CLASSIFICATION FOREST VEGETATION WITH NEURAL NETWORK
- Authors: Kedrov A.V1, Tarasov A.V1
- Affiliations:
- Perm State National Research University
- Issue: No 22 (2017)
- Pages: 44-54
- Section: Articles
- URL: https://ered.pstu.ru/index.php/elinf/article/view/2644
- DOI: https://doi.org/10.15593/вестник%20пермского%20национального%20исследовательского%20политехнического%20университета.%20электротехника,%20информационные%20технологии,%20системы%20управления.v0i22.2644
- Cite item
Abstract
As part of an international research group (IRG) there is research on the study area near Polovodovo which is devoted to developing new forest inventory technology based on airborne laser scanning (ALS) data and remote sensing data. Airborne laser scanning based stand level forest inventory has been used in Finland and other Nordic countries for several years. In the Russian Federation, ALS is not extensively used for forest inventory purposes, despite a long history of research into the use of lasers for forest measurement that dates back to the 1970s. Furthermore, there is also no generally accepted ALS-based methodology that meets the official inventory requirements of the Russian Federation. Using different types of satellite images may solve these issues. Satellite images are the one of the most important information source about conditions of forest resources. Now there are so many different method for extracting different information about forest stands, include age, health and other characteristics. So, one of the most attractive technologies now is processing images (and in particular of satellite imagery) using neural networks. In this article shows the application of the algorithm realized in the program Scanex Image Processor for imagery classification by species in the study area.
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
- Астафуров В.Г., Скороходов А.В. Классификация облаков по спутниковым снимкам на основе технологии нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. - 2011. - Т. 8. - № 1. - С. 65-72.
- Долгих А.В. Использование нейронных сетей при исследовании земной поверхности, подработанной подземными горными работами // Геоматика. - 2014. - № 1.
- Исматова Х.Р. Нейронная экспертная система для анализа и картирования процессов засоления почв по данным дистанционного зондирования // Современные проблемы дистанционного зондирования Земли из космоса. - 2006. - Т. 3. - № 2. - С. 320-329.
- Наговицын А.В., Фролова И.В. Основы ландшафтоведения. - Пермь: Изд-во Перм. гос. ун-та, 2008. - 156 с.
- Романов А.А., Рубанов К.А. Сравнение методов объектно-ориентированной и нейросетевой классификации данных дистанционного зондирования Земли на основе материалов систем Landsat-5 и Orbview-3 // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. - Т. 9. - № 4. - С. 29-36.
- Сухих В.И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве. - Йошкар-Ола: Изд-во Марийского гос. техн. ун-та, 2005. - 392 с.
- Шелестов А.Ю., Скакун С.В., Тищенко Ю.Г. Комплексирование радиолокационных данных для решения задач спутникового мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. - 2008. - № 5.
- База геоданных «Почвы. Пермский край» / Т.Г. Филькин, О.З. Еремченко, С.Е. Максимова, И.Е. Шестаков // Хроники объединенного фонда электронных ресурсов наука и образование. - 2014. - № 1.
- Simon O. Haykin. Neural Networks: A Comprehensive Foundation (2nd Edition). - New Jersey: Prentice Hall, 1998.
- Optimal Brain Damage, in Touretzky / Yann LeCun, J.S. Denker, S. Solla, R.E. Howard, L.D. Jackel; (Eds.), Advances in Neural Information Processing Systems 2 (NIPS*89). - Denver: CO, 1990.
- Руководство пользователя модуля «Thematic Pro». - М., 2011.
- Sentinel mission [Электронный ресурс]. - URL: https://sentinels.copernicus.eu/web/sentinel/home (дата обращения: 21.08.2016).
- Sentinel 2A [Электронный ресурс]. - URL: http://www.esa.int/ Our_Activities/Observing_the_Earth/Copernicus/Sentine1-2 (дата обращения: 21.08.2016).
- Инженерно-технологический центр «СКАНЭКС» [Электронный ресурс]. - URL: http://www.scanex.ru/modules/thematic-pro/ (дата обращения: 21.08.2016).
- Компания «Совзонд» [Электронный ресурс]. - URL: http://sovzond.ru/press-center/news/corporate/1005/ (дата обращения: 17.09.2016).
Statistics
Views
Abstract - 47
PDF (Russian) - 54
Refbacks
- There are currently no refbacks.