффициентом «каппа».

Поэтому работа, направленная на теоретическое обобщение подходов к тематической обработке спутниковых снимков лесных территорий и решение научно-технической задачи, связанной с созданием методик и алгоритмов тематической обработки спутниковых снимков лесных территорий с использованием структурного моделирования, является актуальной.

Цель и основные задачи диссертационной работы.

Целью диссертационной работы является повышение достоверности дешифрирования спутниковых снимков таёжных лесов на основе разработки и реализации методики тематической обработки изображений с использованием методов структурного моделирования.

Для достижения цели были поставлены и решены следующие задачи:

1) Анализ технологий тематической обработки спутниковых снимков лесных территорий и определение перспективных направлений совершенствования технологий дешифрирования.

2) Определение состава дешифровочных признаков основных таксационных показателей лесных насаждений.

3) Исследование структурных взаимосвязей дешифровочных признаков и таксационных показателей лесных насаждений и разработка структурных моделей процесса тематической обработки спутниковых снимков лесных территорий.

4) Разработка методик и алгоритмов автоматизации дешифрирования спутниковых снимков лесных территорий.

5) Разработка информационной системы поддержки лесных ресурсов на основе свободно распространяемого программного обеспечения.

Методы исследования.

В работе использованы методы цифровой обработки изображений, пространственного анализа территории, математической статистики, теории распознавания образов, текстурного и нейросетевого анализа, теории множеств и графов, объектно-ориентированного проектирования и программирования.

Положения, выносимые на защиту:

1. Структурный анализ взаимосвязей основных таксационных показателей лесных насаждений и дешифровочных признаков обзорных и детальных спутниковых снимков.

2. Формализованное описание предметной области лесных насаждений таежного региона, данных спутниковой съемки, постановка задачи оптимизации существующих методов дешифрирования.

3. Критерий и показатель информативности определения основных таксационных параметров лесных насаждений с применением спутниковых снимков и состав спектральных каналов, используемых для тематической обработки снимков.

4. Методика тематического дешифрирования спутниковых снимков таежных лесов на основе разработанных структурных моделей и продукционных правил.

Научная новнзна заключается в следующем:

- разработана методика тематического дешифрирования спутниковых снимков лесных территорий, отличающаяся от подобных методик тем, что позволяет провести структурный анализ предметной области и выявить взаимосвязи системы наземных объектов и объектов на снимке;

- разработаны модели и продукционные правила процесса тематической обработки спутниковых снимков лесных территорий на основе структурных связей дешифровочных признаков и таксационных показателей лесных территорий;

- экспериментально доказано, что для повышения достоверности дешифрирования спутниковых снимков лесных территорий достаточно трех видимых и ближнего инфракрасного спектральных каналов;

- разработан комплекс методов и алгоритмов автоматизированной обработки спутниковых снимков лесных территорий для решения практических задач тематического дешифрирования лесных территорий.

Практическая ценность.

Разработанные методики, алгоритмы и реализованная информационная система позволяют извлекать таксационные параметры насаждений по данным дистанционного зондирования лесных территорий, автоматизировать процесс обработки спутниковых снимков. Полученные практические результаты диссертационной работы могут применяться специалистами различных сфер деятельности лесного хозяйства: лесопользователями, региональными органами лесоуправления, работниками лесничеств. Практическая ценность подтверждается соответствующими актами о внедрении разработок.

Практическая значимость работы.

Результаты исследований позволяют оценить информативность и выполнить анализ дешифровочных признаков лесных насаждений для определения основных

таксационных показателей таежных лесов. Использование разработанной методики позволяет повысить достоверность дешифрирования спутниковых снимков лесных территорий на 15-20%.

Разработанные в рамках диссертационной работы алгоритмы и методы интегрированы в информационную систему мониторинга и управления лесными ресурсами с целью непрерывного обновления информации о лесных ресурсах.

Реализация результатов работы.

Созданная информационная система на основе разработанных методик и алгоритмов управления пространственно-атрибутивной информацией проходит опытную эксплуатацию на предприятиях региона. Разработанные алгоритмы и методы автоматизации дешифрирования спутниковых снимков лесных территорий приняты к внедрению в Архангельском лесничестве.

Методики и алгоритмы дешифрирования используется в учебном процессе при подготовке инженеров по специальности 230400.62, 250100.01 в Северном (Арктическом) федеральном университете имени М.В. Ломоносова.

Апробация работы.

Теоретические и практические результаты работы докладывались на конференциях, в т. ч.: Десятой международной молодежной научной конференции «Севергеоэкотех-2009» (г. Ухта, 2009 г.); Четвертой международной конференции «Земля из космоса - наиболее эффективные решения» (г. Москва, 2009 г.); Всероссийской научной конференции «Перспективы и направления развития информационных технологий при освоении лесов» (г. Архангельск, 2009 г.);Международной научно-технической конференции, посвященной 80-летию АЛТИ-АГТУ «Современная наука и образование в решении проблем экономики Европейского Севера» (г. Архангельск, 2009 г.); Двадцать седьмой межведомственной научно-технической конференции космодрома «Плесецк» (г. Мирный, 2010 г.); Двенадцатой международной конференции Региональная информатика «РИ-2010» (г. Санкт-Петербург, 2010 г.); Международной научно-технической конференции «Информационная поддержка принятия решений при управлении социальными и природно-производственными объектами» (г. Архангельск, 2011 г.); Четвертой конференции «Геоинформационные технологии и космический мониторинг» (г. Ростов-на-Дону, 2011 г.); Пятой международной конференции «Земля из космоса - наиболее эффективные решения» (г. Москва, 2011 г.); Второй всероссийской научно-практической конференции «Информационные технологии в исследовании Северных и Арктических территорий» (г. Архангельск, 2012 г.); научных конференциях и семинарах ФГАОУ ВГТО Северного (Арктического) федерального университета имени М.В. Ломоносова.

Публикации.

По результатам диссертационной работы опубликована монография, 25 печатных работ, из них 4 в изданиях, содержащихся в перечне ВАК.

Структура и объем работы.

Диссертация состоит из введения, четырех глав с выводами, заключения, списка использованной литературы из 160 наименований и приложений. Основная часть работы изложена на 174 страницах, содержит 75 рисунков, 26 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении дано обоснование актуальности темы диссертационной работы и сформулированы основные цели и задачи исследования, изложены положения,

представляемые к защите.

В первой главе рассмотрена предметная область дистанционного зондирования, указаны преимущества использования данных дистанционного зондирования (ДДЗ) перед традиционными средствами получения информации об объектах на поверхности Земли. Приведены варианты использования спутниковых снимков для изучения природных ресурсов. Представлены базовые характеристики ДДЗ- пространственное разрешение, спектральное разрешение, радиометрическое разрешение, временное разрешение. Проанализировано, что собой представляет каждая из характеристик, и каковы особенности использования различных видов ДДЗ.

Подробно рассмотрены спектральные диапазоны применительно к изучению свойств вегетирующей растительности. Указаны факторы, влияющие на изменение

спектральных свойств растений.

Дано понятие о дешифрировании как процессе распознавания объектов, их свойств и взаимосвязей по их изображениям на снимке. Указаны основные отечественные и зарубежные школы дешифрирования. Проанализированы труды Московского государственного университета (МГУ), Московского государственного университета леса (МГУЛ), Санкт-Петербургскии государственного университета аэрокосмического приборостроения (ГУА11), Балтийского государственного технического университета «ВОЕНМЕХ». В области применения методов системного анализа при решении задач космического мониторинга проведен анализа работ научных сотрудников Санкт-Петербургского института информатики и автоматизации (СПИИ РАН) и Института конструкторско-технологической информатики (ИКТИ РАН) Российского академии

"Ячество результатов дешифрирования аэрокосмических снимков во многом зависит от применяемых методик и технологических процессов.

Автоматизированная тематическая обработка цифровых снимков — важнейшая составляющая дистанционного зондирования, назначение которой состоит в том чтобы сделать цифровые снимки пригодными для большинства областей применения. В процессе обработки используют численные методы, основанные на анализе яркостных и спектральных характеристик.

Углубление работ в области автоматизированной обработки спутниковых снимков лесных территорий позволит повысить эффективность используемых информационных систем мониторинга и управления природно-производственными комплексами на качественно новый уровень. Для выполнения поставленной задачи необходимо использовать целый комплекс алгоритмов обработки изображений, алгоритмов структурирования данных.

Содержательная постановка задачи:

Пусть даны: обзорные и детальные спутниковые снимки, данные наземного обследования территории, набор характеристик таежных лесных насаждений, набор характеристик спутниковых снимков. Спутниковая съемка проводилась в середине летнего периода времени, полученные снимки прошли необходимую радиометрическую, геометрическую коррекцию, была выполнена привязка снимков к географическим координатам.

Требуется найти наиболее информативные дешифровочные признаки лесных территорий; состав таксационных показателей лесных насаждений, определяемых по снимку; взаимосвязи свойств объектов спутникового снимка и свойств объектов лесных насаждений; разработать методику тематической обработки спутниковых снимков таёжных лесов.

Формальная постановка задачи: Пусть дана модель открытой системы: S = {Q, F(Q), Р, F(P), R},

где Q - множество объектов лесных насаждений, F(Q) - множество свойств объектов лесных насаждений, Р - множество объектов съемочных данных, F(P) -множество свойств объектов съемочных данных, R - множество связей свойств лесных насаждений и данных спутниковой съемки.

Множество объектов лесных насаждений и их свойств представлено следующими элементами:

Q = ÎQ°. Q'.-, Q"}» F(Q)={F(QO),F(Q'),...,F(Q")}, F(Q') = (FVn, FVi:,..., F';,m}.

Множество объектов съемочных данных и их свойств представлено следующими элементами:

Р={Р°,Р1.....Рк},

F(P)={F(P0),F(P').....F(Pk)},

F(P') = {F'ci, F'C2,-. , F'CI}.

Множество взаимосвязей свойств объектов съемочных данных и свойств объектов лесных насаждений представим следующим образом-R={Ri,R2,...,Rp}, где р = 1 х ш RcF(Q)xF(P) Требуется найти:

1) F'(P') с F(P')

F'(P') = {F'cu Fez,..., F'c,},

где F'(P') - множество наиболее информативных свойств спутникового снимка

2) F'(Q') с F(Q') F'(Q')= {Р'льР'л:,..., F';,,},

где F'(Q') - набор определяемых по снимку параметров лесных насаждений

3) R'c R

R - {R'i,R'2,...,R'u), R'c F*(Q')xF'(P')

где R' - множество взаимосвязей наиболее информативных дешифровочных признаков и определяемых параметров лесных насаждений, u = г * t

Вторая глава посвящена разработке методов структурного моделирования процесса тематического дешифрирования спутниковых снимков лесных территорий.

Современная практика лесоустройства основывается на повыдельном лесоустройстве. Количественная и качественная характеристика древостоя включает следующие таксационные показатели (свойства): преобладающая порода, форма, состав, возраст, класс возраста, средняя высота, средний диаметр, класс бонитета, тип леса, полнота, запас на 1га, класс товарности.

При общей характеристике насаждения определяют его основные параметры: преобладающая порода, класс возраста, класс бонитета, тип леса.

Перечисленные параметры и варианты их значений для таежных лесов

представлены на рис.1.___ _ _ __

[ Ель_) ["сосна ) Листвен [ Пихта ] (~Кедр j [береза ) (осина ) [ Ольха )

Рис. 1 - Параметры и варианты их значений при общей характеристике насаждений

В выборе состава дешифровочных признаков при тематической обработке спутниковых снимков лесных территорий важным фактором являются характеристики исходного съемочного материала. В частности, наибольшее значение имеют спектральное и пространственное разрешения снимков. Обзорность исходного снимка и создаваемой с его помощью тематической карты можно условно разделить на два уровня: детальный (сверхвысокое пространственное разрешение, 1-2 м) и обзорный (высокое и среднее пространственное разрешение), которые определяют, в том числе, состав используемых признаков дешифрирования.

На примере оценки таксационного параметра «класс возраста» с использованием обзорных спутниковых снимков рассмотрим методику нахождения необходимых дешифровочных признаков. С применением многоспектральной съемочной системы ТМ (Ьапаваг 5) определим наиболее информативные каналы для дешифрирования класса возраста насаждений. Для этого, на спутниковый снимок наложим векторную карту полевого лесоустройства с указанием классов возраста.

Произведем предварительную обработку данных спутниковой съемки. Пересчет данных из значений яркости пикселей DN (в диапазоне от 0 до 255) в реальные значения приходящего излучения Lx с производится помощью формулы:

/ __^тахЯ ~~ ^min Л п , .

Li ~ " --Уса ! + bminA

veal max

где Lmin х— минимальное количество приходящего излучения, Lma< х — максимальное количество приходящего излучения, Qcimax— максимальное калиброванное значение DN (255), Qc„t — калиброванное значение (DN)

Следующим шагом после пересчета DN в количество приходящего на сенсор излучения является преобразование полученных значений в коэффициент отражения объекта. Такие данные удобны тем, что они не зависят от времени и

сезона съемки, влияния атмосферы и зависят только от самого объекта. =

Рр ESUNX ■ cos&s '

где рр - коэффициент отражения объекта; d - расстояние между Землей и Солнцем (а.е.), ESUNx - внеатмосферная интенсивность солнечной радиации; Os -угол зенита Солнца.

Средние коэффициенты отражения в каждом из спектральных каналов сенсора ТМ объектов насаждений с различными классами возраста приведены в таб. 1.

Таблица I- Средние коэффициенты отражения (класс возраста)

I II III IV

Канал 1 0,077 0,077 0,075 0,075

Канал 2 0,076 0,069 0,060 0,049

Канал 3 0,035 0,030 0,028 0,021

Канал 4 0,101 0,097 0,091 0,085

Канал 5 0,012 0,011 0,010 0,010

Канал 6 0,020 0,020 0,020 0,020

Канал 7 0,002 0,002 0,001 0,001

Для визуального представления полученных коэффициентов отражения построены спектральные кривые для различных классов возраста насаждений, на основании которых определено, что в некоторых спектральных каналах коэффициенты отражения различных тематических классов (классов возраста) значительно сближаются, делая процесс классификации (разделения классов) затруднительным. Напротив, в части каналов съемки пространственное разделение графиков на координатной плоскости указывает на то, что тематические классы на снимке будут достаточно сильно контрастировать и, как следствие, результаты классификации будут гораздо более точными.

Проведем анализ информативности различных спектральных каналов для определения таксационных показателей. Результат этого анализа позволит отбросить некоторые из дешифровочных признаков перед классификацией изображения.

В настоящее время существует большое количество методов определения информативности признаков объектов. Были рассмотрены следующие методы расчета показателей информативности дешифровочных признаков: метод определения дивергенции, метод главных компонент; метод определения расстояния Джеффриса-Мацуситы (Ж). Применительно к задаче дешифрирования лесных территорий наиболее подходящим является метод Джеффриса-Мацуситы. Расстояния Ш для различных пар признаков рассчитываются с использованием следующих формул:

№ + Cj)/2\ фф |(СД

}МЦ = V2C1 - е"в).

где

inj- два тематических класса; С,- - матрица ковариаций;

/(i - вектор средних для соответствующего тематического класса. Расстояние JM рассчитывалось для всех спектральных каналов и различных сочетаний тематических классов. Например, для класса возраста значения JM приведены в таблице 2.

Таблица 2 - Расстояния JM для классов возраста

1-Й I-III I-IV II-III II-IV III-IV Сумма

Канал 1 0,241 0,491 0,548 0,571 0,562 0,263 2,676

Канал 2 1,273 1,431 1,414 1,367 1,492 1,402 8,379

Канал 3 1,075 1,292 1,413 0,548 1,367 1,273 6,968

Канал 4 0,928 1,390 1,414 1,190 1,409 1,310 7,641

Канал 5 0,388 0,548 0,609 0,349 0,411 0,239 2,544

Канал 6 0,212 0,259 0,198 0,271 0,241 0,278 1,459

Канал 7 0,241 0,349 0,349 0,501 0,530 0,216 2,186

На основе рассчитанных сумм расстояний ДМ определим спектральные каналы, использование которых целесообразно для тематического дешифрирования возраста насаждений. Наиболее пригодными для классификации являются спектральные каналы сенсора ТМ с номерами 2, 3, 1, 4. Аналогичным образом можно оценить информативность спектральных каналов для всех определяемых таксационных показателей. Таким образом, основные таксационные параметры наиболее достоверно дешифрируются по четырем спектральным каналам: ближнему инфракрасному, и трем видимым: красному, зеленому и синему.

Для формализованного описания процесса тематического дешифрирования представим структуру лесных насаждений и структуру элементов спутникового снимка в виде множеств с указанием свойств их элементов.

Для формализации структуры лесных насаждений введем обозначения объектов леса: (^-лесничество, (^'"-участковое лесничество, (2"и-участок

(урочище, дача), (^-квартал, (/-выдел, О1 -часть выдела, О2 -ярус, 03-ш>рода а4-дерево. г > ч

Набор свойств, характеризующих лесные насаждения, имеет, соответственно следующий состав: Р(Ог'у) - свойства, характеризующие лесничество; Р(0~ш) -свойства, характеризующие участковое лесничество; Г(д-») - ' свойства характеризующие лесной участок; - свойства, характеризующие квартал!

ЛССТО - свойства, характеризующие выдел; - свойства, характеризующие часть выдела; Я2) - свойства, характеризующие ярус; - свойства

характеризующие породу; - свойства, характеризующие дерево.

Каждая группа в свою очередь задается своим подмножеством свойств. Рассмотрим такое подмножество на примере свойств выдела. Определенные ранее четыре базовых таксационных параметра выдела выступают в качестве подмножества его свойств:

т*) = (Р°л,, Рлг, Рлз, Р>Л4),

где Р>л1 - преобладающая порода; Р°л2 - класс бонитета; Р'лз - тип леса; РЛ4 -класс возраста (свойства, связанные с лесными насаждениями имеют подстрочные индексы вида Лп, где п - порядковый номер свойства).

Для формализации структуры спутникового снимка введем следующие обозначения элементов множества: Р п - сцена, Р ' - фрагмент сцены, Р°- объект, р1 -пиксель изображения.

Набор свойств, характеризующих спутниковый снимок, имеет следующий состав: Р(Р"П) - свойства, характеризующие сцену, Р(Р') - свойства, характеризующие фрагмент сцены, Р(Р°) - свойства, характеризующие объект, Р(р') - свойства, характеризующие пиксель изображения.

Состав свойств объектов многоспектрального обзорного снимка характеризуется совокупностью яркостных характеристик в различных диапазонах съемки. На примере объекта снимка рассмотрим подмножество характеристик свойства Р(Р°);

= (Ра, Р>С2, Рсз, Ра),

где Р°а - яркость в видимом синем спектре; Ра - яркость в видимом зеленом спектре; РСз - яркость в видимом красном спектре; Рс4 - яркость в ближнем инфракрасном спектре (свойства, связанные с обзорным снимком имеют подстрочные индексы вида Сп, где п - порядковый номер свойства).

Ранее в работе были определены спектральные каналы, использование которых наиболее целесообразно для определения того или иного таксационного параметра. Руководствуясь этими данными и данными множества свойств выдела и объекта спутникового снимка, построим булеву матрицу для обзорных

спутниковых снимков (Таб. 3).

Разработанная система связей свойств лесных насаждений и дешифровочных признаков спутниковых снимков позволяет перейти к разработке структурных моделей процесса тематической обработки изображений.

Таблица 3 - Булева матрица \F(Q!*) *F(P")] для обзорных снимков

Р°Л1 Р°Л4

F°ci •

F°C2 • • • •

F°c3 • • • •

F°C4 • • •

ГЕЛ и [i [ ■> li ILjv —г— т—

o,oie7 0,333.0,0167 ода

O.Q75 10.077 10.079 10.0811 0.083 10.085 10.087 Д

Представим полученные данные в виде структурных схем, демонстрирующих связь

основных таксационных

показателей и дешифровочных признаков лесных насаждений на примере класса возраста

' Отражение в видимом синем спектре

Рис. 2 - Структурные связи свойств «класс возраста» и «коэффициент отражения объекта в видимом синем спектре»

Структурные связи свойств «класс возраста» и «коэффициент отражения в видимом синем спектре» представлены на рис. 2.

Аналогичным образом построены структурные схемы для выделенных ранее основных таксационных показателей и всех дешифровочных признаков. Разработанные схемы можно представить в виде продукционных правил. Введем следующие обозначения используемых спектральных каналов: видимый синий -VB (visible blue), видимый зеленый - VG (visible green), видимый красный - VR (visible red), ближний инфракрасный - NIR (near infra-red). Таксационный показатель «класс возраста» обозначим AC (age class). Критерий определения таксационного параметра укажем в скобках.

Для таксационного параметра «Класс возраста» = I правило на основе продукционной модели будут выглядеть следующим образом:

IF VB = 41(0,0167) & VG = 23(0,25) & VR = 14<0.333) & NIR = 47(0,25) THEN AC := I При дешифрировании детальных спутниковых снимков сверхвысокого разрешения (выше 2 метров на пиксель) на первый план, в отличие от обзорных снимков, выходят признаки рисунка изображения.

Для таксационного показателя «Преобладающая порода» выделяются следующие дешифровочные признаки: яркость крон (на черно-белых), тон крон (на спектрозональных), протяженность крон, густота, варьирование, вид крон в пологе, форма крон, форма проекций крон, собственная тень на кроне; для показателей «Тип леса» и «Класс бонитета» - ландшафтные признаки (типы и формы рельефа); для показателя «Класс возраста» - обособленность крон.

Аналогично методам формализации, применявшимся для обзорных спутниковых снимков, представим дешифровочные признаки детальных снимков в виде множества. Состав свойств объектов детального снимка характеризуется совокупностью признаков рисунка изображения и формами ландшафта. На примере объекта снимка рассмотрим подмножество характеристик свойства F(P°): F(Pf= (F°a, F«c2, F°ci, F°c<, Fa, F«c6, F°a, F°cs, F°c9, cio),

где Р'а - яркость крон; Р°с2 - тон крон; Р'а - протяженность крон; Р°с4 -варьирование; Я'о - вид крон в пологе; Р^сб - Форма крон; ¡^с? - форма проекций крон; Р^са - собственная тень на кроне; Iюс9 - ландшафтные признаки; Р'сю -обособленность крон (свойства, связанные со снимком имеют подстрочные индексы вида Сп, где п - порядковый номер свойства).

Руководствуясь проведенными ранее исследованиями, построим булеву матрицу [/'1(С?0)хД/>в)] для детальных спутниковых снимков, в которой укажем, какие элементы множества снимка являются главными для определения свойств лесотаксационного выдела (Таб. 4). Таблица 4 - Булева матрица ХД^>0)] для детальных снимков

| Преобладающая порода

Р>Л1 A,

F°t77 •

F°о •

ГЪ •

F°a •

F°cs •

F°C6 •

F°C7 •

Pes •

F°C9 • •

F*C20 •

1 J _ ,

I Осина чернея I Еереза Лисгцен- Ель 1 ница 11 (Пи*га) 1 Сосна

Рис. 3 - Структурные связи свойств «преобладающая порода» и «собственная тень»

С использованием представленной выше таблицы соответствий дешифровочных признаков и таксационных показателей построим структурные схемы. На рис. 3 изображен вариант схемы для таксационного показателя «Преобладающая порода» и дешифровочного признака «Собственная тень».

Аналогичным образом есть возможность построить структурные схемы для выделенных ранее основных таксационных показателей и всех дешифровочных признаков. Затем разработанные схемы можно представить в виде продукционных правил. Введем следующие обозначения для определяемых дешифровочных признаков: яркость крон - СВ, тон крон - СН, протяженность крон - CL; варьирование - VAR, вид крон в пологе - CV, форма крон -' CF, форма проекций крон - CFP; собственная тень - OS.

Для таксационного параметра «Преобладающая порода» = «сосна» (FS) правило на основе продукционной модели будут выглядеть следующим образом: IF

OS = «полумесяц»(0,2) & CFP = «округлая»(0,125) & CF = «параболоид»(0,1) & CV = «аыпуклые»(0,083) & VAR = «1:3»(0,25) & CL = «1/3-1/5>40,2) & СН = «зеленый»(0,2) & СВ = «светло-серые»(0,083) THEN FS = «сосна».

Общая структурная схема взаимодействия объектов и свойств объектов системы дешифрирования (рис.4) учитывает их иерархию и позволяет решать задачи интеграции и обмена данными при членении и агрегировании объектов тематической обработки снимков.

о-1 0°1

64

01<у1<у2<у,...<у.

а) О1

о", ... р°„

Ч5. Я5 2 -

0°2 «

Ч52

Ч*|

А

I" I", р°, ... р°„

С)

р|

р»,

р\

р'2

р'1 й

р°„

р11 Р*2 ... Р'„

ПО1) Р(0°.) ПО»;) ПО*,)

Ь) Щ*-1) Г(С}'| ... Р(0«,) Р(0°2)~ Р(С>0„)

Р(Ч5|) Р(я52).„ №

Н<Л) Ич!|) р(ч%) «Ч5,) ... Г(ч\)

ВД\>

ГО") Г(Р»,)Р(Р»,) Р(Р*,) ... КР°.)

м —

1

1

Р(Р»,)

2 р'| р'г Р1! ... Р1, Г(Р°„)

Ф р(р[) р(р°,) Р(Р°2)... РО*)

Рис. 4 - Структурная схема взаимодействия объектов и свойств объектов системы дешифрирования снимков лесных насаждений (иерархия: а, Ь - лесные насаждения; с, й - снимки)

Третья глава посвящена описанию разработанных в процессе исследования методик и алгоритмов тематического дешифрирования.

Одна из представленных в работе методик - определение породно-возрастного состава лесных территорий. Задача определения таксационных параметров по данным спутниковой съемки традиционными статистическими методами анализа спектральных характеристик изображения трудноразрешима. Эти сложности можно преодолеть при использовании алгоритмов нейронных сетей. Нейронные сети, в отличие от статистических классификаторов, не требуют точно определенного отношения между входным и выходным векторами, так как формируют свои собственные отношения вход-выход из набора данных, используя построение границ решений.

Процесс обучения можно описать следующим образом. Пусть, имеется некоторая база данных, содержащая примеры. Предъявляя элементы БД на вход сети, мы получаем от нее некоторый ответ. В процессе функционирования нейронная сеть формирует выходной сигнал У в соответствии с входным сигналом X, реализуя некоторую функцию У = С(Х).

Для решения задачи определения основных таксационных показателей по данным спутниковой съемки предлагается методика тематического распознавания снимков лесных территорий с применением нейросетевых алгоритмов, основанная на предварительном обучении и последующем автоматизированном распознавании изображений обширных территорий. На первом этапе, при использовании спутникового снимка территории создается обучающая выборка путем выделения некоторых областей снимка и занесением информации о цвете области в таблицу базы данных. Далее происходит процесс обучения нейронной сети с подстройкой её коэффициентов. В результате получаем возможность проводить распознавание территории по снимкам со схожими характеристиками, что и исходное изображение.

Для обучения и проверки работы алгоритма было выбрано опытное Емцовское участковое лесничество Северного (Арктического) федерального университета. В результате применения разработанной методики были получены карты лесных насаждений обширной территории, сформированной автоматически с указанием пород деревьев и классов возраста (рис. 5).

Проводилась экспериментальная оценка достоверности данных, получаемых в результате применения разработанной методики. Для выполнения классификации может быть использован различный математический аппарат: метод ближайшего соседа, методы кластерного анализа, интеллектуальные и нейросегевые методы. В работе достоверность оценивалась по результатам работы нейросетевого алгоритма классификации. Обучение производилось два раза. Сначала экспертно выделялись эталонные области 'с указанием породы и возраста насаждений и производилась классификация. Затем в качестве дополнительной информации для алгоритма нейрокомпыотерной сети использовались разработанные правила определения основных таксационных показателей и повторно производилось обучение сети. Далее рассчитывались показатели, характеризующие достоверность классификации.

Рис.5- Снимок и карта, сформированная в результате классификации

Показатели наглядно представляются в виде матрицы ошибок, которую рассчитывают по контрольным точкам (не совпадающими с эталонными участками, использовавшимися для создания обучающих выборок). В матрице указываются классы, установленные по данными наземного исследования, а также данные полученные в результате классификации по снимку. В матрице |

возможно при этом указать процент достоверности по числу правильно классифицированных пикселей.

Для оценки обшей достоверности классификации используют коэффициент «каппа», рассчитываемый по формуле (Книжников Ю.Ф., Кравцова В.И., |

Тутубалина О.В., 2004):

— 2Г=1 х1+х+1

где хп - диагональные элементы матрицы ошибок; х,+ - суммарное количество пикселей по строке /; х«-суммарное количество пикселей по столбцу;'; Л'-общее количество пикселей в матрице; п - количество классов.

Качество классификации считается неудовлетворительным при к<0,4 удовлетворительным при 0,4<к<0,75, хорошим - при к>0,75. По значению к можно напрямую сравнивать результаты работы алгоритмов для одного и того же набора контрольных участков на снимке.

При обучении использовался следующий набор классов: 1 - Ель, средневозрастные; 2 - Ель, спелые и перестойные; 3 - Сосна, средневозрастные; 4 - Сосна, спелые и перестойные; 5 - Береза, молодняк; 6 - Береза, спелые и перестойные; 7 - Водоемы; 8 - Вырубки.

При классификации на основе выделенных эталонных областей получен коэффициент к=0,6657, следовательно результаты можно считать удовлетворительным, но по ряду классификационных групп достоверность едва превышает 50%, что является достаточно низким показателем. Необходимо совершенствование предложенной системы классификации.

16

Далее проводилось классификация породно-возрастного состава насаждений по тому же спутниковому изображению, но с применением зависимостей, продемонстрированных в ходе реализации методики. Так же, как и в предыдущем случае использовался алгоритм нейрокомпьютерной сети, но, помимо данных собранных из эталонных участков, на входы и выходы сети подавались коэффициенты отражения пикселей и варианты их тематической интерпретации. Для данного метода коэффициент к=0,7977.

Таким образом, в результате применения оценок, полученных в ходе реализации методики, удалось повысить достоверность данных, получаемых в результате выполнения алгоритма классификации, на 19,83 %.

В четвертой главе представлена практическая реализация разработанных методик и алгоритмов.

Разработан программный комплекс управления лесными ресурсами на основе открытых программных продуктов. Функцию хранения пространственных и атрибутивных данных выполняет свободная объектно-реляционная система управления базами данных PostgreSQL. Основные функции представления и редактирования осуществляются с использованием открытой геоинформационной системы QuantumGIS. Базовый функционал интерфейса и работы с атрибутивными данными реализован на открытом языке программирования Python.

Открытость использованных технологий при реализации информационной системы особенно важна для многолесных регионов, не имеющих развитой системы телекоммуникации. Это делает его доступным для удаленных лесничеств, субъектов среднего и малого лесного бизнеса и создает условия для привлечения материальных и финансовых ресурсов.

Использованная технология распределенного хранения данных дает возможность построения единой распределенной базы данных о лесах у основных субъектов лесных отношений: лесопромышленного предприятия, лесничества и регионального органа лесоуправления.

Рабочая область клиентского приложения системы разбита на несколько разделов с использованием вкладок: «Фильтр», «Квартал», «Выдел», «Карта» (Рис. 6).

Функциональность программного комплекса позволяет получать формы государственного лесного реестра на любой контур лесов: арендованный лесной участок, участковое лесничество, территориальное лесничество, часть лесничества, регион. Также с его помощью можно осуществлять информационную поддержку всех управленческих решений, в частности, проектирование лесных участков и подготовку аукционной документации для передачи их в аренду.

I

I 1

I

I 1

I

I

I

I

Рис. 6- Организация работы во вкладке «Карта»

Предлагаемая система мониторинга и управления лесными ресурсами может являться основой создания информационной среды для решения задач управления лесного хозяйства, лесопользования, проектирования и эксплуатации сети лесовозных дорог, ликвидации и оценки лесных пожаров и др.

Для обновления пространственных и атрибутивных данных ГИС-системы предлагается технология, основанная на использовании спутниковых снимков лесных территорий.

Разработаны основы технологии актуализации и дешифрирования с использованием алгоритмов автоматизации обработки информации на основе структурных моделей и интеллектуальных методов. Это позволит повысить точность таксации при снижении затрат.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

В процессе выполнения диссертационной работы были получены следующие научные и практические результаты.

1. Выполнен анализ научных и прикладных аспектов тематического дешифрирования лесных территорий, результат которого показал, что существующие методики и алгоритмы лесного дешифрирования выполняются, как правило, без привлечения автоматизированных средств, что значительно замедляет процесс получения новой и актуализации имеющейся информации о лесных ресурсах. Существует потребность в разработке методик автоматизированного дешифрирования спутниковых снимков, специализированных для определения таксационных параметров насаждений.

2. На основе анализа спектральных кривых и структурных характеристик спутниковых снимков определен состав дешифровочных признаков отдельных

таксационных параметров лесных насаждений обзорных и детальных спутниковых снимков.

3. Установлены взаимосвязи основных дешифровочных признаков и таксационных показателей лесных территорий. Разработаны продукционные правила и структурные модели процесса тематической обработки спутниковых снимков лесных территорий, позволяющие автоматизировать процесс дешифрирования таежных лесов.

4. На базе проведенных исследований были разработаны методики и алгоритмы автоматизированного дешифрирования спутниковых снимков лесных территорий для решения практических задач лесопатологического анализа территории; выявления и оценки территорий, пройденных лесными пожарами; определения породно-возрастного состава лесных территорий.

5. Разработана расширяемая информационная система на основе отрытых программных компонентов, предназначенная для просмотра и редактирования атрибутивных таксационных данных о лесных ресурсах, а также пространственной информацией о лесных территориях.

6. Предложенная методика дешифрирования может быть использована для тематической обработки спутниковых снимков в других предметных областях.

7. Разработанные методики и алгоритмы автоматизации дешифрирования используются в учебном процессе при подготовке инженеров по специальности 230400.62 «Информационные системы и технологии», бакалавров по направлению 250100.01 «Лесное дело».

ПО МАТЕРИАЛАМ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ СЛЕДУЮЩИЕ РАБОТЫ

Монографии

Тематическая обработка спутниковых снимков лесных территорий на основе структурных моделей: монография / А.Т. Гурьев, P.A. Алешко, C.B. Торхов, Д.В. Трубин; Сев. (Артич.) федер. ун-т. - Архангельск: ИПЦ САФУ, 2013. -164 с.

Статьи, опубликованные в периодических гаданиях, рекомендованных

ВАК:

1. Алешко P.A., Гурьев А.Т. Структурное моделирование взаимосвязей дешифровочных признаков спутниковых снимков и таксационных параметров лесных насаждений — Труды СПИИРАН. Вып. 29 (2013). С. 180-189.

2. Алешко P.A., Гурьев А.Т. Методика тематического дешифрирования спутниковых снимков лесных территорий на основе структурных моделей //Известия Вузов. Приборостроение. 2013. Т.56. №7. С. 76-77.

3. Варфоломеев Ю.А., Гурьев А.Т., Алешко P.A. Методические и технические аспекты космического мониторинга биоповреждения и усыхания еловых лесов//Лесн. журн.-2010. -№ 5. -С. 149-156. - (Изв. высш. учеб.заведений).

4. Варфоломеев Ю.А., Гурьев А.Т., Плехов О.Г., Алешко P.A. Высокотехнологичное проектирование строительства и реконструкции дорог с непрерывным жизненным циклом в лесах с биоповреждениями И Лесн. журн. -2011. -№ 2. - С. 145-152. - (Изв. высш. учеб.заведений).

Другие публикации автора:

5. Алешко P.A., Тропникова А.Н., Гурьев А.Т. Учет динамики хода роста лесных насаждений с использованием нейросетевых технологий // Сборник научных статей студентов Архангельского государственного технического университета. - Архангельск, 2008. - С. 207-211.

6. Алешко P.A., Гурьев А.Т., Любова Н.В. Применение методов искусственного интеллекта с целью анализа состава древостоя на основе данных спутниковых снимков и прогнозирование дальнейшего развития лесных насаждений И Сборник реферативной информации ученых АГТУ о результатах НИР и НИОКР, рекомендованных к практическому использованию. Архангельск,

2008.-С. 77-78.

7. Алешко P.A. Автоматизированное определение основных таксационных показателей лесных территорий Европейского Севера по данным спутниковых снимков // Сборник статей студентов АГТУ по итогам научно-исследовательских работ за 2008 год. - Архангельск, 2009. - С. 139-142.

8. Алешко P.A., Любова 11.В. Применение методов искусственного интеллекта с целью анализа состава древостоя на основе данных спутниковых снимков //X международная молодежная научная конференция «Севергеоэкотех-2009»: материалы конференции (18-20 марта 2009 г., Ухта): в 4 ч.; ч. 1. - Ухта: УГТУ, 2009. - С. 153-155.

9. А.Т. Guriev, R.A. Aleshko Adapting the combined database of cartographic and attribute information of forest plantations by automating remote sensing data interpretation // "Earth From Space - The most effective solutions" / Research and development center "ScanEx", "Transparent world", BKL Publishers, 2009, p. 233-234.

10. Гурьев A.T., Алешко P.A. Автоматизация тематического дешифрирования данных дистанционного зондирования лесных территорий // Материалы всероссийской научной конференции «Перспективы и направления развития информационных технологий при освоении лесов». - Архангельск: Арханг. гос. техн. ун-т, 2009 - С. 137-141.

11. Гурьев А.Т., Алешко P.A. К вопросу автоматического дешифрирования аэрокосмических снимков лесных территорий // Материалы Международной научно-технической конференции, посвященной 80-летию АЛТИ-АГТУ «Современная наука и образование в решении проблем экономики Европейского Севера». - Архангельск: Архангельский государственный технический университет, 2009 - С. 231-233.

12. Майданович О.В., Гамов В.Ю., Гурьев А.Т., Полончик О.Л., Алешко P.A. Региональный центр космического мониторинга // Сб. трудов XXVII Межведомственной научно-технической конференции космодрома «Плесецк», 1 ГИК МО РФ, 2010. - С. 46-48.

13. Алешко P.A., Гурьев А.Т., Пугин М.С., Цветков В.Ф., Торхов C.B. Распознавание спутниковых снимков лесных территорий с учетом рельефа // Наука-северному региону. Сб. научных трудов. Выпуск 83. - Архангельск: Северный (Арктический) федеральный университет, 2010. - С. 185-189.

14. Гурьев А.Т., Абрамова Л.В., Бачурин И.В., Алешко P.A., Пугин М.С., Головин В .А., Трубин Д.В., Торхов C.B. Экспериментальная распределенная база данных лесных насаждений Архангельского лесничества // Региональная

информатика «РИ-2010». XII Санкт-Петербургская международная конференция. Материалы конференции. - Санкт-Петербург, 2010. - С. 299.

15. Алешко Р.А., Савиных А.С., Черняева Н.Н. Система моделирования работы нейрокомпьютерных сетей // Сборник статей студентов С(А)ФУ по итогам научно-исследовательских работ за 2009 год. - Архангельск: Северный (Арктический) федеральный университет, 2010. -С. 146-149.

16. Алешко Р.А., Захаров Д.В. Применение методов сегментации изображений для автоматизации распознавания спутниковых снимков лесных территорий // Сборник статей студентов С(А)ФУ по итогам научно-исследовательских работ за 2009 год. - Архангельск: Северный (Арктический) федеральный университет, 2010. -С. 149-151.

17. Гурьев А.Т., Алешко Р.А. Тематическая обработка ДЦЗ лесных территорий для обновления распределенной базы данных лесных ресурсов // IV конференция «Геоинформационные технологии и космический мониторинг» (6-8 сентября 2011 г.) / Сб. статей, Ростов-на-Дону: Издательство Южного федерального университета, 2011. - С. 110-111.

18. Гурьев А.Т., Трубин Д.В., Алешко Р.А., Бачурин И.В., Васендина И.С., Пугин М.С., Султанов Д.М.-М., Суханов М.В. Информационная система лесных насаждений // Международная научно-техническая конференция «Информационная поддержка принятия решений при управлении социальными и природно-производственными объектами» / Сб. статей, Архангельск: Издательско-полиграфический центр САФУ, 2011. - С. 143-146.

19. Гурьев А.Т., Алешко Р. А., Васендина И.С. Организация пространственно-атрибутивных данных в информационной системе управления лесными ресурсами // Международная научно-техническая конференция «Информационная поддержка принятия решений при управлении социальными и природно-производственными объектами» / Сб. статей, Архангельск: Издательско-полиграфический центр САФУ, 2011. - С. 133-140.

20. Guriev А.Т., Trubin D.V., Aleshko R.A. Forest data updating technology // "Earth From Space - The most effective solutions" / Research and development center "ScanEx", "Transparent world", В KL Publishers, 2011, p. 294-295.

21. Алешко P.A., Гурьев A.T. Разработка методики автоматизированной обработки данных дистанционного зондирования лесных насаждений // Информационные технологии в исследовании Северных и Арктических территорий: материалы науч.-техн. конф. (Архангельск, 28-29 июня 2012 г.) / Сев. (Арктич.) федер. ун-т. - Архангельск: ИПЦ САФУ, 2012. - С. 3-9.

22. Гурьев А.Т., Трубин Д.В., Алешко Р.А., Бачурин И.В., Шошина К.В. Формирование информационной среды для управления лесопромышленным комплексом // Информационных технологии в исследовании Северных и Арктических территорий: материалы науч.-техн. конф. (Архангельск, 28-29 июня 2012 г.) / Сев. (Арктич.) федер. ун-т. - Архангельск: ИПЦ САФУ, 2012. - С. 1019.

23. А .Т. Гурьев, Р.А. Алешко, И.С. Васендина, К.В. Шошина Информационная система мониторинга и управления лесными ресурсами // Аэрокосмические методы и геоинформационные технологии в лесоведении и лесном хозяйстве: Доклады V Всероссийской конференции, посвященной памяти

выдающихся ученых-лесоводов В.И. Сухих и Г.Н. Коровина (Москва, 22-24 апреля 2013 г.) - М.: ЦЭПЛ РАН, 2013 г. - с. 266-270.

24. P.A. Алешко, А.Т. Гурьев, C.B. Торхов Анализ структурных связей дешифровочных признаков спутниковых снимков и таксационных параметров лесных территорий // Аэрокосмические методы и геоинформационные технологии в лесоведении и лесном хозяйстве: Доклады V Всероссийской конференции, посвященной памяти выдающихся ученых-лесоводов В.И. Сухих и Г.Н. Коровина (Москва, 22-24 апреля 2013 г.) - М.: ЦЭПЛ РАН, 2013 г. - с. 97100.

Свидетельства об официальной регистрации программ для ЭВМ:

25. P.A. Алешко / Программа автоматизированного определения основных таксационных показателей лесов Европейского Севера по данным спутниковых снимков // P.A. Алешко, А.Т. Гурьев, C.B. Торхов // Свидетельство об официальной регистрации программы для ЭВМ № 2009614299. Зарегистрировано в реестре программ для ЭВМ 19 июня 2009 г.

Отпечатано с готового оригинала-макета.

Формат 60х84/16. Бумага офсетная. Печать - ризография. Усл. печ. л. 1,28. Заказ 2377. Тираж 50. 24.09.2013.

ОАО «Соломбальская типография» 163012, г. Архангельск, ул. Добролюбова, 1.

04201362422

Алешко Роман Александрович

На правах рукописи /

РАЗРАБОТКА МЕТОДИКИ ТЕМАТИЧЕСКОЙ ОБРАБОТКИ СПУТНИКОВЫХ СНИМКОВ ТАЁЖНЫХ ЛЕСОВ НА ОСНОВЕ СТРУКТУРНОГО МОДЕЛИРОВАНИЯ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

ДИССЕРТАЦИЯ на соискание учёной степени кандидата технических наук

Научный руководитель: доктор технических наук, доцент А.Т. Гурьев

Санкт-Петербург 2013

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ............................................................................. 5

1 АНАЛИЗ АЛГОРИТМОВ И МЕТОДОВ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ СПУТНИКОВЫХ СНИМКОВ ТАЕЖНЫХ ЛЕСОВ.................................................................................. 9

1.1 Особенности использования данных дистанционного зондирования на предприятиях лесопромышленного комплекса.......................................................................... 9

1.2 Исследование понятия данных дистанционного зондирования................................................................... 10

1.2.1 Понятие о данных дистанционного зондирования............................................................ 10

1.2.2 Анализ областей применения данных дистанционного зондирования........................................................... 11

1.2.3 Исследование характеристик данных дистанционного зондирования........................................................... 11

1.2.4 Применение данных дистанционного зондирования для изучения растительности............................................. 13

1.3 Исследование понятия дешифрирование данных дистанционного зондирования.............................................. 15

1.3.1 Понятие о дешифрировании.................................. 15

1.3.2 Анализ методов дешифрирования........................... 21

1.4 Анализ методов автоматизированного дешифрирования аэрокосмических снимков.................................................. 22

1.5 Исследование технологий дешифрирования лесных насаждений................................................................... 26

1.6 Системный анализ при исследовании объектов и процессов дешифрирования лесных территорий................................................. 28

2 РАЗРАБОТКА МЕТОДОВ СТРУКТУРНОГО МОДЕЛИРОВАНИЯ ПРОЦЕССА ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ............................................32

2.1 Определение базовых структурных параметров насаждений............................................................................................................................................32

2.2 Установление дешифровочных признаков основных таксационных показателей......................................................................................................54

2.2.1 Характеристика исходных данных........................................................54

2.2.2 Определение признаков дешифрирования на обзорных спутниковых снимках....................................................................................................55

2.2.3 Определение признаков дешифрирования на детальных спутниковых снимках............................................................................................................84

2.3 Формализация объектов системы тематической обработки спутниковых снимков лесных территорий..............................................................................102

2.4 Выводы по главе 2..............................................................................................................111

3 РАЗРАБОТКА МЕТОДИК ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ....................................................................................................................................112

3.1 Разработка методики определения породно-возрастного состава лесных территорий..................................................................................................................................113

3.1.1 Содержание методики......................................................................................109

3.1.2 Оценка полученных результатов..............................................................119

3.2 Разработка методики лесопатологического анализа территории..............................................................................................................................................125

3.2.1 Выбор исходных данных............................................................................125

3.2.2 Содержание методики....................................................................................126

3.2.3 Оценка полученных результатов..........................................................127

3.3 Разработка методики выявления и оценки территорий, пройденных лесными пожарами........................................................................................130

3.3.1 Выбор исходных данных............................................................................130

3.3.2 Содержание методики....................................................................................132

3.3.3 Оценка полученных результатов............................. 134

3.4 Выводы по главе 3.......................................................... 135

4 РАЗРАБОТКА СРЕДСТВ ПОДДЕРЖКИ МЕТОДИК ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ......................................................................... 136

4.1 Проектирование и реализация системы управления лесными ресурсами......................................................................... 136

4.2 Построение системы обновления данных о лесных ресурсах........................................................................ 146

4.3 Использование инструментальных программных средств для решения задачи тематического дешифрирования лесных территорий........................................................................ 148

4.4 Выводы по главе 4......................................................... 152

ЗАКЛЮЧЕНИЕ........................................................................ 152

ПРИЛОЖЕНИЕ А.......................................................................................... 154

СПИСОК ЛИТЕРАТУРЫ.......................................................... 159

ВВЕДЕНИЕ

Получение актуальной информации о лесных территориях по материалам космической съемки при создании и обновлении цифровых карт информации баз данных выполняется на этапе тематической обработки спутниковых снимков. Временные затраты только на обработку визуальным или машинно-визуальным способом составляют до 80% времени реализации всей технологической цепочки обновления информации с использованием данных дистанционного зондирования. Начиная с 1970-х годов, вопросам разработки методов и средств автоматизированного дешифрирования уделялось существенное внимание. В 90-е годы 20 века, в связи с возросшими потребностями в точной информации о лесах, а также с развитием средств вычислительной техники вопросы автоматизации обработки спутниковых снимков приобрели приоритетное значение. Автоматизация процессов извлечения пространственной и атрибутивной информации из данных аэрокосмических изображений позволит значительно сократить временные и финансовые затраты на получение наиболее актуальной информации о лесных ресурсах территории.

Однако существует ряд причин, сдерживающих внедрение автоматизированных средств в области дешифрирования лесов. Среди них трудности формализации предметной области лесного дешифрирования, слабая адаптация существующих методов тематической обработки снимков для задач лесопромышленного комплекса. Одной из перспективных возможностей изменения сложившейся ситуации является внедрение автоматизированных программно-технологических средств, основанных на использовании структурных моделей.

Целью диссертационной работы является повышение достоверности дешифрирования спутниковых снимков таёжных лесов на основе разработки и реализации методики тематической обработки изображений с использованием методов структурного моделирования.

Для достижения цели были поставлены и решены следующие задачи:

1) Анализ технологий тематической обработки спутниковых снимков лесных территорий и определение перспективных направлений совершенствования технологий дешифрирования.

2) Определение состава дешифровочных признаков основных таксационных показателей лесных насаждений.

3) Исследование структурных взаимосвязей дешифровочных признаков и таксационных показателей лесных насаждений и разработка структурных моделей процесса тематической обработки спутниковых снимков лесных территорий.

4) Разработка методик и алгоритмов автоматизации дешифрирования спутниковых снимков лесных территорий.

5) Разработка информационной системы поддержки лесных ресурсов на основе свободно распространяемого программного обеспечения.

В работе приводится описание разработанных и апробированных методов и средств поддержки тематической обработки спутниковых снимков таежных лесов. Результаты работы использованы для создания автоматизированной информационной среды получения и актуализации данных о лесных ресурсах на основе геоинформационных технологий и данных спутниковой съемки.

Положения, выносимые на защиту:

1. Структурный анализ взаимосвязей основных таксационных показателей лесных насаждений и дешифровочных признаков обзорных и детальных спутниковых снимков.

2. Формализованное описание предметной области лесных насаждений таежного региона, данных спутниковой съемки, постановка задачи оптимизации существующих методов дешифрирования.

3. Критерий и показатель информативности определения основных таксационных параметров лесных насаждений с применением спутниковых снимков и состав спектральных каналов, используемых для тематической

обработки снимков.

4. Методика тематического дешифрирования спутниковых снимков таежных лесов на основе разработанных структурных моделей и продукционных правил.

Научная новизна заключается в следующем:

- разработана методика тематического дешифрирования спутниковых снимков лесных территорий, отличающаяся от подобных методик тем, что позволяет провести структурный анализ предметной области и выявить взаимосвязи системы наземных объектов и объектов на снимке;

- разработаны модели и продукционные правила процесса тематической обработки спутниковых снимков лесных территорий на основе структурных связей дешифровочных признаков и таксационных показателей лесных территорий;

- экспериментально доказано, что для повышения достоверности дешифрирования спутниковых снимков лесных территорий достаточно трех видимых и ближнего инфракрасного спектральных каналов;

- разработан комплекс методов и алгоритмов автоматизированной обработки спутниковых снимков лесных территорий для решения практических задач тематического дешифрирования лесных территорий.

Разработанная система проходит апробацию в Архангельском лесничестве Архангельской области. Учебный вариант разработанного программного обеспечения используется в Северном (Арктическом) федеральном университете при подготовке научных и инженерных кадров для лесопромышленного комплекса.

Теоретические и практические результаты работы докладывались на конференциях, в т. ч.: Десятой международной молодежной научной конференции «Севергеоэкотех-2009» (г. Ухта, 2009 г.); Четвертой международной конференции «Земля из космоса - наиболее эффективные решения» (г. Москва, 2009 г.); Всероссийской научной конференции «Перспективы и направления развития информационных технологий при

освоении лесов» (г. Архангельск, 2009 г.)Международной научно-технической конференции, посвященной 80-летию АЛТИ-АГТУ «Современная наука и образование в решении проблем экономики Европейского Севера (г. Архангельск, 2009 г.); Двадцать седьмой межведомственной научно-технической конференции космодрома «Плесецк» (г. Мирный, 2010 г.); Двенадцатой международной конференции Региональная информатика «РИ-2010» (г. Санкт-Петербург, 2010 г.);международной научно-технической конференции «Информационная поддержка принятия решений при управлении социальными и природно-производственными объектами» (г. Архангельск, 2011 г.); Четвертой конференции «Геоинформационные технологии и космический мониторинг»(г. Ростов-на-Дону, 2011 г.); Пятой международной конференции «Земля из космоса - наиболее эффективные решения» (г. Москва, 2011 г.); Второй всероссийской научно-практической конференции «Информационные технологии в исследовании Северных и Арктических территорий» (г. Архангельск, 2012 г.);научных конференциях и семинарах ФГАОУ ВПО Северного (Арктического) федерального университета имени М.В. Ломоносова.

Основные положения диссертации отражены в 25 публикациях, в том числе в 4 статьях в периодических научных и научно-технических журналах, в которых ВАК рекомендует публикацию основных результатов кандидатской диссертации; свидетельстве Роспатента на программы для ЭВМ и 21 статье в сборниках материалов международных, всероссийских научных конференций.

ГЛАВА 1. АНАЛИЗ АЛГОРИТМОВ И МЕТОДОВ ТЕМАТИЧЕСКОГО ДЕШИФРИРОВАНИЯ СПУТНИКОВЫХ СНИМКОВ ТАЕЖНЫХ ЛЕСОВ

1.1 Особенности использования данных дистанционного зондирования на предприятиях лесопромышленного комплекса

В последние годы на предприятиях лесопромышленного комплекса потребность в информации о лесных ресурсах уже не удовлетворяется использованием только специализированных цифровых карт и баз атрибутивных данных. На сегодняшний день существует потребность в регулярно обновляемых данных о лесных ресурсах в рамках единой информационной среды.

В большинстве случаев случаях для правильной оценки выбранного варианта решения поставленной задачи необходимо иметь достоверную и актуальную информацию о лесах. Такую информацию могут предоставить материалы дистанционного зондирования Земли.

В связи с увеличением объемов данных спутниковой съемки, а также вычислительной мощности технических средств все чаще возникает потребность в автоматизации обработки значительного объема полученной информации. Анализ методик и алгоритмов автоматизированного дешифрирования лесных территорий показал, что, несмотря на значительные результаты исследований в данной области, применение автоматизированных информационных систем тематической обработки спутниковых снимков в лесопромышленном комплексе весьма ограничено. Это, как правило, связано с недостаточно развитым математическим аппаратом в данной области и сложностью формализации процесса дешифрирования лесов.

Поэтому работа, направленная на теоретическое обобщение подходов к тематической обработке спутниковых снимков лесных территорий и решение научно-технической задачи, связанной с созданием методик и алгоритмов тематической обработки спутниковых снимков лесных территорий с

использованием структурного моделирования является актуальной.

1.2 Исследование понятия данных дистанционного зондирования

1.2.1 Понятие о данных дистанционного зондирования

Дистанционное зондирование Земли - наблюдение поверхности Земли авиационными и космическими средствами, оснащёнными различными видами съемочной аппаратуры. Данные дистанционного зондирования (ДДЗ) - название данных, получаемых посредством съемочных аппаратов в различных диапазонах электромагнитного спектра, визуализируемых затем по определённому алгоритму. ДДЗ можно рассматривать как составную часть информационной системы. Во многих областях ДДЗ являются ключевым компонентом в процессе принятия решений.

Оптимальный способ использования данных наблюдения поверхности Земли со спутников заключается в том, чтобы анализировать их совместно с информацией из других источников, — в этом случае они становятся необходимой составляющей процесса принятия решений и моделирования в любой предметной области. Еще один важный принцип дистанционного зондирования — многокомпонентность — реализуется в виде различных методов съемки и анализа данных.

Подавляющее большинство ДДЗ имеет географическую привязку. Поскольку такие данные изучают, как правило, во взаимосвязи друг с другом, для каждодневной работы и принятия решений необходимо иметь эффективное средство манипулирования данными. Таким автоматизированным средством является географическая информационная система (ГИС) — инструмент единого подхода к управлению и обработке пространственной информации, включая и ДДЗ.

1.2.2 Анализ областей применения данных дистанционного зондирования

Области применения космических снимков можно разделить на пять категорий:

1) Снимок как простейшая карта (основа), на которую можно наносить данные из других источников в отсутствие более точных карт, отображающих обстановку.

2) Выделение пространственных границ и структуры объектов для определения их размеров и измерения площадей.

3) Инвентаризация пространственных объектов на определенной территории.

4) Оценка состояния территории.

5) Количественная оценка свойств земной поверхности.

ДДЗ является перспективным источником формирования баз данных для решения задач рационального использования природных ресурсов. Ресурсы Земли не бесконечны, и поскольку их эксплуатация увеличивается по мере роста количества и уровня жизни населения, все более насущной становится задача их своевременной оценки для разумного и бережливого использования. В этом отношении дистанционное зондирование является эффективным методом инвентаризации природных ресурсов и мониторинга их состояния [1].

1.2.3 Исследование характеристик данных дистанционного зондирования

Разрешающая способность систем дистанционного зондирования определяется следующими параметрами:

а) пространственное разрешение,

6) спектральное разрешение,

в) радиометрическое разрешение,

г) временное разрешение.

Пространственное разрешение цифровых снимков определяется размером мгновенного поля обзора. Параметрами, влияющими на пространственное разрешение, являются: высота расположения съемочной платформы, размер элементов сенсора и фокусное расстояние оптической системы. Другими словами, разрешающ