Кронберг П.
Дистанционное изучение Земли: Основы и методы дистанционных исследований в геологии

Тематическая классификация данных съемки. Часть 1

5.3.13. Тематическая классификация данных съемки

Большой объем данных многозональных съемочных систем и прежде всего данных МСС со спутника «Лэндсат» и потребности быстрого тематического использования результатов дистанционного зондирования с самого начала привели к исследованиям в области развития и применения машинных способов обработки и интерпретации данных. Для исследования природных ресурсов особый интерес представляют автоматизированные классификации геоботанических единиц и единиц землепользования, участков здоровой и подвергающейся стрессу растительности, распределения взвесей в воде, распределения почв и горных пород.
Для тематической классификации результатов съемок программа для ЭВМ составляется таким образом, что для каждого элемента изображения (пикселя) выясняются показатели его спектральных отражающих свойств во всех диапазонах и сопоставляются с ранее установленными классами спектральных признаков. Результаты классификации в настоящее время почти всегда выдаются в форме изображения и представляют собой пространственное распространение единиц с определенными классами спектральных признаков (см. рис. 122, з).
Тематическая классификация данных МСС со спутника «Лэндсат» с помощью специальных алгоритмов электронной цифровой обработки возможна потому, что каждый снимок «Лэндсат» представляет собой пространственную решетку (растр, матрицу) одинаковых по величине элементов изображения (пикселей), состоящую из 2340 рядов (линий сканирования) по 3240 элементов (пикселей) в каждом. Каждый пиксель занимает на поверхности Земли площадь 57х79 м. Измеренные МСС показатели излучения каждого пикселя превращаются на борту в цифровую форму и записываются на магнитную ленту. Присваиваемое каждому пикселю численное значение показателя DN пропорционально энергии, полученной приемником излучения от площади элемента разрешения за время экспозиции (ср. разд. 4.4.3 и рис. 83а и 83б). Поскольку отраженное излучение, достигающее многозонального сканера спутника «Лэндсат», охватывает одновременно 4 спектральных канала (зоны), то каждому пикселю присваиваются четыре числа DN или четыре спектральных признака, используемые при тематической классификации данных МСС.
Тематическая классификация многозональных съемочных данных основана на том, что картируемые объекты или единицы на земной поверхности обладают определяемыми их вещественным составом спектральными признаками, по которым они отличаются от своего окружения, т. е. могут быть соответствующим образом ограничены и отделены от объектов, не интересующих исследователя. В процессе классификации спектральные яркости (или плотность фототона снимка) классифицируемых объектов поверхности выявляются с помощью статистических методов цифровой обработки изображений, сопоставляются с показателями таких яркостей, установленных наземными измерениями для представительных тест-объектов или участков с известными заранее характеристиками, опознанных на анализируемом снимке, коррелируются и ограничиваются по спектральным признакам (см. рис. 123-128). После этого с помощью специальной программы ЭВМ задается задача: проверить все пиксели анализируемого участка снимка или всего снимка на соответствие их ранее установленным спектральным классам. Для надежности классификации решающими являются пороговое значение спектральных показателей каждого спектрального класса и учет возможных колебаний спектральных показателей внутри одного класса. Спектральные данные, которые располагаются в области границы или взаимного перекрытия двух спектральных классов или лежат за пределами выбранных спектральных классов, оцениваются как не подлежащие классификации.
Возможности и ограничения тематической классификации рассмотрели Хайдн [103] и Бургер и др. [37, 38]. Более подробное описание и обсуждение различных проблем обработки и классификации изображений можно найти в «Руководстве по дистанционному зондированию» (Manual of Remote Sensing, 2nd ed, 1983).
Возможны два вида классификации: контролируемая (англ. supervized) и неконтролируемая (англ. unsupervised). При контролируемой классификации в основу распознавания кладутся тест-объекты или тренинг-участки, чьи принадлежность и свойства устанавливаются при полевых наблюдениях, что и определяет их принадлежность к тому или иному классу. При неконтролируемой классификации, напротив, классы устанавливаются с помощью кластерного анализа, без полевых наблюдений, чисто статистическим путем: случайным образом отбираются несколько сотен пикселей и их спектральные показатели исследуются с целью определения их естественной группируемости. Опознавание установленных спектральных классов осуществляется по оригинальному снимку МСС или по материалам, подвергнутым предварительной обработке – фототональному контрастированию или построению изображения отношений.
Оба способа классификации Бургер [37] оценивает в своем исследовании по возможностям классификации литолого-петрографических единиц следующим образом: «Для применения метода контролируемой классификации заснятый участок часто не дает необходимого материала; отнесение пикселей к тому или иному классу часто бывает многовариантным. Неконтролируемая же классификация обеспечивает расчленение снимка на классы (литолого-петрографические разности и др.), зависящее часто от структуры комплекса собранных данных или же от примененных алгоритмов кластерного анализа. В этих случаях связь результатов классификации с запросами исследователя может отсутствовать, и он получит ответы на вопросы, которые он и не ставил». Бургер считает желательным осуществить взаимодействие между этими двумя методами, чтобы, с одной стороны, тренинг-участки отбирались с учетом требований интерпретатора, а с другой стороны, были устранены ошибки методов классификации, отклоняющие машинную классификацию спектральных признаков от естественного их группирования.
Надежность тематической классификации данных многозональных съемок по программам цифровой обработки изображений зависит от выбора и разграничения спектральных классов, обусловленных вещественным составом горных пород. Попытки осуществления полностью автоматизированной классификации литолого-петрографических единиц зачастую встречают значительные трудности. Во многих
случаях установлено, что один и тот же тип горных пород в разных районах и участках сопровождается различными ландшафтными проявлениями на поверхности. Изменения литолого-петрографического состава и условий залегания, различия в характере и интенсивности выветривания, изменения условий рельефа, почвенно-растительного покрова, ориентировки к лучу зрения, сезонные изменения растительности и почвенной влажности – все это приводит даже на небольших участках, не говоря уже об относительно больших районах, охватываемых снимком «Лэндсат», к более или менее значительным колебаниям спектральных отражающих свойств литологических единиц.
Особенно большую роль играют изменчивые топографические условия горных районов, которые обусловливают резкое изменение условий освещенности (распределение затененных и освещенных склонов), приводящее к существенным вариациям спектральных отражающих сигналов горных пород в пределах одного снимка. По данным Кёлера [144], показатели отражающих свойств поверхности горных пород сильно зависят от геометрических особенностей съемочного процесса и условий съемки. Высота Солнца, угол и ориентация склона, расположение приемника излучения в момент съемки-все это оказывает существенное влияние на спектральные показатели поверхности горных пород в условиях расчлененного рельефа. Таким образом, при классификации горных пород по снимкам «Лэндсат» или по цифровым данным МСС необходимо учитывать влияние рельефа и условий освещенности. Упущение этих условий из рассмотрения приводит к ошибкам классификации и ошибочной интерпретации, особенно при геологических работах.
Таким образом, имеется мало надежд на разработку алгоритмов полностью автоматической классификации, которые были бы применимы во всех ландшафтных условиях. Можно ожидать успехов только в отдельных районах. К тому же автоматическое распознавание и разграничение литолого-петрографических единиц по спектральным признакам заметно менее успешны в районах, покрытых растительностью, чем в обнаженных районах, где картируемые литологические единицы слагают дневную поверхность. Даже в этих последних имеются некоторые помехообразующие факторы, такие, как кора выветривания, солевые выпоты, изменчивый покров эолового песка, которые приводят к изменениям спектральных отражающих свойств одинаковых литологических единиц. Эти проблемы были рассмотрены Бургером [37, 38] на примерах Тибести и юго-западного Египта.
Более серьезные трудности автоматической классификации заключены в том [262], что при цифровой обработке и автоматической классификации съемочных данных эти данные вырываются из своего природного окружения. При классической визуальной интерпретации снимков интерпретатор видит изучаемое локальное явление в окружающем его ландшафте и получает из этих связей дополнительную информацию. Опытный интерпретатор учитывает при дешифрировании разнообразные ландшафтные явления и их пространственные взаимоотношения и использует их как комплексные критерии для опознавания и разграничения горных пород, почв и тектонических структур. Этот единый процесс наблюдения, сопоставления и критического осмысления не воспроизводим при автоматической цифровой обработке данных. Наибольший успех при геологическом использовании дистанционного зондирования достигается в настоящее время визуальной интерпретацией опытным дешифровщиком предварительно обработанных данных многозональных съемок. Она к тому же дешевле, чем относительно дорогая классификация многозональных съемочных данных.

Скачати повну версію книжки (з малюнками, картами, схемами і таблицями) одним файлом