Межуниверситетский научно-методический центр по аэроґкосмиґческим методам географических исследований и картографирования при географическом факультете МГУ создан в 1978 г. для оказания научно-методической помощи университетам страны в постановке на современном уровне университетских курсов по дистанционным методам исследований и координации их деятельности. В современных условиях меняется форма работы Центра: в дополнение к традиционным школам-семинарам преподавателей вузов решено проводить Интернет-семинары по вопросам обеспечения космическими снимками, освещения новых видов космической информации, освоения новых компьютерных методов обработки снимков, использования геоинформационных технологий, применения спутникового позиционирования. В отличие от предыдущих лет, теперь в работе Центра могут участвовать не только преподаватели университетов, но и аспиранты, магистранты, студенты, занимающиеся исследованиями в области аэрокосмического зондирования. Интернет-адрес центра: http://www.scanex.ru/rus/lakm.
В сентябре 2000 года была проведена первая Интернет-конференция "Получение космических снимков по сети Интернет", в ходе которой участникам рассылался методический материал - обзор аэрокосмических снимков различного разрешения и стоимости, доступных для просмотра и частично получения через Интернет, обсуждались вопросы аэрокосмических ресурсов, доступных на Интернете, а также имеющегося у участников опыта по их использованию.
Логическим продолжением этой тематики стал Второй Интернет-семинар "Компьютерная обработка аэрокосмических снимков. Работа с многозональными снимками в свободно распространяемой программе MultiSpec", проведенный Межуниверситетским аэроґкосґмиґческим центром для преподавателей, сотрудников, аспирантов и студентов университетов и других образовательных и научных организаций с 26 марта по 13 апреля 2001 г. при поддержке ИТЦ СканЭкс.
Огромные объемы аэрокосмической информации требуют использования для их оперативной обработки современных компьютерных технологий. В мире разработано большое количество программных пакетов, предназначенных для обработки снимков. Одни из них - сложные, многофункциональные, позволяющие подготовить снимок для работы, произвести анализ содержащейся в нем информации с помощью широкого инструментария, представить результат в картографической и табличной форме для печати и ввода в ГИС в качестве информационного слоя. Другие программы содержат ограниченный набор функций для обработки определенного типа снимков, или для конкретной задачи. Одни - дорогие, лицензионные, доступные, по крайней мере, в нашей стране, очень ограниченному числу пользователей (например, EASI/PACE, ENVI, ER Mapper, ERDAS Imagine, Idrisi, Intergraph Microstation,TNTmips). Существуют усеченные бесплатные версии некоторых программ (например, TNTLite, программы для просмотра изображений - MapSheets Express от ERDAS Inc, FreeView от EASI/PACE). Имеются условно-бесплатные программы (shareware), для использования которых требуется регистрация и уплата символической суммы (например, отечественные программы Hesperus, 3D Raster Viewer). Другие изначально создаются и распространяются бесплатно, получая финансирование от правительственных и международных организаций (например, GRASS, MultiSpec, SPRING, WinDisp). Примером последних является программа MultiSpec, разработанная в американском университете Пердью. Авторы программы одобрительно отнеслись к ее распространению в университетах России и ближнего зарубежья.
Выбор программы MultiSpec ( http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/ ), как основы для проведения занятий Интернет-семинара по компьютерной обработке многозональных снимков, неслучаен. Программа проста в использовании, имеет широкий набор функций, хорошо известна среди специалистов по обработке снимков и распространяется бесплатно. Система позволяет обрабатывать многозональные снимки (например, получаемые со спутников Ресурс-О, Landsat), а также гиперспектральные снимки (получаемые недавно разработанными системами, например сканерами AVIRIS с самолетных носителей и MODIS со спутника EOS-AM). Пакет широко используется в школьном и университетском эколого-географическом образовании и в других областях. В настоящее время имеется несколько тысяч зарегистрированных пользователей.
Программа занимает мало места на диске, может использоваться на большинстве компьютеров, начиная с ПК с 386 процессором и Windows, что немаловажно для многих участников семинара, имеющих в распоряжении достаточно ограниченные технические возможности. В связи с этим некоторые простые функции (построение графиков, ручное редактирование снимков) осуществляются с использованием других общедоступных пакетов программ, таких как MS Excel, Adobe Photoshop и т.п. Это особенно важно при отсутствии доступа к дорогим коммерческим пакетам для обработки снимков (таким, как ERDAS Imagine, ER Mapper, ENVI). Кроме того, в MultiSpec есть уникальные функции, полезные и при наличии этих пакетов. В пакет постоянно добавляются новые возможности.
2. Порядок проведения Второго Интернет-семинара
Программа Интернет-семинара, рассчитанная на три недели, включала три занятия, текст каждого из которых рассылался в начале очередной недели. Далее до четверга принимались вопросы по текущему занятию, ответы на которые рассылались в конце недели. Первое занятие являлось вводным, последующие два иллюстрировали возможности пакета в обработке многозональных снимков для эколого-географических исследований.
Обучение проводилось на примере обработки двух снимков: полученного со спутника Ресурс-О сканером МСУ-СК изображения части дельты Волги (спектґральґные зоны 1, 2, 3, 4 (0.5-0.6, 0.6-0.7, 0.7-0.8, 0.8-1.0 мкм), пространственное разрешение 140 х 185 м) и фрагмента снимка Москвы (Северное Бутово), полученного со спутника Landsat сканером ETM+ (спектральные зоны 1, 2, 3, 4, 5, 7 (0.45-0.52, 0.52-0.60, 0.63-0.69, 0.76-0.90, 1.55-1.74, 2.08-2.35 мкм), пространственное разґреґшеґние 30 м). Таким образом, удалось представить наиболее типичные российские и зарубежные снимґки, различающиеся по пространственному разрешению и набору спектральных зон. Снимок МСУ-СК отличается более грубым (в 4-6 раз) пространственным разрешением, а также более широкими спектральными зонами, что ограничивает возможности распознавания объектов на нем, однако этот тип снимков относится к числу наиболее доступных аэрокосмических материалов в нашей стране, пригодных для региональных эколого-географических исследований. Несмотря на явные различия в географических особенностях предлагаемых к изучению территорий, набор объектов в дельте Волги и в новом районе Москвы в достаточной мере перекрывающийся: в каждом районе имеются участки городской застройки и естественных ландшафтов.
Снимки, а в дальнейшем и результаты их обработки размещались в Интернете по адресу http://www.scanex.ru/rus/lakm/educ_images.htm .
3. Краткое содержание рассылавшихся материалов
Занятие 1. 26.03 30.03.2001
Структура занятия: первое занятие Интернет-семинара состояло из двух частей. Вначале были описаны основные особенности и функции программы MultiSpec. Во второй части предлагались три практических задания: автоматический и ручной ввод многозональных снимков в программу и соединение нескольких зональных снимков.
Тема 1. Возможности программы MultiSpec
Текущая версия MultiSpec (от 10 июня 2000 г.) включает следующие функции: импорт данных, вывод на экран многозональных снимков и результатов их обработки, изменение формата данных, построение гистограмм распределения яркости, создание новых слоев данных, кластеризация снимка с использованием одношагового или итеративного алгоритма, определение характеристик классов, выявление наилучших для классификации спектральных зон, классификация выбранного снимка или его части с применением любого из шести алгоритмов (минимального расстояния, максимального правдоподобия, линейного дискриминанта Фишера, спектрально-пространственной классификации ECHO, спектральной корреляции SAM, сравнения фильтра), вывод результатов классификации, вывод графиков спектральных яркостей, цветное представление корреляций, экспорт промежуточных и окончательных результатов, черно-белых или цветных изображений и текстов в другие программы, например офисные и графические, путем копирования в буфер либо сохранения в обменном формате. MultiSpec реализован таким образом, что основные ограничения на количество строк и столбцов в файле, спектральных зон и др. задаются дисковым пространством и объемом доступной компьютерной памяти. В целом, программа позволяет на современном уровне анализировать изображения средней и высокой спектральной размерности и разумного объема.
ВОПРОС ПО ТЕМЕ К УЧАСТНИКАМ (подобные контрольные вопросы сопровождали большинство тем): Сообщите нам, пожалуйста, о том, какие функции программы представляют для Вас наибольший интерес. По возможности мы постараемся учесть это при проведении семинара.
Тема 2. Ввод снимков для работы с программой MultiSpec
Введение. Проблема ввода снимков:
В настоящее время цифровые космические снимки поступают во множестве форматов, и нередко требуется перевести их в нужный формат перед компьютерной обработкой.
В упражнениях рассматривались три часто встречающихся случая:
а) изображение поступило в распространенном формате, который автоматически распознается программой;
б) изображение поступило в бинарном формате и для его прочтения необходимо ввести дополнительные параметры вручную;
в) изображение поступило в виде отдельных зональных снимков, а требуется их соединение для создания цветного синтеза или для проведения классификации по многозональному снимку.
В качестве практических заданий первого занятия предлагалось выполнить авґтоґмаґтиґчесґкий и ручной ввод многозональных снимков в программу и соединить нескольких зональных снимков.
Задание 2.1. АВТОМАТИЧЕСКИЙ ВВОД СНИМКОВ
Цель: Вывести на экран в MultiSpec многозональный снимок в формате TIFF
Входные данные: Файл butovo432.tif, содержащий фрагменты зональных снимков (зон) 4, 3, 2 снимка Landsat ETM+ на район Москвы (Северное Бутово) от 6 октября 1999 г.
Выходные данные: Трехзональный снимок для дальнейшего анализа в MultiSpec
Последовательность операций: Открыть файл в формате TIFF, установить параметры вывода изображения на экран.
Задание 2.2. РУЧНОЙ ВВОД СНИМКОВ
Цель: Ввести в MultiSpec многозональный снимок в бинарном формате, создать описания спектральных зон и заголовок для бинарного файла.
Входные данные: Бинарный файл butovo1_57.bil, содержащий фрагменты зон 1, 2, 3, 4, 5, 7 того же снимка ETM+ на Северное Бутово (то есть всех спектральных зон Landsat ETM+ с 30-метровым разрешением).
Выходные данные: Шестизональный снимок для дальнейшего анализа в MultiSpec
Последовательность операций: Открыть бинарный файл. Добавить описания спектральных зон и заголовок.
Для осуществления ручного ввода необходимо знать размеры бинарного снимка, количество спектральных зон и как они организованы в файле.
Задание 2.3. СОЕДИНЕНИЕ ЗОНАЛЬНЫХ СНИМКОВ
Цель: Соединить фрагменты зональных снимков МСУ-СК дельты Волги от 20 июля 1997 г. в порядке 1, 2, 4 из отдельных бинарных файлов
Входные данные: Бинарные файлы sc977b1, sc977b2, sc977b4, соответствующие фрагментам зон 1, 2, 4 снимка МСУ-СК.
Выходные данные: Трехзональный файл для дальнейшего анализа в MultiSpec
Последовательность операций: Открыть первый зональный снимок (зону) и открыть последующие с параметром присоединения файла к активному окну. Используя меню, изменить формат записи файла и соединить зоны в один файл.
Занятие 2. 2 6 апреля 2001 г.
Структура занятия: второе занятие Интернет-семинара было посвящено изучению особенностей отображения различных объектов на многозональных снимках разного типа (МСУ-СК, ETM+) и подготовке снимков к классификации. Оно было разделено на две темы: изучение особенностей отображения объектов в различных спектральных зонах и создание обучающих выборок по многозональным снимкам для предложенных классов объектов.
Тема 3. Особенности отображения объектов в различных спектральных зонах
Введение
Цель работы по данной теме изучить с помощью программы MultiSpec особенности отображения различных объектов на многозональных снимках с различными характеристиками. Для распознавания различных объектов на снимке использовались значения спектральной яркости. Следует отметить, что для простоты в данном задании не проводилась радиометрическая калибровка снимков. Для МСУ-СК системная калибровка проводится уже на орбите, а более точные калибровочные коэффициенты неизвестны. Используемый снимок ЕТМ+ прошел системную калибровку и коррекцию. Поэтому форма кривых спектральной яркости на этих снимках соответствует форме кривых спектральной отражательной способности.
Предлагалось проанализировать обобщенные кривые спектральной отражательной способности для нескольких основных типов объектов, полученные ранее.
ВОПРОС ПО ТЕМЕ К УЧАСТНИКАМ: Какие спектральные зоны МСУ-СК и ЕТМ+ следует выбрать для распознавания зеленой растительности?
Задание 3.1. ИЗУЧЕНИЕ ОСОБЕННОСТЕЙ ОТОБРАЖЕНИЯ ОБЪЕКТОВ НА СНИМКАХ И ВЫБОР ОПТИМАЛЬНОГО ВАРИАНТА СИНТЕЗА
Цель: подобрать оптимальные варианты синтеза для изучаемых объектов.
Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков (зон) 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги.
Файл butovo1_57.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, 5, 7, Landsat ETM+, от 6 октября 1999 г. на Северное Бутово.
Выходные данные: Оптимальные варианты синтеза для изучаемых снимков.
Последовательность операций: Вывести синтезированный снимок с предложенными параметрами на экран. С помощью предоставленного описания распознать на экране основные объекты дешифрирования и оценить, хорошо ли различаются цвета, которыми они отобразились. Изменить сочетание зон в синтезе и контраст изображения, выбрать оптимальный вариант синтеза для изучаемых объектов.
ВОПРОСЫ ПО ТЕМЕ К УЧАСТНИКАМ: Удалось ли вам получить снимки в указанных вариантах синтеза и проследить, что происходит с изображением на экране при использовании различных способов изменения контрастности? Каковы наилучшие спектральные зоны у снимков МСУ-СК и ЕТМ+ для выделения водных объектов?
Цель: научиться строить и сравнивать графики кривых спектрального образа в Multispec.
Входные данные: Файл butovo1_57.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, 5, 7, Landsat ETM+, от 6 октября 1999 г. на Северное Бутово.
Выходные данные: Графики кривых спектрального образа.
Последовательность операций: Вывести синтезированный снимок на экран. Построить кривые спектрального образа для отдельных пикселов.
Тема 4. Создание обучающих выборок для предложенных классов и их сравнение
Обучающие выборки должны удовлетворять нескольким важным критериям: быть предґстаґвительными по яркостным признакам, основываться на достаточно большом количестве пикселов (обычно в несколько раз больше, чем число спектральных зон в снимке). Распределение значений в пределах каждой выборки должно быть близко к нормальному и иметь минимально возможную дисперсию для успешной работы статистических алгоритмов.
Обычно выполнение этих правил достигается созданием нескольких выборок по небольшим, хорошо определенным эталонным участкам для каждого класса.
В упражнении предлагалось ввести границы эталонных участков по заранее определенным координатам и оценить их качество по осредненным кривым спектрального образа.
Задание 4.1. СОЗДАНИЕ ЭТАЛОННЫХ УЧАСТКОВ И ОБУЧАЮЩИХ ВЫБОРОК В MULTISPEC
Цель: Освоить процедуру нанесения границ эталонных участков, создания обучающих выборок, их сравнения.
Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков (зон) 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги.
Файл butovo1_57.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, 5, 7, Landsat ETM+, от 6 октября 1999 г. на Северное Бутово.
Выходные данные: Файл проекта для каждого снимка, содержащий границы эталонных участков и параметры обучающих выборок.
Последовательность операций: Вывести синтезированный снимок на экран. Начать новый файл проекта. Создать эталонные участки по предложенному списку, построить по ним осредненные кривые спектрального образа для отдельных пикселов.
Занятие 3. 9 13 апреля 2001 г.
Тема 5. Краткий обзор алгоритмов классификации, предлагаемых в MultiSpec
В пакете MultiSpec имеется цельный и логически обоснованный набор алгоритмов для двух основных типов компьютерной классификации снимков: без обучения и с обучением.
Предлагается два алгоритма классификации без обучения:
а) алгоритм быстрого выделения кластеров пригоден для быстрого, одношагового разделения многозонального снимка на пространственно однородные области (кластеризации) и
б) итеративный алгоритм ISODATA используется для более точной, многошаговой кластеризации, при которой первоначально сгруппированные пикселы итеративно перемещаются из одного кластера в другой, пока не достигается оптимальная (в соответствии с заданными параметрами) кластеризация.
Для классификации с обучением предлагается шесть алгоритмов:
1) методом минимального расстояния (Minimum Euclidean Distance) - для отнесения пиксела к классу используется минимальное евклидово расстояние между центрами (средними значениями яркости) обучающих выборок, корреляция между значениями яркости в разных спектральных зонах (описывающая форму кривой спектрального образа) не учитывается;
2) методом линейного дискриминантного анализа (Фишера) (Fisher Linear Likelihood) - используется корреляция между значениями яркости в разных спектральных зонах, граница между классами в многомерном поле признаков принимается линейной;
3) методом максимального правдоподобия (Maximum Likelihood) - используется корреляция между значениями яркости в разных спектральных зонах, граница между классами в многомерном поле признаков может быть нелинейной (это наиболее частый случай при наличии достаточно большого числа классов с перекрывающимися значениями яркости);
4) методом спектрально-пространственной классификации ECHO (Extraction and Classification of Homogeneous Objects - распознавание и классификация однородных объектов) учитываются не только спектральные характеристики снимка (по методу линейного дискриминанта Фишера или максимального правдоподобия), но и пространственная однородность создаваемых классов;
5) методом спектральной корреляции SAM (Spectral Angle Mapper - картографирование спектральной корреляции) и
6) методом «сравнения фильтра» (Matched Filter, на основе CEM - Constrained Energy Minimisation, ограниченной/условной минимизации энергии).
Последние два метода используются для классификации по гиперспектральным снимкам.
Тема 6. Подготовительные этапы классификации с обучением (контролируемой)
Эти этапы включают оценку качества обучающих выборок, выбор оптимального алгоритма классификации, предварительную классификацию по эталонным участкам. Выборки итеративно улучшаются до получения результатов требуемой достоверности.
Задание 6.1. ОЦЕНКА КАЧЕСТВА ОБУЧАЮЩИХ ВЫБОРОК ПО ДИАГРАММАМ ДВУМЕРНОГО ПОЛЯ ПРИЗНАКОВ И ВЫБОР АЛГОРИТМА КЛАССИФИКАЦИИ
Цель: научиться анализировать диаграммы двумерного поля признаков, использовать их для выбора алгоритма классификации и для редактирования (корректирования) обучающих выборок.
Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков (зон) 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги, файл проекта delt1234.prj, содержащий обучающие выборки, созданные в ходе Занятия 2.
Выходные данные: Отредактированные обучающие выборки в новом файле проекта delt_new.prj, выбор оптимального алгоритма классификации.
Последовательность операций: Рассмотреть диаграммы двумерного поля признаков, построенные в программе MS Excel по парам зональных значений яркости из обучающих выборок. По диаграммам определить, необходимо ли использовать корреляционные отношения между спектральными зонами, линейны ли границы между классами, выбрать алгоритм. Используя функции редактирования, откорректировать обучающие выборки для лучшего разделения классов.
Задание 6.2. ОЦЕНКА КАЧЕСТВА ОБУЧАЮЩИХ ВЫБОРОК ПУТЕМ КЛАССИФИКАЦИИ ЭТАЛОННЫХ УЧАСТКОВ
Цель: оценить качество обучающих выборок, используя алгоритм классификации с обучением.
Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков (зон) 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги, файлы проектов delt_new.prj, delt1234.prj.
Выходные данные: Таблица результатов классификации, классифицированное изображение.
Последовательность операций: Провести классификацию по методу максимального правдоподобия по новым и старым обучающим выборкам. Сравнить таблицы результатов, просмотреть классифицированное изображение.
ВОПРОС ПО ТЕМЕ К УЧАСТНИКАМ: Как изменились результаты классификации в результате объединения заданных классов?
Задание 6.3. ОЦЕНКА КАЧЕСТВА ОБУЧАЮЩИХ ВЫБОРОК ПУТЕМ СРАВНЕНИЯ С РЕЗУЛЬТАТАМИ ГИБРИДНОЙ КЛАССИФИКАЦИИ БЕЗ ОБУЧЕНИЯ
Цель: оценить однородность эталонных участков, по которым созданы обучающие выборки, и их представительность для всего снимка.
Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков (зон) 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги, файл проекта delt_new.prj.
Выходные данные: Гибридное классифицированное изображение для оценки пространственной однородности спектральных яркостей в пределах эталонных участков.
Последовательность операций: Получить гибридное изображение с использованием алгоритма ISODATA (решающие расстояния 20 и 40), затем алгоритма ECHO, с использованием статистики кластеров, созданных алгоритмом ISODATA. Наложить границы эталонных участков на гибридное классифицированное изображение для оценки их однородности.
ВОПРОС ПО ТЕМЕ К УЧАСТНИКАМ: На каком классифицированном изображении в пределах эталонных участков однородность выше?
Тема 7. Классификация и оценка результатов
В этой теме освещались заключительные этапы классификации с обучением.
Задание 7.1. СОЗДАНИЕ ТЕСТОВЫХ УЧАСТКОВ ДЛЯ ОЦЕНКИ РЕЗУЛЬТАТОВ КЛАССИФИКАЦИИ
Цель: создать тестовые участки, по координатам, заданным экспертами.
Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков (зон) 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги, файл проекта delt_new.prj.
Файл butovo1_57.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, 5, 7, Landsat ETM+, от 6 октября 1999 г. на Северное Бутово, файл проекта butov1_57.prj.
Выходные данные: Тестовые участки, добавленные в файлы delt_new.prj и butov1_57.prj.
Последовательность операций: Ввести границы тестовых участков.
Задание 7.2. КЛАССИФИКАЦИЯ И ОЦЕНКА ЕЕ РЕЗУЛЬТАТОВ ПО ТЕСТОВЫМ УЧАСТКАМ И КАРТЕ ВЕРОЯТНОСТЕЙ
Цель: выполнить классификацию с обучением, оценить ее результаты.
Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков (зон) 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги, файл проекта delt_new.prj.
Файл butovo1_57.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, 5, 7, Landsat ETM+, от 6 октября 1999 г. на Северное Бутово, файл проекта butov1_57.prj.
Выходные данные: Классифицированные изображения, таблицы результатов классификации, карта вероятностей отнесения пикселов к классам.
Последовательность операций: Провести классификацию выбранным алгоритмом максимального правдоподобия. Проанализировать результаты по классам, используя таблицы результатов и карты вероятностей.
ВОПРОС ПО ТЕМЕ К УЧАСТНИКАМ: В какие классы ошибочно отнеслись пикселы, находящиеся в пределах тестового участка широколиственных лесов на снимке Северного Бутово?
Ответьте, пожалуйста, удалось ли вам:
1) провести классификацию в пределах обучающих выборок;
2) оценить однородность и представительность выборок, сравнив их с результатами кластеризации и гибридной классификации;
3) оценить качество классификации по ее результатам на тестовых участках и по картам вероятности отнесения к классу по всему снимку?
4) Применение MultiSpec и изученных алгоритмов в эколого-географических исследованиях
В трех занятиях Интернет-семинара были рассмотрены основные процедуры анализа спектральных яркостей и классификации по многозональным космическим снимками. Были использованы два разных типа снимков:
МСУ-СК, с пространственным разрешением около 140 x 185 м и четырьмя широкими спектральными зонами в видимом и ближнем инфракрасном диапазоне;
ЕТМ+ (зоны 1-5, 7), с пространственным разрешением около 30 м и шестью более узкими спектральными зонами в видимом, ближнем и среднем инфракрасном диапазонах. Спектральные зоны в видимой и ближней инфракрасной части спектра выбраны более оптимально, чем у МСУ-СККлассификация растительного покрова и типов использования земель по этим снимкам для участков дельты Волги и Северное Бутово иллюстрирует характерные особенности снимков.
На снимке МСУ-СК дельты Волги выделение восьми классов привело к значительному смешению трех из них (остепненных лугов, тростниково-рогозовых лугов и тростниково-рогозовых зарослей). Объединение классов тростниково-рогозовых лугов и тростниково-рогозовых зарослей (имеющих большее увлажнение) улучшило разделимость классов. Окончательные результаты классификации показывают, что желательно выделение дополнительного класса для водных объектов, и что на снимке велико количество пикселов, имеющих смешанные характеристики, поскольку одному пикселу на местности зачастую отвечает несколько очень различных объектов. Из-за невысокого пространственного разрешения снимков и большой ширины спектральных зон невозможно отделить по спектральной яркости ландшафты полупустынь от городской застройки г. Астрахани (в северо-западной части снимка), и по этой же причине остепненные луга и обводненные тростниково-рогозовые ландшафты имеют на снимке МСУ-СК очень похожие значения яркости.
На снимке ЕТМ+, благодаря более высокому разрешению, возможно выделение большего количества классов. Восемь классов, заданные для облегчения сравнения с классификацией по снимку МСУ-СК, судя по результатам классификации, явно недостаточны (около половины пикселов снимка остаются неклассифицированными). При пространственном разрешении 30 м и наличии шести спектральных зон выявляется высокая неоднородность лесопарковых ландшафтов. В связи с этим труднее задать однородную обучающую выборку (для наилучших результатов ее следует задавать в виде полигона сложной формы, избегая нетипичных значений яркости. Для объектов городской застройки по спектральной яркости выделяется несколько классов, которые целесообразно объединить для представления классифицированного изображения в виде тематической карты (например, здания и тени зданий).
Таким образом, выбор процедуры и результаты классификации по многозональным снимкам в значительной степени определяются спектральным и пространственным разрешением снимков, характером изобразившихся на них объектов, и целью классификации.
Широкий инструментарий пакета MultiSpec позволяет использовать его для самых различных задач эколого-географического картографирования, включая картографирование растительности, почв, ландшафтов, использования земель и т. п. Основным условием надежности результатов является зависимость между картографируемыми характеристиками и спектральными яркостями пикселов снимка. С помощью программы возможно получение информации о динамике спектральной яркости по серии снимков, сделанных в разное время, а также учет особенностей пространственного распределения яркости.
В течение семинара были рассмотрены только основные и наиболее необходимые процедуры для классификации по многозональным снимкам. За пределами семинара остались: детальное рассмотрение спектрально-пространственного алгоритма ECHO, вопросы выбора наилучших спектральных зон и их преобразования для получения наилучших результатов классификации, приемы работы с гиперспектральными снимками и алгоритмы для их классификации. Некоторые из этих тем заслуживают отдельного семинара.
5. Итоги второго Интернет-семинара
О результатах семинара логичнее всего судить по вопросам и откликам участников. Вопросы, полученные от участников, можно разделить на три группы: уточнения по процедуре выполнения заданий, вопросы о возможностях MultiSpec, вопросы по различным областям обработки снимков и дистанционного зондирования. Каждую неделю группа экспертов отвечала на вопросы по тематике семинара, и подборка ответов рассылалась всем участникам. На ряд специальных вопросов эксперты ответили индивидуально.
По результатам ответов на контрольные вопросы заданий участникам рассылались индивидуальные комментарии. Наиболее типичные ошибки и варианты ответов на вопросы были освещены в заключительной подборке ответов. Наиболее активные участники также внесли ценный вклад в подборки ответов, присылая рекомендации по использованию различных программ и бесплатному получению снимков по Интернет. Таким образом была создана живая атмосфера обучения, что подтверждается многочисленными теплыми письмами от участников.
Было предложено создать электронный список рассылки для всех интересующихся вопросами обработки снимков в интересах эколого-географических исследований (сейчас эта идея обдумывается и все заинтересованные могут связаться с Межуниверситетским аэрокосмическим центром по адресу acentre@lakm.geogr.msu.su )
В работе Интернет-семинара приняли участие 42 представителя из 26 организаций, в том числе из 15 университетов России, Украины, Литвы и Армении, а также детские организации "Взгляд из космоса" (Симферополь) и "Школа космического мониторинга" (Тольятти). По отзывам участников, Интернет-семинар оказался интересным и полезным школьникам, студентам, преподавателям, ученым, осваивающим информационные космические технологии. Однако, активность участников семинара, содержание полученных откликов заставляет задуматься о том, правильно ли выбран уровень сложности подачи материала. В дальнейшем представляется целесообразным сделать задания более простыми и короткими, а также полнее использовать возможности Интернета.
RSS
Реклама
