ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ Геолого-геофизический факультет Кафедра общей и региональной геологии И.Д. Зольников, В.А. Лямина, Н.В. Глушкова ОСНОВЫ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЙ ГИС И ДЗ ПРИ РЕШЕНИИ ТИПОВЫХ ЗАДАЧ ГЕОЛОГИИ И ГЕОЭКОЛОГИИ Учебное пособие Пособие подготовлено в рамках реализации Программы НИУ-НГУ Новосибирск 2011 УДК : 004:55 ББК Д 131е73-1 З817 Зольников И.Д., Лямина В.А., Глушкова Н.В. Основы использования технологий Гис и ДЗ при решении типовых задач геологии и геоэкологии: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2011. 84 с. ISBN 978-5-94356-962-3 В учебном пособии даются основные понятия о геоинформационных системах, а также методах и данных дистанционного зондирования Земли из космоса. Рассматривается технологии использования методов ГИС и ДЗ в области наук о Земле. Приводятся конкретные примеры применения методов ГИС и ДЗ при решении геологических и геоэкологических задач. Рецензент канд. техн. наук В.Н. Дементьев ISBN 978-5-94356-962-3 © Новосибирский государственный университет, 2011 © Зольников И.Д., Лямина В.А., Глушкова Н.В., 2011 2 Содержание Введение 4 1. Основные понятия ГИС и ДЗ 5 1.1. Основные понятия ГИС 5 1.1.1. Применение ГИС-технологий в области наук о Земле. 5 1.1.2 Векторные ГИС 6 1.1.3. Растровые ГИС 6 1.1.4. Горно-геологические ГИС 7 1.1.5. Форматы данных 9 1.2. Основные понятия ДЗ 11 1.2.1. Съемочные системы 11 1.2.2. Электромагнитный спектр 13 1.2.3. Механизмы взаимодействия электромагнитного излучения с поверхностью 14 1.2.4. Параметры космической съемки 15 1.2.5. Влияние атмосферы 16 1.2.6. Характеристики снимков 17 1.2.7. Многоспектральные и гиперспектральные изображения 19 2. ГИС-технологии в геологических и геоэкологических исследованиях 21 2.1. Подготовка картографического материала 21 2.2. Геокодирование 22 2.3. Оцифровка данных 23 2.4. Создание баз геоданных 24 2.5. Построение сеточных моделей 26 2.6. Построение плотностных моделей 26 2.7. Пространственный анализ 27 3. Дистанционное зондирование в геологических и геоэкологических исследованиях 28 3.1. Основные виды предварительной обработки данных ДЗ. 28 3.1.1. Геометрическая коррекция спутниковых изображений 28 3.1.2. Радиометрическая коррекция спутниковых изображений 30 3.2 Улучшение качества изображений 31 3.2.1. Изменение контрастности изображений 31 3.2.2. Фильтрации изображений 35 3.3. Тематическая обработка спутниковых изображений. 38 3.3.1. Цветовые преобразования снимков 38 3.3.2. Построение индексных изображений 38 3.3.3. Анализ главных компонент 40 3.3.4. Классификация изображений 41 3.4 Примеры решения геологических задач с использованием ДДЗ 47 4. Комплексные технологии картографирования и мониторинга 55 4.1. Трехмерное моделирование геологического строения 55 4.2. Геоинформационное картографирование геологических и геоэкологических объектов 56 4.2.1.Экологические исследования урбанизированных территорий 56 4.2.2 Крупномасштабное геологическое картирование 57 4.3. Геологический и геоэкологический мониторинг 59 4.3.1. Методика комплексного описания биотических и абиотических составляющих природно-территориальных комплексов 59 4.3.2. Методика автоматического описания удельной площади биотических и абиотических составляющих природно-территориальных комплексов 61 4.3.3. Методика картографирования и мониторинга гетерогенных природнотерриториальных комплексов 63 4.3.4. Методика мониторинга засоления территории методами ГИС и ДЗ 64 5. Словарь терминов 66 6. Справочная информация 69 Заключение 79 Список литературы 80 3 ВВЕДЕНИЕ В учебном пособии рассмотрены комплексные технологии геоинформационных систем (ГИС) и дистанционного зондирования (ДЗ), ориентированные на решение типовых задач в области наук о Земле. В частности эти технологии могут эффективно использоваться в задачах поиска и разведки нефти и газа, эксплуатации разведанных месторождений, в экологических исследованиях, связанных с диагностикой, оценкой и минимизацией последствий работы нефтегазодобывающего комплекса. Даны основные понятия в области геоинформационных систем и дистанционного зондирования Земли из космоса. Показаны функциональные возможности векторных и растровых ГИС. Особое внимание уделено мультиспектральным космическим снимкам и специфике их обработки. Пособие рассчитано не на специалистов в области геоинформатики, а на предметно-тематических специалистов, работающих с геоданными. Оно ориентировано на интеграцию типовых задач геологии с геоинформационными методами их решения. В особенности это касается обработки данных дистанционного зондирования Земли из космоса, разнообразие и объем которых нарастает все убыстряющимися темпами. Космические снимки используются не только для выявления геологической структуры и поиска полезных ископаемых, но и для анализа трансформаций наземных экосистем, в частности при эксплуатации объектов нефтегазодобывающего комплекса. Предлагаемое учебное пособие не является всеохватывающим учебником по теории ГИС и ДЗ или методическим пособием по овладению конкретным программным продуктом, но оно позволит восполнить пробел в основах практического применения методов ГИС и ДЗ для решения типовых задач геологии и геоэкологии. 4 1. ОСНОВНЫЕ ПОНЯТИЯ ГИС И ДЗ 1.1 Основные понятия ГИС Геоинформационная система – это информационная система для сбора, хранения, обработки, отображения и передачи данных, а также получения на их основе новой информации и знаний о пространственно-привязанных объектах и явлениях [9]. Основными компонентами геоинформационных систем являются: аппаратное обеспечение, программное обеспечение, пространственно-привязанные данные (геоданные), методы, а также квалифицированный персонал. Самым долгоживущим компонентом при этом являются данные. 1.1.1. Применение ГИС-технологий в области наук о Земле Быстрое развитие компьютерных и геоинформационных технологий привело к появлению многих работ в области наук о Земле с использованием ГИС и ДЗ. Разработано множество программных пакетов как общего назначения (ArcGIS, MapInfo), так и специализированных для геологических (Macromine, Datamine, Surpack, INTEGRO и др.), гидрогеологических (RiverTools, WMS, TOPAZ, и др.), ландшафтных (Landscape Analyst и др.) и других исследований. Использование данных дистанционного зондирования позволяет оперативно получать информацию об объекте исследования. Массовое использование ГИС началось в связи с появлением персональных компьютеров в конце ХХ века. Одним из самых первых применений ГИС в геологических исследованиях этого времени было создание баз геоданных, позволяющих хранить, визуализировать и анализировать пространственно-привязанную информацию [53, 93, 86, 56]. Также, кроме создания баз геоданных, ГИС применялись в составлении геологических и тематических карт [39, 62]. Сейчас геологическое картирование предполагает сдачу материалов в фонды не только в бумажном, но и в цифровом виде. Раньше данные подготавливались в специализированном ведомственном программном пакете ГИС-парк. Сейчас данные госкартирования для МИНПРИРОДЫ сдаются в формате ESRI (шейп-файлы и проекты ArcView, ArcGIS). Актуальной задачей геологических исследований является разведка и прогноз полезных ископаемых. На сегодняшний день существует большое количество программных средств разной степени функциональной оснащенности, ориентированных на решение этой задачи. Например, в лаборатории геоинформатики ВНИИ Геосистем был разработан программный пакет ГИС-INTEGRO, позволяющий проводить структурно-тектоническое районирование территории по геолого-геофизическим данным, построение геологических разрезов, автоматизированное построение мелкомасштабных геологических карт по крупномасштабным данным, прогнозирование твердых полезных ископаемых по комплексу признаков, автоматизированный подсчет запасов полезных ископаемых [47]. Одним из современных направлений использования ГИС в рудной геологии является объемное моделирование и подсчет запасов месторождений полезных ископаемых. Разработано множество горно-геологических ГИС, позволяющих проводить объемное моделирование рудных тел по скважинам, разрезам и т.п. Помимо крупных больших дорогостоящих программных пакетов типа Macromine, Datamine, Surpack, существует также множество других разработок таких, например, как ТИГР (Трехмерный Инженерный Геологический Редактор), Geoblock и т. п. Широкое применение в исследованиях по геологии и гидрогеологии приобретает геостатистический анализ, позволяющий сравнивать и анализировать различные статистические характеристики пространственно-привязанных объектов. Таким образом, в начале ХХI века разработано большое количество программных средств, как специализированных, так и модулей к стандартным ГИС-пакетам. 5 Развитие компьютерных и геоинформационных технологий позволяет решать все более сложные геологические задачи. Если сначала компьютерные технологии использовались лишь для хранения и визуализации геоданных, а также для компьютерного построения карт, то сейчас с использованием ГИС анализируется различная пространственно-привязанная информация, моделируются процессы и объекты, как на поверхности Земли, так и в ее недрах. 1.1.2. Векторные ГИС Существуют два основных метода представления любого слоя географического пространства. Один из методов представления географического пространства является векторным. Он позволяет задавать точные пространственные координаты явным образом. Векторная модель данных основана на векторах (в противоположность покрывающим все пространство растровым структурам). Фундаментальным примитивом является точка. Объекты создаются путем соединения точек прямыми линиями. Площадные объекты определяются как набор линий. Существует несколько типов векторных моделей данных в зависимости от взаимосвязи объектов как внутри одного слоя, так и между разными слоями. В векторных нетопологических моделях все объекты являются полностью независимыми друг от друга и могут произвольно размещаться в пространстве. Простейшей нетопологической моделью является спагетти-модель. В этом случае переводится «один в один» графическое изображение карты. В этой модели не содержится описания отношений между объектами, каждый геометрический объект хранится отдельно и не связан с другими, например общая граница объектов записывается дважды, с помощью одинакового набора координат. В этой модели допускается пересечение линий и наложение полигонов. Все отношения между объектами должны вычисляться независимо, что затрудняет анализ данных и увеличивает объем хранимой информации. Векторные топологические модели, как это следует из названия, содержат топологическую информацию в явном виде. Топология – раздел математики, позволяющий описывать связанность и отделимость точек или линий, определяющих взаимосвязи объектов в ГИС. Топологическая структура данных определяет, где и как точки и линии соединяются в узлах на карте. Порядок соединения определяет форму дуги или полигона. Построение топологии позволяет описывать условия, существующие на карте или в реальности. Векторные объекты, используемые для описания пространственного изменения явления должны подчиняться некоторым простым правилам: – два площадных объекта не должны перекрываться; – каждая точка изучаемого пространства должна находиться внутри только одного площадного объекта (или на границе). Построение топологии включает в себя вычисление и кодирование взаимосвязей между точками, линиями и площадными объектами. Векторные данные состоят из двух компонентов: метрики и семантики. Метрика: информация о пространственном положении и геометрической форме объекта. Семантика: непространственная информация о географическом объекте, обычно хранящаяся в таблице и связанная с картографическим объектом уникальным идентификатором, также называется атрибутивной информацией. 1.1.3. Растровые ГИС К растровым ГИС относятся системы обработки данных дистанционного зондирования (ДДЗ) и растрового анализа и представляют собой яркий пример программ, обладающих широким спектром средств и способов работы с растровыми моделями данных. Такими моделями выступают цифровые или оцифрованные на сканерах данные дистанционных 6 исследований: аэрофото и космофотоснимки, данные сканерной, радиолокационной, тепловой, эхолокационной, гравиметрической и других видов съемки с разнообразных носителей. Вся мощь технологий этих пакетов направлена на качественное и количественное преобразование значительного объема растровой информации с целью дешифрирования, то есть создания растровых карт и их дальнейшего анализа с помощью полуавтоматических методов и зашитых в пакет автоматических средств. Примерами таких программ являются PCI, ERDAS Imagin, ER Mapper, ENVI и др. Растровые модели пространственных данных основаны на способах разделения пространства с помощью регулярных сеток, каждый элемент которых содержит идентификатор, к которому можно связать неограниченный по длине набор атрибутов. При этом важным свойством растра является неразрывная связь между пространственной и атрибутивной информацией в единой прямоугольной матрице, положение элементов которой определяется номерами строки и столбца. Такая структура представления позволяет в любой момент развернуть любой из привязанных к идентификатору атрибутов в слой с размерностью исходной сетки. С помощью такого способа представления данных возможна формализация пространственно-непрерывной информации, свойственной большинству природных и значительному числу антропогенных объектов. Пространственным разрешением растровых моделей местности называется величина, соответствующая минимальным размерам объекта, который может быть отражен в данной модели. К достоинствам растрового формата можно отнести быстроту формализации и представления в машинно-читаемом виде. Современные способы получения цифровых аэрои космофотоизображений предоставляют возможность обновления геоданных в системе реального времени без применения сложной и дорогостоящей аппаратуры цифрового ввода данных в векторном формате или дорогостоящих полуавтоматических векторизаторов. Недостатком растрового представления информации является значительный объем файлов, сказывающийся в основном на скорости обработки информации на компьютерах с небольшими размерами оперативной памяти и времени вывода изображения на экран. Для преодоления подобных недостатков используются различные способы сжатия (упаковки) информации от простейшего группового или лексикографического кода (run length code), до создания иерархической пирамидной структуры (pyramid layers, reduced resolution datasets) или организации сблокированной структуры с прямым доступом к каждому блоку – обычно небольшому квадратному участку изображения (tiled format). Для ускорения и упрощения визуализации применяются способы предварительного создания изображений, загрубленных в 2–4–6 раз, с хранением их в отдельных файлах и вызовом слоя необходимого загрубления в зависимости от требующейся операции. 1.1.4. Горно-геологические ГИС Горно-геологические ГИС (ГГИС) это программное обеспечение для решения информационно-аналитических задач, связанных с эксплуатацией месторождений полезных ископаемых [4]. По функциональному наполнению, имея много общего с традиционными ГИС, эти системы отличаются рядом особенностей, главными из которых являются: изначальная ориентировка на решение 3D-задач в связи с естественной трехмерностью размещения геопоказателей и атрибутов в недрах месторождения; применение широкого комплекса методов математического моделирования для описания строения залежей; необходимость автоматизированного создания многослойных детальных карт, планов и разрезов масштабного ряда от 1:500 до 1:5000; наличие модулей или подсистем решения специальных технологических задач (от подсчета объемов и запасов до календарного планирования и оптимизации добычи); возможность визуализации динамических, изменяющихся во времени моделей для наглядного графического представления результатов работы. 7 Кардинальное отличие ГГИС от традиционных заключается в использовании инклинометрической системы координат, в которой обычно задаются пространственные координаты скважин. Инклинометрическая система координат – полярная система координат, при которой измеряется азимут, угол падения, угол отклонения скважины и расстояние от устья скважины. Основные сферы применения ГГИС: геологоразведка, моделирование и подсчет запасов, использование и передача рудничной информации, проектирование горных выработок, добычные работы, природоохранные исследования. Геологоразведка включает в себя: планирование геохимических и других видов поисков и интерпретация полученных в их ходе данных; документацию скважин, канав, шурфов; построение разрезов и планов по скважинам и горным выработкам. Моделирование и подсчет запасов предполагает: использование данных бурения; трехмерное моделирование рудных тел; геостатистический анализ; блок-моделирование и интерполяцию содержаний в трехмерном пространстве; справки по содержаниям и тоннажу руд. Основным этапом этой части работ является построение трехмерной блок-модели и интерполяция содержаний полезных компонентов при помощи модуля геостатистики. Геостатистика – это совокупность прикладных статистических методов исследования выборочных пространственных данных, где каждое наблюдение имеет пространственные координаты (X,Y), например, широту и долготу местоположения точки наблюдения. Проблемы в области использования и передачи рудничной информации являются основным препятствием на пути эффективного управления рудниками. Современные ГГИС позволяют создавать постоянную связь с централизованной базой данных таким образом, чтобы на всех уровнях принятия решения был доступ к актуальной информации. Централизованная база данных позволяет избежать дублирования данных, кроме того персонал всегда имеет доступ к самым последним данным. При проектировании горных выработок есть возможность оценить экономический потенциал новых и пересмотреть потенциал существующих проектов, предоставить серию дизайнов карьера для различных соотношений между затратами и прибылью. При проведении добычных работ имеются возможности для преобразования полевых данных, загрузки маркшейдерских данных на компьютер, расчета объемов, контроля за содержаниями, дизайн шпуров. При проведении природоохранных работ ГГИС позволяют обрабатывать данные, полученные по сети опробования, моделировать хвостохранилища, моделировать процессы слеживания грунтов и просадок над выработками, а также моделировать процессы загрязнения. Таким образом, ГГИС представляют собой большой набор инструментов для широкого спектра специалистов – геологов, горных инженеров, маркшейдеров, и могут использоватья при поисках и добыче любых видов твердых полезных ископаемых. Они позволяют значительно повысить эффективность производства и сэкономить рабочее время и средства. Приведем обзор наиболее распространенных ГГИС по Васильеву [4]: DATAMINE (Datamine International United Kingdom). Пожалуй самая популярная горно-геологическая система с удобным интерфейсом пользователя. Системой пользуются несколько тысяч консультационных фирм и горно-рудных предприятий всего мира, в том числе СНГ. Многие эксперты считают ее наиболее мощной и проверенной на практике при проектировании и работе горных предприятий. http://www.datamine.co.uk. MICROMINE (Micromine Pty Ltd, AUSTRALIA). Система имеет довольно широкое распространение по всему миру и эксплуатируется на многих крупных горно-рудных предприятиях (несколько сот ведущих компаний). Систему отличает современный дружественный интерфейс пользователя, научная обоснованность методических подходов к решению горно-технических задач и высокое качество программной реализации положенных 8 в основу идей. Имеются следующие модули: ядро, контур, модель поверхности, дисплей I и II, скважина I и II, геология, контроль качества, проектирование рудника, моделирование рудного тела, графопостроение, статистика, линии и контуры, проектирование рудника на пластовых залежах, маркшейдерия I и II, подземные горные работы. http://www.micromine.com.au. VULCAN (Maptek, AUSTRALIA). Модульная программная система для моделирования месторождений, обеспечения ведения открытых и подземных горных работ. Позволяет решать большой круг горно-технических задач, начиная от построения цифровых моделей рельефа (ЦМР) для подсчета запасов и кончая оперативным планированием горных работ. Совершенная и реалистичная трехмерная графика. Перечень решаемых задач практически аналогичен возможностям систем Micromine или Datamine, отличаясь оригинальной методикой и реализацией эффективных алгоритмов. Фирма предлагает к системе VULCAN отдельный модуль календарного планирования горных работ Shute, который позволяет осуществлять автоматическую нарезку блоков в заданных контурах и получать графики оптимальной отработки взрывных блоков. При этом рассматриваются все влияющие факторы и ограничения. Используется трехмерная интерактивная графика компьютера Silicon Graphics. Первоначально пакет был предназначен для работы на мощных графических рабочих станциях фирмы Silicon Graphics Inc. Сейчас имеется версия для Windows NT http://www.maptek.com.au. SURPAC (Software International, AUSTRALIA, SSI). Является программным обеспечением для разведки, планирования горных работ и экологии. Surpac предоставляет средства для создания качественной 3D-графики для горных приложений, которые работают как под Windows, так и на платформе UNIX. http://surpac.com.au/. TECHBASE (Minesoft, USA). В системе используется СУБД оригинальной архитектуры, однако можно считывать текстовые ASCII-файлы с данными. Возможности системы следующие: интерполяция на основе геостатистики; блочно-каркасное моделирование залежей; расчет устойчивости откосов; расчет оптимальных границ карьера; подсчет запасов и календарное планирование горных работ; моделирование течения подземных вод; экспорт-импорт данных в различные системы (AutoCAD, dBase и т.д.). http://www.minesoft.com/. GEOSTAT (Software Inc, Canada). Представляет собой пакеты для моделирования рудных тел, подсчета запасов и планирования горных работ. Пакет POLYCAD предназначен для подсчета запасов по методу полигонов Вороного (многоугольников близости при подсчете горизонтальными сечениями). Подсчет запасов на основе блочной модели с использованием пакета BLKCAD может осуществляться интерактивно для двумерного или трехмерного вариантов. Близкими техническими характеристиками обладает и система microLYNX (LYNX Geosystem Inc., Canada – http://www.minesoft.com), предназначенная для геологии, горного дела и экологии. http://www.geostat.com/. 1.1.5. Форматы данных Форматы данных можно разделить на внутренние и обменные. Обменные форматы позволяют конвертировать данные из одних программных пакетов в другие. Существует несколько принципиально разных типов форматов данных: векторные, растровые и сеточные форматы [44]. Форматы векторных данных Шейп-файлы: стандартный обменный формат для представления векторных нетопологических данных от фирмы ESRI. Шейп-файлы бывают точечные, мультиточечные, линейные и полигональные, однако совмещение разных типов данных в одном файле невозможно. Шейп-файл состоит из трех основных файлов: 1) с расширением .shp для представления геометрии, 2) .dbf для представления атрибутики, 3) .shx для представления вспомогательных индексов. Кроме того еще могут присутствовать дополнительные файлы, такие как файл привязки – .prj. 9 В настоящее время этот формат поддерживается большинством ГИС в качестве обменного. Покрытия ARC/INFO: формат для представления векторных топологических данных от фирмы ESRI. Недостатком этого формата является то, что он состоит из множества файлов, находящихся в двух отдельных каталогах, что не очень удобно при копировании данных. Формат MapInfo (.mif) является стандартным форматом обмена векторными нетопологическими данными от фирмы MapInfo. Формат поддерживается большинством современных ГИС. Формат DWG является стандартным форматом для представления чертежей в системе автоматизированного проектирования AutoCAD от фирмы Autodesck. В геоинформационных системах этот формат используется только для того, чтобы прочитать чертеж. Если ГИС предполагает выполнять пространственный анализ объектов чертежа, то читаются только линии точки и полигоны. Формат DXF изначально был задуман как открытый обменный формат, эквивалентный DNG. Он позволяет конвертировать векторные данные не только из различных ГИС программ, но и из большинства векторных графических редакторов, таких как Corel Draw и Adobe Illustrator. Растровые форматы данных Стандартные растровые форматы (.bmp, .jpg, .tif, .gif, .png) являются обычными для хранения растровых данных в среде Windows, однако в этих форматах отсутствует информация о геопривязке данных. Еще одним недостатком этих форматов является то, что они не позволяют работать с многозональными данными дистанционного зондирования Земли. Однако для формата JPEG существует дополнительно файл привязки, позволяющих хранить данные о координатах, но это поддерживается не всеми ГИС пакетами. Формат GeoTIFF является развитием широко распространенного растрового формата TIFF. Формат GeoTIFF дополняет растр параметрами геопривязки. Недостатком данного формата является невысокая степень сжатия данных, не позволяющая интерактивно работать с растровыми изображениями больших размеров. Кроме того формат GeoTIFF, также как и TIFF имеет только три канала и не позволяет работать с многокональными данными. Формат ERDAS Imagine (.img) позволяет хранить растровые данные с любым количеством слоев совместно с параметрами геопривязки. При необходимости в этом формате сохраняется дополнительная пирамидальная структура, позволяющая очень быстро просматривать данные в любом масштабе вне зависимости от реального размера файла. Формат MR.SID (.sid) и ECW (.ecw) были изначально созданы для работы с растровыми изображениями больших размеров в среде ГИС. Эти форматы характеризуются более высоким уровнем сжатия, кроме того данные организованы так, что из файла можно очень быстро извлечь любой фрагмент изображения в любом требуемом разрешении. Еще одним специализированным форматом для работы с ДДЗ больших размеров является HDF. В этом формате хранятся не только непосредственно многоканальные данные, но также и описательная информация о параметрах съемки, геопривязки, степени обработки данных. Форматы растровых данных имеют общие структурные элементы [28]: – заголовок в текстовом или бинарном формате. – значения яркости для каждого пикселя, записанные в одном из видов: а) все значения яркости в одной спектральной зоне, затем все во второй и т.д. (BSQ – Band Sequential); б) построчно – первая строка во всех спектральных зонах, затем вторая и т.д. (BIL – Band Interleaved by Line); в) попиксельно – все зональные значения яркости для первого пикселя, затем для второго и т.д. (BIP – Band Interleaved by Pixel). Сеточные форматы данных Формат GRID – формат сеточных данных, представляющий собой регулярную сетку с атрибутивной информацией. 10 Формат TIN содержит триангуляционную сеть, полностью покрывающую некоторую область и представляющую некоторую поверхность. Базы геоданных Базы геоданных (geodatabase) находится на верхнем уровне иерархии географических данных. Они являются собранием растровых данных, векторных топологических и нетопологических данных, таблиц данных, таблиц отношений и т.п. 1.2. Основные понятия дистанционного зондирования Дистанционное зондирование (ДЗ) можно представить как процесс, посредством которого собирается информация об объекте, территории или явлении без непосредственного контакта с ним. Фактически, ДЗ рассматривается как съемка и анализ полученных изображений при тематической обработке (интерпретация физических свойств объектов). Примером получения информации дистанционным методом могут служить геофизические исследования (глубинное сейсмическое зондирование). Нас будет интересовать космическая съемка Земли. 1.2.1. Съемочные системы Съемочные системы (датчики) можно разделить на две большие группы – пассивные и активные [7]. Пассивные датчики регистрируют собственную энергию объекта или отраженную от объекта энергию естественного источника излучения (рис. 1.1). К ним относятся: 1) фотографические, которые получают изображение с помощью фотографических камер, с последующей доставкой пленки на Землю; такие снимки получаются в видимой и в ближней инфракрасной части спектра (0,4...0,9 мкм) и предназначены для решения задач, не требующих оперативного наблюдения; 2) телевизионные (диапазон спектрального излучения тот же, что и в фотографических датчиках), в качестве датчика используется фотоэлектрическая матрица; 3) инфракрасные сканеры, которые регистрируют излучения в тепловом диапазоне (3,5...14 мкм) и отображают температурные характеристики поверхности; 4) многоканальные сканеры, которые охватывают диапазон от видимого до теплового (0,4...14 мкм); 5) датчики, работающие в радиодиапазоне. Рис. 1.1. Принцип работы пассивных датчиков Активные датчики регистрируют отраженное от поверхности Земли излучение, сформированное самой съемочной системой (рис. 1.2). К ним относятся: 11 1) радиолокационные датчики (электромагнитный диапазон от 0,1 см до 130 см) создают электромагнитные колебания, которые посылаются к объекту; отраженные от объекта колебания фиксируются антенной); 2) лидары (в качестве источника излучения используются мощные лазеры, которые формируют когерентные (согласованные по частоте и фазе) излучения в оптическом диапазоне). Преимущество активных съемочных систем состоит в том, что они не зависят от погоды, времени суток. Облачный покров не является помехой для радиолокационной съемки. Интенсивность отраженного от поверхности или предметов радиоэха передается на радиолокационном (РЛ) снимке градациями фототона и фоторисунком изображения. Для тематической интерпретации РЛ-снимков важны изменения интенсивности и характера радиоэха в зависимости от структуры поверхности и вещественного состава природных объектов (почвы, растений, горных пород, воды). Основными критериями геологической интерпретации и картографирования по РЛ-снимкам являются: фототон, фоторисунок изображения, рельеф, гидрологическая сеть, растительность, контур и форма и пр. Особенность радарных данных состоит в том, что по паре снимков (методом дифференциальной интерферометрии) можно определить самые незначительные смещения подстилающей поверхности. Это используется для решения задач определения динамики термокарстовых процессов, оценки последствий землетрясений (сейсмооползни, сейсмообвалы, смещения и перекосы тектонических блоков по разломным зонам), исследования вулканических процессов (изменение земной поверхности в окрестности вулканов за счет неотектонических подвижек и накопления продуктов извержения), движения шельфовых льдов, разливов нефти и пр. Рис. 1.2. Принцип работы активных датчиков Все перечисленные датчики характеризуются оперативностью, т.к. полученные изображения передаются по радиоканалам (исключение составляют фотографические снимки). В данном пособии рассматривается, главным образом, обработка информации с пассивных датчиков – многозональные снимки. Это связано с тем, что такие данные позволяют получать спектральный отклик отражения одновременно в различных зонах спектра, что расширяет возможности их применения (указанная особенность позволяет не просто определять геологические границы, но и в ряде случаев диагностировать вещественный состав горных пород). В настоящий момент такие данные наиболее доступны (есть возможность получить бесплатно), накоплен большой архив снимков, охватывающий практически всю поверхность Земли. 12 1.2.2. Электромагнитный спектр Общий спектр встречающегося в природе электромагнитного излучения охватывает волны длиной от 10–15 метров до километров (рис. 1.3). Он непрерывен и делится на несколько областей излучения, иначе называемых зонами или диапазонами. Границы между ними условные. Для дистанционного зондирования Земли из космоса используют следующие диапазоны [26]: 1) оптические: – ультрафиолетовый, от 0,27 до 0,4 мкм; – видимый, от 0,4 до 0,78 мкм; – ближний инфракрасный (БИК), от 0,76 до 1 мкм; – средний инфракрасный (ИК), от 1 до 3,5 мкм; – тепловой (дальний) ИК, от 3,5 до 10 мкм; 2) микроволновый, от 0,3 мм до 130 см. Рис. 1.3. Электромагнитный спектр (по Рис У.Г., 2006) Особенность съемки в ультрафиолетовом диапазоне состоит в том, что в нем лучше выделяются некоторые антропогенные компоненты ландшафта и геологические образования, отчетливо дешифрируются зоны засоленности и повышенной влажности, обнаруживаются разливы сырой нефти и тяжелых нефтепродуктов. К недостатку можно отнести то, что в настоящий момент получено ограниченное количество данных в ультрафиолетовом диапазоне, за счет малой распространенности датчиков такого типа. Снимки в видимом диапазоне наиболее привычны в восприятии и понимании обычному человеку. Недостатком этих данных может служить наличие атмосферной дымки в синей части спектра. Именно поэтому в большинстве современных систем ДЗ синий диапазон редко используется при съемке поверхности Земли. В видимом, ближнем и среднем ИК-диапазонах преобладает отраженное (солнечное) излучение, а в дальнем (тепловом) собственное излучение Земли. 13 Средний ИК-диапазон наиболее перспективен для решения геологических задач (в нем наилучшим образом различаются геологические объекты). Съемка в тепловом диапазоне позволяет решать ряд таких задач, как выявление геотермальных аномалий, картографирование различных литофациальных комплексов, анализ деятельности вулканов, структурная съемка и изучение свойств почв, для локализации выходов пресных вод в прибрежных зонах. 1.2.3. Механизмы взаимодействия При попадании электромагнитной энергии на какую-либо поверхность происходят такие взаимодействия (рис. 1.4), как поглощение, преломление, отражение [32]. Космические датчики работают в основном с отраженной составляющей, но при этом нельзя не учитывать и эмиссию. Эмиссия возникает вследствие поглощения веществом падающего потока энергии. Нагревшееся в результате этого тело излучает вторичное тепло. Эффект вторичного теплового излучения и называется эмиссией. Очевидно, что этот эффект имеет смысл учитывать при исследованиях в тепловом диапазоне. Эффект эмиссии во всем тепловом диапазоне изучался геологами еще в 1960-е годы. В результате исследований было установлено, что форма кривых на графиках вторичного теплового излучения горных пород тесно связана с минеральным составом пород [32]. Силикатные и несиликатные породы можно различить по спектральным кривым их вторичного теплового излучения в диапазоне от 8 до 13 мкм. В этом же диапазоне можно разделить силикатные породы различного минерального состава. В целом, решающее значение в использовании тепловых снимков в геологических исследованиях имеет возможность одновременной съемки в различных спектральных диапазонах (возможность многозональной тепловой съемки), т.к. признаком для распознавания пород служит положение минимумов на графиках вторичного теплового излучения горных пород. Рис. 1.4. Механизмы взаимодействия электромагнитного излучения с поверхностью Отражением называют возвращение электромагнитного излучения от поверхности среды без изменения характеристик волны (длина волны, частота). Поглощение света – уменьшение интенсивности света, проходящего через среду, вследствие взаимодействия его с частицами среды. Коэффициент поглощения это отношение величины поглощенного потока энергии к величине падающего потока. Зная особенности отражения и поглощения различных пород в видимом, ближнем и среднем ИК-диапазонах можно их диагностировать по многозональным снимкам (по получаемым спектральным откликам). Преломлением света называют явление изменения направления светового луча на границе раздела двух сред. 14 1.2.4. Параметры космической съемки Съемка из космоса имеет две основные особенности: 1) выполняется с орбит (траектория движения искусственного спутника Земли), параметры которых влияют на свойства снимков; 2) производится с большого расстояния через толщу атмосферы. Орбиты различаются по форме, наклонению, высоте, периоду обращения вокруг Земли. Рассмотрим эти параметры более подробно. Форма орбит обусловлена законами небесной механики. В зависимости от скорости движения космического аппарата она может быть круговой, эллиптической, параболической, гиперболической (рис. 1.5, а). Незамкнутые параболические и гиперболические орбиты используются для вывода космических аппаратов к другим планетам, а наблюдение Земли обычно осуществляется с замкнутых круговых и эллиптических орбит. Круговая орбита обеспечивает одинаковую высоту съемки земной поверхности, а следовательно, для одной и той же аппаратуры – одинаковый охват и разрешение снимков. По наклонению, определяемому углом i между плоскостью орбиты и плоскостью экватора, разделяют орбиты экваториальные (i = 0º), полярные (i = 90º) и наклонные (прямые и обратные) (рис. 1.5, б). На полярные орбиты зачастую запускают метеорологические и ресурсные спутники, что позволяет получать информацию всей поверхности Земли. В реальных условиях из-за особенностей гравитационного поля Земли строго полярных и экваториальных орбит не существует, и под ними понимают околополярные и околоэкваториальные орбиты. Спутники работают на различных высотах. Выделяют три группы наиболее часто используемых для съемки Земли орбит (рис. 1.5, в): 1) малые высоты: 100...500 км (пилотируемые корабли и орбитальные станции); 2) средние высоты: 500...2000 км (ресурсные и метеорологические спутники); 3) большие высоты: 36000...40000 км (геостационарные спутники – скорость движения спутника равна скорости вращения Земли – постоянное наблюдение за определенным районом на поверхности). а Формы орбит: 1 – круговая, 2 – эллиптическая, 3 – параболическая, 4 – гиперболическая в б Наклон орбит: 1 – экваториальная (i = 0º); 2 – полярная (i = 90º); 3 – наклонная Высоты орбит Рис. 1.5. Формы, наклон и высоты орбит 15 Период обращения Т – это интервал времени между двумя последовательными прохождениями одной и той же точки орбиты. Следует заметить, что крайне редко удается подобрать параметры орбиты спутника таким образом, чтобы каждая последующая съемка поверхности земли охватывала один и тот же участок. Таким качеством, к примеру, обладают данные серии спутников Landsat. Период обращения спутников составляет 16 дней. Это означает, что через 16 дней будет произведена съемка того же участка земной поверхности, с таким же территориальным охватом и при одинаковых условиях съемки (съемка в то же самое время суток, что позволяет сохранить постоянным освещенность объектов). Решение различных задач по данным ДЗ требует получения снимков с различной периодичностью. Так, для большинства сельскохозяйственных задач, требуются снимки каждые 7–15 дней. При поиске полезных ископаемых достаточно изображений поверхности Земли каждое десятилетие. Контроль же чрезвычайных ситуаций и быстропротекающих процессов (например, пожары) требует высокой периодичности – от суток до нескольких часов. Положение орбиты по отношению к Солнцу. Для космических съемок большое значение имеет способность орбиты сохранять постоянную ориентацию на Солнце. Орбиты, у которых угол между плоскостью орбиты и направлением на Солнце остается постоянным, называются солнечно-синхронными. Достоинство таких орбит состоит в том, что они обеспечивают одинаковую освещенность земной поверхности вдоль трассы полета космического аппарата. 1.2.5. Влияние атмосферы При дистанционном зондировании поверхности Земли атмосфера является возмущающей средой, которая искажает спутниковые данные [43]. Облачность представляет наибольшие помехи в оптическом диапазоне. Как правило, в каждый момент времени она закрывает более 50% поверхности земного шара. При планировании съемок важно располагать данными об условиях облачности. Для этого составляют карты, характеризующие глобальное распределение зон устойчивой облачности и дающие оценку условий съемки. Кроме того, по статистическим исследованиям известно, что облачность, обычно, сохраняется над каждой точкой земной поверхности на протяжении не более 3–5 дней. Рассеивание лучей, атмосферная дымка. В атмосфере также происходит рассеивание лучей. Существует рассеяние Релея, Ми, неселективное [77]. Атмосферная дымка (эффект рассеивания лучей) наиболее сильно проявляется в синей, голубой зонах спектра (0,38...0,5 мкм). Она снижает контраст изображения, искажает цвет объектов. Поэтому в современном дистанционном зондировании при съемке поверхности Земли голубой диапазон не используется. Учет параметров атмосферы позволяет снизить ее искажающее влияние на данные дистанционного зондирования. Поглощение лучей атмосферой. Атмосфера поглощает часть отраженных лучей. Это поглощение избирательное и зависит от длины волны излучения. Поэтому съемку выполняют, используя только те участки спектра, где электромагнитное излучение не поглощается, т.е. в так называемых «окнах прозрачности» атмосферы (отображены на рис. 1.6 белым цветом). В них коэффициент прозрачности атмосферы достаточно велик, хотя и не достигает 100%. Далее приведены диапазоны окон прозрачности атмосферы (на рис. 1.6, б показано серым цветом): 1) от 0,3 до 1,3 мкм (видимый и ближний ИК диапазон); 2) от 1,5 до 1,8 мкм (средний ИК диапазон); 3) от 2,0 до 2,6 мкм (средний ИК диапазон); 4) от 7,0 до 15,0 мкм (тепловой инфракрасный диапазон); 5) около 1 мм и более 1 см (микроволновый и радиодиапазоны – наибольшая прозрачность). 16 Рис. 1.6. Графики: а – пропускание атмосферы; б – окна прозрачности 1.2.6. Характеристики снимков Все космические снимки различаются по пространственному, радиометрическому, временному и спектральному разрешениям [31]. Пространственное разрешение для аналоговых и цифровых снимков выражается различными параметрами. Для аналоговых (фотографических) снимков разрешающая способность характеризуется количеством белых и черных штрихов, раздельно воспроизводимых на 1 мм изображения снимка (единицы измерения – мм–1). Для цифровых снимков пространственное разрешение представляет размер пикселя на местности. Пиксель является наименьшим элементом цифрового изображения, внутри которого отдельные объекты не различаются. Далее будем оперировать пространственным разрешением цифровых снимков, как наиболее распространенных в настоящий момент. Значение пространственного разрешения зависит от величины апертуры и высоты съемки (рис. 1.7). Апертура – это действующее отверстие оптического прибора, определяемое размерами линз или диафрагмами. Угловая апертура (иначе называемая IFOV – мгновенное поле зрения) – угол L между крайними лучами конического светового пучка, входящего в систему. Рис. 1.7. Параметры пространственного разрешения В зависимости от решаемых задач, могут использоваться данные низкого (более 100 м), среднего (10...100 м) и высокого (менее 10 м) разрешений. Существует четкая дифференциация решаемых по снимкам задач в зависимости от пространственного 17 разрешения и соответственно – от уровня генерализации изображений. Для изучения глобальных геологических структур и морфоструктур рельефа, а также для оперативного мониторинга стихийных бедствий и антропогенных катастроф глобального и континентального уровня используются мелкомасштабные космические снимки с разрешением 100 м – 1 км. На этом уровне отражаются крупные региональные структуры: тектонические структуры первого порядка (структурно-формационные зоны), зоны глубинных разломов, основные формы рельефа (горные сооружения, межгорные впадины). Для картографирования геолого-геоморфологических особенностей территорий, изучения структуры почвенно-растительного покрова, исследования динамики ледников, лесов, береговых линий и др., оценки антропогенных воздействий (обезлесивание, опустынивание, вторичное засоление земель) используются космоснимки среднего масштаба (с пространственным разрешением 10...100 м). На этом региональном уровне отражаются тектонические структуры второго порядка (прогибы и выступы), основные черты кайнозойской блоковой структуры территории, разломы, отдельные геологические тела (штоки, крупные интрузии), внутреннее строение зон смятия и разломных зон, основные формы и комплексы рельефа, которые слагают горные сооружения и межгорные впадины. На этом же уровне видны населенные пункты, крупные хозяйственные объекты, транспортные сети, районы пожаров, возможно выявление районов потенциальной опасности возникновения катастрофических процессов среднемасштабного уровня (крупные обвалы и оползни, вулканическая деятельность, карстовые процессы, паводки и наводнения). Для выявления элементарных геоморфологических объектов, отдельных геологических тел (даек, жил) элементов микрорельефа (террасы, холмы, гряды, склоны, долины рек, границы приподнятых блоков и впадин), опасных и катастрофических экзогенных процессов (обвалов, оползней, проседаниий грунтов, эрозионных процессов, трещин) рудопроявлений и месторождений полезных ископаемых, локальных экзогенных процессов и явлений необходимы детальные снимки с разрешением 1...10 м. На снимках высокого разрешения отчетливо видны как природные, так и хозяйственные объекты (отдельные здания, промышленные объекты, транспортные объекты), что позволяет решать задачи антропогенного воздействия, на крупномасштабном уровне. Радиометрическая разрешающая способность определяется количеством градаций значений серого тона, соответствующих переходу от яркости абсолютно «черного» к абсолютно «белому» (рис. 1.8). Иными словами под радиометрической разрешающей способностью понимается число градаций серого тона. Большинство сенсоров обладают радиометрическим разрешением 6 или 8 бит. 6 бит – 64 градации (26 = 64); 8 бит – 256 градаций (28 = 256). Радиометрическое разрешение 2 бита Радиометрическое разрешение 8 бит Рис. 1.8. Примеры различного радиометрического разрешения Но есть сенсоры и с более высоким радиометрическим разрешением (11 бит – 2048 градаций для IKONOS и 16 бит – 65536 градаций для CORONA), позволяющим различать больше деталей на очень ярких или очень темных областях снимка. 18 Временное разрешение – временной интервал между двумя последовательными изображениями одного и того же участка местности. Этот параметр наиболее важен при изучении динамики быстропротекающих процессов, таких как изучение пожарной ситуации, паводковой обстановки, и пр. Наиболее используемыми данными для решения этих задач являются снимки датчиков MODIS, NOAA, у которых периодичность получения данных на один и тот же участок поверхности составляет 1–2 дня. Следует заметить, что временное разрешение не равно периоду обращения спутника вокруг Земли, поскольку за счет поворота планеты в следующем витке будет вестись съемка соседнего участка. Спектральное разрешение – это ширина спектрального канала, к которому чувствителен датчик. Первые снимки имели один канал с очень широким диапазоном чувствительности, который охватывал видимый и часть ближнего ИК-диапазона (т.е. спектральное разрешение составляло около 0,5 мкм – на рис. 1.9 от 0,4 до 0,85 мкм). Современные космические снимки имеют более высокое спектральное разрешение. Так, например, у датчика ASTER (рис. 1.10) спектральное разрешение для VNIR и SWIR диапазонов составляет для разных каналов от 0,04 до 0,17 мкм. Более высокого спектрального разрешения добиваются за счет увеличения количества диапазонов и уменьшения ширины каждого из них. В настоящее время уже существуют датчики, которые имеют сотни каналов. Так, датчик Hyperion имеет 220 каналов, охватывающих VNIR и SWIR диапазон (от 0,4 до 2,5 мкм), со спектральным разрешением 0,01 мкм. Рис. 1.9. Спектральное разрешение первых снимков (показано серым тоном) Рис. 1.10. Спектральные каналы датчика ASTER 1.2.7. Многоспектральные и гиперспектральные изображения Первоначально съемку Земли выполняли с помощью фотоаппаратов на различные типы пленок. В зависимости от того, к какой части спектра в наибольшей степени чувствительна фотоэмульсия, фотопленки разделялись на следующие сорта: ортохроматическая (дополнительная чувствительность к зеленым и желтым лучам), панхроматическая (светочувствительность ко всем лучам видимого спектра, но пониженная чувствительность к лучам зеленой части спектра), изопанхроматическая (ко всем лучам видимого спектра). Современные технологии позволяют получать цифровые изображения одного и того же участка земной поверхности в нескольких отдельных зонах спектра. Такие данные называются многозональными (многоспектральными, мультиспектральными, 19 спектрозональными) снимками. При этом из изображений, полученных в различных спектральных зонах, появилась возможность синтезировать множество вариантов цветного изображения (называемые снимками в ложных цветах). Многозональные снимки получают системами, имеющими достаточно широкие зоны съемки, преимущественно 100 нм (или 0,1 мкм). При небольшом числе каналов такое спектральное разрешение устраивало потребителя. Дальнейшее развитие съемочных систем позволило осуществлять так называемую гиперспектральную съемку, со спектральным разрешением в 10 нм. Данные такого типа нашли широкое применение лишь в последнее время. Объяснение этому – недавний запуск спутников с датчиками такого типа на борту. Принцип получения гиперспектральных изображений тот же, что и многоспектральных. В настоящий момент четкого различия между терминами многоспектральные и гиперспектральные данные нет, но к последним принято относить те, у которых нет разрыва между поддиапазонами, т.е. в некоторой части спектра получается практически непрерывный диапазон принимаемых данных. Используя эту особенность, можно довольно точно определять сканируемую поверхность, например, состав горных пород, тип растительности, почвы. Можно находить сами объекты, используя спектральные библиотеки. Схематическое представление гиперспектральных данных Данные, полученные обзорными спектрометрами, представляют собой изображения земной поверхности в смежных спектральных каналах без пропусков в электромагнитном спектре, что позволяет получить спектральные кривые «без разрывов» (непрерывный спектр). Многозональный датчик формирует несколько отдельных изображений части электромагнитного спектра, а гиперспектральный сенсор получает информацию одновременно на всех участках спектрального диапазона. Для обзорного спектрометра важны такие параметры, как ширина спектрального канала и последовательность измерений. Схематически они могут быть представлены как трехмерная область (рис. 1.11). Координатные оси X и Y определяют положение участка местности на снимке, а ось Z его спектральную характеристику. Сейчас широкому кругу пользователей доступны спектральные библиотеки, в которых хранятся значения спектральных кривых для различных объектов. Спектральная кривая отражает зависимость между длиной волны и отражательной способностью исследуемого типа объекта (рис. 1.12). По форме спектральной кривой можно различать объекты. Например, растительность имеет высокую отражательную способность в ближнем инфракрасном диапазоне и низкую отражательную способность в среднем инфракрасном по сравнению с почвами. Рис. 1.11. Гиперспектральные данные 20 Рис. 1.12. Спектральные кривые Принцип работы многоспектральных и гиперспектральных датчиков состоит в следующем. В многоспектральном датчике электромагнитное излучение разбивается (при помощи призмы) на множество узких, смежных полос, и энергия в каждой полосе измеряется отдельным датчиком. На рис. 1.13 приводится принципиальная схема построения изображения в гиперспектральном датчике. Рис. 1.13. Принципиальная схема построения изображения гиперспектрального датчика 2. ГИС-ТЕХНОЛОГИИ В ГЕОЛОГИЧЕСКИХ И ГЕОЭКОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ Прежде чем начинать создание любой геоинформационной модели необходимо собрать и подготовить все необходимые для этого данные. Источниками пространственных данных являются карты, аэрофотоснимки, космические снимки, результаты полевых исследований и т.д. [52]. Пространственные и атрибутивные данные, представленные в аналоговой форме, сначала преобразуют в цифровой формат с помощью дигитайзера или сканера, а затем записывают в память компьютера. 2.1. Подготовка картографического материала Прежде чем начать сканирование графического материала, необходимо установить следующие параметры: 1) систему координат и проекцию исходной карты, 2) наличие координатной сетки, 3) масштаб исходного картографического материала [76]. Проекция изображения. Очень часто на топографических, геологических и прочих картах непрофессиональному человеку трудно определить проекцию. Как правило на картах присутствует две координатные сетки и соответственно две координатные системы. Обычно одна из них – это географическая система координат, где координаты даются в градусах. Если 21 у вас есть географическая система координат, то для вас нет необходимости узнавать проекцию карты. По географической системе координат можно легко привязать карту, а уже затем (если это нужно) отобразить ее в какой-либо проекции. Если же географическая система координат отсутствует, то, вам все-таки придется выяснить проекцию карты. Все топокарты СССР масштаба 1:25 000 – 1:200 000 составлены в проекции Гаусса-Крюгера датум Пулково 42. Наличие координатной сетки и системы координат. Наличие координатной сетки значительно упрощает процесс привязки. Если же координатная сетка отсутствует, то вы должны знать координаты некоторых опорных точек, по которым в дальнейшем вы могли бы «привязать» карту. При этом важную роль здесь играет их количество и равномерность расположения на карте (чем больше, тем лучше, чем равномернее, тем точнее). Если на вашей карте отсутствует координатная сетка, то можно задать свою условную систему координат и начертить ее на карте перед сканированием. Масштаб исходного изображения. Масштаб исходной карты играет важную роль в последующей обработке. Главным образом он необходим для того, чтобы правильно рассчитать размер пикселя. Для обеспечения точности съема данных с исходного носителя не хуже 0,1 мм рекомендуемое разрешение сканера 600 dpi – тогда каждому элементу исходного материала размером 0,1 мм будет соответствовать два пикселя сканерного изображения. Первичная обработка сканированного изображения. Если карты, которые сканировались, были сильно «загрязнены», то для удобства работы с ними необходимо провести их чистку. «Чистка грязи» – это удаление мелких растровых объектов (черных точек), полученных в результате сканирования синек или ветхих документов. Улучшение качества растра достигается за счет использования разнообразных фильтров: утоньшения или утолщения растровой линии, разделения или слияния их и т.п. Обычно данная работа выполняется в программе «Adobe Photoshop». Следует заметить, что все эти процедуры надо применять очень осторожно. Самая большая опасность здесь – это потерять важную информацию. Это означает, что первичная обработка – процесс сугубо интерактивный, требующий непрерывного контроля со стороны оператора. Выполнение этой процедуры позволит не только улучшить качество изображения, но и уменьшить размер файла, что особенно актуально, если вы работаете с большим количеством графического материала. 2.2. Геокодирование Геокодирование или геопривязка сканированного изображения, вторая задача, которую Вам необходимо выполнить. Под геокодированием понимается перевод ваших цифровых данных в ту систему координат, которая Вам необходима для работы. Например, это может быть географическая система координат, и тогда единицами измерения будут десятичные градусы. Или это может быть проекция Гаусса-Крюгера и тогда единицами измерения будут метры. Обычно геокодирование производится при помощи растровых ГИС, таких как ENVI и ERDAS. Однако в большинстве современных векторных ГИС конечного пользователя также присутствуют расширения или функции для привязки растровых данных. Современные программы векторизации данных так же содержат модули геокодирования графического изображения. Все они отличаются друг от друга, как по простоте использования, так и функциональности. Чтобы правильно геокодировать карту – необходимо рассчитать размер пикселя. Для того чтобы картографические материалы достаточно детально воспроизводились в цифровом виде, размер пикселя обычно принимается равным 0,1 мм карты. Если у вас карта масштаба 1:100 000, то соответственно размер пикселя должен быть равен 10 м. Однако это относится только к картам, которые имеют прямоугольную систему координат и значения выражены в метрических единицах измерения, а не в градусах. Если вам нужно рассчитать размер пикселя для геологической карты 1:200 000 масштаба с координатной сеткой выраженной в 22 градусах, то в данном случае вы должны посчитать – сколько метров составляет одна десятая градуса. Этот показатель различен для разных широт. При этом следует помнить, что размер пикселя по оси X так и по оси Y может быть не одинаков (в связи со спецификой проекций). Координатная сетка. Вам необходимо было определить, есть у вас координатная сетка или нет. Если нет, то Вам нужно было разлиновать свою координатную сетку, присвоив ей условную систему координат. Процесс привязки координатной сетки остается таким же, как и на картах с координатной сеткой. Геометрическая коррекция. При обработке старых, потрепанных картографических материалов, зачастую встает вопрос об их точности. А именно, если карта часто использовалась или находилась в не благоприятных условиях (повышенная или пониженная влажность), то можно ожидать увеличения ее размеров в местах перегибов или на краях. Если обрабатываемая карта, не оригинал, а ксерокопия, то так же можно ожидать искажение ее размеров, из-за неточности копирования. Неточности главным образом проявляются в местах перегибов карты. Т.е. если длина между двумя линиями координатной сетки в идеале составляет 100 пикселов, то в месте перегиба она может составить 110 пикселов. Чтобы исправить искажения, на практике используют процедуру геометрической коррекции. Эта процедура заключается в коррекции местоположения точек узлов координатной сетки. В растровых системах это осуществляется путем присвоения узлам координатной сетки значений координат. После этого производится коррекция карты таким образом, чтобы исправить все искажения, согласно, заданных координат. Что делать если сетка неравномерная или «кривая». При необходимости система обработки изображений в процессе геокодировании трансформирует растр таким образом, чтобы сетка выпрямилась и стала равномерной. Перед этим следует только правильно рассчитать размер пикселя. Помните, что для одной оси он может быть одним, а для другой оси другим. 2.3. Оцифровка данных Процесс векторизации данных чрезвычайно трудоемок и монотонен. В программноаппаратном отношении есть две главных технологии оцифровки: 1) при помощи дигитайзеров и 2) при помощи растровых векторизаторов. На современном этапе вторая технология постепенно вытесняет первую. У каждого пользователя в зависимости от его квалификации создаются свои подходы и вырабатываются свои приемы для решения этой задачи. Каждая программа оцифровки имеет свои специфические особенности. Однако необходимо уточнить несколько моментов. 1. Легенда бумажной и цифровой карты, сделанной по ней могут не совпадать. Это обусловлено различиями идеологии в составлении бумажных и цифровых карт. Поэтому, составить легенду для цифровой карты нужно перед тем, как приступить к векторизации. Особое внимание следует уделить разделению объектов на полигональные, линейные, точечные. Здесь, главным образом, все зависит от ваших целей и задач, т.е. что вы хотите оцифровать. 2. В зависимости от типа картографической информации выбирается режим оцифровки. В отдельных случаях может быть использован автоматический режим. Для него характерна проблема с чисткой «мусорных» векторных объектов, возникающих при этом режиме в большом количестве. Более распространено использование полуавтоматического и ручного режимов векторизации. 3. При векторизации целесообразно условно разбивать изображение на несколько частей для удобства работы. По методам оцифровки можно выделить два типа карт: карты в изолиниях и карты с площадными выделами, представляемыми в виде полигонов. Для карт с изолиниями более эффективны полуавтоматические векторизаторы. Для карт с полигонами векторизатором может служить обычная ГИС. 23 Процесс векторизации карт с площадными обьектами в программах ArcView и ArcGIS достаточно прост. Он основан на том, что пользователь создает векторный полигон на выбранный участок карты, и путем разрезания, производит оцифровку. При этом очень важно, чтобы была включена функция Snapping. Таким образом, без особых проблем можно векторизовать изображение. В конечном результате вы получите одну тему с множеством полигональных объектов. Далее вы можете присвоить каждому полигону атрибутивную информацию и расклассифицировать эту карту в соответствии с легендой. Подобная методика оцифровки подходит для полигональных карт, например геологических или ландшафтных. При необходимости вы можете при помощи ГИС ArcGIS конвертировать полученную полигональную тему в линии. В результате этого вы получите тему, состоящую целиком из линий, которые совпадают с пространственным положением ваших геологических границ. Теперь, используя меню запросов, вы можете достаточно быстро по выделенным полигонам выбрать все линии, которые их окружают, и придать им разное атрибутивное значение, например, граница несогласий и геологические разломы. Оцифровав геологическую карту, вы еще не имеете ее в презентационном виде. Встает проблема раскраски и подписи символов. В большинстве случаев сложность заключается в подборе цветов и условных обозначений, как линейных, так и точечных тем. В свою очередь можно использовать специальные библиотеки, поставляемые вместе с программным обеспечением. Однако и они не дают полной возможности должным образом подготовить карту. В ArcGis начиная с версии 8.х, вы сможете не только подобрать необходимую палитру цветов и условные обозначения, отвечающие требованиям типового пользователя, но создать необходимые вам условные обозначении 2.4. Создание баз геоданных Существует множество различных видов данных: геохимические данные, картографические данные, космо- и аэрофотоснимки, различные сеточные форматы (цифровая модель рельефа, теневая модель рельефа, углы и азимуты падения склонов, карты потоков и т.д.), перспективные модели рельефа. Существует также большое число различных форматов данных. Поэтому в последнее время наибольшую актуальность при геологических и экогеологических исследованиях приобретают проблемы систематизации больших массивов данных, их упорядочения, хранения и организации оперативного доступа к ним. При использовании большого разнообразия геоданных, возникает необходимость разработки различных способов работы с ними, которая реализуется в виде создания банка данных. В его возможности входит обеспечение высокого уровня интеграции геологических данных, статистическая обработка, пространственный анализ, облегчение работы с данными за счет интерфейсной оболочки и внутреннего поискового механизма. Типы банков данных Банки геоданных по особенностям хранения информации бывают локальные, распределенные, удаленные. Так же банки геоданных разделяются по характеру хранимой информации. Например, существуют картографические банки данных или банки цифровых карт, банки аэро- и космоснимков, справочные банки данных, банки метаданных и пр. По территориальному охвату: локальные (точечные), региональные и глобальные. Банк данных называют локальным (local databank), если он размещен в одном вычислительном центре или на одном компьютере. Примером локального банка данных может служить банк данных по экогеохимии Западной Сибири [21]. Распределенный банк данных (distributed databank) – система объединенных под единым управлением и посредством компьютерной сети территориально разобщенных локальных банков данных, объединенных единым интерфейсом и поисковой машиной. Информационная система «База данных по газгидратам» является примером распределенного банка геоданных [84]. Эта информационная система содержит поисковую машину и интерфейс пространственного (географического) поиска. Распределенная 24 структура «Базы данных по газгидратам» связывает несколько удаленных сайтов, содержащих собранную по этой теме информацию, что делает ее оптимальной системой для интерактивного поиска и обмена данными. Метаданные, банки метаданных В некоторых случаях бывает невозможно внести всю имеющуюся информацию в банк данных. Этому есть несколько причин: – большие объемы информации; – коммерческие ограничения на использование информации; – секретность информации. В связи с этим широкое применение получило использование метаданных [21]. Под метаданными, в основном, понимается информация о других данных или объектах. Как правило, в метаданных содержатся ответы на следующие вопросы. Что это за данные? Где их найти? У кого их найти? Cколько они стоят? В каком формате они доступны? Какое качество данных? Какую площадь или временной период они покрывают? Когда и где эти данные были собраны, и с использованием какой аппаратуры? В настоящее время создаются целые банки метаданных, например при проведении научно-исследовательских работ по экогеологии необходима библиографическая информация, данные дистанционного зондирования, картографические материалы, так же в процессе исследования накапливаются геохимические, геофизические и другие данные. Большие объемы используемой информации в данном случае обуславливают необходимость использования баз метаданных. Помимо того что базы метаданных могут служить средством инвентаризации информационных ресурсов, они так же могут входить в существующие информационные системы и базы данных, составляя одну из целей их администрирования или использоваться при поиске и оценке источников пространственных данных. Одним из примеров может служить банк метаданных «Алтайский экорегион» [1]. Процесс проектирования банка данных информационной системы разбивается на несколько этапов [19]: моделирование видения данных пользователем (исходя из исследовательских функций), определение объектов и их отношений, выбор географического представления, установление соответствий среди элементов геоданных, организация структуры базы геоданных. В случае изучения экосистем регионального уровня подход к организации оперативного управления информацией региональных банков данных для реализации поисковой НИР характеризуется следующими особенностями. 1. Использование пространственных баз метаданных, что позволяет систематизировать данные с учетом их территориальной привязки на разных уровнях регионального исследования (от обзорного до детального). 2. Расширенные возможности использования гипертекстовых информационных компонентов, что дает возможность оформлять текущие результаты в виде автономных заключений и связывать их с соответствующими блоками первичных данных и данных, являющихся результатом промежуточной обработки фактического материала. 3. Ориентация на гибкие информационные шаблоны и интерактивный характер систематизации и связывания метаданных, что позволяет использовать региональные банки данных как оперативный инструмент научных исследований поискового характера. 25 2.5. Построение сеточных моделей Основой для большинства геоинформационных моделей является цифровая модель рельефа. Существует два кардинально различающихся способа получения моделей рельефа. Первый способ – это методы дистанционного зондирования (ДЗ) и фотограмметрия. Однако получаемые данным способом модели рельефа имеют невысокое разрешение и применимы больше для региональных исследований. Одним из способов получения топографической информации на всю территорию Земли является SRTM (Shuttle Radar Topography Mission). На основе радарных данных получен DEM (Digital Elevation Model) разрешением около 90 м с точностью по высоте 16 м. Также сейчас появилась цифровая модель рельефа на основе космических снимков ASTER с разрешением 15 м. Однако качество данной модели оставляет желать лучшего. Второй способ – построение моделей рельефа путем интерполяции оцифрованных изолиний с топографических карт. При этом способе также есть ряд недостатков: во-первых, трудоемкость получения изолиний, и, во-вторых, недостаточная точность при интерполяции данных. Существует два типа моделей рельефа, полученных по оцифрованным данным: TIN (триангуляционная модель) и GRID (регулярная сеточная модель). Преимуществом триангуляционной модели является то, что в ней нет преобразований исходных данных. Существует множество работ, посвященных проблемам интерполяции и построения триангуляционных моделей [8, 29, 33, 88]. Для каждой конкретной задачи и исходных данных необходимо подбирать методы и параметры интерполяции. Из методов интерполяции, реализованных в программном пакете ARC/INFO, только TOPOGRIDTOOL позволяет строить гидрологически корректные цифровые модели рельефа. Расширение ArcHydroTool, программного пакета ArcGis, позволяет корректировать построенную ЦМР с учетом оцифрованной гидросети. Тем не менее, даже при построении гидрологически корректной модели рельефа возникает ряд артефактов, таких как образование большого числа паразитных локальных понижений (sink). Стандартным способом коррекции таких моделей является заполнение понижений до минимальной высоты в ограничивающем понижение пространстве. Это приводит к возникновению большого количества плоских участков, что затрудняет дальнейшее моделирование водных потоков по такой модели рельефа [30]. В современном программном обеспечении (RiverTools, TOPAZ), моделирующем водные потоки, разработана серия методов, позволяющих наиболее корректно решать данную проблему. С появлением цифровых моделей рельефа, стали появляться множество методов анализа геоморфологических и морфометрических характеристик рельефа. Простейшими моделями, получаемыми на базе ЦМР, являются углы падения склонов и их экспозиция. Расчет таких моделей заложен практически во всех ГИС, работающих с цифровыми моделями. Кроме того, современные ГИС позволяют стоить профили поперечного сечения рельефа по прямой или ломаной линии, оценивать зоны видимости или невидимости с заданной точки обзора, проводить генерацию сети тальвегов и водоразделов, трехмерную визуализацию рельефа, драпировку поверхности рельефа космоили аэрофотоизображениями. Существует множество расширений и приложений к ГИС, позволяющих проводить анализ рельефа. Кроме цифровых моделей рельефа часто используются сеточные модели, построенные по геохимическим, геофизическим и другим данным. Для построения таких моделей не подходит метод интерполяции TOPOGRIDTOOL, а чаще используется методы Kriging или spline интерполяции. 2.6. Построение плотностных моделей Одним из вариантов сеточных моделей являются плотностные модели. Самый распространенный вид плотностной модели – карта плотности населения. В науках о Земле наиболее распространенным видом плотностных моделей является карта плотности 26 линеаментов. В геоморфологических исследованиях применяются карты плотности эрозионного расчленения и т.п. Методику построения плотностных моделей можно пояснить на примере карты плотности гидросети. Для каждого узла сетки строится круг с определенным радиусом. Для каждого круга рассчитывается суммарная длина тех фрагментов гидросети, которые попали в этот круг и полученное значение присваивается узлу сетки. 2.7. Пространственный анализ Пространственный анализ это группа функций, обеспечивающая анализ размещения, связей, и иных наложений пространственных объектов, включая анализ зон видимости, анализ соседства, анализ сетей и т.п. [9]. Пространственный анализ разделяется на два типа: анализ близости и анализ наложения. Когда объекты реального мира абстрагируются в геометрические объекты, то можно построить запрос на нахождение расстояний между ними и выполнить их последующий анализ. Некоторые из инструментов выполнения анализа близости в ArcMap позволяют генерировать новые слои данных на основании этих пространственных соотношений. Анализ близости или изучение расстояний между объектами, включает построение буферных зон и нахождение ближайших соседей посредством пространственного объединения. Одним из распространенных методов анализа близости является построение буферных зон. Буфер – это полигон, с границей на определенном расстоянии от точки, линии или границы области. Буферные области могут строиться как на равном расстоянии от объектов, так и задаваться в виде атрибутивных данных. Кроме того, буферные зоны могут быть многослойными. Нахождение ближайших соседей позволяет найти ближайший объект относительно некоторого заданного объекта. Используя опцию пространственного объединения или VBA скрипт, который рассчитывает расстояния, вы можете, например, определить круг жителей, проживающих в непосредственной близости от химического очистительного завода и предпринять необходимые меры для обеспечения их безопасности. Анализ наложения, также часто называется оверлейными операциями. Оверлейные операции – операции наложения друг на друга двух или более слоев, в результате которых образуется графическая композиция исходных слоев, или производный слой, содержащий композицию пространственных объектов исходных слоев и их атрибуты, арифметически или логически производные от исходных объектов. Анализ наложения включает в себя такие функции, как объединение, слияние, пересечение, обрезка и вырезка. В качестве примера можно привести построение схемы перспективности Уронайского рудного узла на обнаружение скрытого оруденения [35]. Территория Уронайского рудного узла, расположена в восточном Забайкалье и перспективна на медное и вольфрамовое оруденение. Для исследуемой территории были выделены рудоконтролирующие факторы, с которыми связана основная минерализация района. Основными рудоконтролирующими фактором на территории Уронайского рудного узла являются пересечения разломных зон, штоки гранитоидов и слои карбонатных пород. Так же были выбраны эталонные объекты, на основе которых проверялась создаваемая модель. К таким объектам относятся месторождения и рудопроявления, а также литогеохимические и гидрогеохимические аномалии. При решении прямой задачи необходимо определить рудоконтролирующие факторы для известных месторождений и рудопроявлений. При решении обратной задачи необходимо локализовать все рудоконтролирующие факторы и определить связь с ними известных рудопроявлений и месторождений. При решении прямой задачи необходимо учесть расстояние от каждого пикселя до: 1. гранитных интрузий; 2. скарнов и карбонатных прослоев; 3. пересечения разломов различных направлений. 27 Рис. 2.1. Распределение рудной минерализации в зависимости от рудоконтролирующих факторов на территории Уронайского рудного узла. 1 – карбонатные слои, 2 – пробы с аномальными концентрациями Cu, W или Mo, 3 – перспективные области, 4–5 – месторождения: 4 – Уронайское месторождение Bi, Cu, Au, 5 – меди, 6–11 рудопроявления: 6 – меди, 7 – вольфрама, 8 – свинца и цинка, 9 – висмута, 10 – сурьмы 11 – молибдена, 12 – геологические разломы Для этого строились буферные зоны с радиусом 500 м вокруг пересечения разломов, скарнов и карбонатных прослоев, а также гранитных интрузий. Далее все полученные буферные зоны объединялись в один файл (рис. 2.1). Полученная перспективная схема верифицируется известными месторождениями и рудопроявлениями, а также литогеохимическими аномалиями. Из 39 известных на данной территории месторождений и рудопроявлений только 6 не попали в перспективные области. Практически все литогеохимические аномалии попали в перспективные области. 3. ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ В ГЕОЛОГИЧЕСКИХ И ГЕОЭКОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ Обработка изображений состоит из трех стадий: предварительная обработка, улучшение изображений и тематическая обработка. 3.1. Основные виды предварительной обработки данных ДЗ Основной целью предварительной обработки изображений является устранение систематических ошибок [42]. Особое внимание следует уделять устранению радиометрических и геометрических ошибок. 3.1.1. Геометрическая коррекция спутниковых изображений Геометрическая коррекция изображений (geometric correction, geometric rectification, image registration) – это перевод пространственных координат каждого пикселя изображения 28 в пространственные координаты на поверхности Земли. Существует несколько видов геометрических искажений: 1. Искажения, вызванные кривизной поверхности Земли. Влияние кривизны Земли вызвано тем, что точки местности вследствие сферичности Земли не лежат в одной плоскости (рис. 3.1). Формула для расчета смещения точек за счет кривизны Земли выглядит следующим образом: σr= r 3 H 2 R3 f 2 , (3.1) где σr – смещение точек на снимке, вызванное кривизной Земли; r – расстояние от центра снимка до точки; H – высота съемки; R3 – радиус Земли; f – фокусное расстояние камеры. Как видно из формулы 3.1, искажения в значительной степени зависят от высоты съемки, а это значит, что на аэроснимках ими можно принебречь. На космоснимках искажения минимальны в центральной части снимка и увеличиваются к его краям. 2. Искажения, вызванные рельефом местности. Искажения, связанные с влиянием рельефа местности, наиболее ощутимы у аэрофотоснимков. Для космических снимков это характерно только для высокогорных районов и крупномасштабных снимков. Так, положительные формы рельефа, расположенные ближе к съемочной камере, изобразятся на снимке в более крупном масштабе, чем отрицательные [28]. Влияние рельефа вызывает смещение точек a и b на реальном снимке относительно их положения a0 и b0 на идеальном снимке (рис. 3.2). Смещение точек, вызванные рельефом местности, вычисляют по формуле: r r σh= ± h H = ± h fM , (3.2) где σh – смещение точек, вызванные рельефом местности; h – превышение на местности (AA0, BB0); H – средняя высота съемки; f – фокусное расстояние камеры; M – масштаб съемки. Для устранения искажений, вызванных рельефом местности, используют процедуру орторектификации или ортотрансформирования (orthorectification, orthotransformation, orthofototransformation). Для ее проведения необходимы такие параметры, как азимут, высота Солнца, угол визирования, цифровая модель рельефа местности. 3. Искажения, вызванные вращением Земли и движением спутника . Очевидно, что в момент съемки Земля поворачивается на некоторый угол (за 1 минуту на 0,25º), а также спутник летит по траектории полета. Компенсация линейного смаза изображения рассчитывается по формуле: f σсмаз = H tW , где f – фокусное расстояние камеры; H – высота съемки; tW – расстояние, которое спутник пролетел в момент фотографирования. 29 (3.3) Рис. 3.1. Смещение точек на снимке, вызванное кривизной Земли Рис. 3.2. Смещение точек на снимке, вызванное рельефом местности 3.1.2. Радиометрическая коррекция спутниковых изображений Данные получаемые со спутника, записаны в виде цифровых значений яркости (DN, Digital Number), величина которых зависит от радиометрической разрешающей способности датчика (для 8 битных сенсоров эти значения лежат в диапазоне от 0 до 255, для 12 битных – от 0 до 4095 и т.д.). Радиометрическая коррекция (radiometric correction, spectral correction) состоит в переводе этих значений в физические единицы, устранения влияния атмосферы, дефектов изображений и пр. Радиометрическая калибровка снимков Перед запуском сенсора на орбиту в лабораторных условиях тщательно проверяют его характеристики – минимальные, максимальные величины регистрируемого излучения, линейность передачи яркости в рабочем диапазоне, на основе которых расчитывают калибровочные коэффициенты. Радиометрическая калибровка осуществляется по формуле: Bλ = KλDN+Cλ , (3.4) где Bλ –энергетическая яркость; Kλ –калибровочный коэффициент; DN – цифровые значения, получаемые датчиком в момент съемки; Cλ – калибровочная константа, соответствующая минимальной величине регистрируемой яркости. Для сравнения различных снимков следует энергетическую яркость переводить в значения отражения от поверхности в процентах (reflectance, отношение отраженного потока излучения к падающему), что осуществляется по формуле: πB λ D2ʘ ρλ = J cosZ , (3.5) λʘ ʘ где Bλ – это энергетическая яркость; Dʘ – расстояние от Земли до Солнца в астрономических единицах на конкретную дату (берется из справочных таблиц); 30 Jʘλ – средняя солнечная внеатмосферная энергетическая освещенность (берется из справочных таблиц, Вт/(м2нм)); Zʘ – зенитное расстояние Солнца (из калибровочного файла). Атмосферная коррекция снимков Атмосфера вносит искажения в значения яркости, регистрируемые сенсором – часть энергии поглощает, часть рассеивает. Наиболее простой способ коррекции указанных явлений в оптическом диапазоне предполагает, что значения яркости завышены за счет влияния атмосферной дымки. Для ее устранения из яркости всех пикселей вычитают значения наиболее темных объектов на снимке, соответствующие участкам глубокой тени в видимой части электромагнитного диапазона, либо глубокого чистого водоема в ближнем ИК-диапазоне (которые в идеальном случае должны иметь нулевые значения). Существуют более сложные и точные методы атмосферной коррекции снимков, которые устраняют такие явления, как влияние водяного пара, кислорода, углекислого газа, метана, озона, рассеивания молекулами аэрозолей и частицами пыли в зависимости от широты местности и сезона съемки (модели LOWTRAN, MODTRAN). Еще один вид коррекции изображения – устранение дефектов. Бывают случаи, когда на изображении отсутствуют значения яркости некоторых пикселей или строк. Тогда для их восстановления используют значения соседних пикселей. 3.2. Улучшение качества изображений Процесс улучшения качества изображений состоит в модификации контрастности и фильтрации. 3.2.1. Изменение контрастности изображений. Слабый контраст – наиболее распространенный дефект сканерных снимков. Модификация контрастности заключается в изменении формы гистограммы посредством изменения значений пикселя [42]. Гистограмма снимка – это график, по оси х которого отложены значения яркости, а по оси у – частота, с которой разные значения встречаются на снимке. Существует несколько методов повышения контраста. 1. Линейное растягивание – самый простой способ модификации контрастности. Метод основан на том, что левый и правый край гистограммы сдвигают к соответствующим границам полного диапазона [52]. Иными словами, левому краю гистограммы присваивается значение 0, правому – 255 (рис. 3.3). Иногда для удаления «хвостов» гистограммы, которые не несут существенной информации изображения, применяют так называемое процентильное растяжение (исключают 1, 2 или 5% данных, которые соответствуют хвостам гистограммы, рис. 3.4 и 3.5). а б Рис. 3.3. Линейное растягивание контрастности: а – исходная гистограмма; б – гистограмма после преобразования 31 а б Рис. 3.4. Процентильное растяжение: а – исходная гистограмма; б – гистограмма после преобразования а б в г Рис. 3.5. Пример процентильного растяжения в 5%: а – исходный снимок; б - снимок после процентильного растяжения 5%; в – гистограмма исходного снимка; г - гистограмма изображения после преобразования 32 2. Нелинейные методы растягивания контрастности. Существуют нелинейные методы повышения контрастности. Самой простой из них – метод выравнивания гистограммы (эквализация – Equalization). Принцип метода основан на преобразовании гистограммы входного изображения таким образом, чтобы каждому значению яркости соответствовало примерно одинаковое количество пикселей. В результате пиксели с исходными значениями, редко встречающимися на снимке, объединяются в группы одного тона, а пиксели с часто встречающимися значениями, изображаются с более дробным разделением тонов (рис. 3.6) [28]. Это позволяет увеличивать контрастность тех частей снимка, которые дают основной вклад в гистограмму, а контрастность остальных частей уменьшает. б а Рис. 3.6. Пример контрастности изображения путем выравнивания гистограммы (эквализация): а - изображение после выравнивания гистограммы; б – гистограмма изображения после выравнивания гистограммы Другой популярный нелинейный метод повышения контрастности – гауссово растяжение. Принцип заключается в преобразовании исходной гистограммы к распределению Гаусса, среднее значение принимается за 127, а область шириной ±3 стандартных отклонения «растягивается» до значений 0 – 255 (рис. 3.7). 33 б а Рис. 3.7. Пример контрастности изображения путем гауссова растяжения: а - изображение после гауссова растяжения; б – гистограмма изображения после гауссова растяжения Еще один из методов, реализованный в программном продукте ENVI, растягивание гистограммы методом квадратного корня. Для этого к изображению применяют корень квадратный и потом линейное растягивание (рис. 3.8). б а Рис. 3.8. Пример контрастности изображения путем растяжения методом квадратного корня: а - изображение после растяжения методом квадратного корня; б – гистограмма изображения после растяжения методом квадратного корня Таким образом, изменение контрастности изображения может быть достигнуто разными методами. Решение о применении того или иного приема зависит от анализа изображения и его гистограммы и принимается исследователем. 34 3.2.2. Фильтрации изображений Реальные изображения наряду с полезной информацией содержат различные помехи [26]. Фильтрация – преобразование, в процессе которого избыточная для решения определенной задачи информация отсеивается, а необходимая приводится к виду, упрощающему ее использование [28]. Пространственные фильтры используют для выделения или, наоборот, подавления определенных структур на снимке в зависимости от их пространственной частоты. Пространственная частота тесно связана с такой характеристикой тоновых вариаций, как текстура [52]. Грубая текстура, с резкой сменой тонов на малой площади, соответствует высокой пространственной частоте, плавные изменения тона – низкой. Наибольшее распространение получила фильтрация, путем изменения яркости в «скользящем окне». Принцип метода основан на том, что задается окно, размером 3 х 3 или 5 х 5 (и более, нечетное) пикселей (рис. 3.9), в котором выделяют центральный пиксель и его окрестности. Для центрального пикселя рассчитывается новое значение яркости как некоторую функцию от яркостей пикселей окрестности. Затем окно сдвигается на один пиксель и процедура повторяется. Рассмотрим примеры различных фильтраций. Если все весовые коэффициенты одинаковые (как на рис. 3.9), то происходит осреднение значений яркости изображения (сглаживающий фильтр). Для подчеркивания границ, повышения яркостного контраста между пикселями применяется фильтр, представленный на рис. 3.10. Для выделения линейных элементов изображения определенного направления подбирают значения весовых коэффициентов симметрично относительно выбранного направления. Так, на рис. 3.11 представлен фильтр, позволяющий выделить линейные границы меридионального направления. Рис. 3.9. Сглаживающий фильтр Рис. 3.10. Фильтр, увеличивающий резкость Рис. 3.11. Фильтр, позволяющий выделить границы меридиального направления На рис. 3.12 приведены примеры фильтров для выделения границ различных направлений. Название географических направлений говорит о направлении склона перепада, вызывающий максимальный отклик фильтра [50]. Сумма весовых множителей масок равно нулю, поэтому на участках изображения с постоянной яркостью эти фильтры дают нулевой отклик. Для выделения перепадов без учета их ориентации используют двумерные операторы Лапласа (рис. 3.13). На рис. 3.14–3.16 приведены примеры фильтрации изображения северного и западного направлений, а также оператором Лапласа. 35 Рис. 3.12. Линейные фильтры для выделения границ различных направлений Рис. 3.13. Фильтры для выделения границ без учета ориентации перепадов Рис. 3.14. Фильтрованное изображение для выделения перепадов северного направления 36 Рис. 3.15. Фильтрованное изображение для выделения перепадов западного направления Рис. 3.16. Фильтрованное изображение для выделения перепадов оператором Лапласа без учета направления перепада Следует заметить, что такие процедуры, как контрастирование изображения, фильтрации меняют спектральные характеристики снимка, а потому после проведенных операций нельзя проводить тематическую обработку, основанную на работе со спектральным доменом (классификации, построение индексных изображений, и т.п.). 37 3.3. Тематическая обработка спутниковых изображений 3.3.1. Цветовые преобразования снимков Если снимок содержит красный (R) зеленый (G) и синий (B) каналы, то можно получить на экране изображение в близких к естественным (натуральных) цветам, загрузив снимок как комбинацию каналов для R – красный, G – зеленый, B – синий. Если каналы поменять местами (например, для R – синий, G – зеленый и B – красный каналы) или заменить их другими, то получится изображение в ложных цветах. Изображения в ложных цветах зачастую подчеркивают особенности местности, которые плохо различимы на естественных изображениях. Это касается в первую очередь растительности, при построении комбинаций каналов R – ближний ИК-диапазон, G - красный и B – зеленый (см. илл. 1 – 4 на цветной вкладке). 3.3.2. Построение индексных изображений При изучении объектов по многозональным снимкам часто важны не абсолютные значения, а характерные соотношения между значениями яркости объекта в различных спектральных зонах. На таких изображениях пиксели искомых объектов яркие, они имеют максимальные значения и более ярко и контрастно выделяются по сравнению с исходным снимком [28]. Для получения индексного изображения, значение яркости каждого пикселя вычисляется путем применения арифметических операций над значениями яркости этого пикселя из разных каналов снимка. Примеры расчета индексных изображений Существует серия индексов (формулы 3.3–3.5), которые позволяют выявлять (подчеркивать) участки с повышенным содержанием красноцветных минералов (например, оксидов железа). Результирующие индексные изображения несут схожую информацию – на них светлые участки соответствуют местоположению красноцветных пород. Следует также заметить, что все приведенные ниже диапазоны значений на индексных изображениях при определении тех или иных классов объектов даны приблизительно, поскольку они могут варьировать в зависимости от снимка, сезона съемки, погодных условий и прочих параметров. Поэтому следует внимательно относиться к интерпретации полученных результатов. 1. Индекс содержания оксида железа рассчитывается по формуле: DN ( 0,63...0,6 9) DN ( 0,45...0,5 2) где , (3.6) DN(0,63...0,69) – это значение спектральных яркостей в красном диапазоне, в мкм; DN(0,45...0,52) – это значение спектральных яркостей в синем диапазоне, в мкм. 2. Индекс содержания железистых минералов, рассчитывается по формуле: отношение значения яркости в среднем инфракрасном канале к значению яркости в ближнем инфракрасном канале DN (1,55...1,7 5) DN ( 0,76...0,9 ) где , (3.7) DN(0,76...0,9) – это значение спектральных яркостей в ближнем ИК-диапазоне, в мкм; DN(1,55...1,75) – это значение спектральных яркостей в среднем ИК-диапазоне, в мкм. 3. Индекс красноцветности (RI) применяют для выявления содержания оксида железа в почве, основан на различии отражательной способности красноцветных минералов в красном и зеленом диапазонах, рассчитывают по формуле: 38 RI = DN ( 0,6...0,76 ) DN ( 0,5...0,6 ) DN ( 0,6...0,76 ) + DN ( 0,5...0,6) где (3.8) DN(0,5...0,6) – это значение спектральных яркостей в зеленом диапазоне, в мкм. 4. Индекс содержания глинистых минералов рассчитывают по формуле: DN (1,55...1,7 5) DN ( 2,08...2,3 5) где , , (3.9) DN(2,08...2,35) – это значение спектральных яркостей в среднем ИК-диапазоне, в мкм. На основе анализа спектральных откликов природных объектов в различных диапазонах были разработаны индексы, позволяющие оценить наличие растительности. 5. Вегетационный индекс VI основан на простом отношении ближнего и красного диапазонов: VI = DN ( 0,76...0,9 ) DN ( 0,63...0,6 9) . (3.10) 6. Нормализованный дифференциальный вегетационный индекс (NDVI) показывает наличие и состояние растительности. Значения NDVI варьируют в пределах от –1 до 1. Хлорофилл листьев растений отражает излучение в ближнем инфракрасном диапазоне электромагнитного спектра и поглощает в красном (см. формулу 6). Отношение значений яркости в этих двух каналах позволяет четко отделять и анализировать растительность от прочих природных объектов. NDVI = DN ( 0,76...1) DN ( 0,6...0,76 ) DN ( 0,76...1) + DN ( 0,6...0,76 ) . (3.11) Значения данных в индексном изображении близкие к 1, свидетельствуют о высоком содержании хлорофилла, что в свою очередь говорит о густой здоровой растительности. Также опытным путем было установлено, что для растительности NDVI > 0,5, для открытой почвы NDVI > 0,025, облака имеют значения около 0, а отрицательные значения NDVI имеют такие объекты, как снег, лед, вода и искусственные материалы (бетон, асфальт). 7. Вегетационный индекс, скорректированный за почву (SAVI) – используется для территорий с разряженным растительным покровом, где значительный вклад в яркость вносят почвы. SAVI рассчитывается следующим образом: SAVI = 1 1 + a savi DN ( 0,76...1) DN ( 0,63...0,6 9) DN ( 0,76...1) + DN ( 0,63...0,6 9) + а savi , (3.12) где asavi – корректировочный коэффициент, меняющийся от 0 для очень густого растительного покрова до 1 для очень разряженного. Чаще используют asavi = 0,5. Участки растительности в получаемом индексном изображении отображаются светлым тоном. Диапазон значений достаточно широк и может варьировать от 0,04 и выше (в зависимости от коэффициента asavi, снимка, условий съемки). 8. Индекс растительности, стойкий к влиянию атмосферы (ARVI) – эффективен в регионах с высоким содержанием атмосферного аэрозоля (например, в тропических зонах, в областях с повышенным содержанием сажи и пр.). ARVI рассчитывается следующим образом: 39 ARVI = DN ( 0,76...1) 2 DN ( 0,63...0,6 9) DN ( 0,45...0,5 2) DN ( 0,76...1) + 2 DN ( 0,63...0,6 9) DN ( 0,45...0,5 2) . (3.13) В полученном индексном изображении растительность лежит в диапазоне значений от 0,2 до 0,8. 9. Нормализованный дифференциальный индекс снега используют для выделения территорий, покрытых снегом (NDSI) – это относительная величина, характеризуемая различием отражательной способности снега в красном и среднем инфракрасном диапазонах: NDSI = DN ( 0,52...0,6 0) DN (1,55...1,7 5) DN ( 0,52...0,6 0) + DN (1,55...1,7 5) . (3.14) Для снега NDSI > 0,4. Для расчета NDSI необходимо использовать данные с радиометрической коррекцией. 3.3.3. Анализ главных компонент Анализ главных компонент это метод, который позволяет выявлять и исключать из анализа коррелированные спектральные каналы [61]. Понятие коррелированные каналы означает, что при возрастании значения яркости пикселей в одном спектральном канале возрастают значения яркости и в других спектральных каналах. На рис. 3.17, а показан пример пространства спектральных признаков, при возрастании значения в первом канале возрастает значение во втором, это означает высокую корреляцию между этими каналами. Видно, что область распределения значений расположена под углом к осям графика, поэтому ни по одной из этих осей не отображается весь диапазон значений объекта [28]. Это значит, что при синтезировании цветного изображения снимок будет недостаточно контрастным, и распознать объекты на нем будет сложно. Например, все виды растительности будут изображены близкими неразличимыми оттенками цвета. Такое расположение значений яркости характерно для большинства природных объектов (растительности, почв, горных пород). а б Рис. 3.17. Иллюстрация метода анализа главных компонентов Если развернуть систему координат так, чтобы одна из осей шла параллельно полю распределения значений, а вторая располагалась ортогонально (рис. 3.17 б), то вдоль первой из оси диапазон значений будет максимальным, что увеличит возможности дешифрирования снимка [74]. При преобразовании в пространство главных компонент первая компонента, отражающая основной разброс яркостей, ортогональна всем последующим, что означает отсутствие корреляции с ними. Таким образом, синтез главных компонент снимка дает 40 контрастное изображение с увеличенным количеством оттенков для прежде визуально однородных объектов. Обычно первые три компоненты содержат до 98 – 99% вариаций значений яркости исходного снимка. Области применения анализа главных компонент: – в случае, если в снимке более трех каналов, анализ главных компонент позволяет сжать почти всю информацию до трех главных компонент, что можно использовать при визуальном дешифрировании и классификации; – некоторые объекты малого размера и низкого контраста, плохо дешифрируемые на исходном снимке, могут быть выявлены на изображениях одной из компонент. Такой подход может быть использован в геологоразведке, когда пытаются выявить по снимку необычные минеральные проявления; – преобразование проводят для серии разновременных снимков для выявления динамики, которая часто проявляется в третьей и четвертой компонентах. 3.3.4. Классификации Классификация – это процесс разделения всех пикселей, составляющих растровое изображение, на несколько групп (классов) на основании их спектральных значений [11]. Другими словами, классификация – это процесс преобразования непрерывного растрового изображения в тематическое, которое в результате может содержать такие классы, как, например, различные типы растительного покрова или ландшафта. Качество классификации во многом зависит от исходных данных. Лучшие результаты получаются при использовании многозональных данных с высоким спектральным разрешением. В целом, классификация растровых изображений применяется при решении следующих геологических и геоморфологических задач: – геологическое картографирование; – составление ландшафтных карт; – корректирование карт; – изучение рек, озер и морей; – экологический мониторинг. Существует два основных метода классификации: автономная классификация и классификация с обучением (по эталонам). Автономная классификация. Согласно Герасимову Ю.Ю. [11] «Автономная классификация представляет собой автоматический метод нахождения категорий данных». Она позволяет пользователю задать основные руководящие принципы для определения модели классификации, но само определение классов и отнесение пикселей изображения к тому или другому классу происходит полностью автоматически. При автономной классификации входными параметрами являются количество классов. В современных геоинформационных системах наиболее широкое применение нашли два типа автоматической классификации: K-Means и Isodata. Классификация K-Means (К-средних). При автоматической классификации K-Means вычисляются средние значения яркостей для заданного количества классов объектов, равномерно распределенных в пространстве данных. Затем пиксели многократно группируют в ближайший класс используя критерий минимального расстояния до среднего значения. Как только элемент включается в класс, среднее пересматривается. Этот процесс продолжается до тех пор, пока количество пикселей в каждом классе не станет равно или больше значения, заданного в начальных условиях. Все пиксели должны быть отнесены к самому ближайшему классу, за исключением случаев, когда заданы стандартное отклонение или порог. В этом случае, некоторые пиксели, не отвечающие выбранным критериям, не относятся ни к одному из классов. Особенность метода состоит в том, что количество классов задается пользователем и остается неизменным. Классификация Isodata (Iterative Self-Organizing Data Analysis Technique) – 41 итерационная самоорганизующаяся методика анализа данных, основанная на кластерном анализе. В классификации Isodata для формирования классов используется формула минимального спектрального расстояния [6]: n D ic = (B B mc ) , 2 i (3.15) i=1 где Bi – значение спектральной яркости пикселя i; Bmc – средние значения яркости класса с в n спектральных зонах. Основной параметр задаваемый перед вычислениями – минимальное и максимальное число кластеров n, которое может быть получено. Перед первой итерацией рассчитывают статистические параметры распределения яркости всего снимка в каждой спектральной зоне: минимальное, максимальное и среднее значения, стандартное отклонение [28]. Далее все пространство спектральных признаков делят на n равных диапазонов и назначают средние значения кластеров в центре каждой из образованных областей (рис 3.18, а). Затем проводят первую итерацию кластеризации: для значений яркости всех пикселей рассчитывают спектральные расстояния Dic до средних значений и каждый пиксель относят в определенный класс по принципу минимального расстояния (рис. 3.18, б). После этого рассчитываются средние значения спектральных признаков полученных кластеров. При второй итерации повторяют кластеризацию с новыми средними значениями и опять уточняют границы кластеров (рисунок 3.18, в). По уточненным кластерам рассчитывают новые средние значения и проводят следующую итерацию и т.д. Итерации повторяются до тех пор, пока не достигается порог сходимости (т.е. пиксели не станут переходить из кластера в кластер). Обычно этот параметр задается, равный от 95 до 99%. Бывают случаи, что на снимке такой стабилизации не происходит (не достигается порог сходимости), тогда используют второй ограничивающий параметр – максимальное число итераций. Рис. 3.18. Этапы работы алгоритма ISODATA: а – назначение центров кластеров перед первой итерацией; б – определение границ кластеров в результате первой итерации; в - уточнение положения центров и границ кластеров в результате второй итерации Классификация с обучением. Методы классификации с обучением основаны на использовании заданных эталонов, спектральные характеристики которых обычно соответствуют спектральным характеристикам реальных объектов. Эталоны создаются пользователем путем распознавания характерных объектов непосредственно на изображении или с использованием дополнительной информации, источниками которой могут служить другие изображения, полевые данные, карты различных видов и т.д. Таким образом, процесс классификации с обучением можно разделить на четыре основных этапа [28]: – планирование классификации; – выбор эталонных участков; – процесс классификации; 42 – оценка качества классификации и оформление ее результатов. Планирование классификации подразумевает формулировку задачи для обработки снимков, определение списка дешифрируемых объектов, анализ характера распределения значений их яркостей на снимке и в пространстве спектральных признаков, выбор способа классификации. Создание набора эталонов заключается в идентификации объектов, характерных для данного изображения, и сохранении их спектральных характеристик, которые позволяют в дальнейшем осуществлять автоматизированную классификацию. От качества выбранных эталонов во многом зависит успех классификации. Обучающие полигоны должны отвечать следующим критериям. 1. Репрезентативность – представительность совокупности значений яркости в выборке для данного класса. Оценивается в результате пробной классификации в пределах контрольных участков. 2. Однородность – отсутствие не характерных для класса значений яркости. Оценивается по величине стандартного отклонения значений яркости по обучающей выборке от среднего и результатам пробной классификации. При этом эталонные участки должны классифицироваться так же, как и объект, для которого они служат эталоном. 3. Различимость – это различие спектральных яркостей классов. Если перекрытие есть, то оценивается насколько оно значимо. Перекрытие можно оценить визуально и статистически. Например, для эталонов, имеющих нормальное распределение и гистограммы которых перекрываются, используют показатель дивергенции, который учитывает как средние значения яркости классов, так и присущие каждому классу характер взаимосвязи между спектральными яркостями. Чем выше показатель дивергенции, тем различимей классы. 4. Характер распределения значений яркости (особенно актуально для правила минимального расстояния и максимального правдоподобия; описания решающих правил приведены ниже). Гистограммы эталонных полигонов должны быть максимально приближены к нормальному закону распределения и быть одномодальными. Для достоверной классификации необходимо одновременное выполнение всех оговоренных требований. При классификации с обучением наиболее широкое применение нашли следующие решающие правила: эллипсов (еllipse), параллелепипедов (рarallelepiped), минимальной спектральной дистанции (minimum distance), дистанции Махаланобиса (Mahalanobis distance), максимального правдоподобия (maximum likelihood). Правило эллипсов. При использовании этого решающего правила строятся диаграммы, описывающие диапазоны спектральных значений, соответствующие каждому классу. Диаграммы строятся в плоских системах координат для двух зон. Диапазоны рассчитываются, исходя из средних значений и стандартных отклонений, и отображаются в виде эллипсов (рис. 3.19). Рис. 3.19. Правило эллипсов 43 Правило параллелепипедов применяют, когда значения спектральной яркости разных объектов практически не перекрываются, а классов объектов немного. В правиле параллелепипедов пиксели относятся к тому или иному классу, если его значения попадают в определенный диапазон в каждой спектральной зоне изображения. Границы этого диапазона рассчитываются как среднее значение эталона плюс/минус заданное количество стандартных отклонений или напрямую задаются пользователем на основании его опыта или какой-либо дополнительной информации. Это самый быстрый классификатор с опцией «Мин/Макс» и используется для получения быстрого предварительного результата, когда скорость компьютера – ограничивающий фактор, в это же время этот метод является недостаточно точным, поскольку прямоугольники могут пересекаться как показано на рис. 3.20, и пиксель, относящийся к одному классу, может попасть в прямоугольник с другим классом. Прямоугольники могут также накладываться друг на друга, при этом пиксели, попадающие в эти области, будут отнесены к последнему по порядку классу. В трехмерном пространстве спектральных значений данные области будут иметь форму параллелепипедов. Рис. 3.20. Правило параллелепипедов Правило минимальной спектральной дистанции используют, когда спектральные признаки разных классов довольно похожи и диапазоны значений их яркости перекрываются. В этом способе пиксель приписывается к тому классу, к среднему значению эталона которого его значение находится ближе всего. В результате классификации пространство спектральных признаков разбивается на полигональные области, соответствующие классам (рис. 3.21). Расстояние рассчитывается по формуле 3.15. Большим недостатком данного правила является то, что при его применении не учитывается распределение (дисперсия) спектральных характеристик пикселей внутри эталонов. Это может привести к существенным ошибкам при классификации. Рис. 3.21. Классификация правилом минимального расстояния Правило дистанции Махаланобиса. Правило сходно с методом минимальной 44 дистанции. Отличие заключается в том, что здесь измеряется не евклидово расстояние, как в методе минимальной дистанции, а скорректированная на дисперсию эталонной выборки пикселей дистанция – дистанция Махаланобиса. Корректировка на дисперсию заключается в том, что при равенстве евклидовых дистанций от точки пространства спектральных значений, соответствующих рассматриваемому пикселю, до точек соответствующих средним значениям двух эталонных выборок классов, пиксель будет отнесен к тому классу, дисперсия эталонной выборки которого больше. Правило максимального правдоподобия. Расчет распределения спектральных характеристик эталона основан на определении вероятной плотности (рис. 3.22). Этот классификатор рассчитывает вероятность, с которой данный пиксель принадлежит к какомулибо классу. Пиксели классифицируются по максимальной вероятности их принадлежности к классу. В двумерном пространстве области будут выглядеть как эллипсы, ориентированные в направлении наибольшего разброса значений, и с центром в точке со средними значениями признаков для данного объекта [28]. Рис. 3.22. Правило максимального правдоподобия Спектральный анализ многозональных и гиперспектральных снимков используется для обработки гиперспектральных изображений (в некоторых случаях и для многозональных данных, таких как Landsat, Modis и др.). Метод спектрального угла – это метод, который сравнивает спектр изображения с индивидуальными спектрами материалов, взятых из спектральных библиотек или из других источников. Алгоритм определяет подобие между спектрами, вычисляя «угол отклонения» между ними при этом обрабатывая их как векторы в пространстве с размерностью равной числу спектральных полос n (рис. 3.23). Поскольку этот метод использует только направление «спектральных векторов», а не их длину, то методом спектрального угла нельзя отличить объекты, которые имеют схожий характер спектральной кривой, но отличный по интенсивности. Для спектрального анализа снимка методом спектрального угла подходят многозональные и гиперспектральные снимки (чем больше каналов, тем выше точность). 45 Рис. 3.23. Двумерный пример классификации методом спектрального угла Метод «спектрального линейного фракционирования» (Spectral Unmixing). Естественные поверхности редко состоят из однородного материала. На гиперспектральный датчик попадает сигнал с дневной поверхности. Все составляющие этой поверхности вносят свой вклад в общий отраженный сигнал. Пространственное смешивание материалов в области, представленной отдельным пикселем приводит к возникновению спектрально смешанного отраженного сигнала. Исследования спектрального смешивания показало, что если в нем участвует большое количество спектров (макроскопическое смешивание), смешивание происходит линейным способом [91]. Линейная модель подразумевает отсутствие взаимодействия между материалами. Множественное рассеивание, вовлекающее несколько материалов, можно представить как каскадное умножение (нелинейный процесс). Спектры многих поверхностных материалов смешиваются нелинейными способами. Но нелинейные методы смешивания в большинстве случаев приближенно могут быть заменены линейными. Геометрическую модель смешивания можно представить следующим образом: смешанные пиксели визуализируются как точки в n-мерном спектральном пространстве, где n – число каналов. Если соединяются только два спектра, то в двумерном измерении смешанные пиксели будут выглядеть как на рис. 3.24, а. Чистые спектры будут находиться по краям строки смешивания. Если соединяются три спектра, то смешанные пиксели попадают внутрь треугольника рис. 3.24, б. Смеси спектров «заполняют» все пространство между чистыми спектрами. Этот набор смешанных пикселей может использоваться, чтобы определить количество спектров присутствующих в смеси и оценить их. То есть, используя известные спектры, выделяют из смеси спектры каждого материала составляющего пиксель (рис. 3.25). Эти известные спектры могут быть взяты из эталонных полигонов снимка либо из спектральных библиотек чистых материалов. 46 а б Рис. 3.24. Геометрическая модель смешивания Рис. 3.25. Спектральная кривая смешанного пикселя (слева) и составляющие этот пиксель спектральные кривые простых объектов (справа спектры солончака, воды, деревьев) 3.4. Примеры решения геологических задач с использованием ДДЗ В Учебно-методическом центре по ГИС и ДЗ при НГУ и ИГМ СО РАН накоплен определенный опыт по обработке многозональных данных дистанционного зондирования для решения ряда геологических задач: – определение вещественного состава горных пород; – уточнение геологических границ; – выявление разломных зон. Рассмотрим методику решения перечисленных задач более подробно. 1. Определение вещественного состава горных пород Задачу определения вещественного состава горных пород можно решить двумя путями: Обучающая классификация (правило максимального правдоподобия) Выбор решающего правила обусловлен тем, что при применении минимального расстояния, расстояния Махаланобиса или параллелепипеда необходимо, чтобы области значений яркостей объектов в спектральном пространстве не пересекались, что для геологических объектов бывает крайне редко. Задача определения вещественного состава горных пород решалась на полигоне Уронайский рудный узел. Здесь правилом максимального правдоподобия (классификация с обучением) выделены участки распространения даек и штоков гранодиоритов [59]. Технология обработки Для определения вещественного состава горных пород были взяты эталонные 47 спектральные кривые штоков Дальнего и Мангуши гранодиоритового состава. При сравнении их спектральных кривых с другими объектами полигона выяснилось, что отклики штоков и осадочных отложений отличаются незначительно и лишь в среднем ИК-диапазоне. Именно поэтому проводилась классификация методом максимального правдоподобия (поскольку в этом случае применять способ спектрального угла нельзя) по шести каналам среднего ИК-диапазона. Поскольку большая часть штока Дальнего покрыта лесным массивом, то в результате классификации выявились лишь небольшие участки гранодиоритов. В дальнейшем проводилась верификация пикселей, полученных при классификации со спектральными кривыми из стандартной спектральной библиотеки мелкозернистых магматических пород. Результат показал, что выделенные пиксели с наибольшей вероятностью принадлежат к гранодиориту. Спектральный анализ снимков (методами спектрального угла и спектрального линейного фракционирования). Стоит заметить, что эти методы были разработаны, главным образом, для анализа гиперспектральных снимков с использованием спектральных библиотек, а потому их следует с осторожностью применять при обработке многозональных данных. Следует обратить внимание на то, что применение общедоступных спектральных библиотек ограничено по ряду причин. Во-первых, они создавались по образцам, полученным на территории Америки и Канады. Эти образцы по составу, структуре, генезису с точки зрения геологии могут мало отличаться от аналогичных пород других территорий, но именно из-за этих различий их спектральный отклик может быть другим. Во-вторых, общедоступные спектральные библиотеки содержат далеко не полный перечень существующих пород и охватывают не все геологические классы, не говоря уже о разновидностях пород внутри классов. При отсутствии спектральных библиотек их можно создать из эталонных полигонов исследуемой территории. Принятие решения о выборе того или иного метода классификации осуществляется в результате анализа спектральных откликов эталонных объектов. Так, если характер этих кривых схож, но отличается интенсивностью, проводится классификация с обучением правилом максимального правдоподобия (т.к. названные условия являются ограничениями для метода спектрального угла). Задача определения вещественного состава была также решена путем спектрального анализа снимка методом спектрального угла по первым девяти каналам (видимый, ближний ИК и средний ИК-диапазоны датчика ASTER) на учебном полигоне НГУ Шира в Хакассии. Технология обработки Для спектрального анализа были взяты отклики с эталонных участков осадочных и магматических пород. В результате анализа на участке осадочных пород выделены области распространения терригенных пород Ойдановской (песчаники, алевролиты) и карбонатнотерригенных пород Бейской (известняки, песчаники) свит. На участке интрузивных пород были выделены области распространения диоритов, аплитов, аргиллитов (в провисах кровли), растительности. Выбор метода обоснован тем, что спектральные кривые эталонных участков значительно отличаются по характеру. Поэтому, целесообразнее использовать метод спектрального угла, т.к. им достигается более точный результат по сравнению, например, с обучающими классификациями [57]. 2. Определение геологических границ Решение задачи определения геологических границ базируется на основе нескольких приемов. Для создания схемы геологических границ сначала строится схема распределения вещества. Затем, на ее основе создается общая схема расположения геологических границ территории, путем интерполяции границ между областями вещества. Если же требуется определение границы одного объекта, которую, к примеру, не удалось определить методами классификаций или построением общеизвестных индексных изображений, то следует применять частные индексы. Для этого выбирают эталонные объекты двумя способами: 48 – выбираются эталонные участки со снимка, с последующим построением их спектральных откликов; – берутся эталонные объекты из общедоступных спектральных библиотек. По спектральным кривым выбранных объектов находятся каналы, в которых имеются наибольшие различия. На их основе строятся новые индексные изображения. И уже анализируя полученные изображения, обозначаются границы объектов, которые значительно отличаются от окружающих по интенсивности. Приведем примеры определения геологических границ тремя путями: – классификация с обучением; – спектральный анализ снимков; – построение индексных изображений. Классификация с обучением Задача определения геологических границ, например, решалась на полигоне ХанТайшири путем классификации с обучением многозонального снимка ASTER по первым девяти каналам правилом максимального правдоподобия [13]. Технология обработки Для классификации были взяты спектры с эталонных участков характерных объектов следующих структурно-литологических единиц: серпентиниты, габбро-пироксениты, породы дайкового комплекса, силы, пиллоу-лавы, кремнистые осадочные породы, осадочные породы песчано-глинистого состава, известняки, островодужные вулканиты, граниты, метаморфические породы, четвертичные отложения различных генетических типов. По результатам классификации Рябининым А.Б. была получена предполагаемая схема геологического строения исследуемого района (рис. 3.26). Сравнение полученной схемы с имеющимися геологическими картами и разрезами показало хорошее соответствие, что позволяет сделать вывод о достоверности полученных результатов. Рис. 3.26. Созданная схема геологического строения офиолитового комплекса (автор Рябинин А.Б.) Спектральный анализ снимков На территории Тарятского вулканического ареала определение геологических границ проводилось путем спектрального анализа снимка (метод спектрального угла) [14]. Технология обработки Используя 9 каналов видимого, ближнего и среднего ИК-диапазона снимков ASTER, методом спектрального угла по эталонным участкам, выделены районы распространения 49 голоценовых базальтов, поздненеоплейстоценовых базальтов, залесенные склоны дочетвертичных образований, скальные склоны дочетвертичных образований и пойменная растительность (илл. 4–5 на цветной вкладке ). Этот же метод на полигоне Олон-Обот позволил определить геологические границы ожелезненных известняков (с которыми связано золотое эпитермальное оруденение), различные фазы гранитоидного массива, поля развития риолитов (илл. 6–7 на цветной вкладке) [60]. В качестве эталонов использовались спектры риолитов, гранитов, карбонатов, и др., взятые со снимка. Построение индексных изображений Технология обработки На полигоне Олон-Обот на первом этапе использовались общеизвестные индексы (отношение диапазонов 0,76...0,9 , что соответствует 0,6...0,76 3 2 каналов датчика ASTER традиционно используется для выделения ожелезненных карбонатов [44]), в результате чего успешно выделились (на рис. 3.27 слева вверху светлые тона) массивы ожелезненных карбонатных пород (известняков, известковых песчаников и пр.). Рис. 3.27. Отношение 3/2 каналов датчика ASTER Но при этом не удалось отличить от перечисленных выше пород гранитоидные породы (на рис. 3.39 справа внизу), т.к. они имеют схожий спектр отражения. Для решения этой проблемы были взяты спектральные кривые карбонатов и гранитов (рис. 3.28) и по наиболее контрастным пикам анализируемого спектра подобрано новое отношение 4 (каналы 8 ). Результат построения нового индексного изображения представлен на рис. 3.29. 50 Рис. 3.28. Спектральные кривые гранитного участка и ожелезненного карбоната Рис. 3.29. Отношение 4/8 каналов датчика ASTER Определение разломных зон Задача определения разломных зон территории довольно часто стоит перед геологами. В настоящее время существует множество приемов для ее решения. Так, фильтрация мелких деталей в результате генерализации изображения способствует объединению разрозненных фрагментов крупных геологических образований в единое целое. Другой метод – статистическое выявление линеаментов, основано на отслеживании протяженных линейных перепадов контраста заданной длины (и иногда в заданном угле) [7]. Результат такой операции дает лишь общее представление о распределении линеаментов. 51 Технология обработки Приведем другие приемы для выявления разломных зон. Один из них – создание схемы разломов основанный на косвенных признаках и ограничивается для тех территорий, где разломы сопровождаются активным вулканизмом. Так, на территории Плато Дариганга схема разломов создана на основе знания того, что на данной территории разломы приурочены к цепочкам вулканических построек [60]. Выделение разломов по данным ДЗ проходило в три этапа. Первый включал в себя поиск по космическим снимкам и теневой модели (построенной на основе цифровой модели рельефа) объектов с типичными признаками вулканов: вулканические жерла, шлаковые конусы и лавовые потоки. На втором этапе производился поиск близрасположенных вулканов, образующих цепочки. На третьем этапе, основываясь на знании того, что именно на этом полигоне вулканические постройки приурочены к разломам, по найденным цепочкам вулканов была построена схема разломов (рис. 3.30). Рис. 3.30. Моделирование распространения разломов (1 – цепочка шлаковых конусов, 2 – местоположение разлома). Автор Нагирняк М.С. Еще один метод выделения разломных зон основан на построении серии изображений – теневых моделей рельефа, с различными азимутами расположения освещенности. С помощью этих изображений было выявлено, что различный азимут освещенности позволяет подчеркнуть тектонические структуры, т.к. хорошо выделяются объекты, расположенные перпендикулярно к направлению на источник света. Так, на рис. 3.31 отчетливо видны разломные зоны, располагающиеся горизонтально (азимут освещенности составляет 0º), а на рис. 3.32 – разломы направления с северо-запада на юговосток (азимут освещенности составляет 120º). 52 Рис. 3.31. Азимут освещенности составляет 0º Рис. 3.32. Азимут освещенности составляет 120º 53 Использование тепловых снимков, полученных в ночное время Тепловые ночные снимки издавна используются для решения различных геоландшафтных задач. На территории Уронайского рудного узла тепловые снимки, полученные в ночное время, использовались для создания геоландшафтной схемы и схемы разломов. Уронайский рудный узел располагается в лесостепной зоне Восточного Забайкалья. Территория рудного узла представляет собой средневысотную горную область. Ее основной орографической единицей является Уронайский хребет, склоны которого рассечены долинами. С помощью тепловых снимков, полученных в ночное время осеннего периода, более эффективно, чем на топографических картах или цифровых моделях рельефа выделяются обнаженные участки и области распространения мощных четвертичных отложений [32]. Поэтому, методом пороговой дискретизации на снимке, полученном в ночное время, были выделены области, различающиеся по характеру покрова четвертичных отложений и увлажненности субстрата (рис. 3.33). Выявленные обнаженные участки в дальнейшей работе использовались для набора эталонных полигонов. Рис. 3.33. Геоландшафтная схема, отражающая тип геологического субстрата. 1 – русла долин и суходолов, 2 – 4 – области выделенные по ДДЗ: 2 – выходы коренных пород, 3 – маломощные аллювиальные отложения, 4 – мощные аллювиальные отложения. Создание схем разломов. Из литературы известно [32], что на ночных тепловых снимках районы с маломощным четвертичным покровом и слаборасчлененным рельефом перспективны на обнаружение зон разломов и складчатых структур. Для зон разломов характерна высокая влажность почв и подпочвенного субстрата, которая уменьшает поверхностную температуру, поэтому на ночных тепловых снимках они должны отчетливо фиксироваться на фоне окружающих пород темным серым тоном. Эти зоны были отдешифрированы, на основе чего была создана схема распространения разломов (илл. 8 на цветной вкладке). Рельеф исследуемой территории является структурным, поэтому гидросеть развивалась по наиболее ослабленным зонам трещиноватости. Следовательно, все тальвеги (русла временных потоков) основных долин в данном случае соответствуют осям разломных зон. В данном случае это подтверждается геологическими картами масштаба 1:50 000. 54 На илл. 8 красными линиями отмечены разломы, выделяющиеся и на геологической карте масштаба 1:50 000 и на космическом снимке. Синими линиями показаны разломы, найденные по снимку, но которых нет на карте. Черными линиями показаны разломы, отображающиеся на карте, но отсутствующие на снимке. Из илл. 8, что на снимках разломы выделяются менее детально, чем на геологической карте. Это связано с тем, что разрешение теплового диапазона составляет 90 м, и более мелкие разломы на них не проявляются. Тем не менее, очень важным является тот факт, что большинство разломов, выделенных на снимке, верифицируются геологической картой данного масштаба. При сравнении полученной схемы разломов с геологической картой было выявлено, что 87 % найденных разломов подтверждаются картой. Однако 35 % разломов, отображенных на геологической карте, не выявляется на снимках. При сравнении полученной схемы разломов с геологической картой масштаба 1:200 000 (илл. 9 на цветной вкладке) видно, что схема разломов, созданная на основе ночных космических снимков, более детально отражает распределение разломных зон на всей исследуемой территории, чем геологическая карта масштаба 1:200 000. Только 12,5 % разломов, выделенных на космических снимках, зафиксированы на геологической карте масштаба 1:200 000. При этом только один разлом не выделился на космическом снимке, и еще два находятся за пределами области рассматриваемого снимка. Картой масштаба 1:50 000 подтверждается 87 % выделенных разломов. Из этого можно сделать вывод, что примерно 87 % линеаментов, выделенных на космическом снимке, действительно являются разломными зонами. Полученные результаты позволяют существенно детализировать схему распределения разломов для той территории, где не была проведена геологическая съемка масштаба 1:50 000. Это особенно важно, так как разломы являются одним из основных рудоконтролирующих факторов, которые в сочетании с другими геологическими характеристиками позволяют прогнозировать локализацию рудопроявлений на исследуемой территории. 4. КОМПЛЕКСНЫЕ ТЕХНОЛОГИИ КАРТОГРАФИРОВАНИЯ И МОНИТОРИНГА 4.1. Трехмерное моделирование геологического строения Как уже говорилось, существует множество специализированных пакетов для трехмерного моделирования геологического строения и подсчета запасов полезных компонентов. Однако все это программное обеспечение очень дорогостоящее и не всегда доступно. Стандартные настольные ГИС также включают в себя функции и модули для трехмерного моделирования объектов. Например, в ArcGIS существует расширение 3D Analyst, а также приложение ArcScene для построения трехмерных моделей. Однако в подобных пакетах система координат остается геометрической с добавлением третьей координаты Z, а не инклинометрической, как в ГГИС. Это создает определенные трудности при задании координат скважин и точек опробования по скважинам. Тем не менее, при помощи настольных ГИС возможно создать трехмерную модель геологических тел, что позволяет наглядно увидеть все взаимоотношения геологических объектов на изучаемой территории, построить серию разрезов и погоризонтных планов, а также проанализировать распределение полезных компонентов [51]. Проиллюстрируем создание подобной трехмерной модели на примере Лапинского участка Егорьевского месторождения золотоносных кор выветривания [54]. Типовые геологические задачи: 1) визуализировать главные характеристики объекта исследования; 2) выявить и обосновать блоковое строение фундамента; проанализировать пространственные взаимоотношения главных литологических типов пород коры выветривания с учетом их геологических, морфологических и генетических особенностей; 3) охарактеризовать особенности морфологии основных геологических тел, слагающих участок. 55 На исследуемую территорию была создана база данных по 270 скважинам. Наличие возможности в ArcView делать выборки позволяет построить срезы на определенных абсолютных отметках. При этом срезы редактируются с учетом уже существующей модели. Так, на илл. 10 на цветной вкладке показано наложение погоризонтного плана на соответствующее сечение через кровлю фундамента. Представление сеточных моделей и векторых файлов в трехмерном виде осуществляется в 3D-analyst (илл.11 на цветной вкладке.). Использование 3D шейп-файл позволяет просмотреть погоризонтные планы в трехмерном пространстве и проследить местоположение определенных типов пород коры выветривания (илл. 12 на цветной вкладке). В итоге на блок-диаграмме, характеризующей строение коры выветривания, отчетливо видны закономерности пространственной локализации образований разного литологического состава. Использование 3D-analyst для совмещения в трехмерном пространстве погоризонтных планов с поверхностью фундамента позволяет объединить морфоструктурные и литологические характеристики в целостную картину. На илл. 13 на цветной вкладке показана структурная приуроченность различных литологических типов коры выветривания, обладающих разным потенциалом золотоносности. Отчетливо фиксируются резкие локальные неоднородности («пики» и «колодцы») подошвы коры выветривания, отражающие специфику преобразования пород фундамента посредством карстовых процессов. Расширение «Profile extractor» позволяет получить сечение как по сеточному файлу поверхности фундамента, так и по сеточному файлу дневной поверхности рельефа, а затем совместить полученные профили с геологическими разрезами (илл. 14 на цветной вкладке). Пространственный анализ показал преимущественную приуроченность структурного элювия к осевой зоне участка, бесструктурного элювия к его периферии, продуктов переотложения – к зонам интенсивного развития карста. На основе проделанных работ впервые были наглядно визуализированы основные геологические тела, слагающие участок и сделан вывод, что особенности геологического строения Лапинского участка находят четкое отражение в поверхностях, построенных с использованием геоинформационных технологий. 4.2 Геоинформационное картографирование геологических и геоэкологических объектов 4.2.1. Экогеологические исследования урбанизированнных территорий В последнее время компьютерные и геоинформационные технологии все чаще стали применяться при экологических исследованиях урбанизированных территорий, начиная от составления цифровых карт экологического содержания [21, 5], мониторинга загрязнений [38], до анализа пространственных взаимоотношений биотических и антропогенных объектов геосреды [10, 47, 3]. Приведем пример применения ГИС-анализа для исследования экологических свойств Новосибирского Академгородка. Для анализа пространственного распределения геохимических характеристик в пределах Новосибирского Академгородка использовалась геоинформационная модель этой территории. Эта модель представляет собой банк пространственно-привязанных данных, включающий цифровую модель рельефа и производные от нее карты, схемы геохимических особенностей территории, почвенную карту, а также различные перспективные изображения, отражающие важнейшие геологогеоморфологические особенности территории. На ее основе разработана схема геохимического опробования почв Академгородка. В соответствии со схемой отобрано 280 образцов из гумусового горизонта почв (первые 10 см), которые проанализированы атомноабсорбционным методом на микроэлементы. Далее был проведен статистический анализ данных, их сравнение с природным фоном и типовыми геохимическими характеристиками 56 городов. Пространственный анализ данных осуществлялся с учетом результатов статистической обработки, а также с использованием компьютерных карт, отражающих экогеологические и экогеохимические особенности ландшафтов. Были построены интегральные карты загрязнения территории микроэлементами, в т.ч. с учетом класса опасности элементов. На последнем этапе исследований было проведено экогеологическое районирование территории, обобщающее полученные закономерности. Первоначальная планировка Академгородка представляла собой экологически продуманный проект, для которого характерно эффективное сочетание жилой застройки и научно-исследовательского комплекса, оптимально встроенных в геоландшафтное окружение. Специфика его застройки определяется отсутствием промышленных зон и наличием больших площадей зеленых насаждений, а также реликтов естественных лесов. Новосибирский Академгородок выстроен на поверхности, полого наклонной с востока на запад. Институтский комплекс расположен на северной половине рассматриваемой территории, южная ее часть занята жилой застройкой, в западной части размещен студенческий городок, остальное пространство занято природным лесным массивом. При анализе экологических свойств изучаемой территории, становится очевидным, что изначальная планировка Академгородка была продумана с учетом рельефа местности и наклона территории. Основная часть жилой застройки и институтский комплекс полумесяцем охватывают верхнюю часть наклонной поверхности делювиального генезиса, поэтому, все загрязнения от институтского комплекса обычно несутся поверхностными водами (талыми и дождевыми) не в сторону жилой зоны, а внутрь лесного массива. То же касается и бытовых загрязнений жилой застройки. При анализе микроэлементного состава различных типов почв на территории Академгородка, было выявлено, что дерново-подзолистых почвах на делювиальных отложениях содержание большинства микроэлементов понижено, по сравнению с серыми лесными почвами на водораздельном типе рельефа и гидроморфными почвами. Проведенное исследование показало, что содержания микроэлементов в большинстве проб ниже ПДК и соответствует природному фону, характерному для района г. Новосибирска. Только в нескольких пробах, отобранных возле автомобильных дорог, наблюдаются повышенные значения свинца, цинка и меди. Территория Академгородка, несмотря на долговременное воздействие техногенного фактора, сохраняет относительно благоприятное экологическое качество среды. Типовые экогеохимические обстановки Академгородка ближе к природным, а не к урбанизированным ландшафтам. Проанализированные литературные данные показывают, что по сравнению с территориями других городов, для территории Новосибирского Академгородка не характерны загрязнения почв, связанные с промышленными зонами или старыми жилыми застройками. Исключение составляют локальные аномалии, связанные с повышенными содержаниями цинка и свинца, приуроченные к автомагистралям и автостоянкам (илл. 15 на цветной вкладке.) Из этого можно сделать вывод, что, несмотря на долговременное антропогенное воздействие, Новосибирский Академгородок сохраняет благоприятные свойства геосреды и соответствует условиям экополиса по физической и геохимической устойчивости ландшафтов. 4.2.2. Крупномасштабное геологическое картографирование Примеры успешной реализации компьютерных технологий для решения задач геологического картирования достаточно хорошо известны как у нас в стране, так и за рубежом [22, 81, 55]. В настоящее время все производственные геолого-разведочные организации обязаны сдавать материалы в цифровом формате. В нашем университете студенты могут познакомиться с технологией компьютерного 57 геологического картирования во время геологической практики на полигоне Шира после второго курса. В настоящее время компьютерные технологии успешно используются на учебнопроизводственных практиках, специализированных по отраслям знаний в области наук о Земле [34, 37, 22]. На геолого-геофизическом факультете НГУ, начиная с 1997 года, новейшие технологии вводились в учебный процесс параллельно с традиционными методами обучения. В основу построения учебной практики на полигоне Шира по геологическому картированию положен поэтапный принцип, как это принято при выполнении производственных работ. При этом большое внимание уделяется так называемым «сквозным технологиям»: от ввода информации в компьютер до вывода на печать созданной тематической карты. Первый этап отражает подготовительные работы, включающие обзор фондовых материалов и предварительный анализ данных дистанционного зондирования. На этом этапе идет ознакомление с геологической картой масштаба 1:200 000 и объяснительной запиской к ней, а также дешифрирование аэрофотоматериалов (типы рельефа, тектонические нарушения, геологические тела, маркирующие горизонты и т.п.). При этом, кроме стандартных аэрофотоснимков (контактная печать), космоснимков и фотосхем, используются также перспективные псевдотрехмерные модели рельефа, драпированные фотоизображением, и другие вспомогательные материалы, полученные средствами компьютерного моделирования. В учебно-методическом центре по ГИС и ДЗ при ИГМ СО РАН и НГУ постоянно пополняется и интерфейсно развивается интерактивная система обучения (ИСО), созданная на базе материалов по Ширинскому полигону [22, 40]. В ней представлены основные данные о природных условиях, рельефе, геологическом строении и геологической истории территории, включающей геолого-съемочный полигон. ИСО включает справочную информацию, раскрывающую основные теоретические принципы и практические методы геокартирования. Она разрабатывается в двух вариантах: информационная система на сервере с удаленным доступом через INTERNET; программно-информационный продукт на компакт-дисках. Второй этап соответствует нанесению на цифровую топооснову маршрутных точек наблюдения и элементов залегания пород. Как показывает опыт практики, обеспечение каждой маршрутной пары полным комплектом рабочих материалов, полученных с помощью ГИС–технологий, существенно повышает точность привязки геологических данных и оптимизирует процесс усвоения студентами методики составления геологической карты. В настоящее время в такой комплект входят: схема геологического строения района, составленная на основе геологической карты масштаба 1:200 000, учебная топографическая основа и привязанные к ней фотосхемы в масштабе рабочих карт, а для детального картирования – фотосхемы, совмещенные с топоосновой. Причем при подготовке и камеральной обработке маршрутов имеется возможность использовать обширный набор черно-белых и цветных псевдотрехмерных моделей, драпированных фотоизображением. Третий этап отвечает периоду самостоятельной работы по составлению геологической карты масштаба 1:50 000, а для наиболее сложных и показательных в геологическом отношении участков – детальной карты в масштабе 1:10 000. Четвертый этап соответствует редакционно-увязочным работам. После защиты первого макета рабочей геологической карты на компьютер переносятся участки, требующие редактирования и проведения дополнительных полевых исследований. Все последующие изменения вносятся непосредственно на компьютер и после распечатки помещаются в отчет, а результаты редактирования учитываются в окончательном варианте карты. Такая методика редактирования рабочей карты стимулирует инициативу и самостоятельность в принятии исполнителями решений по интерпретации конкретных геологических ситуаций, позволяет закрепить навыки по компьютерной обработке картографического материала, делает работу 58 над ошибками для студентов привлекательной и вдвойне полезной. Пятый этап моделирует камеральный период. Составляется комплект карт геологического содержания, строятся разрезы, схемы, колонки. Унифицируется система условных обозначений. На этом этапе используется компьютер – обработка и анализ накопленной информации, моделирование и оформление графического материала. Создаются электронные варианты отдельных разделов отчетов (геологи, геохимики и нефтяники) или отчетов в целом (геофизики). На заключительном этапе целесообразно основные результаты работ оформлять в виде электронных версий геологических карт и объяснительных записок к ним, как этого требуют современные нормативные документы по государственной геологической съемке. 4.3. Геологический и геоэкологический мониторинг 4.3.1. Методика комплексного описания биотических и абиотических составляющих природно-территориальных комплексов Одна из основных проблем, встающих перед интерпретатором мультиспектральных снимков, связана с необходимостью оценки вклада различных абиотических и биотических компонентов в интегральный спектральный отклик природно-территориальных комплексов (ПТК). Не менее актуальной проблемой является гетерогенность значительной части наземных экосистем. Сложно построенные ПТК формируют на изображениях смесь спектральных откликов различной яркости, что не позволяет решать задачу стандартными методиками разграничения анализируемой площади по классам однородных полей, представленных пикселями с однотипными спектрами. Перечисленные затруднения часто приводят к тому, что картографирование ПТК проводится вручную путем векторной оцифровки по растровым подложкам – цифровым моделям рельефа (ЦМР) и космоснимкам. Ручная оцифровка вносит значительную долю субъективности в картографические материалы, создаваемые на основе ДДЗЗ. Этим определяется актуальность исследований, ориентированных на создание технологий анализа вклада различных компонентов гетерогенных ландшафтов (рельеф, геологическое строение и состав, гидрологические особенности, почвы, растительность и др.) в яркостные характеристики мультиспектральных космических снимков. Для проведения наземных исследований и сбора данных с учетом вышеназванных свойств ПТК была разработана система многопараметрического комплексного описания. Используемое ранее междисциплинарное описание [17], составленное путем простого объединения результатов геолого-геоморфологических, почвенных, ботанических наблюдений оказалось не вполне пригодным для геоинформационного моделирования ПТК в связи со слишком узкой специализацией количественных характеристик и преобладанием качественных, в основном текстовых комментариев. Требовалось выбрать параметры, наиболее существенные для качественной характеристики компонентов и одновременно значимые для формирования спектральных кривых яркости. Поэтому была проведена унификация стандарта описания, в результате чего был подобран и утвержден набор индивидуально-индикационных, количественных и полуколичественных признаков, характеризующих типовые ландшафтные обстановки, иерархически отвечающие уровню среднемасштабных карт и схем (1:100 000 – 1:300 000), а также снимкам с пространственным разрешением от 10...60 м. Эта унификация проводилась в виде многоитерационных последовательных приближений на протяжении нескольких полевых и камеральных сезонов на разных полигонах юга Западной Сибири [23]. Пример комплексного описания ПТК Шифр: Ch_L_001. Макрорельеф: денудационно-останцовый массив палеозойских пород. Геопривязка: Координаты середины полигона: N= 49,83284; 59 E= 88,74661; Н=1924 м. Мезорельеф: делювиальный шлейф. Количество элеменарных ландшафтов, составляющих полигон: 3. Текстурный тип полигона: пятнистый. Мезоландшафт: несомкнутые группировки растительности на криоаридных почвах на делювиальных шлейфах. Примечание по снимку: На снимке Landsat фиксируется в виде слабо неоднородного шлейфового обрамления скального останца. 1 КОМПОНЕНТ: Ch_L_001_1 Микроландшафт: ковыльно-чиевая сухая степь на криоаридной эолово-аккумулятивной супесчаной почве на делювиальном шлейфе. Удельная площадь микроландшафта: 5%. Форма: округлые пятна 10-12 м в диаметре. Растительность: 20%. Тип растительности: ковыльно-чиевая сухая степь. Описание растительности: №7-170. Доминанты растительности: чий (Achnatherum splendens), ковыль Крылова (Stipa krylovii). Лишайник: 0%. Ветошь: 0%. Генетический тип: делювий. Литотип: суглинок лѐгкий пылевато-песчаный с дресвой и редким щебнем, покрытый надувом супеси 10 см толщиной. Тип почвы: криоаридная эолово-аккумулятивная супесчаная почва. Почва: 60%. Гранулометрический состав почвы: супесь песчаная. Каменистость: 20%. Состав грубозѐма: дресва. Коренные: 0%. Состав коренных: отсутствуют. Примечание по снимку: наиболее темные контура на снимке Quickbird. 2 КОМПОНЕНТ: Ch_L_001_2. Микроландшафт: несомкнутые группировки растительности на криоаридной эоловоаккумулятивной песчаной почве делювиального шлейфа, составляющие. Удельная площадь микроландшафта: 30%.… (подробности дальнейшего описания опущены) 3 КОМПОНЕНТ: Ch_L_001_3. (текст описания микроландшафта) Микроландшафт: аналог Ch_L_001_2, биотурбированный колониями пищух. Удельная площадь микроландшафта: 65%... (подробности дальнейшего описания опущены) Многопараметрическая характеристика микроландшафтов, полученная при проведении наземных исследований в полевой период и сгруппированная по представленной схеме, является одновременно атрибутивной (семантической) составляющей базы геоданных, которая содержит информацию для последующего обобщения и формирования характеристик и названий геосистем более высоких иерархических уровней. В тех случаях, когда ПТК представлен одним выделом, мы имеем дело с гомогенной геосистемой. Гетерогенные ПТК изученной территории представлены обычно двух или трех компонентными системами. Эталонные участки для комплексного описания в поле выбирались с учетом пространственного разрешения ДДЗЗ. Для космоснимков LANDSAT величина пикселя в каналах, используемых для исследования ландшафтов, составляет 15 и 30 м. Желательно, чтобы минимальное число пикселей, характеризующих однородный 60 выдел, на изображении было равно 9. Тогда минимальный размер эталонного участка должен составлять не менее 90 м в поперечнике. В камеральный период проводилась дальнейшая обработка всех комплексных полевых описаний. Уточнялись названия почв и фитоценозов, базы данных дополнялись результатами лабораторных анализов (например, данными анализа гранулометрического состава почв и пород). В результате этого было сформировано окончательное семантическое описание объектов. На основе скорректированных описаний была получена база геоданных, которая в дальнейшем анализировалась средствами программного пакета ArcGIS. 4.3.2. Методика автоматического определения удельной площади абиотических и биотических составляющих ПТК Для анализа вклада отдельных биотических и абиотических компонент в спектральные характеристики снимков, необходимо иметь представление об их процентном соотношении в различных ПТК. Для этого в ходе натурного исследования экосистем полигона выявляется и характеризуется набор элементарных выделов и их сочетаний. На основании этого производится выбор эталонных участков для комплексного описания геологогеоморфологического строения, почв и растительности по унифицированному стандарту. Разработка и апробация комплексной технологии проводилась на протяжении нескольких лет на различных полигонах Западно-Сибирской равнины и Алтае-Саянской горной области [1, 16]. При разработке полевого комплексного описания ландшафта были выделены ключевые параметры, ответственные за формирование спектрального отклика, разработаны шкалы порядка и процентные показатели [23]. Для разных территорий конкретный свой набор показателей. Приведем пример определения биотических и абиотических составляющих на примере Чуйской степи Горного Алтая. В качестве основных параметров для характеристики поверхности элементарного ландшафта в Чуйской степи использовались следующие показатели (в %): 1) покрытие зеленой и сухой растительностью, 2) покрытие камнями (обломки крупнее 1 мм), 3) доля открытой почвы. Для равнинных условий показатель 2 не используется. Вместо него включаются другие характеристики. Использование этой технологии позволило перейти от качественных характеристик геосистем к полуколичественным и количественным, а также создать предпосылки использования первичных данных для оценки вклада различных компонентов в формирование разнотипных спектральных кривых. Наряду с комплексным описанием для ПТК делалась цифровая фотография поверхности в виде площадки (квадрата) со стороной 1 метр, которая затем геокодировалась по углам квадрата. Определение вклада каждой характеристики поверхности ПТК проводилось через определение занимаемой площади. Для каждой фотографии геокодированный растр сначала классифицировался в программном пакете ENVI, после чего результаты переводились в векторную форму и расчет площадей классов проводился в программном пакете ArcGis. Способ классификации полученных растровых изображений зависел от типов объектов и их количества. При первичной визуальной оценке все имеющиеся изображения были разбиты на три группы: 1) простые изображения, на которых присутствует только однотонные объекты (почва и растительность); 2) изображения, на которых кроме однотонных объектов, также присутствуют пестро окрашенные объекты, такие как крупнообломочный материал; 3) нестандартные изображения (солончак, торфяник и т.п.). Первая группа была разбита на две подгруппы: с растительностью без почвы, с растительностью и почвой. Вторая группа поделилась на изображения с крупным и мелким обломочным материалом. В зависимости от принадлежности изображения к группе используется разная технология классификации снимка. Площадки с растительностью и ветошью наиболее просты для анализа. В этом случае обычно достаточно методов неуправляемой классификации типа ISODATA или K-means. Однако в некоторых ситуациях, 61 при наличии нескольких доминирующих видов, отличающихся по текстурным и спектральным признакам, применяется управляемая классификация с выбором эталонных полигонов. При классификации изображений первой группы второй подгруппы применяется в основном управляемая классификация, однако эталонных полигонов в этом случае может быть значительно больше двух, в зависимости от наличия нескольких доминантов растительности и типов почв. Классификация изображений второй группы наиболее сложна, так как обломочный материал имеет различную расцветку и при проведении управляемой или неуправляемой классификации относится к разным классам. Для выделения крупных обломков проводится текстурная фильтрация изображения. При этом оценивается изменение характеристик изображения в ближайших пикселях. Это позволяет отчетливо выделить крупные обломки. При наличии на изображении множества мелких обломков эта процедура работает хуже, поскольку вместе с камнями зачастую выделяется также часть почвы и растительности. При наличии множества мелких обломков и схожестью их цвета с почвой не всегда возможно отделить их от почвы. Растительность чаще всего можно отделить методом текстурной фильтрации (выделение линейных объектов), поскольку в случае степных сообществ доминируют узколистные злаки. Для вычисления площадей результат управляемой классификации и результат текстурной фильтрации переводятся в векторную форму. В программном пакете ArcGis производятся оверлейные операции, позволяющие исключить крупные обломки из классов, полученных управляемой классификацией, после этого вычисляются площади объектов. Изображения, отнесенные к третьей группе, представлены единичными экземплярами, поэтому при классификации требуют индивидуального подхода. Особенность данной технологии заключается в том, что заранее известно количество классов и задача состоит только в автоматическом их выделении. Это позволяет визуально оценить адекватность результата классификации и соответственно полученного расчета площадей распространения классов. Погрешности при автоматическом подсчете удельного вклада абиотических и биотических компонентов ПТК по цифровым фотографиям эталонных площадок варьируют в диапазоне 2...5%. При классификации изображений первой группы достигается хорошее соответствие полученной классификации и исходного изображения, поэтому погрешность расчета площадей классов в данном случае невелика (1...2%). При классификации изображений второй группы возникают погрешности, связанные с различной расцветкой обломочного материала. Так, небольшие обломки белого цвета относятся часто к классу ветоши, а небольшие обломки коричневого цвета относятся к почве. Для таких случаев погрешности автоматизированного подсчета процентного содержания различных компонент в среднем составляют 5%. Погрешности метода вычислялись посредством визуальной проверки выборочных изображений. В целом результаты проверки формализованных описаний, составленные по результатам непосредственных полевых наблюдений и по результатам автоматизированной обработки снимков эталонных участков, близки и погрешность определений не выходит за пределы допустимого. Можно с уверенностью предположить, что автоматизированная обработка снимков приемлема для упрощенной методики сбора и первичной обработки информации о типах поверхности и вкладе различных компонент в структуру ПТК. Поскольку фотографирование эталонных участков не представляет сегодня больших трудностей и не требует привлечения специалистов-предметников, данная методика представляется сравнительно простой в использовании. Принципиальной является также возможность обработки снимков в камеральных условиях. 62 4.3.3. Методика картографирования и мониторинга гетерогенных природнотерриториальных комплексов Созданные в результате комплексных полевых описаний базы геоданных дополняются спектральными библиотеками, полученными в результате изучения спектрального отклика ПТК на космоснимках выбранного пространственного разрешения [24, 36]. Спектральные библиотеки составляются по комплексно описанным в поле контурам. Как правило, исследования на ключевых полигонах ведутся на протяжении нескольких лет, что дает возможность неоднократно верифицировать как базы геоданных, так и спектральные библиотеки, составляемые по контурам. На следующем этапе оценивается степень внутренней однородности ПТК по всем каналам снимка. В случае гомогенности, ПТК должны обладать унимодальным распределением яркостных характеристик во всех диапазонах спектра. Если в каком-нибудь канале обнаруживается полимодальное распределение значений, то очевидно, что в спектральном домене обособляется более чем один объект и такой выдел вряд ли можно считать элементарным. Также анализируются и выбраковываются аномальные значения, связанные с попаданием в эталонные пиксели сопредельных участков, занятых другими ландшафтами, а также с узколокальными феноменами. Особое внимание уделяется пространственному распределению пикселей в предварительных результатах классификаций. По результатам этого этапа исследований формируются «спектральные портреты» элементарных выделов изучаемого района. Это позволяет составлять классификационные таблицы эталонных объектов с показом целевых признаков, по которым отличаются те или иные ПТК. Уточненная классификация ПТК с учетом сходства и различия спектральных характеристик оформляется в виде спектральной библиотеки полигона, сопряженной с комплексной базой геоданных. Следующим этапом является управляемая классификация с обучением по эталонным выборкам. Обработка изображений может проводиться с использованием масок в несколько итераций. На крупномасштабном уровне отдельно классифицируются леса и травяные ландшафты. Предлагаемая технология предполагает выделение гетерогенных ПТК использованием плотностных сеток. Применение плотностных сеток позволяет: 1) исключить чрезмерно мелкие объекты и выделить наиболее значимые области и структуры; 2) использовать снимки разного пространственного разрешения для совместного анализа (Landsat, SPOT); 3) выделять гетерогенные ПТК с различным процентным соотношением компонентов. При выделении гетерогенных ПТК для каждого класса (элементарного ПТК), полученного при управляемой классификации, строятся плотностные схемы (рис. 4.7). Шаг сетки в каждом конкретном случае определяется пространственным разрешением обрабатываемого космического снимка, а радиус скользящего окна подбирается эмпирически в соответствии с функциональным масштабом ландшафтной карты. Для участка, показанного на рисунке, плотностные сетки строились с шагом 2,5 м и радиусом окна 25 м. На следующем этапе каждому пикселю присваиваются значения полученных плотностей, нормированные на сумму значений плотностей в каждом пикселе. Таким образом, каждый пиксель получает характеристику в виде процентного соотношения плотностей ПТК. После этого выделяются типы сочетаний ПТК. Предлагаемая технология позволяет картографировать не только гомогенные, но гетерогенные ПТК, учитывая процентное соотношение составляющих их элементарных выделов. Предлагаемая нами технология позволяет не только картографировать, но и оценивать вклад различных типов растительности (в зависимости от их процентного соотношения) в спектральные характеристики снимков. Это позволяет проводить мониторинг гетерогенных природнотерриториальных комплексов. 63 Рис. 4.7. Плотностная схема микроландшафтов, отражающая процентное содержание в гетерогенных ландшафтах Касмалинского бора осоково-злаковых солончаковатых лугов. 1 – заболоченные леса; 2 – сосновые леса; процентное содержание лугов: 3 – 0...5%; 4 – 5...15%; 5 – 15...30%; 6 – 30...70%; 7 – 70...100% 4.3.4. Методика мониторинга засоления территории методами ГИС И ДЗ Одной из актуальных проблем в изучении ПТК является мониторинг их динамики. В настоящее время для мониторинга ПТК используются не только данные наземных наблюдений, но и ДДЗ. Для этого берутся разновременные космические снимки. Рассмотрим технологию такого мониторинга на примере засоленых ПТК Кулундинской равнины юга Западной Сибири. Природно-территориальные комплексы лесостепной и степной зон Западной Сибири интенсивно используются в сельском хозяйстве, поэтому играют важную роль в жизнеобеспечении местного населения. В условиях глобальных изменений климата и интенсивной эксплуатации в структуре локальных ПТК происходят трансформационные процессы, требующие изучения и оценки возникающих изменений. В настоящее время для мониторинга засоленых комплексов используются не только данные наземных наблюдений, но и данные дистанционного зондирования Земли из космоса. Для экстраполяции результатов наземных наблюдений на прилегающие территории и дальнейшего мониторинга засоленных комплексов были использованы данные дистанционного зондирования Земли и ГИС-технологии для их обработки и анализа. В работе использовалась серия разновременных снимков близких по сезону: Landsat TM (1 августа 1989 г.), Landsat ЕTM+ (3 сентября 2001 г.), SPOT-2 (28 августа 2008 г.). Данные с датчика Landsat имеют шесть каналов в видимом диапазоне с пространственным разрешением 30 м и один канал в тепловом диапазоне (разрешение 120 м для ТМ и 60 м для ЕТМ+ соответственно). Французский спутник серии SPOT-2 имеет 3 канала в видимом и ближнем ИК–диапазонах с пространственным разрешением 20 м. Предварительная обработка космических снимков включала в себя радиометрическую и атмосферную коррекции. Для снимков SPOT проводилась дополнительная привязка к данным Landsat. Обработка и классификация космических снимков проводилась в программном пакете ENVI, построение плотностных сеток и оверлейные операции с векторными объектами проводились в программном пакете ArcGIS. Выделение областей распространения солончаков и воды по снимкам Landsat (по 5 каналам) TM, ETM+ и SPOT (по 3 каналам) осуществлялось классификацией с обучением правилом максимального правдоподобия (Maximum Likelihood) по эталонным участкам со сним64 ков. В качестве эталонов были выбраны участки с локализацией солончаков, водных объектов, пашен, нераспаханных участков, леса. Полученные в результате обработки снимков классы солончаков и водных объектов конвертировались из растра в соответствующие векторные слои. По результатам классификации каждого из снимков были построены плотностные сетки отдельно по солончакам и по водным объектам, что было необходимо для сравнения снимков с различным пространственным разрешением (Landsat – 28,5 м; SPOT – 20 м). Плотностные сетки строились с шагом 5 м и радиусом 50 м. Эти параметры были подобраны опытным путем таким образом, чтобы результат наиболее контрастно отражал границы векторных объектов, полученных при классификации снимков, и при этом сглаживались объекты размером в один пиксель. Далее были рассчитаны разницы (дельты) плотностных сеток разных годов: 1) Landsat ETM+ 2001 – Landsat TM 1989, 2) SPOT-2 2008 – Landsat ETM+ 2001, 3) SPOT-2 2008 – Landsat TM 1989. Полученные дельты были реклассифицированы в сетки со значениями –1, 0, 1 (илл. 16 на цветной вкладке). Пороговые значения для реклассификации получены путем анализа статистического и пространственного распределения плотностных характеристик. При этом значение 0 соответствует территории, на которой не произошло изменение обстановки за прошедший период времени; значение –1 соответствует территории, где картографируемые объекты (озера или солончаки) исчезли (например, озеро высохло или, например, солончаки заросли растительностью); значение 1 соответствует территории, где картографируемые объекты появились. Далее полученные сетки были преобразованы в векторный формат, позволяющий проводить оверлейные операции. Путем проведения серии оверлейных операций были определены: 1) озера, вновь заполнившиеся водой, 2) солончаки, появившиеся за счет деградации растительности, 3) солончаки, появившиеся за счет отступления озер, 4) галофитные сообщества по солончакам, 5) зарастающие озера (илл. 17 на цветной вкладке). В результате была построена серия схем, позволяющая оценить изменения ландшафтных обстановок за прошедший период времени. Площадь оценочной территории в границах сцен космических снимков составила 1566 км2. Первый временной интервал (1989–2001 гг.) характеризуется уменьшением площади солончаков на 34,7 % относительно площади, занимаемой в 1989 г. и увеличением площади озер на 17,6 % , при этом только одно крупное озеро высохло, 12 озер появилось, и многие озера увеличили свою площадь. Второй временной интервал (2001–2008 гг.) характеризуется увеличением площади солончаков на 35,4 % и уменьшением площади озер на 19,3% при этом появились 7 озер, и 4 озера высохло. Таким образом, в первом и во втором временных интервалах присутствует разнонаправленная тенденция динамики озер и солончаков. Разница между 1989 и 2008 годами характеризуется уменьшением площади солончаков на 11,5 % и уменьшением площади озер на 5,2 %. Такое «нарушение» выявленной закономерности обусловлено тем, что при длительном временном интервале между космоснимками значительная часть солончаков, формирующихся при регрессии озер, успевает покрыться галофитной растительностью и приращение площади открытых солончаковых пространств не фиксируется. Поэтому при анализе долговременных трендов, площадь озер является более точным индикатором аридизации, нежели площадь солончаков. 65 5. CЛОВАРЬ ИСПОЛЬЗУЕМЫХ ТЕРМИНОВ Освещенность объекта – это энергия падающего излучения на объект. Яркость объекта – это энергия отраженного излучения. Спектральная отражательная способность (отражательные свойства земной поверхности) определяется отношением энергии рассеянного отражения к общей энергии падающего излучения. Ρ= Энергия Энергия отраженног падающего о излучения излучения 100 (5.1) Кривая спектральной отражательной способности – это график зависимости спектральной отражательной способности объекта от длины волны (рис. 1.12). Кривые спектрального образа – это кривые спектральной яркости объектов, которые получают по многозональным снимкам. Пиксель (сокращение от picture element или picture cell – элемент изображения) - это наименьший элемент двумерного цифрового изображения. Космический снимок в цифровом виде состоит из пикселей, расположенных по строкам и столбцам. Каждый пиксель снимка содержит участок земной поверхности, равный пространственному разрешению снимка в метрах (к примеру, для Landsat – это 30 х 30 метров). Единицы измерения данных, получаемых при сканировании поверхности Земли. Данные, получаемые со спутника, имеют различные единицы измерения, в зависимости от уровня обработки. Так, при уровне обработки Level-0 (первоначально получаемые данные) они записываются в виде, так называемых, «сырых значений» яркости (DN, Digital Number). Значения DN пропорциональны количеству восходящего излучения и излучению, попадающего на датчик (radiance, spectral radiance) и имеют единицы измерения Вт/ м2·ср·мкм2), т.е. поток энергии, ватт на квадратный метр земной поверхности на один стерадиан (телесный угол от точки на поверхности Земли к датчику) на единицу измеряемой длины волны [58]. Для перевода значений DN в значения radiance проводят радиометрическую коррекцию. Для количественного сравнения снимков, полученных в разное время, для учета различной освещенности проводят пересчет значений спектральной энергетической яркости, вычисляя отношение отраженного потока излучения к падающему, в процентах (reflectance) [28]: πB λ D2ʘ ρλ = J cosZ , λʘ ʘ (5.2) где D – расстояние от Земли до Солнца в астрономических единицах на конкретную дату; Jλ – средняя солнечная внеатмосферная энергетическая освещенность (Вт/(м2·нм)); Z – зенитное расстояние Солнца (угол, дополняющий высоту Солнца до 90º; D и Jλ берутся из справочных таблиц, а Z из калибровочного файла, сопровождающего цифровой снимок. Цветовые модели. Модель RGB. Цветовая модель RGB является наиболее распространенной моделью. В ее основе лежит воспроизведение любого цвета путем сложения трех основных цветов: красного (Red, 0,625...0,74 мкм), зеленого (Green, 0,5...0,565 мкм) и синего (Blue, 0,44...0,485 мкм). Эта цветовая модель максимально подходит для передачи информации об окружающей среде, но она требует больших расходов, т.к. глубина цвета тут наибольшая – 3 канала по 8 бит каждый (в сумме 24 бита) [49]. Цветовым пространством RGB модели является куб (рис. 5.1). Схематичное представление формирования цветного изображения RGB представлено на рис 5.2. 66 Рис. 5.1. Цветовое пространство RGB модели Рис. 5.2. Схематичное представление формирования цветного изображения RGB Модель CMY или CMYK. Модель CMY использует также три основных цвета: голубой (Cyan), пурпурный (Magenta) и желтый (Yellow). Эти цвета описывают отраженный от белой бумаги свет трех основных цветов RGB модели. Поэтому соотношение между двумя жтими модели можно записать в следующем виде: C M Y 1 R 1 G 1 B (5.3) Модель CMY используется в принтерах при печати снимков и фотографий. Смешение чернил первых трех цветов в различных пропорциях формирует цвет изображения. Однако смешением цветных чернил практически нельзя получить чисто черного цвета, поэтому для четкого воспроизведения контуров используют черные чернила (модель CMYK, где К – условный индекс для обозначения черного цвета). Система IHS. Модель получила свое название по первым трем буквам английских слов: цвет (hue), насыщенность (saturation), интенсивность (intensity). Цветовые тона или спектральные цвета располагаются на цветовом круге. Цветовой тон характеризуется положением на цветовом круге и определяется величиной угла в диапазоне от 0º до 360º. Эти цвета обладают максимальной насыщенностью и интенсивностью. Насыщенность – это 67 параметр цвета, определяющий его чистоту. Цвет с уменьшением насыщенности осветляется. При значении 0 любой цвет становится белым. Интенсивность – это яркость цвета (рис. 5.3). Рис. 5.3. Модель IHS Полутоновое изображение. Полутоновое изображение – это изображение, имеющее множество значений тона, и их непрерывное, плавное изменение [41] (рис. 5.4). Множество возможных полутонов называют уровнями серого (англ. gray scale). Рисунок 5.4. Полутоновое изображение. Пространство спектральных признаков. Пространство спектральных признаков представляет собой совокупность значений яркостей пикселей в n-мерном пространстве (размерность зависит от количества каналов снимка). Для наглядности рассмотрим пространство спектральных признаков для двух каналов (рис. 5.5). Положение точки, которое определяется двумя координатами или вектором, характеризует конкретный объект. Поскольку спектральные яркости одного и того же объекта обычно варьируют в некоторых пределах, то в пространстве спектральных признаков такому объекту будет соответствовать не одна точка, а область. 68 Рис. 5.5. Пространство спектральных признаков в двух каналах Зоны поглощения и отражения спектрального отклика. На спектральных кривых существуют зоны отражения и поглощения электромагнитного спектра. По их сочетанию и местоположению можно проводить идентификацию поверхности. 6. СПРАВОЧНАЯ ИНФОРМАЦИЯ Таблица А Название датчика EOS AM-1 (Terra), радиометр ASTER LANDSAT ETM EOS AM-1 (Terra), Уровни обработки современных спутниковых данных Уровни обработки снимков и их особенности Level 0 – данные телеметрии, получаемые непосредственно со спутника без каких-либо преобразований; Level 0А – распакованные данные уровня 0; Level 0В – рассчитываются радиометрические, геометрические коэффициенты; на этом уровне ведется «разрезание» данных в соответствии с WRS (World Reference System – Всемирная система координат) и создаются таблицы с информацией о привязки для каждой сцены; 1А – состоит из данных изображений VNIR (изображения телескопа видимого и ближнего ИК-диапазона), SWIR (среднего ИК), TIR (теплового ИК), таблиц для радиометрической и геометрической коррекции, вспомогательных данных; 1В – радиометрически и геометрически калиброванные данные для всех каналов; 2 – продукты по требованию 0R – данные без радиометрической и геометрической коррекции; 1R – включают радиометрическую коррекцию; 1G – включает радиометрическую и систематическую геометрическую коррекцию (искажения за счет кривизны поверхности Земли, вращения Земли, движения космического аппарата). Следующий уровень обработки – Orthorectified – орторектифицированное или ортотрансформированное изображение. Качество орторектификации зависит от качества цифровой модели рельефа использованной для этого, поэтому часто такие данные содержат трудно устранимые шумы Базовые продукты Продукты уровня Level0 (файлы PDS) – первичные данные MODIS. Поток 69 радиометр MODIS IKONOS данных записан так, как он формируется радиометром на борту спутника Продукты уровня Level1A (продукт MOD01) представляют собой результат распаковки данных формата Level0 в иерархический формат данных HDF. Данные в файлах MOD01 не подвергнуты никакой обработке по сравнению с PDS. При распаковке из одного файла Level0 PDS формируется один файл MOD01. Продукты уровня Level1B – результат калибровки данных MODIS. При преобразовании из уровня 1А в уровень 1B данные разного пространственного разрешения разделяются на 4 файла: – MOD021KM (данные всех 36 каналов, приведенные к разрешению 1 км); – MOD02HKM (данные с 1 по 7 канал, приведенные к разрешению 500 м); – MOD02QKM (данные 1 и 2 каналов с разрешением 250 м); – MOD02OBC (бортовые калибровочные данные). Продукт MOD03 используется для географической привязки данных MODIS и содержит массивы значений широты, долготы и высоты над уровнем моря, углы сканирования, угол солнца, маску вода-суша и другую информацию для каждого пиксела с разрешением 1 км Продукты серии Geo – снимки приведены к стандартному разрешению и определенной картографической проекции, устранены искажения снимка, возникшие вследствие геометрии камеры. Ортотрансформирование снимков уровня ГЕО не осуществляется, следовательно их точность ограничена искажениями рельефа. Продукты серии ГЕО Орто Комплект предназначены для опытных пользователей, фотограмметристов, способных выполнить процесс ортотрансформирования самостоятельно. ГЕО Орто Комплект включает само изображение и информацию о геометрических параметрах камеры в момент съемки. С помощью ГЕО Орто Комплекта, пользователь может создавать свою высокоточную ортотрансформированную продукцию с использованием существующих программных средств, цифровых моделей рельефа и точек дополнительного наземного контроля. Ортотрансформированные продукты – данные, ортоисправленные в соответствии с определенной эллипсоидной или картографической проекцией. В результате трансформации на основе цифровых моделей местности и пунктов геодезической привязки корректируются геометрические ошибки, изображение приводится в соответствие с картографической проекцией определенной заказчиком. Данные продукты имеют четыре различных уровня метрической точности: Reference имеет горизонтальную точность (возможная погрешность с которой определены координаты для каждой точки снимка)12 м; Pro имеет горизонтальную точность 5 м; Precision имеет горизонтальную точность 2 м; Precision Plus имеет горизонтальную точность 1 м. Продукты IKONOS Precision Plus и IKONOS Precision, обладающие самым высоким уровнем точности координат, создаются с использованием пунктов геодезической привязки и цифровых моделей местности. Использование пунктов геодезической привязки не является необходимым элементом для создания других ортотрансформированных продуктов. Стереопродукция IKONOS имеет разрешение 1 м доступно в двух уровнях точности Reference и Precision. Reference Стерео имеет горизонтальную точность 25 м, вертикальную – 22 м; Precision Стерео имеет горизонтальную точность 4 м, вертикальную – 5 м. Стереоизображение поставляется вместе с файлом коэффициентов 70 QuickBird IRS SPOT-5 NMP/EO-1, радиометр Hyperion NMP/EO-1, радиометр ALI рациональных полиномов модели камеры. Эти данные позволяют осуществлять обработку стереоизображения в любых программных продуктах для получения x, y, z координат фотограмметрическим способом, создания цифровых моделей рельефа и ортоисправления изображения. Каждая стереопара состоит из снимка, полученного при низком угле наклона съемки (более 30 градусов от надира), и снимка, полученного при высоком угле наклона съемки (более 18 градусов от надира) с 30...45° конвергенцией (коэффициент B/H от 0,54 до 0,83). Стереопродукция IKONOS доступна в двух вариантах: а) цветной (natural color, color infrared, pan-sharpening), разрешение – 1м; б) черно-белый, разрешение – 1 м. Размеры стереоизображения на местности: ширина ~ 11 км, длина – от 11 до 400 км Базовое изображение (basic imagery) – это наименее обработанные данные из всего предлагаемого перечня продукции со спутника QuickBird. В этом уровне учтена только радиометрическая коррекция и поправка за внутреннюю сенсорную геометрию. Стандартное изображение (standard imagery) – радиометрически откалибровано, скорректировано за сенсорные и вызванные платформой искажения, приведено к картографической проекции UTM, эллипсоид WGS-84. Стандартный уровень, готовый для ортоисправления (Ortho Ready Standard) – характеристики аналогичны предыдущему уровню, но у изображений данного уровня отсутствует топографическая коррекция, что позволяет осуществлять процесс ортоисправления. Изображение Ortho Ready Standard спроектировано к постоянной базовой высоте, которая подсчитана по среднему уровню высот каждого кадра QuickBird. Ортоисправленное изображение (ortho imagery) – радиометрически откалибровано, скорректировано за сенсорные и вызванные платформой искажения, орторектифицированно, а также приведено в картографическую проекцию, заданную пользователем 0 – «сырые» данные, не содержащие никаких коррекций; 1 – данные с радиометрической коррекцией; 2 – стандартный уровень с радиометрической и геометрической коррекций; 3 – данные с привязкой более высокого порядка, созданные на основе опорных наземных точек 1А – данные содержат радиометрическую коррекцию; 1Б – данные содержат радиометрическую коррекцию и систематическую геометрическую коррекцию (искажения за счет кривизны поверхности Земли, вращение Земли, движение космического аппарата); 2А – это начальный уровень картографической продукции, снимки приведены к стандартной картографической проекции (UTM, WGS - 84) 1R – выполнена радиометрическая коррекция, геометрические исправления не внесены 1R – выполнена радиометрическая коррекция; 1Gs – выполнена радиометрическая и систематическая геометрическая коррекция. 71 Спутники, оснащенные многоспектральными и гиперспектральными датчиками. В настоящее время доступны данные со следующих спутников, на которых установлены многоспектральные и гиперспектральные датчики: QuickBird, Ikonos, TERRA, LANDSAT 5,7, IRS, SPOT-5, NMP/EO-1. Характеристика спутников представлена в табл. Б. Таблица Б Современные спутники Страна Дата запуска Число каналов № Наименование серии спутников 1 QuickBird США 18 октября 2001 5 2 Ikonos США 24 сентября 1999 4 3 EOS AM-1 (Terra), радиометр ASTER Япония 18 декабря 1999 14 4 EOS AM-1 (Terra), радиометр MODIS США 18 декабря 1999 36 5 Landsat 5, радиометр MSS TM Landsat 7, радиометр ETM+ США 1 марта 1984 США 15 апреля 1999 IRS SPOT-5 NMP/EO-1, радиометр Hyperion NMP/EO-1, датчик ALI Индия Франция США с 1988 1997 18 декабря 2000 1–4 1–5 220 США 18 декабря 2000 10 6 7 8 9 10 4 7 8 Пространственное разрешение бортовых сканеров, м Панхроматический режим – 0,61 м многозональный режим – 2,44 метра Панхроматический режим – 1 метр многозональный режим – 4 метра 15 м – 3 канала 30 м – 6 каналов 90 м – 5 каналов 250 м – 2 канала 500 м – 5 каналов 1000 м – 29 каналов 80 м – 4 канала; 30 м – 6 каналов, 120 м – 1 канал 30 м – 6 каналов 60 м – 1 канал 15 м – 1 канал 5,8 – 188 м 2,5 – 100 м 30 метров 30 м – 9 каналов 10 м – 1 канал Спутник QuickBird. Космический аппарат QuickBird был запущен 18 октября 2001 года с авиабазы Ванденберг (США) [80]. Владельцем спутника является компания DigitalClobe (США). Спутник был выведен на околоземную солнечно-синхронную орбиту высотой 450 км, обеспечивающую его прохождение над любым районом Земли каждые 1...3,5 дня [78]. Спутник QuickBird предназначен для получения цифровых изображений земной поверхности с пространственным разрешением 61 см в панхроматическом режиме и 2,44 м в мультиспектральном режиме. Основными преимуществами спутника QuickBird являются широкая полоса охвата (размер сцены – 16,5 х 16,5 км) и высокая метрическая точность. Характеристика датчика QuickBird приведена в табл. В. 72 Таблица В Спектральные каналы 1 2 3 4 панхроматический режим Спутник QuickBird Пространственное Спектральные разрешение, м диапазоны, мкм 2,44 0,45...0,52 2,44 0,52...0,60 2,44 0,63...0,69 2,44 0,76...0,90 0,61 0,45...0,90 Полоса обзора, км 16,5 Спутник Ikonos. Слово Ikonos получено от греческого слова «изображение». Ikonos – первый коммерческий спутник. Этот спутник массой 720 кг был выведен 24 сентября 1999 года на круговую солнечно-синхронную околополярную орбиту (наклон 98,1°) высотой 680 км ракетой-носителем Athena-2 [81]. Пространственное разрешение получаемых снимков от 1 до 4 м (табл. Г). Благодаря высокому пространственному разрешению, снимки, получаемые со спутника Ikonos, используются для создания и обновления карт, для решения задач сельского, лесного хозяйства, природных ресурсов, экологических и пр. Помимо этого, по данным спутника создаются дополнительные продукты (например, цифровые модели местности на основе стереопар). Таблица Г Спектральные каналы 1 2 3 4 панхроматический режим Спутник Ikonos Пространственное Спектральные разрешение, м диапазоны, мкм 4 0,45...0,52 4 0,52...0,60 4 0,63...0,69 4 0,76...0,90 1 0,45...0,90 Полоса обзора, км 11 Спутник EOS AM-1 (Terra). Спутник Terra [70] был запущен 18 декабря 1999 года в целях миссии NASA (National Aeronautics and Space Administration – Национальное агентство по аэронавтике и исследованию космического пространства) – «Система наблюдения Земли» (EOS) [66]. 24 февраля 2000 года Terra начал сбор информации. Цель запуска – лучше понять причинно-следственные связи в системе земля–океан–атмосфера, более адекватно предсказывать воздействие этих быстрых изменений на будущие климатические условия. Планируемый рабочий период – шесть лет. Terra имеет солнечно-синхронную орбиту с периодом обращения 16 дней и летает на той же орбите, что и Landsat-7, но на 30 минут позже. Высота орбиты 705 км над экватором, облет вокруг земли за 98,9 минут. Это значит, что траектория орбиты пересекает экватор 233 раза за 16 дней. Спутник Terra несет 5 датчиков: ASTER, CERES, MISR, MODIS, MOPITT. Датчик ASTER (Advanced Spaceborne Thermal Emission and Reflector Radiometer) [75], в переводе с английского означает «усовершенствованный космический тепловой эмиссионный и отражательный радиометр». ASTER используется, чтобы получить детальные карты температуры поверхности земли, коэффициента излучения, отражательной способности и превышения. Радиометр был разработан в Японии для Министерства экономики, торговли и промышленности (Ministry of Economy Trade and Industry). Из всех датчиков, установленных на спутнике Terra, ASTER – единственный радиометр с высоким пространственным разрешением [18]. Он воспринимает излучения в видимом, ближнем, среднем ИК (или тепловом) диапазонах, размер сцены 60 х 60 км (табл. Д). 73 Таблица Д Спектральные каналы 1 2 3 Стерео 4 5 6 7 8 9 10 11 12 13 14 Пространственное разрешение, м 15 15 15 15 30 30 30 30 30 30 90 90 90 90 90 Датчик ASTER Спектральные диапазоны, мкм 0,51 ... 0,60 0,63 ... 0,69 0,76 ... 0,86 0,76 ... 0,86 1,60 ... 1,70 2,145 ... 2,185 2,185 ... 2,225 2,235 ... 2,285 2,295 ... 2,365 2,360 ... 2,430 8,125 ... 8,475 8,475 ... 8,825 8,925 ... 9,275 10,25 ... 10,95 10,95 ... 11,65 Полоса обзора, км 60 Основная особенность данных датчика ASTER – самое оптимальное количество спектральных каналов в средней ИК-области спектра, в которой наилучшим образом различаются геологические объекты. Каналы датчика чувствительны к таким спектральным диапазонам, которые позволяют решать геологические задачи. На странице Межуниверситетского аэрокосмического центра при Географическом факультете МГУ им. М.В. Ломоносова приведена характеристика спектральных каналов датчика ASTER [55]. Так, канал 6 (в среднем ИК- иапазоне) сцентрирован на полосе поглощения глинистых минералов, в которой часто проявляется гидротермальное изменение пород. Канал 8 располагается на полосе поглощения карбонатных пород, что позволяет отделять известняки и доломиты от других горных пород [89]. Спектральные зоны 10, 11, 12 ориентированы на распознавание сульфатов и кремнеземов. Сопоставление яркостных значений 6 и 10 каналов позволяет различать минералы алунит и ангидрит. Спектральная зона 14 располагается на полосе поглощения карбонатных минералов и дополняет зону 8. В целом, тепловой диапазон датчика ASTER позволяет картографировать литологические характеристики различных минералов, вариации в составе горных пород и распространение областей гидротермального метаморфизма. Следует заметить, что любые продукты обработки данных датчика ASTER с 25 января 2006 г. стали платными, смета составляет порядка 80 долларов США. Датчик MODIS – это сканирующий радиометр с диапазоном съемки от видимого до теплового инфракрасного диапазона [71]. MODIS просматривает полную поверхность Земли каждые 1–2 дня [59]. Датчик имеет 36 спектральных каналов. Два канала (1, 2) имеют пространственное разрешение 250 метров, 7 каналов (1–7) имеют разрешение 500 м, 36 каналов обладают пространственным разрешением 1000 м. Полоса обзора MODIS составляет 2330 км. Этот датчик хорошо подходит для наблюдения мелкомасштабных изменений. Спутник Landsat – наиболее длительно работающая программа. Автоматические спутники серии Landsat (первоначальное названные ERTS – Earth Resources Technology Satellite) предназначены для изучения природных ресурсов Земли или решения проблем землеведения в широком понимании этого слова. Первый спутник этой серии был запущен в июле 1972 года [75]. Цель запуска – собрать пригодный для компьютерной обработки материал для решения вопросов сельского и лесного хозяйства, геологического картографирования, поисков и разведки месторождений полезных ископаемых, пространственного планирования территорий. Полученные снимки со спутников Landsat – 1, 74 2, 3, 4, 5, 7 широко используются для мониторинга среды и современных динамических процессов на поверхности Земли – извержений вулканов, землетрясений, цунами, выпадения и таяния снега, вегетации растений и т.п. [7]. Landsat 5 был запущен 1 марта 1984 года. Спутник имеет солнечно-синхронную орбиту (98,2°), высота спутника 705 км, период обращения вокруг Земли 16 дней (233 орбиты). Спутник оснащен двумя датчиками: TM (Thematic Mapper, что в переводе означает тематический картограф), 7 каналов и MSS (Multispectral Scanner System – многоспектральное сканирующее устройство), 4 канала. Основные характеристики датчиков приведены в табл. Е и Ж. Назначение спектральных диапазонов датчиков ТМ представлено в табл. З. Таблица Е Landsat 5, датчик TM Спектральные Спектральный диапазон, Пространственное Ширина полосы каналы мкм разрешение, м обзора, км 1 0,45 ... 0,52 30 185 х 185 2 0,52 ... 0,60 30 3 0,63 ... 0,69 30 4 0,76 ... 0,90 30 5 1,55 ... 1,75 30 6 10,40 ... 12,5 120 7 2,08 ... 2,35 30 Таблица Ж Спектральные каналы 1 2 3 4 Landsat 5, датчик MSS Спектральный диапазон, Пространственное мкм разрешение, м 0,5 ... 0,6 80 0,6 ... 0,7 80 0,7 ... 0,8 80 0,8 ... 1,1 80 Ширина полосы обзора, км 185 х 185 Landsat 7, датчик ETM+. Landsat 7 был запущен 15 апреля 1999 г. Орбита спутника аналогична спутнику Landsat 5. Датчик, который стоит на спутнике Landsat 7, точно повторяет возможности инструментов на Landsat 4 и 5. Кроме того он включает в себя новые особенности, которые делают его более универсальным и эффективным инструментом для изучения глобальных изменений, наблюдения за поверхностью Земли, картографирование больших площадей по сравнению с его предшественниками. Основные особенности датчика ETM+ спутника Landsat 7 следующие: 1) панхроматический канал с пространственным разрешением 15 м; 2) 5 % абсолютная радиометрическая калибровка; 3) тепловой инфракрасный канал с пространственным разрешением 60 м. Более подробная характеристика датчика ETM+ представлена в табл. И. 75 Таблица З Спектральный канал 1 2 3 4 5 6 7 Назначение спектральных диапазонов сканера TM Спектральный Назначение диапазон, мкм 0,45 ... 0,52 – изучение прибрежных вод океанов, морей и озер; – определение лиственных и хвойных пород деревьев; – определение почв обнаженных и закрытых растительным покровом 0,52 ... 0,60 оценка отражательной способности растений в зеленом диапазоне для оценки их жизнеспособности 0,63 ... 0,69 в этом интервале длин волн находится полоса поглощения света хлорофиллом, смещение этой полосы по спектру может быть использовано для определения видового состава растений 0,76 ... 0,90 – определение состава и количества биомассы в прибрежных водах; – определение конфигурации береговой линии водоемов 1,55 ... 1,75 – определение влажности растений и различение снежного и облачного покровов; – диапазон наиболее оптимален при геологическом картировании, определении запасов минерального сырья и при мониторинге окружающей среды, т.к. волны ~1,6 мкм наиболее сильно отражаются от большинства горных пород 10,40 ... 12,5 – температурное картирование; – разделение почв по влажности; – выявление территорий с угнетенными сообществами растений 2,08 ... 2,35 – оценка влажности растений и содержания ионов окиси водорода в почве; – особая возможность распознавания горных пород, т.к. диапазон 2,0...2,5 мкм содержит узкие характерные полосы поглощения, которые очень важны при определении слоистых силикатов и карбонатов; этот канал был специально выбран для составления прогнозных карт минерального сырья Таблица И Спектральные каналы 1 2 3 4 5 6 7 панхроматический режим Landsat 7, датчик ETM+ Спектральный Пространственное диапазон, мкм разрешение, м 0,45 ... 0,515 30 0,525 ... 0,605 30 0,63 ... 0,690 30 0,75 ... 0,90 30 1,55 ... 1,75 30 10,40 ... 12,5 60 2,09 ... 2,35 30 0,52 ... 0,90 15 76 Ширина полосы обзора, км 185 Спутник IRS. Спутники серии IRS (запускаются с 1988 года) выводятся на солнечносинхронную орбиту высотой 900 км и периодом обращения 22 дня. Спутники первого поколения (IRS-1A, 1B, 1C, 1D, 1E, P2, P3) предназначены в основном для изучения земной поверхности, наблюдения прибрежных зон океана и почвенного слоя Земли, решения задач сельского и лесного хозяйства, землепользования, контроля расходов водных ресурсов (IRS 1A отключен в 1995 г., 1B – в 2001 г.) [79]. Данные с аппаратов второго поколения (IRSР4, Р5) используются для картографирования земной поверхности, решения задач сельского и лесного хозяйства, мониторинга окружающей среды и изучения природных ресурсов Земли. Характеристика спутников и их съемочных систем представлена в табл. К. Таблица К Номер спутника Съемочная система 1, 2 (1А, 1В) LISS-1 1, 2 (1А, 1В) LISS-2 3, 4, 8 (1С, 1D, P4) LISS-3 9 (Р5) LISS-4 3, 4 (1С, 1D) 3, 4, 7, 8, 9 (1C, 1D, P3, P4, P5) PAN WiFS Спутники серии IRS Спектральный Пространственное диапазон, мкм разрешение, м 0,4...0,5; 0,5...0,6; 0,6...0,7; 0,7...0,8 0,4...0,5; 0,5...0,6; 0,6...0,7; 0,7...0,8 0,5...0,6; 0,6...0,7; 0,7...0,8; 1,5...1,7 0,5...0,6; 0,6...0,7; 0,7...0,8; 1,5...1,7 0,5...0,75 0,62...0,68; 0,77...0,86 72 Ширина полосы обзора, км 148 36 74 23 142 70 10 40 5,8 188 70 774 Спутник SPOT-5. Спутники серии SPOT (Satellite Pour L'Observation de la Terre) разработаны Францией совместно с Бельгией и Швецией. Система начала функционировать с момента запуска SPOT-1 22 февраля 1986 г. [69]. Всего было запущено четыре спутника, причем три из них продолжают работать. SPOT-5 – последний из этой серии, имеет субполярную солнечно-синхронную орбиту, высотой 822 км. Данные этого спутника используются для создания и обновления топографических карт до масштаба 1:25 000 включительно, а для некоторых специальных карт – до 1:10 000; оперативного картирования и мониторинга районов стихийных бедствий и техногенных катастроф, в том числе с возможностью анализа повреждений отдельных строений; создание различных кадастров, в том числе кадастров недвижимости, особенно при невозможности непосредственного посещения территории. Характеристика датчика представлена в табл. Л. Спутник NMP/EO-1, датчик Hyperion. Спутник NMP/EO-1 – часть программы нового тысячелетия NASA [68], сосредоточенной на новых технологиях. Первый спутник с обзорным спектрометром на борту EO-1 был запущен 18 декабря 2000 г. [65]. Название этого обзорного спектрометра – Hyperion. Это один из трех основных приборов на борту спутника ЕО-1. Его основная цель – продемонстрировать возможности технологии обзорной спектрометрии для целей дистанционного зондирования Земли из космоса. Орбита спутника ЕО-1 круговая, солнечно-синхронная, высота 705 км, угол наклона 98,7 градусов. Эта орбита позволяет EO-1 соответствовать орбите спутника Landsat 7 с точностью до одной минуты и получать почти идентичные изображения для последующего сравнения на Земле. 77 Таблица Л Съемочная система HRG HRS Vegetation Спутник SPOT-5 Спектральный Пространственное диапазон, мкм разрешение, м 0,49 ... 0,69 5 (2,5) 0,49 ... 0,61 10 0,61 ... 0,68 0,78 ... 0,89 1,58 ... 1,75 20 0,49 ... 0,69 10 0,43 ... 0,47 100 0,61 ... 0,68 0,78 ... 0,89 1,58 ... 1,75 Ширина полосы обзора, км 60 120 2250 Обзорный спектрометр Hyperion – сканирующая система, имеющая 220 спектральных каналов. Ширина каждого спектрального канала 10 нм. Непрерывная полоса измеряемого отраженного солнечного спектра от 400 до 2500 нм. Пространственная разрешающая способность 30 метров. Ширина полосы захвата составляет 7,5 км при полосе обзора 37 км. Время на формирование изображения приблизительно 3 секунды. Hyperion имеет один объектив и два спектрометра: один работает в видимом и ближнем инфракрасном диапазоне (спектрометр VNIR), другой в среднем инфракрасном (спектрометр SWIR). Спутник NMP/EO-1, спутник ALI (Advanced Land Imager). Датчик разработан для изучения и наблюдения поверхности Земли. По сравнению с датчиками серии Landsat, ALI имеет три дополнительных диапазона: от 0,433 до 0,453 мкм; от 0,845 до 0,89 мкм и от 1,20 до 1,30 мкм. Разрешение составляет 30 м для многозонального режима и 10 м для панхроматического канала. Перечисленные выше спутники и датчики используются для различных задач в геологии. 78 ЗАКЛЮЧЕНИЕ В работе приведены распространенные методы и технологии применения ГИС и ДЗ в науках о Земле. Рассмотрен практический опыт обработки многозональных данных ДЗ для решения геологических задач. В целом, на обработку ДДЗ влияют ландшафтно-геоморфологические обстановки территории. Так, при наличии растительного покрова напрямую выявить вещественный состав пород или геологические границы весьма затруднительно. Но в этом случае, растительность может выступать в качестве косвенного дешифровочного признака. Тем не менее, для таких территорий в любом случае стоит проводить такую обработку, как построение классификационных, индексных изображений, спектрального анализа снимка, т.к. все равно есть вероятность обнаружения участков, не покрытых растительностью (в этом случае необходимо более строго подходит к экспертной оценке результата). Авторы выражают признательность канд. геол.-мин. наук Н.Н. Добрецову, канд. техн. наук В.Н. Дементьеву за многочисленные консультации и ценные замечания при подготовке работы. Также авторы благодарят сотрудников ОИГГМ, ИГ СО РАН: канд. геол.мин. наук С.А. Каргополова, канд. геол.-мин. наук А.С. Гибшера, канд. геол.-мин. наук Ю.Д. Литасова, канд. геол.-мин. наук Е.А. Наумова, А.В. Черепанова; а также студентов НГУ: А.Б. Рябинина, Г.С. Дягилева, М.С. Нагирняка, с которыми проводились совместные исследования. 79 Список литературы 1. Айриянц А.А. Борисенко А.С. Добрецов Н.Н. Зольников И.Д. Кривоногов С.К. Мистрюков А.А. Опыт создания баз данных и метаданных Алтайского экорегиона // Геоинформатика. – 2003. – № 4. – С. 13–19. 2. Баландис В.А., Богуславский А.Е., Зольников И.Д. Использование геоинформационных технологий для региональных экогеохимических исследований на примере юга Западной Сибири// Труды международной конференции ENVIROMIS 2000, 24–28, октября 2000 г. Томск, Россия. Томск: Изд-во Томского ЦНТИ, 2001 г. С. 68–71. 3. Баландис В.А., Зольников И.Д., Красавчиков В.О., Птицын А.Б. Экологогеохимический анализ природно-антропогенной экосистемы (на примере Новосибирского Академгородка) // География и природные ресурсы. 2002 г, №2. С. 32–39. 4. Васильев. П.В. Развитие горно-геологических информационных систем Информационный бюллетень. ГИС ассоциация, 1999 г. № 2 (19), С. 32–33. 5. Васмут А.С., Магнутова Л.А., Семенов В.Ф. Об использовании компьютерных технологий в экологическом картографировании // Геодезия и картография. 1992, №9– 10. С.51. 6. Веб-узел GIS-LAB: Методологический аппарат ERDAS IMAGINE для классификации изображений (выдержки) [Электронный ресурс]. – Режим доступа:http://www.gislab.info/qa/genclass-erdas.html. 7. Гарбук С.В., Гершензон В.Е. Космические системы дистанционного зондирования Земли. – М.: Изд-во А и Б, 1997. 8. Геоинформатика 2000. Труды междунар. научно-практ. конф. Томск: Изд-во Томского ун-та, 2000. 361 с. 9. Геоинформатика. Толковый словарь основных терминов. М.: ГИС-Ассоциация, 1999. – 204 с. 10. Гельдыев Б.В., Максимов М.А., Шкурычев Д.С. Экологическая оценка природноантропогенных систем с использованием ГИС и ДЗ // Arcreview. 2008. № 2. С. 12–13. 11. Герасимов Ю.Ю., Кильпеляйнен С.А., Соколов А.П. Геоинформационные системы: Обработка и анализ растровых изображений; М.: ООО «Дата+», 2002. 118 с. 12. Глушкова Н.В., Зольников И.Д., Лямина В.А., Макунина Н.И., Мальцева Т.В. Картографирование лесных массивов Центрального сибирского ботанического сада // Вестник НГУ. Серия: Биология, клиническая медицина. 2010. Т. 8. № 3. С. 83–91. 13. Глушкова Н.В., Наумов Е.А., Рябинин А.Б. Опыт обработки снимков ASTER для решения геологических задач // Тез. докл. междунар. конф. по вычислительноинформационным технологиям для наук об окружающей среде: CITES-2005. Томск: ГУ «Томский ЦНТИ», 2005. С. 50. 14. Глушкова Н.В., Рябинин А.Б., Дягилев Г.А., Наумов Е.А., Нагирняк М.С. Использование снимков датчика ASTER для решения геологических задач на примере тестовых полигонов в пределах Монголии // Тез. докл. Второй открытой Всеросс. конф. Современные проблемы дистанционного зондирования Земли из космоса (физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов). Москва: Институт космических исследований РАН, 2004. С. 162. 15. Глушкова, Н. В. Опыт использования многозональных космоснимков ASTER на примере Уронайского рудного узла / Н. В. Глушкова, В. А. Баландис // Исследование Земли из космоса. – 2005. № 2. 16. Добрецов Н.Н., Лапухов С.А., Моисеев E.E. Анализ подходов к устранению «эффекта бабочки» для данных сканера MODIS применительно к задачам мониторинга термических аномалий // Солнечно-земная физика. Вып. 5 (2004), С. 38–39. 17. Добрецов Н.Н., Зольников И.Д., Королюк А.Ю., Мистрюков А.А., Смоленцев Б.А., 80 Смоленцева Е.Н., Мартысевич У.В., Макунина Н.И., Мальцева Т.В. Разработка системы комплексного описания полигонов для интерпретации данных космической съемки // Сибирский экологический журнал. 2005. № 6. С. 1031–1038. 18. Еремеев В.А. и др. Современные гиперспектральные сенсоры и методы обработки гиперспектральных данных // Исследование Земли из космоса. 2003. №6. С. 80–90. 19. Зейлер М. Моделирование мира. ESRI Press, 1999. 254 c. 20. Жуков В.Т., Новаковский Б.А., Чумаченко А.Н. Компьютерное геоэкологическое картографирование. М.: Научный мир, 1999. 128 с. 21. Зольников И.Д., Баландис В.А., Богуславский А.Е., Берхин Б.Ю., Ковалев В.П., Птицын А.Б. Использование ГИС-технологий для создания региональных банков данных, обеспечивающих НИР по экогеологии // Инженерно-геологические проблемы урбанизированых территорий. Материалы международного симпозиума. – Екатеринбург: Изд. «АКВА-ПРЕСС», 2001, Т. 2. С. 760–767 22. Зольников И.Д., Дементьев В.Н., Добрецов Н.Н., Кривоногов С.К. ГИС-технологии и интерактивные системы обучения на геолого-геофизическом факультете НГУ //ГИС для оптимизации природопользования в целях устойчивого развития территорий: Материалы Междунар. конф. Барнаул: Изд-во Алтайского гос. ун-та, 1998. С. 625–629. 23. Зольников И.Д., Королюк А.Ю., Смоленцева Е.Н., Лямина В.А., Добрецов Н.Н., Мартысевич У.В. Разработка и составление базы геоданных для картографирования и моделирования наземных экосистем средствами ГИС и ДЗ на примере Чуйской степи Горного Алтая // Сибирский экологический журнал. 2010. № 2. С. 209–220. 24. Зольников И.Д., Лямина В.А., Королюк А.Ю. Комплексная технология картографирования и мониторинга гетерогенных ландшафтов // География и природные ресурсы. 2010. №2. С. 126–131. 25. Казанин Г.С., Маркина Н.В., Шкарубо С.И. ГИС в комплексном геологическом картировании Западно-Арктического шельфа России // Информация и Космос 2004, №2. С. 40–45. 26. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учеб. пособие. М.: Логос, 2001. 264 c. 27. Кирсанов А. А. и др. Современное состояние применения данных дистанционного зондирования при геологических и геоэкологических исследованиях / Общ. и регион. Геология, геология морей и океанов, геол. картирование: Обзор / ЗАО «Геоинформак» М., 2000. 77 с. 28. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы географических исследований: Учеб. для студ. высш. учеб. заведений М.: Издательский центр «Академия», 2004. 336 с. 29. Кошель С.М., Мусин О.Р. Методы цифрового моделирования: кригинг и радиальная интерполяция // Информационный бюллетень ГИС-Ассоциации № 4–5. 2000. С. 32– 33. 30. Кошкарев А.В., Мерзлякова И.А., Чеснокова И.В. Географические информационные системы в эколого-геоморфологических приложениях. // Геоморфология. 2002. №2. С. 68–79. 31. Кравцова В.И. Космические методы картографирования / Под ред. Ю.Ф. Книжникова. М.: Изд-во МГУ, 1995. 32. Кронберг П. Дистанционное изучение Земли. Основы и методы дистанционных исследований в геологии. М.: Мир, 1988. 33. Леус В.А. Решение задач геологической компьютерной картографии на основе потенциал-полиномов // Геология и геофизика. 1998. Т. 39. № 10. С. 1416–1423. 34. Лурье И.К. Обучающие ГИС для наук о Земле // Информационный бюллетень ГИСАссоциации, 1998, № 1(13). 81 35. Лямина В.А., Зольников И.Д. ГИС моделирование геологических и гидрогеохимических характеристик на примере Уронайского рудного узла // Геоинформатика 2007. № 2. С. 11–18. 36. Лямина В.А., Королюк А.Ю., Зольников И.Д., Смоленцев Б.А., Лащинский Н.Н. отражение генерализации ландшафтных обстановок в спектральных характеристиках космических снимков мелкого среднего и крупного пространственного разрешения. // Исследование Земли из Космоса. 2010. №4. С. 77–84. 37. Марков Н.Г. Преподавание ГИС-курсов в Томском политехническом Университете // ГИС для оптимизации природопользования в целях устойчивого развития территорий: Материалы Междунар. конф. Барнаул: Изд-во Алтайского гос. ун-та, 1998. С. 615–619. 38. Мониторинг природной среды с помощью ArcView GIS в Скандинавии // Arcreview. 1999. № 9. С. 6. 39. Новаковский Б.А., Симонов Ю.Г., Тульская Н.И. Использование геоинформационных технологий при эколого-геоморфологическом картографировании // Геоинформатика. 2003. № 4, С. 3–12. 40. Патренина М.А., Благовидов В.В., Дементьев В.Н. и др. Опыт разработки интерактивных систем обучения удаленного доступа для студентов геологогеофизического факультета НГУ // Труды XXVI междунар. конф. Информационные технологии в науке, образовании, телекоммуникации, бизнесе и охране природных ресурсов. Запорожье: Изд-во Запорожского гос. ун-та, 1999. С. 295–296. 41. Полутоновое изображение – Википедия [Электронный ресурс]. – Режим доступа: http://ru.wikipedia.org/wiki/ Полутоновое изображение. 42. Рис У.Г. Основы дистанционного зондирования. М.: Техносфера, 2006. 336 с. 43. Савиных В.П., Кучко А.С., Стеценко А.Ф. Аэрокосмическая фотосъемка. Учебник М.: Картогеоцентр, Геодезиздат, 1997. 44. Смирнова И.О., Русанова А.А. ГИС-технологии обработки и интерпретации материалов дистанционного зондирования для изучения тектонических критериев размещения месторождений углеводородов // Отечественная геология. 1999. №6. С. 32–40. 45. Скворцов А.В. Геоинформатика: Учебн. пособие. Томск: Изд-во Томского ун-та, 2006. 336 с. 46. Словарь-справочник по ГИС и ДЗ. // http://www.giscenter.ru/. 47. Ульянкина Л. Использование модуля Spatioal Analyst в исследовании урбанизированности территорий // Arcreview. 2004. № 1. С. 6. 48. Финкельштейн М.Я. Гис-INTEGRO как инструмент геологических исследований // Геоинформатика. 2002. № 2. С. 14–20. 49. Цветовые модели [Электронный ресурс]. Режим доступа: http://compgraph.ad.cctpu.edu.ru/Colors_models.htm. 50. Цифровая обработка изображений. Режим доступа: http://www.sibsauktf.ru/courses/fulleren/g3.htm. 51. Цхай А.А. Трунова Т.Н. ГИС «Освоение месторождения» // Arcreview. 2002. № 1. С. 19. 52. Чандра А.М., Гош С.К. Дистанционное зондирование и географические информационные системы, М: Техносфера, 2008. 321с. 53. Черемисина Е.Н., Уразаева С.Б. Создание геологической информационноаналитической системы для республики Казахстан // Геоинформатика. 1997. № 3. С. 18–21. 54. Черепанов А.В. Геологические исследования золотоносных кор выветривания // Arcreview. 2002. № 2, С. 6. 55. Applications of ASTER SWIR and TIR bands [Электронный ресурс]. Режим доступа: http://www.geogr.msu.ru/acentre/int_sem4/aster_channels.htm 82 56. Bain K.A., Giles J.R.A. A standard model for storage of geological map data // Computers & Geosciencis. 1997. Vol. 23. № 6. Р. 613–620. 57. Comparison and evaluation of quality criteria for hyperspectral imagery [Электронный ресурс]. – Режим доступа: http://www.melaneum.com/quality/EChristophe-SPIE-566823c.pdf. 58. GIS-Lab: Ковертация данных ТМ, ЕТМ+ в показатели излучения на сенсоре [Электронный ресурс]. Режим доступа: http://gis-lab.info/qa/dn2radiance.html. 59. Glushkova N.V., Balandis V.A. Use of multispectral images for revealing landscape and geological characteristics of Uronai ore unit // Proceedings of International Symposium «Remote Sensing Europe», 8–12 September 2003, Barcelona, Spain. Vol. 5239, p. 403–407. 60. Glushkova N.V., Naumov E.A., Ryabinin A.B., Dyagilev G.S., Nagirnyak M.S. Experience of use of multispectral images «ASTER» for geological researches by the example of several areas of Mongolia // Extended Abstracts of Third International Conference «Environmental Change in Central Asia». May 23–27, 2005. Ulan Bator, Mongolia. pp. 41–42. 61. Gupta R.P Remote sensing geology / Ravi P. Gupta. Berlin.: Springer, 2003. 62. Harris J.R., Wilkinson L., Heather K., Fumerton S., Bernier M.A., Ayer J., Dahn R. Application of GIS Processing Techniques for Producing Mineral Prospectivity Maps – A Case Study: Mesothermal Au in the Swayze Greenstone Belt, Ontario, Canada // Natural Resources Research. 2001. Vol. 10. № 2. Р. 91–124. 63. Haugerud R. Geologic Maps, Spatial Databases, and Standards // Digital Mapping Techniques 98 – Workshop proceedings: USGS OFR. 1998. P. 98–487. 64. Hiranoa A., Welcha R., Lang H. Mapping from ASTER stereo image data: DEM validation and accuracy assessment // ISPRS Journal of Photogrammetry & Remote Sensing. 2003. Vol. 57., P. 356–370. 65. http://eo1.gsfc.nasa.gov – Описание программы Earth Observing-1. 66. http://eospso.gsfc.nasa.gov – The Earth Observating System. 67. http://magnolia.com.ru/tek/modis.html – Характеристика MODIS. 68. http://nmp.nasa.gov – Веб-узел NASA: New Millennium Program. 69. http://spot5.cnes.fr/gb/index2.htm – Описание спутника SPOT-5. 70. http://terra.nasa.gov – NASA: TERRA. 71. http://terra.nasa.gov/About/MODIS/about_modis.html – Описание датчика MODIS. 72. http://user.hamovniki.net/~alchemist/NN/ii/GeoInfo.htm – толковый словарь по геоинформатике. 73. http://www.ccrs.nrcan.gc.ca/resource/tutor/fundam/chapter4/07_e.php – Fundamentals of remote sensing, Images analysis (Classification). 74. http://www.fas.org/irp/imint/docs/rst/AppC/C1.html – Principal components analysis. 75. http://www.ga.gov.au/acres/prod_ser/landdata.htm – Описание спутников Landsat. 76. http://ggd.nsu.ru/iso/ecogis/technolog/vectorisation/content.htm. 77. http://www.gis.usu.edu/Geography-Department/rsgis/Remsen1/atmos/atmos.html. 78. http://www.quickbird.ru/ – Описание спутника Quickbird. 79. http://www.sovzond.ru/products/irs.html – Описание спутника IRS. 80. http://www.sovzond.ru/products/quickbird.html – Описание спутника Quickbird. 81. http://www.spaceimagingme.com – Space Imaging Middle East. 82. Hyperspectral dimension reduction and elevation data for supervised image classification [Электронный ресурс]. Режим доступа: http://www.itoc.usma.edu/ragsdale/Pubs/hyperspectral.pdf. 83. Hyperspectral mixture analysis using constrained projections onto material subspaces [Электронный ресурс]. Режим доступа: http://www.spectral.com/SR151.pdf. 84. Ka A. Monitoring high-mountain terrain deformation from repeated air- and spaceborne optical data: examples using digital aerial imagery and ASTER data // ISPRS Journal of Photogrammetry & Remote Sensing. 2002. Vol. 57., Р. 39–52. 85. Klerkx J. Poort J. De Batist M. Kuznetsov F. Dyadin Y. Belosludov V. Tohidi B. Ostergaard 83 K. Soloviev V. Nesterov A. Chuvilin E. Yakushev V. Kwamme B. Bazhin N. Duchkov A. Dobretsov N. Zhizhimov O. A gas hydrate database online and for everyone // EOS, Transactions, American Geophysical Union. 2000. 81. № 22. P. 63. 86. Kubler S., Voisard A. GeoHyp: an adaptive human interface for geologic maps and their databases // ISPRS Journal of Photogrammetry & Remote Sensing. 1999. Vol. 54, Р. 234– 243. 87. Mineral Mapping with AVIRIS and EO-1 Hyperion [Электронный ресурс]. Режим доступа: http://www.hgimaging.com/PDF/Kruse_JPL2003_Minerals.pdf. 88. Moore I.D., Grayson R.B., Ladson A.R. Digital terrain modeling – a review of hydrological, geomorphological and biological applications // Hydrol. Proc. 1991. № 5. P. 3–30. 89. NASA Satellite Systems for the Non-renewable Resource Sector [Электронный ресурс]. – Режим доступа: http://www.eomonline.com/Common/Archives/April%2099/ellis.htm. 90. Saha A., Ganguly D., Sengupta S.D., Mukhopadhyay B., Hazra N. Digital Cartographic standards for 1:50000 Geologic map: some important considerations. // Materials international conference «Map India 2003». [Электронный ресурс]. http://www.gisdevelopment.net/application/geology/mineral/mi03087.htm. 91. Singer R.B., McCord T.B. Mars: Large scale mixing of bright and dark surface materials and implications for analysis of spectral reflectance. Proceedings Lunar and Planetary Science Conference, 1979, p. 1835–1848. 92. Spectral Mixture Analysis of Hyperspectral Data [Электронный ресурс]. Режим доступа: http://www.gisdevelopment.net/aars/acrs/1999/ts10/ts10020.asp. 93. Supervised Classification in High Dimensional Space: Geometrical, Statistical and Asymptotical Properties of Multivariate Data [Электронный ресурс]. Режим доступа: http://dynamo.ecn.purdue.edu/~landgreb/Proj.Pursuit.pdf. 94. Shatov V.V., Cole A., Seltmann R., Yakobchuk A.S. Metallogeny of gold in the Tien Shan and Ural Paleozoic orogenic belts: a GIS-based approach. // Mineral Deposits at the beginning of the 21st century, 2001., Р. 489–492. 95. Welcome to the ASTER spectral library [Электронный ресурс]. Режим доступа: http://speclib.jpl.nasa.gov/. 84 Зольников Иван Дмитриевич Лямина Виктория Александровна Глушкова Надежда Владимировна Основы использования технологий ГИС и ДЗ при решении типовых задач геологии и геоэкологии Учебное пособие Редактор Е.В. Дубовцева. __________________________________________________________________________ Подписано в печать Формат 60х84 1/8 Уч.-изд.л. 10,5 Тираж 100 экз. Заказ № Редакционно-издательский центр Новосибирского госуниверситета, 630090, Новосибирск-90, ул. Пирогова, 2. 85 Илл. 1. Фрагмент ботанического сада Академгородка: a – в естественных цветах, б – в ложных цветах (красным цветом отображаются участки хвойной растительности) Илл 2. Фрагмент окрестностей озера Баган в естественных цветах (плохо различимы участки густой растительности и водные объекты) Илл. 3. Фрагмент окрестностей озера Баган в ложных цветах (красным цветом отображаются 86 участки растительности) Илл. 4. Изображение видимого диапазона снимка ASTER (3, 2, 1 каналы) полигона Тарятский вулканический ареал 87 Илл. 5. Результат классификации методом спектрального угла Илл. 6. Изображение видимого диапазона (3, 2, 1 каналы) полигона Олон-Обот с наложенным векторным слоем геологической карты Илл. 7. Результат классификации методом спектрального угла 88 Илл. 8. Сравнение выделенных разломных зон ночного теплового снимка ASTER и геологической карты масштаба 1:50 000 : а – геологическая карта исходного масштаба 1:50 000, б – схема разломов, созданная по тепловому снимку ASTER, полученному в ночное время Илл. 9. Сравнение выделенных разломных зон ночного теплового снимка ASTER и геологической карты масштаба 1:200 000: а – разломные зоны, зафиксированные при геологической съемке масштаба 1:200 000, б – разломные зоны, выделенные по тепловому снимку ASTER, полученному в ночное время 89 Илл.10. Наложение погоризонтного плана на сечение через кровлю фундамента в программном пакете ArcView 3.3 Илл. 11. Визуализация данных в трехмерном виде в программном пакете ArcView 3.3 90 Илл. 12. Погоризонтные планы в программном пакете ArcView 3.3 Илл. 13. Структурный план коры выветривания в программном пакете ArcView 3.3 91 Илл.14. Геологический разрез по выборке скважин в программном пакете ArcView 3.3 Илл.15. Схема суммарной опасности загрязнения микроэлементами почв Академгородка 92 Илл. 16. Снимок Landsat ЕTM с наложением дельты плотностных сеток по солончаку между Landsat ЕTM от 2001 г. и Landsat TM от 1989 г. Илл.17. Снимок SPOT с наложенным вектором разницы между SPOT (2008 г.) и Landsat TM (1989 г.) 93
