Построение тематических почвенных карт по данным

Построение тематических почвенных карт по данным
дистанционного зондирования
В.В. Конах, А.А. Топаз
Белорусский государственный университет
Беларусь, г. Минск, пр. Скорины, 4
Основными тенденциями развития дистанционных методов в
почвоведении в настоящее время являются разработка компьютерных методов
дешифрирования и картографирования почв.
Дешифрирование заключается в обнаружении, распознавании и
определении характеристик объектов по их изображениям. В зависимости от
поставленной цели различают объектное и тематическое дешифрирование. В
первом случае идет выделение и описание индивидуализированных объектов. Во
втором случае выделяются классы, категории объектов (типы почв, типы
растительного покрова и т.п.). Результатом такого дешифрирования являются
тематические карты.
Независимо от
цели
дешифрирования обработка данных в
автоматизированной системе состоит из следующих этапов: ввод и внутреннее
представление данных, предварительная обработка с целью устранения шумов и
повышения качества, выделение объектов, соответствующих тематике
дешифрирования, классификация выделенных объектов.
Целью проводимых исследований является разработка технологии
создания систем, позволяющих автоматизировать процесс построения
тематических карт на основе аэрокосмических снимков.
Объектом исследований на данном этапе была проблема создания
почвенных карт, а также картограмм содержания гумуса и влажности почв на
основе материалов аэрофотосъемки.
Результатом проделанной работы является прототип автоматизированной
системы построения тематических почвенных карт (картограмм гумусности) [1].
Особенность почвы как объекта дистанционного изучения состоит в том,
что на аэро- и космических снимках находит отражение лишь слой мощностью
около 2 см, связанный со всем ее генетическим профилем. Спектральные же
параметры верхнего слоя определяются содержанием гумуса, минеральным и
гранулометрическим составом почвы, влажностью, структурой поверхностного
слоя (степень обработки), наличием процессов эрозии и засоления [2].
При изучении территорий, сложенных однородными почвообразующими
породами можно исключить один из факторов, влияющих на отражательную
способность - механический состав. В этом случае на спектральную яркость почв
будут оказывать основное влияние влажность и содержание в них гумуса.
При дешифрировании почвенного покрова пахотных угодий очень важно
учитывать сроки проведения аэрокосмической съёмки, так как от этого в большой
мере зависит характер изображения почв на аэрокосмических снимках. Для
снимков ранневесеннего периода, когда территория наиболее распахана и почва
не скрыта растительностью, либо осеннего (начало октября), когда почва уже
распахана и еще не переувлажнена из-за осенних дождей, дешифрирование
можно проводить по прямым дешифровочным признакам, т.е. по тону или цвету
(цветные,
спектрозональные
снимки),
форме,
размеру
и
рисунку
фотоизображения. Для снимков летнего периода необходимо дополнительно
использовать косвенные признаки.
В настоящее время для территории Беларуси разработаны оптимальные
сроки аэрокосмической съёмки для территорий, занятых под лесной и луговой
растительностью, а также пахотных угодий [3].
С учетом оптимальных сроков аэрофотосъемки на территорию,
сформированную на флювиагляциальных почвообразующих породах, были
подобраны
ключевые участки
(аэрофотоэталоны) с однородными
почвообразующими породами.
Для распаханных территорий были выделены три группы контуров,
отличающихся по своим дешифровочным признакам. Эти группы
соответствовали следующим почвенным разновидностям:
- светло-серый тон фотоизображения — дерново-подзолистые временноизбыточно увлажняемые связнопесчаные почвы.
Содержание гумуса
колеблется от 0,6 до 1,0 %. Эти контуры имеют вытянутую форму, особенно
хорошо они дешифрируются среди автоморфных почв. Средний коэффициент
спектрального отражения этих почв 18,1 %, а относительного поглощения света
26,4 %;
- серый тон фотоизображения — дерново-подзолистые глееватые
связнопесчаные почвы. Содержание гумуса колеблется от 1,1 до 2,2 %.
Коэффициент отражения - 15,1, а относительного поглощения света - 32,1 %;
- темно-серый тон фотоизображения — дерново-подзолистые глеевые
связнопесчаные почвы. Спектральный коэффициент отражения отличается от
предыдущей группы на 2 % , а относительного поглощения света на 4,4 %.
Содержание гумуса колеблется от 2,3 до 3,4 % .
Решение задачи построения тематических карт разбивается на несколько
этапов. На первом этапе устраняются искажения, вносимые на этапах съемки и
сканирования. С этой целью используются гистограммные преобразования.
Основная задача преобразований
следующего этапа – улучшить
зрительное восприятие, подчеркнуть существующие различия между объектами,
изменить яркость, контрастность изображения, скрыть ненужную информацию. В
частности, в данной задаче для повышения качества работы алгоритмов на
последующих этапах обработки изображения актуальным является устранение на
изображении мелких объектов и шума, представляющего собой резкие локальные
скачки яркости. Определяется это тем, что основными объектами для анализа
являются площадные объекты. В силу этого мелкие объекты просто не
представляют интереса и лишь затрудняют обработку, увеличивая затраты
процессорного времени и необходимый для обработки объем оперативной
памяти. Для решения данной проблемы используются методы фильтрации.
Следующим этапом решения поставленной задачи является выделение
однородных областей. Это задача сегментации. Существуют различные подходы
к ее решению.
Первый – это подход с точки зрения кластерного анализа. Сначала
строится формальное определение классов, а потом – аппарат для определения
степени принадлежности элемента изображения к каждому из классов.
Второй – заключается в построении границ областей. В этом случае
строится механизм, который позволял бы определять степень различия между
соседними элементами и факт превышения допустимого различия.
При использовании первого подхода строится внутренность области, из
чего получается ее граница. При использовании второго – наоборот, строятся
границы, которые определяют внутренность.
Существуют и другие подходы. Они более сложны и сочетают в себе
возможность учитывать как различия на границах областей, так и степень
сходства элементов изображения внутри области. В описываемой системе
использован первый подход. Классы задаются на основании прецедентности, т.е.
перечислением некоторого количества образцов для каждого из классов. Далее
для каждого элемента изображения определяется степень принадлежности его к
каждому из классов. Используемый алгоритм сегментации описан в [1]. Основные
этапы обработки фрагмента изображения приведены на рис.1.
Далее необходимо решить задачу классификации выделенных однородных
областей. Для построения функций принадлежности используются образцы
изображений, для которых задача классификации уже решена. На основании этих
изображений можно построить обучающую выборку (mi , k ) , где mi обозначает
среднее значение яркости для некоторого сегмента изображения, который
подлежит классификации, а k - номер класса, к которому данный сегмент был
отнесен при проведении классификации вручную.
В данной задаче в качестве функции принадлежности выбрана функция
f ( x)  e
вида:

( x m)2
2 2
,
n
где
m
1 n
 mi ,
n i 1

m
n mi  ( mi ) 2
i 1
2
i 1
n(n  1)
,
mi - элементы обучающей выборки, относящиеся к рассматриваемому классу,
n - их количество.
Данная функция является функцией плотности распределения нормально
распределенной случайной величины, пронормированной таким образом, чтобы
она принимала значения из интервала ]0;1] .
Вид функции принадлежности выбран на основании эмпирических
рассуждений при анализе данных обучающей выборки. Правильность выбора
можно доказать лишь экспериментальным путем в связи с нечетким характером
задачи.
а) исходный фрагмент изображения
б) после гамма-коррекции
в) после устранения шума
г) после применения медианного фильтра
д) результат сегментации на 4 кластера
е) результат со скрытым 0-вым кластером
Рис.1. Пример обработки фрагмента изображения
Для каждого снимка может быть получена дополнительная информация,
запись которой называется статистическим блоком. Он содержит максимальное и
минимальное значения яркости в каждой съемочной зоне, ее среднее значение и
дисперсии по каждой зоне, коэффициенты ковариации и корреляции между
изображениями в зонах.
После проведения сегментации проводится вычисление характеристик,
соответствующих кластерам, таких как вычисление площадей, периметров
участков изображений, отнесенных к данному кластеру, коэффициента
расчленения, коэффициентов по шкале по отношению к фоновому и др. Для этого
производится индексация кластеров в соответствии с расчетными таблицами
индексов почвенных ареалов. Поскольку индексация производится вручную, то ее
должен проводить опытный оператор, чтобы правильно сопоставить тип почвы,
отнесенный к данному кластеру, с заданным индексом.
Построенную систему можно рассматривать как работающий прототип
реальной системы построения тематических почвенных карт. Эта система
позволяет проводить предобработку изображений – устранять гистограммные
искажения и локальные скачки яркости, выделять на изображении однородные
области и проводить классификацию тех из них, которым соответствуют
распаханные территории.
Кроме алгоритмов, используемых для решения задач построения
тематических почвенных карт, в системе реализованы алгоритмы подчеркивания
и выделения контуров, около десятка различных алгоритмов фильтрации,
алгоритмы преобразования изображений в частотной области и некоторые другие.
Поэтому система может использоваться
для исследования возможностей
применения того или иного алгоритма, исследования зависимостей
результативности алгоритмов от значений параметров, для накопления знаний о
методах решения задач обработки изображений с целью применения их для
дальнейшего развития системы.
Литература
1. V.V.Konakh, A.A.Topaz. Automating the Process of Soil Maps Construction. Pr.
IY-th Intern. Conf. “PRIP’2001”, Minsk, 2001. C.197-201.
2. Беляев Б.И., Курикина Т.М., Лисица В.Д. Аналитический обзор. Спектральные
отражательные свойства почв. Мн., 1991. 57 с.
3. Шалькевич Ф.Е., Жмойдяк Р.А., Топаз А.А. Составление тематических карт на
основе дешифрирования аэрокосмических снимков. Мн., 2000. 40 с.