Файл: Лабутина Использование данных ДЗЗ для экомониторинга.pdf

Использование данных дистанционного зондирования для мониторинга экосистем ООПТ

35

на  признаках  объектов,  принадлежность  которых  к  определенному 
классу  на  местности  известна  (например,  признаки  объектов  на  эта-
лонных  участках).  Это 

контролируемая  классификация

  (supervised 

classification), иногда называемая классификацией с обучением. Дру-
гой  подход  заключается  в  группировке  пикселов  со  сходными  уров-
нями яркости в съемочных зонах без предварительного знания числа 
и характеристик классов объектов на местности. Это 

неконтролируе-

мая  классификация

  (unsupervised  classification),  или  кластеризация 

(cluster), которую иногда называют классификацией без обучения.

Смысл  неконтролируемой  классификации  заключается  в  разделе-

нии всех пикселов изображения на группы (кластеры), название, спек-
тральные характеристики и даже само существование которых предвари-
тельно неизвестны. Критерием отнесения пикселов к тому или другому 
кластеру  служит  схожесть  спектральных  характеристик.  Выделенным 
кластерам присваиваются порядковые номера, а в задачу дешифровщи-
ка входит последующее определение их соответствия классам на земной 
поверхности. Этот способ чаще применяют при отсутствии достоверных 
эталонных данных: полевых наблюдений, спектрометрирования и т. д., 
а также как этап, предшествующий классификации с обучением.

Контролируемая классификация предполагает отнесение каждого 

из пикселов снимка к определенному классу объектов на местности, 
которому соответствует некоторая область в пространстве признаков. 
Независимо от того, какой способ выбран для решения этой задачи, 
контролируемая классификация включает несколько этапов. 

П е р в ы й   э т а п   заключается в определении, какие классы объек-

тов будут выделены в результате выполнения всей процедуры. Это мо-
гут быть сообщества растительности, сельскохозяйственные культуры, 
породы леса, гидрографические объекты и т. д.  Н а   в т о р о м   э т а п е 
для каждого из классов объектов выбираются типичные для него пик-
селы, т. е. формируется обучающая выборка.  Т р е т и й   э т а п   – вычис-
ление параметров, "спектрального образа" каждого из классов, сформи-
рованного в результате набора эталонных пикселов. Набор параметров 
зависит от алгоритма, который предполагается использовать для клас-
сификации. Ч е т в е р т ы й  э т а п  процедуры классификации – просмотр 
всего изображения и отнесение каждого пиксела к тому или иному классу.

Контролируемая  классификация  выполняется,  как  правило,  при 

наличии  достаточных  эталонных  данных,  прежде  всего  в  случае  на-
личия данных полевых наблюдений. Особое значение имеет форми-

Методическое пособие

36

рование обучающей выборки, поскольку от ее к а ч е с т в а  в решающей 
степени зависит точность классификации. 

Широко  распространены  три  метода  классификации  с  обучени-

ем  (рис.  14). 

Метод  классификации  по  минимальному  расстоянию

(Minimum  Distance)  основан  на  детерминированном  подходе.  Он 
прост в вычислительном отношении. Смысл метода заключается в от-
несении  пиксела  к  тому  эталонному  классу,  евклидово  расстояние  до 
центра  которого  в  пространстве  признаков  минимально.  Этот  способ 
целесообразно  использовать  при  ограниченном  числе  классов  в  обу-
чающей  выборке. 

Метод  параллелепипедов

  (Box  Classifier)  реализует 

наиболее  простой  алгоритм,  основанный  на  статистическом  подходе. 
Он заключается в отнесении пикселов изображения к эталонным клас-
сам, в качестве характеристик которых задаются некоторые интервалы 
значений яркости. Они выбираются в результате анализа гистограммы 
распределения яркости на изображении. В пространстве признаков ин-
тервалы  значений  яркости  определяют  замкнутую  область,  которая  в 
зависимости  от  размерности  поля  признаков  может  иметь  форму  па-
раллелограмма,  параллелепипеда  или  гиперпараллелепипеда  для  че-
тырех и более зон. Метод дает хорошие результаты, если спектральные 
характеристики  изобразившихся  на  снимке  объектов  не  пересекают-
ся  в  пространстве  признаков.  М

етод  максимального  правдоподобия

(Maximum Likelihood) также основан на статистическом подходе. Смысл 
его сводится к определению вероятности попадания пиксела в тот или 
иной  класс.  В  общем  случае  вероятностное  распределение  спектраль-
ных признаков, которыми характеризуется каждый класс, определяет 
возможность нахождения пиксела в любом месте пространства призна-
ков. Этот метод обычно применяют в случаях, когда спектральные ха-
рактеристики классов объектов мало различаются, как это часто бывает 
при распознавании растительных сообществ.

З а к л ю ч и т е л ь н ы й   э т а п   классификации  —  это  оценка  досто-

верности результатов, т. е. определение процентного отношения пра-
вильно определенных объектов к общему количеству классифицируе-
мых.  Достоверность  классификации  вначале  оценивают  визуально, 
выявляют грубые промахи и несоответствия. Затем переходят к коли-
чественной оценке, сравнивая результаты классификации с тестовы-
ми  участками,  в  качестве  которых  могут  использоваться  результаты 
наземных наблюдений, карты и снимки крупного масштаба, данные 
публикаций и фондовые материалы. Если полученные результаты не 

Использование данных дистанционного зондирования для мониторинга экосистем ООПТ

37

удовлетворяют  исполнителя,  он  уточняет  обучающую  выборку  (на-
пример, путем деления крупных классов на более мелкие) и затем по-
вторяет процесс. Практический  опыт показывает, что достоверности 
классификации в 90–95% можно добиться для 2–3 классов. Удовлет-
ворительными  считаются  результаты,  если  правильно  определены 
70–85% классифицируемых объектов. 

3.3. Геометрические преобразования цифровых 

снимков

Наиболее  важные  операции  при  обработке  снимков,  а  особенно 

при  их  использовании  в  проведении  регулярных  наблюдений  –  гео-
метрические  преобразования,  прежде  всего  присвоение  простран-
ственных координат, трансформирование и создание мозаик («скле-
ивание»).  В  некоторых  программных  пакетах  две  первые  операции 
выполняются одновременно, в других – раздельно. 

Присвоение коор-

динат (геокодирование)

 – это установление связи между растровыми 

координатами снимка и пространственными координатами опорных 
точек или углов рамки карты, а 

трансформирование

 – перестройка 

изображения в принятую проекцию и поворот на север (орбиты спут-
ников, как правило, имеют угол наклона, не равный 90º). 

Для горных территорий особое значение имеет еще одно преобра-

зование – 

ортотрансформирование

. Только в ортогональной проек-

ции отсутствуют так называемые искажения за рельеф, т. е. смещения 
точек,  возникающие  в  случае,  если  проективные  лучи  (направление 
визирования на точку) отклонены от нормали к поверхности геоида. 
Снимки, полученные сканерными системами, не ортогональны, и что-
бы  контуры,  нарисованные  по  снимку,  ложились  на  карту,  топогра-
фическую  например,  необходимо  их  преобразовать,  для  чего  нужно 
иметь цифровую модель рельефа. 

Цифровые модели рельефа могут быть созданы разными способа-

ми, но в последние годы именно использование космических съемоч-
ных систем дает основной массив данных для их формирования, а не 
полевые съемки, как в прошлые десятилетия. Традиционно информа-
ция о рельефе местности, особенно для территорий большого размера 
и  тем  более  в  высокогорье,  получалась  на  основе  фотограмметриче-
ской обработки стереопар снимков. Этот процесс включал собственно 
аэрофотосъемку, геодезические определения координат опорных то-

Методическое пособие

38

чек, фотограмметрическое сгущение этой сети точек до необходимой 
плотности, стереоскопическую рисовку рельефа и контуров на стерео-
приборах и составление топографической карты или плана. Именно 
этим способом в основном и были созданы все топографические карты 
нашей страны, которые долгое время служили основным источником 
информации о рельефе местности. Позднее для этой цели на основе 
цифровых  методов  были  разработаны  программы  автоматической 
корреляции стереопар с последующим получением высотных отметок 
с  требуемым  шагом  и  построением  на  их  основе  изолиний  рельефа, 
если это необходимо. В последние годы более популярными стали на-
глядные  трехмерные  представления  рельефа,  а  для  количественной 
обработки информации о рельефе используются цифровые модели в 
виде массива трех пространственных координат. 

В настоящее время целый ряд космических сканеров обеспечивает 

(с различной точностью) получение стереопар заданной территории. 
Наиболее успешным методом создания ЦМР является 

радиолокаци-

онная  интерферометрия

.  Причем  получение  необходимых  данных 

возможно как за два прохода спутника (таких, как RADARSAT-1 JERS, 
TerraSAR-X и др.) или за один проход, если спутник оборудован дву-
мя антеннами (как радар Shuttle, обеспечивший создание SRTM). На 
основе полученных данных создают карты поверхности рельефа Зем-
ли с шагом сетки в первые десятки метров и абсолютной ошибкой в 
положении точек по высоте около 10 м.

Создание ЦМР на основе фотограмметрической обработки стерео-

пар – процесс достаточно сложный и требует не только специального 
оборудования  и  программного  обеспечения,  но  и  специалистов  со-
ответствующей  квалификации,  поэтому  в  настоящее  время  для  гео-
графических  исследований  широко  применяются  глобальные  ЦМР, 
созданные на основе космических съемок. Основные общедоступные 
ЦМР – GTOPO30 (разрешение около 1 км), SRTM (разрешение 90 м) и 
ASTER GDEM (разрешение 30 м). 

GTOPO30  была  создана  Геологической  службой  США  (USGS)  на 

основе преимущественно картографических данных. Она охватывает 
всю территорию суши, точность высотного положения точек составля-
ет 30 м при шаге сетки 30 угловых секунд, что примерно соответству-
ет  1  км.  Данные  этой  модели  общедоступны  (

http://eros.usgs.gov/#/

Find_Data/Products_and_Data_Available/gtopo30_info

), они пригод-

ны для картографирования в глобальных и субглобальных масштабах.

Использование данных дистанционного зондирования для мониторинга экосистем ООПТ

39

Более современная ЦМР – SRTM (Shuttle Radar Topography Mission) 

– создана на основе радиолокационной съемки с космического челно-
ка  Shuttle,  выполнявшего  съемку  в  2000  г.  SRTM  –  международный 
проект по формированию цифровой модели рельефа большей части 
земного шара от 56° ю. ш. до 60° с. ш. на основе съемки поверхности 
Земли  двухантенным  локатором  SIR-C/X-SAR.  Изначально  деталь-
ность сетки этой ЦМР составляла 1 угловую секунду, т. е. около 30 м, 
в дальнейшем в открытом доступе были представлены данные, загру-
бленные до 3 сек (90 м). На территорию США доступна ЦМР с исхо-
дным разрешением.

Последняя  версия  этой  модели  (2009)  обеспечивает  абсолютную 

точность  по  высоте  около  16  м  и  относительную  по  высоте  10  м;  ее 
данные  общедоступны  (

http://dds.cr.usgs.gov/srtm/

).  Возможность 

свободного доступа обеспечила очень широкий спектр использования 
этой модели рельефа в отраслевых научных исследованиях. 

Наиболее  поздняя  из  общедоступных  глобальных  ЦМР  –  ASTER 

GDEM  (

https://wist.echo.nasa.gov/~wist/api/imswelcome/index.html

) 

– охватывает поверхность суши между 83° с. ш. и 83° ю. ш. Она раз-
делена на фрагменты размером 1°х1°. ASTER GDEM распространяет-
ся в формате GeoTIFF в географической системе координат (широта/
долгота) и разрешением 1 угловая секунда (примерно 30 м). Оценка 
точности высотного положения точек 20 м (95% доверительный ин-
тервал)  и  30  м  (95%  доверительный  интервал)  в  плане.  Однако  по 
оценкам  практиков  (

http://www.geofaq.ru/forum/index.php?action=

vthread&forum=2&topic=201

) эта модель пока уступает по качеству и 

точности SRTM, которая создавалась значительно дольше. 

Две  последние  ЦМР  являются  наилучшими  среди  доступных  ис-

точников информации о рельефе в региональном и глобальном мас-
штабах, хотя и имеют погрешности и отдельные пропуски данных. В 
настоящее  время  на  основе  данных  радиолокационных  съемок,  вы-
полняемых  со  спутников  TanDEM-X  и  TerraSAR-X,  начато  создание 
новой высокоточной глобальной ЦМР. Данные, получаемые одновре-
менно с двух спутников, должны обеспечить недостижимые до сих пор 
для глобальных ЦМР характеристики: детальность (шаг сетки) 12 м, 
абсолютная точность высотного положения точек 10 м, а относитель-
ная – 2 м. Однако пока данные TerraSAR распространяются только по 
высоким коммерческим ценам.