ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 04.12.2023
Просмотров: 26
Скачиваний: 1
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
цедура ISODATA [18], а для управляемой классификации особенно распространены реализа- ции алгоритмов параллелепипеда, минимального расстояния (MINDIST) и максимального правдоподобия (MAXLIKE). В современных программных пакетах можно встретить
и более сложные алгоритмы сегментации изображений с использованием контекстуальной пространственной информации (например, текстура и форма) [19].
В данной работе для разработки методики автоматизированного картографирования мы ограничились использованием наиболее распространенных и хорошо зарекомендовавших себя процедур тематической классификации: ISODATA и MAXLIKE. Они встречаются прак- тически во всех доступных программных пакетах анализа изображений (ERDAS, ENVI, SCANEX, ArcGIS ImageAnalyst и др.).
Результаты
Разработка сопряженной классификации растительности и лесорастительных условий. Для разработки сопряженной классификации растительности и лесорастительных условий был проведен предварительный анализ исследуемой территории с использованием содержа- щихся в БД ГИС тематических и общегеографических карт, литературных данных, материа- лов наземных исследований. С использованием ЦМР построены обобщенные топографиче- ские профили, отражающие геоморфологические особенности тестовой территории (рис. 1). На основе профилей и ландшафтных карт [20] проанализировано разнообразие геоморфоло- гических условий тестовой территории и выделены участки, относительно однородные по характеру рельефа (по соотношению форм мезорельефа, интервалам абсолютных высот и степени расчлененности поверхности), предположительно соответствующие геоморфологи- ческим комплексам лесорастительных условий (ГМК). В пределах каждого ГМК определен состав преобладающих коренных типов леса и производных модификаций для дальнейшей систематизации существующего разнообразия лесных сообществ.
По полевым, фондовым и литературным данным для равнинной и низкогорной частей района исследований выделены наиболее типичные восстановительные ряды лесной расти- тельности в разных лесорастительных условиях. Восстановительные ряды формируются
из возрастных стадий, объединенных в пределах класса возраста: а) начальные стадии восста- новления (гари и вырубки); б) лиственные насаждения (молодняки) (до 40 лет); в) смешан- ные хвойно-лиственные насаждения (40–80 лет); г) приспевающие хвойные насаждения (80–120 лет); д) спелые и перестойные хвойные насаждения (более 120 лет).
Таким образом, с использованием генетического подхода была разработана сопряженная классификация растительности и лесорастительных условий, на основе которой строится ле- генда карты восстановительной динамики растительности. В классификации отражены связи лесной растительности с условиями среды и основные тенденции восстановительной дина- мики в различных лесорастительных условиях.
Алгоритмавтоматизированногокартографирования
На примере тестового участка в Среднем Приангарье разработан и апробирован алгоритм автоматизированного формирования карт лесорастительных условий и восстановительной динамики лесной растительности на основе сопряженного анализа данных космической мультиспектральной съемки (Landsat TM/ETM+), цифровой модели рельефа местности и материалов наземных исследований.
Разработанный алгоритм идентификации и картографирования лесорастительных условий и лесной растительности включает следующие этапы.
Рис. 1. Топографические профили, построенные на основе ЦМР. Геоморфологические комплексы лесорастительных условий:
Для заданной территории формируется растровый слой абсолютных высот (Н) путем интерполяции по изолиниям высот, сети высотных отметок, оцифрованных с топографических карт, либо на основе уже существующих цифровых моделей рельефа (ЦМР), например, SRTM (Shuttle Radar Topography Mission).
[18] независимо для каждого из двух наборов данных. Учитывая особенности этого метода, количество желаемых информационных классов задается заведомо большим, чем предполагается получить в итоге.
С целью уменьшения мозаичности полученного распределения классов на конечном изо- бражении может выполняться его генерализация, например, по методу нечеткой композиции (Fuzzy Convolution) [22]. Данный метод, реализованный в пакете ERDAS (в версиях старше 9.0), использует контекстуальную информацию о взаимном расположении пикселей, анали- зируя «окрестности» каждого классифицированного пикселя в окне заданного размера.
Процедуры классификации и идентификации выполняются для изображений ДЗ и ЦМР
независимо друг от друга. В результате формируются растровые слои элементарных классов расчленения земной поверхности.
картами. Поэтому растровые карты переводятся в полигональные векторные слои, для которых затем выполняется операция геометрического пересечения с объединением атрибутивных таблиц, содержащих имена ранее идентифицированных информационных классов.
Полученный в результате пересечения векторный слой подвергается пространственной генерализации, с целью устранения малых по площади полигонов, путем слияния их с соседями. Пороговое значение площади удаляемых полигонов выбирается с учетом возможности отображения минимально допустимых объектов для желаемого масштаба результирующей карты и пространственного разрешения исходных растровых изображений.
и более сложные алгоритмы сегментации изображений с использованием контекстуальной пространственной информации (например, текстура и форма) [19].
В данной работе для разработки методики автоматизированного картографирования мы ограничились использованием наиболее распространенных и хорошо зарекомендовавших себя процедур тематической классификации: ISODATA и MAXLIKE. Они встречаются прак- тически во всех доступных программных пакетах анализа изображений (ERDAS, ENVI, SCANEX, ArcGIS ImageAnalyst и др.).
Результаты
Разработка сопряженной классификации растительности и лесорастительных условий. Для разработки сопряженной классификации растительности и лесорастительных условий был проведен предварительный анализ исследуемой территории с использованием содержа- щихся в БД ГИС тематических и общегеографических карт, литературных данных, материа- лов наземных исследований. С использованием ЦМР построены обобщенные топографиче- ские профили, отражающие геоморфологические особенности тестовой территории (рис. 1). На основе профилей и ландшафтных карт [20] проанализировано разнообразие геоморфоло- гических условий тестовой территории и выделены участки, относительно однородные по характеру рельефа (по соотношению форм мезорельефа, интервалам абсолютных высот и степени расчлененности поверхности), предположительно соответствующие геоморфологи- ческим комплексам лесорастительных условий (ГМК). В пределах каждого ГМК определен состав преобладающих коренных типов леса и производных модификаций для дальнейшей систематизации существующего разнообразия лесных сообществ.
По полевым, фондовым и литературным данным для равнинной и низкогорной частей района исследований выделены наиболее типичные восстановительные ряды лесной расти- тельности в разных лесорастительных условиях. Восстановительные ряды формируются
из возрастных стадий, объединенных в пределах класса возраста: а) начальные стадии восста- новления (гари и вырубки); б) лиственные насаждения (молодняки) (до 40 лет); в) смешан- ные хвойно-лиственные насаждения (40–80 лет); г) приспевающие хвойные насаждения (80–120 лет); д) спелые и перестойные хвойные насаждения (более 120 лет).
Таким образом, с использованием генетического подхода была разработана сопряженная классификация растительности и лесорастительных условий, на основе которой строится ле- генда карты восстановительной динамики растительности. В классификации отражены связи лесной растительности с условиями среды и основные тенденции восстановительной дина- мики в различных лесорастительных условиях.
Алгоритмавтоматизированногокартографирования
На примере тестового участка в Среднем Приангарье разработан и апробирован алгоритм автоматизированного формирования карт лесорастительных условий и восстановительной динамики лесной растительности на основе сопряженного анализа данных космической мультиспектральной съемки (Landsat TM/ETM+), цифровой модели рельефа местности и материалов наземных исследований.
Разработанный алгоритм идентификации и картографирования лесорастительных условий и лесной растительности включает следующие этапы.
-
Подготовка исходных данных (изображений ДЗ и ЦМР). Этап подготовки исходных данных включает подбор и предварительный анализ качества спутниковых изображений на исследуемую территорию. На этом этапе формируются композитные RGB-изображения и подбираются оптимальные схемы контрастирования для визуального анализа спутниковых сцен. При необходимости на этом этапе формируются маски облачности и мозаика из смеж- ных сцен с близкими датами съемки, а также выполняется геореференцирование (привязка) спутниковых изображений к топографической основе или к базовому растровому покрытию территории, составленному из ранее привязанных и ортотрансформированных изображений космосъемки.
Рис. 1. Топографические профили, построенные на основе ЦМР. Геоморфологические комплексы лесорастительных условий:
-
– денудационные и эрозионно-денудационные возвышенные равнины (абс. выс. 120–380 м), средне- и слаборас- члененные, сложенные терригенными и вулканогенно-осадочными породами с лиственнично-сосновыми и сосно- во-лиственничными кустарничково-травяно-зеленомошными лесами; -
– холмисто-грядовые расчлененные плато низкогорий (абс. выс. 380–740 м), сложенные карбонатными, терри- генными и вулканогенными породами с интрузиями траппов, с лиственнично-сосновыми и сосново-лист- венничными кустарничково-зеленомошными лесами склонов различной крутизны и темнохвойными травяно- зеленомошными лесами плоских и увалистых участков плато
Для заданной территории формируется растровый слой абсолютных высот (Н) путем интерполяции по изолиниям высот, сети высотных отметок, оцифрованных с топографических карт, либо на основе уже существующих цифровых моделей рельефа (ЦМР), например, SRTM (Shuttle Radar Topography Mission).
-
Расчет дополнительных признаков ЦМР включает в себя формирование растровых слоев величины уклона (S) и кривизны (C) [21] поверхности на базе слоя абсолютных высот (H). Для упрощения последующей обработки величины H, S и С приводятся к интервалу значений 0–255 и объединяются в трехслойное растровое изображение (ЦМР-композит). Отображение ЦМР-композита в цветовом пространстве RGB позволяет также наглядно представить и визуально проанализировать орографическую структуру территории.
-
Неуправляемая классификация изображений ДЗ и ЦМР-композита. Неуправляемая классификация (кластеризация) подготовленных изображений – мультиспектральной спутниковой съемки и ЦМР-композита – выполняется с использованием метода ISODATA
[18] независимо для каждого из двух наборов данных. Учитывая особенности этого метода, количество желаемых информационных классов задается заведомо большим, чем предполагается получить в итоге.
-
Управляемая классификация изображений ДЗ и ЦМР-композита. Сигнатуры, получен- ные в результате неуправляемой классификации, используются далее как обучающие выбор- ки для выполнения управляемой классификации методом максимального правдоподобия. В итоге на изображении ДЗ выделяются элементарные классы расчленения земной поверх- ности, а на ЦМР – классы условий местопроизрастания.
-
Анализ и идентификация информационных классов. Анализ и идентификация полученных после автоматизированной обработки классов выполняются экспертным путем с использованием композитных изображений (ДЗ и ЦМР), лесоинвентаризационных, полевых данных, прочих доступных тематических карт.
-
Выборочная генерализация или детализация информационных классов. Избыточность исходного количества информационных классов подразумевает объединение некоторых из них в новые классы. В то же время иногда возникают ситуации, когда внутри определенных классов необходимо выделить подклассы. В этом случае выполняется повторная кластеризация, но только для заданных участков изображения, определяемых классами, нуждающимися в детализации.
С целью уменьшения мозаичности полученного распределения классов на конечном изо- бражении может выполняться его генерализация, например, по методу нечеткой композиции (Fuzzy Convolution) [22]. Данный метод, реализованный в пакете ERDAS (в версиях старше 9.0), использует контекстуальную информацию о взаимном расположении пикселей, анали- зируя «окрестности» каждого классифицированного пикселя в окне заданного размера.
Процедуры классификации и идентификации выполняются для изображений ДЗ и ЦМР
независимо друг от друга. В результате формируются растровые слои элементарных классов расчленения земной поверхности.
-
Формирование растровых карт растительности и условий местопроизрастания. Элемен- тарные классы расчленения земной поверхности, полученные по данным ДЗ, идентифици- руются как стадии восстановления растительности за исключением безлесных территорий. При анализе растрового слоя, полученного по данным ЦМР, классы идентифицируются как элементы ландшафтной структуры исследуемого района.
-
Перевод полученных растровых карт в векторную форму, их геометрическое пересечение и генерализация. Для реализации принципов генетического подхода необходимо выполнить геометрическое пересечение вышеперечисленных карт и сформировать новые комбинированные классы. Эту операцию технологически проще осуществлять с векторными
картами. Поэтому растровые карты переводятся в полигональные векторные слои, для которых затем выполняется операция геометрического пересечения с объединением атрибутивных таблиц, содержащих имена ранее идентифицированных информационных классов.
Полученный в результате пересечения векторный слой подвергается пространственной генерализации, с целью устранения малых по площади полигонов, путем слияния их с соседями. Пороговое значение площади удаляемых полигонов выбирается с учетом возможности отображения минимально допустимых объектов для желаемого масштаба результирующей карты и пространственного разрешения исходных растровых изображений.
-
Анализ комбинаций геометрически пересеченных классов и формирование классов карты восстановительной динамики растительности.