Full Text

Территория исследования. Территория исследования находится в 20 км от г. Соликамска (200 км от г. Перми) в районе с. Половодово (рис. 1). Рис. 1. Местоположение территории исследования Участок относится к таежной лесорастительной зоне, к среднетаежному лесному району Европейской части Российской Федерации. Климатические условия территории носят умеренно-континентальный характер с довольно продолжительной зимой и сравнительно коротким летом. Характерны поздние весенние ранние осенние заморозки, ветры преимущественно западных направлений [4]. Преобладают относительно плодородные аллювиально-дерновые, дерново-кислые, дерново-подзолистые почвы [8]. Рельеф преимущественно равнинный, встречаются холмистые возвышенности. Материалы космической съемки. В качестве источника информации для классификации был выбран снимок со спутника Sentinel 2А. Спектральные каналы данного спутника [12, 13, 15] представлены в табл. 1. Таблица 1 Спектральные каналы спутника Sentinel 2A Канал - Название Длина волны, нм Разрешение (м) Band 1 - Coastal aerosol 0,443 60 Band 2 - Blue 0,490 10 Band 3 - Green 0,560 10 Band 4 - Red 0,665 10 Band 5 - Vegetation Red Edge 0,705 20 Band 6 - Vegetation Red Edge 0,740 20 Band 7 - Vegetation Red Edge 0,783 20 Band 8 - NIR 0,842 10 Band 8A - Vegetation Red Edge 0,865 20 Band 9 - Water vapour 0,945 60 Band 10 - SWIR - Cirrus 1,375 60 Band 11 - SWIR 1,610 20 Band 12 - SWIR 2,190 20 Дата съемки используемого снимка - 3 июля 2016 г. Для классификации использованы 8-, 5- и 4-й каналы, как наиболее информативные для выделения типов растительности [6]. Выбранные каналы были объединены в TIFF-файл и приведены к пространственному разрешению 10 м. Классификация с помощью нейронных сетей. Искусственная нейронная сеть (ИНС) - математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма [9]. В настоящее время эта технология широко применяется для обработки изображений [10] и для дешифрирования космических снимков в частности [1, 2, 3, 5, 7]. В наиболее удобном виде алгоритм классификация реализован в программе Scanex Image Processor (Модуль Thematic Pro). Модуль содержит уникальные алгоритмы классификации изображений на основе самоорганизующихся нейронных сетей, позволяющих получать наиболее точные результаты. Помимо этого в Thematic Pro реализованы продвинутые алгоритмы сегментации и доступны широкие возможности постобработки, что в совокупности предоставляет эксперту полный набор инструментов для интерпретации данных ДЗЗ [14]: - классификация с использованием самоорганизующихся сетей и топографических отображений (SOM и GTM); - сегментация и интерпретация мультиспектральных оптических изображений, в том числе анализ текстурных характеристик снимка; - интерактивная тематическая классификация результатов сегментации; - иерархическая структура хранения результатов дешифрирования; - алгоритмы постобработки: генерализация, статистические выборки и др.; - тематическая калибровка результатов [11]. В данном инструменте реализовано несколько алгоритмов классификации с помощью нейронных сетей. В данном случае использовалась классификация с обучением. Общая схема алгоритма представлена на (рис. 2). Построение нейронной сети Классификация Визуализация и анализ результатов Выгрузка результатов Постобработка Рис. 2. Схема алгоритма работы На первом этапе обучения сети задаются «полигоны-метки», которые показывают, какие классы необходимо выделить и с какой подробностью. Подробность «складывается» из произведения площади и веса полигона. Данные полигоны были выделены экспертным путем, по самому снимку. Были выделены следующие классы: 1. Нелесная территория. 2. Травянистая растительность. 3. Пески. 4. Болото. 5. Березовые насаждения спелые. 6. Березовые насаждения средневозрастные. 7. Березовые насаждения молодняки. 8. Осиновые насаждения спелые. 9. Осиновые насаждения средневозрастные. 10. Елово-пихтовые насаждения спелые. 11. Елово-пихтовые насаждения молодняки. 12. Сосновые насаждения спелые. 13. Сосновые насаждения средневозрастные. 14. Сосновые насаждения молодняки. 15. Сосново-еловые насаждения спелые. 16. Сосново-еловые насаждения молодняки. 17. Осиново-березовые-еловые насаждения. 18. Низкобонитетные сосновые насаждения на болотах. 19. Березово-еловые насаждения. Также на этом этапе необходимо установить веса каналам. В данном случае максимальный вес (1,0) был установлен для второго канала в синтезе (Vegetation Red Edge), так как этот канал максимально чувствителен к типу растительности. Значение 0,8 было установлено для канала NIR, значения которого в значительной степени зависят от типа растительности. Наименьший вес (0,5) был установлен для красного канала [6]. После выполнения обучения была произведена подстройка обученной сети, которая позволяет до некоторой степени снизить искажения расстояний между классами, что дает более точную классификацию в дальнейшем. После выполнения этой операции можно выполнить первичную классификацию снимка. Однако результат первичной классификации не подходит для построения карты пространственного распределения пород. Для этого требуется однозначное присвоение каждому пикселю определенной тематической метки (класса). Для решения этой задачи можно использовать несколько подходов, в данном случае был использован способ калибровки нейронной сети, при котором сохраняется вся тематическая информация, а результатом калибровки является статистическое распределение меток, приписанных классу. Таким образом, была получена калиброванная нейронная сеть, содержащая прогнозную модель для вероятностей тематических классов, представленная в виде непараметрической регрессии этой вероятности на яркостные свойства снимка территории [11]. Для тематической калибровки было выделено 26 полигонов, принадлежащих 6 классам (табл. 2). Они выделялись как по снимку, так и с помощью данных натурных измерений. При выделении учитывалась максимальная однородность каждого полигона. Таблица 2 Калибровочные полигоны Название класса Вес Количество полигонов Общая площадь, га Нелесные территории 0,3-0,5 6 33,9 Березовый лес 1 5 5,4 Еловый лес 0,8-1 3 3,2 Сосновый лес 0,8-1 8 17,7 Осиновый лес 1 4 3,8 Выделение данных классов связано с особенностями расчета таксационных показателей с помощью метода воздушного лазерного сканирования. После выполнения калибровки и создания классов нейронная сеть приобретает вид, представленный на рис. 3. Рис. 3. Нейронная сеть после тематической калибровки После выполнения калибровки нейронной сети была проведена классификации снимка. Фрагмент классифицированного растра представлен на рис. 4. Рис. 4. Район с. Половодово (в центре) Как видно из фрагмента, полученную классификацию можно считать успешной, так как на результирующем изображении четко разделены отличающиеся друг от друга классы (например, населенный пункт, дороги, вырубки, поля, лесная растительность и др.). Важно отметить, что полученная таким образом нейронная сеть позволяет получить следующие результаты: - построение попиксельных карт пространственного распределения вероятности присутствия определенного тематического объекта; - присвоение каждому пикселю тематического класса с учетом пространственного контекста, т.е. с учетом распределения вероятностей и тематических классов в соседних пикселях. а б Рис. 5. Фотография с полевых работ (а) и ее местонахождение (б) Полученный результат сравнивался с полевыми данными, таксационными материалами и др. В качестве выборочной проверки использовалось сравнение с фотографическими материалами, которые были получены в ходе проведения полевых работ на данной территории. Их количество составляет 18 штук. В целом можно заключить, что результаты классификации удовлетворительны и правильно оценивают вероятность присутствия породы. На рис. 5 приведен пример фотографии, которая сделана в месте, где вероятность присутствия ели 0,71-0,8. Благодаря выполненной калибровке можно получать растры вероятности присутствия определенного класса (в данном случае породы) в конкретном пикселе, а также посмотреть, насколько точно отнесен пиксель к какому-то классу и др. Все это дает эксперту мощный инструмент для получения качественного результата. Полученные растры интегрировались в технологию таксации лесов на основе данных воздушного лазерного сканирования. Полученные растры также могут быть использованы в различных сферах лесного хозяйства для планирования мероприятий, назначений различных видов рубок и т.д.

About the authors

A. V Kedrov

Perm State National Research University

Email: kedalex@gmail.com

A. V Tarasov

Perm State National Research University

Email: andrew.tarasov1993@gmail.com

References

Statistics

Views

Abstract - 26

PDF (Russian) - 40

Refbacks

• There are currently no refbacks.