Теория дешифрирования аэро- и космических снимков. Многозональные снимки

Дешифрирование космических снимков - распознавание изучаемых природных комплексов и экологических процессов или их индикаторов по рисунку фотоизображения (тону, цвету, структуре), его размерам и сочетанию с другими объектами (текстура фотоизображения). Эти внешние характеристики присущи только тем физиономическим компонентам ландшафтов, которые имеют непосредственное отражение на снимке.

В связи с этим только незначительное число природных компонентов может быть отдешифрировано по прямым признакам - формы рельефа, растительный покров, иногда поверхностные отложения.

Дешифрирование включает обнаружение, распознавание, интерпретацию, а также определение качественных и количественных характеристик объектов и отображение результатов в графической (картографической), цифровой или текстовой формах.

Различают дешифрирование снимков общегеографическое (топографическое), ландшафтное и тематическое (отраслевое) геологическое, почвенное, лесное, гляциологическое, сельскохозяйственное и др.

Основные этапы дешифрирования космических снимков: привязка; обнаружение; опознавание; интерпретация; экстраполяция.

Привязка снимка - это определение пространственного положения границ снимка. Заключается в точном географическом установлении территории, изображенной на снимке. Осуществляется при помощи топографических карт, масштаб которых соответствует масштабу снимка. Характерными контурами привязки снимка служат береговые линии водоемов, рисунок гидрографической сети, формы макрорельефа (горные массивы, крупные впадины).

Обнаружение состоит в сопоставлении различных рисунков фотоизображения. По признаками изображения (тон, цвет, структура рисунка) осуществляется обособление фотофизиономичных компонентов ландшафтов.

Опознавание, или идентификация объектов дешифрирования, - включает анализ структуры и текстуры фотоизображения, по которым опознаются фотофизиономические компоненты ландшафтов, техногенные сооружения, характер использования земель, техногенная нарушенность физиономических компонентов. На этом этапе устанавливают прямые дешифровочные признаки фотофизиономичных компонентов.

Интерпретация заключается в классификации опознанных объектов по определенному принципу (в зависимости от тематической направленности дешифрирования). Так, при ландшафтном дешифрировании интерпретируются физиономические компоненты геосистем, а опознанные техногенные объекты служат только для правильной ориентировки. При дешифрировании хозяйственного использования внимание обращается на опознанные объекты использования земель - поля, дороги, населенные пункты и т. д. Интерпретация деципиентных (скрытых) компонентов ландшафтов или их техногенных изменений производится ландшафтно-индикационным методом. Полная и достоверная интерпретация снимков возможна только на основании комплексного использования прямых и косвенных дешифровочных признаков. Процесс интерпретации сопровождается рисовкой контуров, т. е. созданием по отдельным снимкам схем дешифрирования.

Экстраполяция - включает выявление аналогичных объектов по всей территории исследований и составление предварительного макета карты. Для этого на фотоплан или фотосхему наносятся все данные, полученные при дешифрировании отдельных снимков. В ходе экстраполяции идентифицируют аналогичные объекты, явления и процессы на других участках; устанавливают ландшафты-аналоги.

Дешифрирование выполняется по принципу от общего к частному. Всякий снимок - прежде всего информационная модель местности, воспринимаемая исследователем как единое целое, а объекты анализируются в развитии и неразрывной связи с окружающей их средой.

Различают следующие виды дешифрирования.

Тематическое дешифрирование выполняют по двум логическим схемам. Первая предусматривает вначале распознавание объектов, а затем их графическое выделение, вторая - вначале графическое выделение на снимке однотипных участков, а затем их распознавание. Обе схемы завершаются интерпретацией - научным толкованием результатов дешифрирования. При компьютерном дешифрировании эти схемы реализуются в технологиях кластеризации и классификации с обучением.

Объекты на снимках различают по дешифровочным признакам, которые делят на прямые и косвенные . К прямым относят форму, размер, цвет, тон и тень, а также сложный объединяющий признак - рисунок изображения. Косвенными признаками служат местоположение объекта, его географическое соседство, следы взаимодействия с окружением.

При косвенном дешифрировании , основанном на объективно существующих связях и взаимообусловленности объектов и явлений, дешифровщик выявляет на снимке не сам объект, который может и не изобразиться, а его индикатор. Такое косвенное дешифрирование называют индикационным, географическую основу которого составляет индикационное ландшафтоведение. Его роль особенно велика, когда прямые признаки теряют значение из-за сильной генерализованности изображения. При этом составляют особые индикационные таблицы, где для каждого типа или состояния индикатора указан соответствующий ему вид индицируемого объекта.

Индикационное дешифрирование позволяет от пространственных характеристик переходить к временным. На основе пространственно-временных рядов можно установить относительную давность протекания процесса или стадию его развития. Например, по гигантским речным меандрам, оставленным в долинах многих сибирских рек, их размерам и форме оценивают расходы воды в прошлом и происходившие изменения.

Индикаторами движения водных масс в океане часто служат битые льды, взвеси и др. Движение вод хорошо визуализируют и температурные контрасты водной поверхности - именно по тепловым инфракрасным снимкам выявлена вихревая структура Мирового океана.

Дешифрирование многозональных снимков. Работа с серией из четырех-шести зональных снимков сложнее, чем с одиночным снимком, и их дешифрирование требует некоторых особых методических подходов. Различают сопоставительное и последовательное дешифрирование.

Сопоставительное дешифрирование состоит в определении по снимкам спектрального образа, сравнении его с известной спектральной отражательной способностью и опознавании объекта. Вначале на зональных снимках выявляют совокупности объектов, различные в разных зонах, а затем, сопоставляя их (вычитая зональные схемы дешифрирования), выделяют в этих совокупностях индивидуальные объекты. Наиболее эффективно такое дешифрирование для растительных объектов.

Последовательное дешифрирование основано на том, что зональные снимки оптимально отображают разные объекты. Например, на снимках мелководий вследствие неодинакового проникновения лучей разных спектральных диапазонов в водную среду видны объекты, расположенные на разных глубинах, и серия снимков позволяет выполнить послойный анализ и затем поэтапно суммировать результаты.

Дешифрирование разновременных снимков обеспечивает изучение изменений объектов и их динамики, а также косвенное дешифрирование изменчивых объектов по их динамическим признакам. Например, сельскохозяйственные культуры опознают по смене изображения в течение вегетационного периода с учетом сельскохозяйственного календаря.

Автоматизированное дешифрирование – интерпретация данных, находящихся в снимке, выполняемая электронно-вычислительной машиной. Данный метод используется благодаря таким факторам, как обработка огромного количества данных и развитие цифровых технологий, предлагающих изображение в формате, подходящим для автоматизированных технологий . Для дешифрирования снимков используется определенное программное обеспечение (ПО): ArcGIS, ENVI (см. рис.5), Панорама, SOCETSET и т.д.

Рис.5. Интерфейс программы ENVI 4.7.01

Несмотря на все плюсы использования ЭВМ и специализированных программ, постоянное развитие технологий, у автоматизированного процесса есть и проблемы: распознавание образов на машинной классификации с помощью узко формализованных дешифровочных признаков .

Для идентификации объектов их разбивают на классы с определенными свойствами, это процесс разделения пространства по участкам и классам объектов называется сегментацией. Из-за того, что объекты при съемке часто бывают закрытыми и с "шумами" (облака, дым, пыль и т.д.), то машинная сегментация носит вероятностный характер. Для повышения качества к спектральным признакам объектов (цвет, отражение, тон) добавляют информацию о форме, текстуре, расположению и взаимном расположении объектов .

Для машинной сегментации и классификации объектов существуют алгоритмы, разработанные на разных правилах классификации:

с обучением (контролируемая классификация);

без обучения (неконтролируемая классификация).

Алгоритм классификации без обучения может достаточно быстро сегментировать изображение, но с большим количеством ошибок. Контролируемой классификации необходимо указание участков-эталонов, в которых присутствуют объекты одного типа с классифицируемыми. Этот алгоритм требует больших затрат от ЭВМ и дает результат с большей точностью.

3.1. Автоматизированное дешифрирование с использованием комплекса envi 4.7.01

Для изучения методов дешифрирования и обработки космических снимков проведено дешифрирование снимка со спутника Landsat-8 на территорию Удмуртской Республики. Снимок получен с сайта Геологической службы США . На снимке отчетливо видны города Ижевск, также без искажений читаются Ижевский пруд, течение реки Кама от города Воткинск до города Сарапул. Дата съемки – 15.05.2013 и 10.05.2017. Процент покрытия снимка 2013 года облаками – 45% и верхняя часть снимка сложно дешифрируется (однако практически весь весенне-летний период съемок содержит высокое содержание облаков на снимке). Поэтому основная работа по анализу информации будет проходить с более актуальным снимком.

Процент покрытия снимка 2017 года облаками – 15% и правый верхний угол снимка не пригоден для обработки из-за группы облаков, закрывающих поверхность территории.

Система координат, принятая к использованию на снимке – UTM– универсальная поперечная проекция Меркатора, основанная на эллипсоиде WGS84.

Программный комплекс (ПК) ENVI – программный продукт, обеспечивающих полный цикл обработки оптико-электронных и радарных данных дистанционного зондирования Земли (ДЗЗ), а также их интеграции с данными геоинформационных систем (ГИС).

К преимуществам ENVI также относится интуитивно понятный графический интерфейс, позволяющий начинающему пользователю быстро освоить все необходимые алгоритмы обработки данных. Логические ниспадающие пункты меню облегчат нахождение функции, которая необходима в процессе анализа или обработки данных. Есть возможность упростить, перестроить, русифицировать или переименовать пункты меню ENVI или добавить новые функции. В версии 4.7 осуществлена интеграция продуктов ENVI и ArcGIS .

Для подготовки снимка к процессу дешифрирования необходимо его обработать и получить само спектральное изображение для анализа. Для получения изображения из серии снимков необходимо скомпоновать все каналы в единый поток/контейнер с помощью команды на панели управления Layerstacking (см.рис.6). После всех преобразований получаем многоканальный контейнер/изображение, с которым можно продолжать работу: фильтрация, привязка, неконтролируемая классификация, выявление динамики, векторизация. Все каналы изображения будут приведены к одному разрешению и к одной проекции. Для загрузки этой команды необходимо выбрать: BasicTools>LayerStackingили Map>LayerStacking .

Рис.6. Интерфейс программы ENVI - компоновка каналов в Layerstacking

Визуализируя мультиспектральное изображение, необходимо в меню программного комплекса ENVI выбрать следующие команды: File>OpenExternalFile>QuickBird. В новом окне AvailableBandsList (см. рис.7) для синтеза изображения в строчках RGB мы выбираем красный, зеленый и синий каналы соответственно - последовательность каналов "4,3,2". В итоге получаем изображение, привычное человеческому глазу (см.рис.8.) и на экране появляется 3 новых окна - Image, scroll, zoom .

Рис.7. Окно AvailableBandsList

Рис.8. Синтезированное изображение снимка 15.05.2013 г - последовательность каналов "4,3,2".

С недавнего времени применительно к снимку Landsat-8 в ENVI чаще используют последовательность каналов "3,2,1" для получения изображения в близких к естественным цветам . Для сравнения двух последовательностей проведем процедуру фильтрации (В окне Image есть вкладка Filter), выводя оба результата на экран (см. рис. 9).

Рис.9. Фильтрация снимка в последовательности "3,2,1"

Благодаря этой команде можно улучшить качество снимка: в данном случае, увеличилась прозрачность облаков, появились четкие контуры разделения поверхностей (акватории, лес, антропогенные территории). Фактически Filter помогает корректировать "шумы" снимка.

Неконтролируемая классификация выполняется по принципу распределения пикселей по классам - сходным яркостным характеристикам. В ENVI существует два алгоритма работы с неконтролируемой классификацией: K-means и IsoData. Команда K-means на порядок сложнее: она требует определенных навыков в подборке настроек изображения и выводов результатов. Команда IsoData проще и требует лишь изменения указанных в системе параметров (см.рис.10): главная панель, команда Classification - Unsupervised - K-means/ IsoData (см. рис.11) .

Рис.10. Окно настройки параметров IsoDataв ENVI

В полученном примере неконтролируемой классификации преобладают инфракрасный и синий каналы, дающие подробную информацию о гидросети на территории снимка.

Рис.11. Неконтролируемая классификация

Через комплекс ENVIлегко и удобно проводить регистрацию изображения с использованием геопривязанного изображения, в последующем полученное изображение используется в MapInfo. Для этого в главном меню выбираем Map>Registration>SelectGCPs: Image to Map . Результат сразу можно вывести в MapInfo для сравнения, сохранив в специальном формате (см.рис.12).

Рис.12. Геопривязка снимка для использования в MapInfo

Векторизация снимка в ENVI происходит с тем же набором данных, что и привязка снимка из ENVI в MapInfo, через команду векторизации: необходимо задать проекцию, эллипсоид, номер зоны (см.рис.13).

Динамика изменений на выбранной территории отслеживается с использованием разновременных многозональных снимков (за 2013 и 2017 гг.). Динамику можно отследить 3 методами:

метод мигания;

метод "сэндвича" - совмещения слоев в MapInfo;

использование карты изменений.

Рис.13. Векторизация снимка

Метод мигания создает два разных окна с 2-мя снимками с помощью команды NewDisplay в окне выбора слоев для показа. Оба снимка связываются при помощи команды LinkDisplaysв окне Image и на экране можно видеть оба снимка, которые двигаются одинаково в разные моменты времени, отображающие одну и ту же местность (см.рис.14). По клику компьютерной мыши дисплеи со снимками будут меняться местами - мигать, что и позволит обнаружить изменения (динамику).

Рис.14. Выявление динамики - метод мигания

Метод "сэндвича" заключается в единовременном совмещении обоих снимков, предварительно сохраненных в формате Jpeg2000/.jp2 с помощью команды File - Save Images. Поочередно оба изображения необходимо открыть в Mapinfo в единой проекции (универсальная поперечная проекция Меркатора). Для комфортного сравнения у верхнего слоя/снимка изменяют прозрачность - 50% и проводят визуальный поиск изменений с последующим выделением ареалов динамики (см.рис.15).

Если 2 полученных снимка имеют геопривязку, разделение по слоям и формат geotiff/tiff, то имеет место быть современный актуальный метод - карта изменений. На обоих снимках необходимо выбрать один и тот же тип слоя, к примеру, третий - зеленый. В итоге преобразований получается карта с большим количество шумов, требующая настройки фильтров.

Рис.15. Выявление динамики - способ "сэндвича"

Если сравнивать все три метода, то автору работы более импонирует метод "сэндвича", т.к. метод мигания дает сильную нагрузку зрению и вызывает преждевременную физиологическую усталость глаз. Создание же карты изменений не всегда эффективно, т.к. полностью шумы убрать невозможно.

Алтынцев, Максим Александрович

Ученая cтепень:

Кандидат технических наук

Место защиты диссертации:

Новосибирск

Код cпециальности ВАК:

Специальность:

Аэрокосмические исследования Земли, фотограмметрия

Количество cтраниц:

1 ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДИК АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ КОСМИЧЕСКИХ СНИМКОВ.

1.1 Обзор космических съемочных систем.

1.2 Обзор методик мониторинга природно-территориальных комплексов.

1.3 Особенности проектирования лесных участков и таксации лесов.

1.4 Алгоритмы дешифрирования космических снимков.

1.5 Спектральные методы преобразования космических снимков .

1.6 Обзор методик выявления изменений.

1.7 Обзор программных продуктов, используемых для обработки данных ДЗЗ.

2 РАЗРАБОТКА МЕТОДИК АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ И ВЫЯВЛЕНИЯ ИЗМЕНЕНИЙ НА КОСМИЧЕСКИХ СНИМКАХ В ЦЕЛЯХ МОНИТОРИНГА ПРИРОДНО-ТЕРРИТОРИАЛЬНЫХ КОМПЛЕКСОВ.

2.1 Технологическая схема проведения комплексного мониторинга природно-территориальных комплексов .

2.2 Разработка методики автоматизированного дешифрирования космических снимков на основе преобразования Таз8е1ес1 Сар.

2.3 Разработка методики автоматизированного дешифрирования космических снимков с помощью алгоритма «Дерево решений ».

2.4 Теоретические основы Фурье и вейвлет-анализа.

2.5 Разработка методики автоматизированного выявления изменений по разновременным космическим снимкам на основе вейвлет-анализа.

2.6 Разработка методики автоматизированного выделения изменений границы лесной территории по разновременным космическим снимкам на основе вейвлетанализа.

3 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ.

3.1 Описание района исследования и исходные данные.

3.2 Исследование методики автоматизированного дешифрирования с помощью преобразования ТазБеЬс! Сар.

3.3 Исследование методики автоматизированного дешифрирования космических снимков с помощью алгоритма «Дерево решений ».

3.4 Исследование методики выявления изменений по разновременным космическим снимкам на основе вейвлет-анализа.

3.5 Исследование методики выделения изменений границы лесной территории по разновременным космическим снимкам на основе вейвлет-анализа.

Введение диссертации (часть автореферата) На тему "Разработка методик автоматизированного дешифрирования многозональных космических снимков высокого разрешения для мониторинга природно-территориальных комплексов"

Актуальность темы. В настоящее время при изучении природно-территориальных комплексов широко применяется мониторинг, выполняемый по космическим снимкам, которые позволяют получать уникальную информацию об искусственных и естественных объектах на поверхности земли.

Многозональные космические снимки позволяют распознавать широкий круг объектов, определять их свойства и свойства поверхности земли. Появление космических снимков сверхвысокого разрешения существенно расширило возможности мониторинга. Также повышается периодичность получения космических снимков при постоянном снижении их стоимости. Все эти факторы позволяют организовать эффективную систему мониторинга природно-территориальных комплексов различных типов, при которой отслеживается развитие лесных массивов, сельскохозяйственных земель, водных объектов, промышленных сооружений, трубопроводов, дорог и т.д.

Эффективность любой системы мониторинга характеризуется степенью автоматизации дешифрирования снимков. Основная проблема мониторинга по космическим снимкам - это необходимость обработки чрезвычайно большого объема данных, полученных по многозональным снимкам.

Кроме того, особенность обработки космических снимков заключается в том, что полученные спектральные характеристики разновременных изображений существенно зависят от условий и времени съемки, типа подстилающей поверхности и других факторов.

Для устранения искажений и нормализации изображений выполняется специальная обработка снимков, позволяющая нормировать яркости. Существует большое количество алгоритмов обработки, но большинство из них можно использовать только в определенных условиях и для определенных объектов.

Степень разработанности проблемы. Решению задач автоматизированного дешифрирования аэрокосмических снимков и выявления по ним изменений посвещено большое количество работ известных ученых, как отечественных (Журкин И.Г., Гук А. П., Пяткин В. П., Асмус В. В., Ярославский Л.П.), так и зарубежных (Гонсалес Р., Вудс Р., Прэтт У. и другие).

Но вследствие того, что спектральные характеристики изображаемой на снимках территории сильно зависят от условий и времени съемки, до сих пор не были разработаны алгоритмы, которые позволили бы с высокой степенью достоверности выполнить дешифрирование любых объектов, изображенных на космических снимках, и выявить изменения, произошедшие на местности.

Также требуется увеличить спектральное расстояние между изображениями различных типов объектов. Существующие алгоритмы, созданные для решения этих задач, хорошо работают для снимков съемочной системы определенного типа, в то время как для снимков съемочной системы другого типа часто требуется разработка новых алгоритмов.

Таким образом, необходимо разработать комплексную методику дешифрирования космических снимков, позволяющую использовать несколько алгоритмов и определять различные типы объектов.

Кроме методов, основанных на спектральных признаках, существует другая группа методов, основанная на структурных признаках. Структурные методы в меньшей степени зависят от внеших факторов, так как здесь используется не спектральная яркость изображения объекта местности, а другая, более устойчивая характеристика. На основе структурных признаков можно выделить по снимкам информацию, определить которую было бы невозможно, используя только спектральные свойства.

Таким образом, следует разработать комплекс методов и алгоритмов, которые позволили бы использовать спектральные и структурные признаки для дешифрирования и выявления по космическим снимкам изменений, произошедших на местности.

В рамках диссертационной работы для решения задач дешифрирования космических снимков были разработаны одни и усовершенствованы другие методики, основанные на спектральных признаках, а для решения задач выявления изменений - методики, основанные на структурных признаках.

Цель и задачи исследования. Цель диссертационной работы заключается в повышении эффективности дешифрирования космических снимков природно-территориальных комплексов различных типов и выявления по ним изменений путем разработки общей технологической схемы проведения их мониторинга, включающей комплексную методику, основанную на использовании спектральных и структурных свойств изображений объектов.

Для достижения поставленной цели необходимо решить следующие задачи:

Проанализировать существующие методики дешифрирования и выявления изменений по космическим снимкам;

Разработать схему расчета коэффициентов преобразования ТаБзекё Сар для снимков Р(ЖМ08АТ-2, отличающуюся способом выбора и отбраковки фрагментов для повышения статистической эффективности значений коэффициентов;

Разработать единую методику многоступенчатого автоматизированного дешифрирования космических снимков высокого разрешения на основе совместного применения результатов преобразования ТаввеЫ Сар и других алгоритмов, использующих спектральные свойства изображений объектов, в дереве решений;

Усовершенствовать методику автоматизированного выделения изменений, основанную на использовании вейвлет-анализа и отличающуюся новым способом деления на фрагменты в виде пирамиды изображений;

Разработать методику автоматизированного выделения изменений границы леса, основанную на вейвлет-анализе и новом способе генерализации лесной территории;

Провести экспериментальные исследования разработанных методик; 8

Объект и предмет исследования. Объектом исследования является технология использования многозональных космических снимков высокого разрешения для мониторинга природно-территориальных комплексов, а предметом - методики и алгоритмы автоматизированного дешифрирования многозональных космических снимков и выявления по ним изменений.

Методологическая, теоретическая и эмпирическая база исследований. В работе были использованы методы цифровой обработки изображений для дешифрирования космических снимков и выделения изменений. Для автоматизированного дешифрирования космических снимков были использованы алгоритмы Tasseled Сар и «Дерево решений », а для выделения изменений - вейвлет-преобразование и коэффициенты корреляции.

Базой для исследований являются выполненные ранее исследования в области разработки методик дешифрирования аэрокосмических снимков и выделения изменений. При проведении экспериментальных работ были использованы:

Космические снимки IKONOS, FORMOSAT-2, SPOT-5, QuickBird, WorldView-2;

Аэроснимки ;

Тематическая карта на территорию Суйгинского лесничества Молчановского района Томской области;

Пробные участки на территорию Молчановского района, содержащие информацию о породе и возрасте леса.

Для выполнения исследований использовались программные комплексы Photomod 4.4, ENVI 4.5, Maplnfo 9.5, а также среды для написания собственных приложения - Matlab R2010b, IDL 7.0.

Основные научные положения диссертации, выносимые на защиту:

Комплексная методика автоматизированного дешифрирования космических снимков на основе использования алгоритма «Дерево решений » и преобразования ТаБзекс! Сар;

Усовершенствованная методика выявления изменений в лесных массивах по разновременным космическим снимкам на основе вейвлет-анализа;

Методика автоматизированного выделения изменений границы лесной территории по разновременным космическим снимкам на основе вейвлет-анализа;

Методика получения коэффициентов преобразования Тазвекс! Сар для снимков РСЖМ08АТ-2.

Научная новизна результатов исследования. Научная новизна заключается в следующем:

Разработаны новые методики автоматизированного дешифрирования космических снимков высокого разрешения на основе комплексного использования спектральных и структурных признаков;

Рассчитаны коэффициенты преобразования ТаБзекё Сар для снимков Р(ЖМ08АТ-2 по фрагментам изображений.

Усовершенствована методика выявления изменений на основе вейвлет-анализа, что обеспечило повышение точности выделения изменений и позволило определить площадь этих изменений;

Разработана методика автоматизированного выделения изменений границы лесной территории по разновременным космическим снимкам на основе вейвлет-анализа, в рамках которой был предложен новый способ генерализации лесной территории в соответствии с тематической картой;

Научная и практическая значимость работы. Практическая ценность заключается в следующем:

Полученные коэффициенты преобразования ТаББеЬё Сар позволяют ускорить обработку снимков;

Разработанная методика применения вейвлет-преобразования позволяет локализовать изменения.

Практическая значимость заключается в том, что предложенные методики были использованы для классификации территории Молчановского района Томской области по типам растительного покрова, для выявления мест рубок, а также для определения направления смещения северной границы леса в центре Мурманской области.

Соответствие диссертации паспорту научной специальности. Диссертация соответствует паспорту научной специальности 25.00.34 - «Аэрокосмические исследования Земли, фотограмметрия », разработанному экспертным советом ВАК Минобрнауки РФ, по соответствующим позициям:

- № 4 - «Теория и технология дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследований»;

- № 5 - «Теория и технология получения количественных характеристик динамики природных и техногенных процессов с целью их прогноза».

Апробация и реализация результатов исследования. Основные положения и результаты диссертационной работы докладывались на VI Международном научном конгрессе «ГЕО-Сибирь-2010», 19-23 апреля 2010 г., г. Новосибирск; на международном студенческом форуме «ГЕОМИР - 38 2010», 21-25 сентября 2010 г., г. Новосибирск; VII Международном научном конгрессе «ГЕО-Сибирь-2011», 27-29 апреля 2011 г., г. Новосибирск; на Международном студенческом форуме «ГЕОМИР - 38 2011», 9-13 октября 2011 г., г. Ухань.

Разработанные методики были использованы при выполнении научно-исследовательских работ по теме: «Разработка методологии аэрокосмического мониторинга природных и антропогенных объектов на региональном уровне». Номер государственной регистрации НИР : 01 2007.03297.

Основные результаты диссертационной работы использованы в ФГУП «Рослесинфорг » «Запсиблеспроект », внедрены в учебный процесс СГГА и используются при изучении специальных дисциплин студентами специальностей «Аэрофотогеодезия » и «Исследование природных ресурсов аэрокосмическими средствами », а также студентами профиля "Аэрокосмические съемки, фотограмметрия" направления «Геодезия и дистанционное зондирование».

Структура диссертации. Диссертация состоит из введения, трех разделов, заключения, списка использованных источников, содержащего 117 наименований, и 10 приложений. Общий объем составляет 172 страницы печатного текста, 42 рисунка, 13 таблиц.

Заключение диссертации по теме "Аэрокосмические исследования Земли, фотограмметрия", Алтынцев, Максим Александрович

Основные результаты исследований, проведенных в данном направлении, следующие:

Разработана схема расчета коэффициентов преобразования Таз8е1ес1 Сар, по которой для снимков Р01Ш08АТ-2 для различных условий были впервые рассчитаны данные коэффициенты по фрагментам изображений с определенным набором объектов. Для расчета коэффициентов была написана программа на языке программирования МайаЬ;

Разработана методика автоматизированного дешифрирования космических снимков с помощью преобразования ТазБеЫ Сар. Полученные для снимков Р0КМ08АТ-2 коэффициенты были использованы в «дереве решений » и при разработке методики автоматизированного дешифрирования с его помощью;

Усовершенствована методика автоматизированного выявления изменений по разновременным космическим снимкам на основе вейвлет-анализа, при которой для выделения изменений были написаны подпрограммы на языке программирования ГОЬ;

Разработана методика автоматизированного выделения изменений границы лесной территории по разновременным космическим снимкам на основе вейвлет-анализа, для реализации которой на языке ГОЬ была написана программа для генерализации и классификации;

Проведены экспериментальные исследования разработанной методики автоматизированного дешифрирования с помощью алгоритма «Дерево

136 решений» и преобразования ТавэеЫ Сар на примере космических снимков РСЖМ08АТ-2. В результате классификации с высокой степенью достоверности были выделены семь типов территории: болота, водные объекты, облака, травянистая растительность, лиственный, хвойный и затопленный хвойный лес;

Проведены экспериментальные исследования усовершенствованной методики выявления изменений на основе вейвлет-анализа на примере разновременных космических снимков 8РОТ -5 лесной территории. Исследования продемонстрировали возможность выделения изменений по разновременным космическим снимкам полностью в автоматическом режиме, а также более высокую скорость процесса выделения;

Проведены экспериментальные исследования разработанной методики выделения изменений границы леса, которые показали, что за пятидесятилетний временной интервал в Мурманской области произошло смещение границы леса в среднем от 15 до 55 м на север;

Разработанные методики автоматизированного дешифрирования природно-территориальных комплексов показали высокую эффективность дешифрирования земель водного и лесного фонда (по типу растительного покрова), а также возможность своего применения при мониторинге других видов земель, например, сельскохозяйственных. При дешифрировании лесной территории была выявлена проблема определения пород леса в связи близкими спектральными и структурными их характеристиками, поэтому исследования в этой области должны быть продолжены;

Разработанные методики автоматизированного дешифрирования и выявления изменений использованы в ФГУП «Запсиблеспроект » и внедрены в учебный процесс кафедры фотограмметрии и дистанционного зондирования СГГА.

ЗАКЛЮЧЕНИЕ

В результате анализа современных методов дешифрирования космических снимков и выявления по ним изменений при мониторинге природно-территориальных комплексов было установлено, что необходима комплексная обработка, позволяющая при дешифрировании космических снимков использовать как спектральные яркости объектов, так и их структурные признаки.

Список литературы диссертационного исследования кандидат технических наук Алтынцев, Максим Александрович, 2011 год

1. Анучин, Н. П. Лесная таксация Текст. : учеб. для студ. лесохоз. и лесоинж. спец. вузов / Н. П. Анучин. 4-е изд., испр. и доп. - М. : Лесн. пром-сть, 1977.-512 с.

2. Арбузов , С.А. Исследование алгоритма "дерево решений" в программном комплексе ENVI / С.А. Арбузов, A.A. Гук // Геодезия и картография. 2011. - № 2. - С. 11 - 14.

3. Астафьева, Н.М. Вейвлет-анализ: основы теории и примеры применения. / Н.М. Астафьева // УФН . 1996. - № 11. - С. 1145 - 1177.

4. Ашихмина, Т.Я. Экологический мониторинг Текст.: Учебно-методическое пособие. изд. 3-е, испр. и доп. / Т.Я. Ашихмина. - М.: Академ.1. Проект, 2006.-416 с.

5. Блаттер, К. Вейвлет-анализ. Основы теории Текст. / К. Блаттер.

6. М.: Техносфера, 2004. 280 с.

7. Богомолов, JI.A. Дешифрирование аэроснимков Текст. /

8. JI.A. Богомолов. М.: Недра, 1978. - 351 с.

9. Болсуновский, М.А. IKONOS Первый коммерческий спутник ДЗЗ высокого разрешения Текст. / М. А. Болсуновский // Геопрофи . - 2004. - № 6. -С. 15 - 18.

10. Болсуновский, М.А. Возможности программного комплекса ENVI для обработки данных ДЗЗ Текст. / М.А. Болсуновский // Геопрофи. 2006. - № 3. -С. 18-19.

11. Болсуновский, М.А. Перспективные направления развития дистанционного зондирования Земли из космоса Текст. / М.А. Болсуновский // Геоматика. 2009. - № 2. - С. 12 - 15.

12. Болсуновский, М.А. Система спутников ДЗЗ SPOT Текст. / М.А. Болсуновский // Геопрофи. 2005. - № 3. - С. 19 - 21.

13. Болсуновский, М.А. Современные подходы к организации оперативного космического мониторинга Текст. / М.А. Болсуновский // Геоматика. 2010. - № 3. - С. 13 - 18.

14. Болсуновский, М.А. Спутник FORMOSAT-2 данные ДЗЗ высокого разрешения с периодичностью в один день Текст. / М.А. Болсуновский //

15. Геопрофи. 2005. - № 6. - С. 18 - 20.

16. Болсуновский, М.А. Спутники высокого разрешения со спутников Quckbird и WorldView. Настоящее и будущее Текст. / М.А. Болсуновский // Геопрофи. 2005. - № 1. - С. 21 - 23.

17. Болсуновский, М.А. Спутники Дистанционного зондирования высокого разрешения ORBVIEW Текст. / М.А. Болсуновский // Геопрофи. - 2005.-№2.-С. 10-12.

18. Болсуновский, М.А. Уровни обработки данных ДЗЗ сверхвысокого разрешения Текст. / М.А. Болсуновский // Геоматика. 2009. - № 2. -С. 20-23.

19. Болсуновский, М.А. Что такое IDL? Текст. / М.А. Болсуновский // Геопрофи. 2006. - № 4. - С. 25 - 26.

20. Витязев, В.В. Вейвлет-анализ временных рядов Текст.: учеб. пособие /

21. B.В. Витязев. СПб.: СПб ун-т, 2001. - 58 с.

22. Гершензон , В.Е. ДЗЗ это просто Текст. / В.Е. Гершензон, A.A. Кучейко // Пространственные данные. 2005. - № 1. - С. 24 - 27.

23. Гершензон, В.Е. Дистанционное зондирование Земли: общие проблемы и российская специфика Текст. / В.Е. Гершензон // Информационный бюллетень ГИС-ассоциации. 2005. - № 3. - С. 57 - 59.

24. Гершензон, В.Е. Космические системы ДЗЗ среднего и низкого разрешения Текст. / В.Е. Гершензон // Пространственные данные. 2005. -№ 1.-С. 44-48.

25. Гонсалес, Р. Цифровая обработка изображений в среде MATLAB Текст. / Р. Гонсалес, Р. Вудс, С. Эддинс. М.: Техносфера, 2006. - 616 с.

26. Гонсалес, Р. Цифровая обработка изображений Текст. / Р. Гонсалес, Р. Вудс. М.: Техносфера, 2006. - 1072 с.

27. Гордиенко , A.C. Разработка методики многоступенчатого дешифрирования космических снимков Текст. / A.C. Гордиенко, М.А. Алтынцев , С.А. Арбузов.// Геодезия и аэрофотосъемка. 2011. - №2.1. C. 29-33.

28. Грузман , И.С. Цифровая обработка изображений в информационных системах Текст.: учеб. Пособие / И.С. Грузман, B.C. Киричук . Новосибирск: Изд-во НГТУ, 2002 - 352 с.

29. Деню, И.И. Экологический энциклопедический словарь Текст. / И.И. Деню. Кишинев: Главная редакция Молдавской советской энциклопедии, 1989. -408 с.

30. Дистанционный мониторинг использования лесов Электронный ресурс. // сайт филиала ФГУП «Рослесинфорг » «Запсиблеспроект ». Режим доступа: http://www.lesgis.ru/ru/typework/2010-02-01-04-00-17. - Загл. с экрана.

31. Добеши, И. Десять лекций по вейвлетам Текст. / И. Добеши. -Ижевск: НИЦ «Регулярная и хаотическая динамика », 2001. 464 с.

32. Дремин , И.М. Вейвлеты и их использование Текст. / И.М. Дремин, О.В. Иванов , В.А. Нечитайло // УФН. 2001. - Т. 171, № 5. - С. 465 - 501.

33. Задачи, решаемые с использованием данных ДЗЗ из космоса Текст. / Геоматика. 2009. - № 4. - С. 115 - 120.

34. Залманзон, JI.A. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях Текст. / Л.А. Залманзон.1. М.: Наука, 1989.-496 с.

35. ИТЦ "СканЭкс" объявляет о начале распространения коммерческой версии программы ScanEx Image Processor v.3.0 Электронный ресурс. / сайт проекта GeoTop. 2008. - Режим доступа:http://www.geotop.ru/publication/publ.phtml?event=3&id=214. Загл. с экрана.

36. Калинин, В.М. Мониторинг природных сред Текст.: учеб. пособие /

37. B.М. Калинин. Тюмень: Изд-во Тюм. гос. ун-та, 2007. - 208 с.

38. Кашкин , В.Б. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений Текст.: учеб. пособие / В.Б. Кашкин, А.И.

39. Сухнин. М.:Логос, 2001. - 264 с.

40. Книжников , Ю.Ф. Аэрокосмические методы географических исследований Текст.: учеб. для студ. высш. учеб. заведений / Ю.Ф. Книжников, В.И. Кравцова , О.В. Тутубалина. М.: Издательский центр1. Академия", 2004. 336 с.

41. Кобзева , Е.А. Автоматизация дешифрования спутниковых снимков: опыт и проблемы Текст. / Е.А. Кобзева, К.А. Поздина // Геодезия икартография. 2008. - N 6. - С. 40 - 44.

42. Курнаев, С. Ф. Лесорастительное районирование СССР Текст. /

43. C.Ф. Курнаев. М.: Наука, 1982. - 250 с.

44. Кучейко, A.A. Итоги запусков спутников съемки Земли в 2009 году Текст. / A.A. Кучейко // Земля из космоса. 2010. - № 1.

45. Лабутина, И.А. Дешифрирование космических снимков Текст.: учеб. пособ. / И.А. Лабутина. М.: Аспект Пресс, 2004 - 184с., 8с. цв. вкл.

46. Лесоустроительная инструкция Текст.: приказ от 6 февр. 2008 г. № 31 об утв. лесоустроительной инструкции. М., 2008. - 51 с.

47. Локализация изменений объектов природно-территориальных комплексов по разновременным космическим снимкам Текст. / А.П. Гук , Л.Г. Евстратова, A.C. Гордиенко, М.А. Алтынцев // Геодезия и картография.2010.-№ 2. -С. 19-25.

48. Лурье , И.Е. Теория и практика цифровой обработки изображений Текст.: Дистанционное зондирование и географические информационные системы / И. Е. Лурье, А. Г. Косиков ; под ред. А.М. Берлянта. М.: Научный мир, 2003.- 168 с.

49. Мальцев , Г.Н. Космические системы и технологии многоспектрального дистанционного зондирования Земли Текст. / Г.Н. Мальцев, И.А. Козинов , А.П. Данилкин // Информация и космос. - 2010. —1.-С. 148- 158.

50. Манович, В.Н. Лесоустройство и экологический мониторинг Текст. / В.Н. Манович // Материалы 7-й междунар. научно-практической конф.,

51. Австрия. 2003. - С. 16 - 20.

52. Манович, В.Н. Лесоустройство и экологический мониторинг Текст. / В.Н. Манович // Материалы 8-й междунар. научно-практической конф.,

53. Франция. 2004. - С.55 - 58.

54. Манович, В.Н. Экологический мониторинг и аудит земель лесного фонда с использованием данных дистанционного зондирования Земли Текст. /

55. B.Н. Манович // Материалы 9-й международной научно-практ. конф., Италия. -2005.-С. 50-54.

56. Михайлов, С.И. Методики дешифрирования данных ДЗЗ Текст. /

57. C.И. Михайлов // Информационный бюллетень ГИС-ассоциации. 2009. - №1.- С. 28-30.

58. Нейский, И.М. Классификация и сравнение методов кластеризации Текст. / И. М. Нейский // Интелектуальные технологии и систем: сб. учебно-метод. работ и ст. аспирантов и студентов. М.: НОК «CLAIM», 2006. -Выпуск 8.-С. 130-142.

59. Обработка данных дистанционного зондирования земли Электронный ресурс. / сайт компании ERDAS. Режим доступа: http://www.erdas.com.ua/remote sensing.htm. - Загл. с экрана.

60. Общесоюзные нормативы для таксации лесов Текст. / В.В. Загреев , В.И. Сухих, А.З. Швиденко. М.: Колос, 1992. - 495 с.

61. Прэтт, У. Цифровая обработка изображений Текст.: в 2 кн. / У. Прэтт.- М: Мир, 1982.-670 с.

62. Седых, В.Н. Аэрокосмический мониторинг лесного покрова Текст. / В.Н. Седых. Новосибирск: Наука Сиб. отд., 1991. - 239 с.

63. Смоленцев, Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB Текст. / Н.К. Смоленцев. М.: ДМК Пресс, 2005. - 304 с.

64. Современный толковый словарь Текст. М.: Большая Советская Энциклопедия, 1997.

65. Тютрин , С.А. Дистанционный мониторинг незаконных рубок в Дальневосточном федеральном округе Текст. / С.А. Тютрин, Р.Б. Кондратовец // Земля из космоса. Наиболее эффективные решения. 2010. - Вып. 4. - С. 73 -76.

66. Херринг, Ч. Спутник WorldView-2 новая веха в развитии дистанционного зондирования Земли Текст. / Ч. Херринг // Геоматика. - 2010. №2.-С. 28-32.

67. Хлебникова, Е.П. Влияние нормирования яркости на достоверностьдешифрирования многозональных космических снимков Текст. / Е.П. Хлебникова // Геодезия и картография. 2005. - №12. - С. 24 - 28.

68. Хлебникова, Е.П. Влияние предварительной обработки изображений на качество дешифрирования многозональных снимков Текст. / Е.П. Хлебникова // Вестник Сибирской Государственной геодезической академии / СГГА . Новосибирск, 2006. - Вып.11. - С. 190 - 193.

69. Хлебникова, Е.П. Применение метода главных компонент для мониторинга городских территорий снимков Текст. / Е.П. Хлебникова // Сб. материалов V Междунар. науч. конгр. ТЕО-Сибирь-2009". Новосибирск.2009.-Т. 4.,ч. 1. -С.41 -45.

70. Чубукова, И.A. Data Mining Текст.: Учебное пособие / И.А. Чубукова. М.: Интернет Университет Информационных технологий; БИНОМ.

71. Лаборатория знаний, 2006. 382 с.

72. Шовенгердт, P.A. Дистанционное зондирование. Модель и методы обработки изображений Текст. / Р.А.Шовенгердт. М.: Техносфера, 2010. -560 с.

73. Энциклопедия лесного хозяйства Текст.: в 2-х томах. Т. 1. - М.: ВНИИЛМ, 2006. - 424 с.

74. Яншин, В.В. Анализ и обработка изображений: принципы и алгоритмы Текст. / В.В. Яншин. М.: Машиностроение, 1995.- 112с.

75. A Brief History of ERDAS IMAGINE Электронный ресурс. / сайт компании The Field Guide. 2007. - Режим доступа: http://field-guide.blogspot.com/2009/04/brief-history-of-erdas-imagine.html. - Загл. с экрана.

76. Altyntsev, М.А. Practical Automatic disafforestation detection in multitemporal space images. Summer Student Seminar Текст. / M. A. Altyntsev // SSGA,3S, 2010.-PP. 31-35.

77. Berry, M.W. Lecture notes in data mining Текст. / M.W. Berry, M. Browne // World Scientific Publishing Co. Pte. Ltd., 2006. 223 p.

78. Broadband vegetation index performance evaluated for a low-cover Environment Текст. // International Journal of Remote Sensing, 2006. Vol. 27. -PP. 4715-4730.

79. Cheng, Q. Principal component analysis with optimum order sample correlation coefficient for image enhancement Текст. / Q. Cheng, L. Jing, A. Panahi // International journal of remote sensing, 2006 Vol. 27. - № 15. - PP. 3387 - 3042

80. Crist, E. P. A Physically-Based Transformation of Thematic Mapper Data -The TM Tasseled Cap Текст. / E.P. Crist, R.C. Cicone // IEEE Transactions on Geoscience and Remote Sensing, 1984. Vol. 22(3). - PP. 256 - 263.

81. Crist, E.P. A TM Tasseled Cap equivalent transformation for reflectance factor data Текст. / E.P. Crist // Remote Sensing of Environment. 1985. № 17. -PP. 301 -306.

82. Crist, E.P. Vegetation and soils information contained in transformed Thematic Mapper data Текст. / E.P. Crist, R. Laurin, R.C. Cicone // Proceedings of IGARSS "86 Symposium, Ref. ESA SP-254. Paris: European Space Agency,1986. PP. 1465 - 1470.

83. ER-MAPPER Электронный ресурс. / сайт компании ERDAS.

84. Режим доступа: http://www.erdas.com.ua/er mapper.htm. Загл. с экрана.146

85. Gonzalez, R.C. Digital image processing Текст.: Second edition / R.C. Gonzalez, R.E. Woods. 2002. - 813 p.

86. Hatcher, L.A Step-by-Step Approach to Using the SAS System for Factor Analysis and Structural Equation Modeling Текст. / L. Hatcher. 1994. - 608 p.

87. Home, J.H. A Tasseled Cap Transform for IKONOS Images Текст. / J.H. Home // ASPRS Annual Conference Proceedings, Anchorage, Alaska, 2003.-9 p.

88. Huang, C. At-satellite reflectance: A first order normalization of Landsat 7 ETM+ images Текст. / С. Huang, L. Yang. Raytheon ITSS, EROS Data Center. -2008. - 9 p.

89. Huang, C. Derivation of a tasseled cap transformation based on Landsat 7 at-satellite reflectance Текст. / С. Huang, В. Wylie, L. Yang // International Journal of Remote Sensing, 2002. Vol. 23. - PP. 1741 - 1748.

90. Huete, A.R. A soil-adjusted vegetation index (SAVI) Текст. / A.R. Huete // Remote Sensing of Environment. 1988. - Vol. 25. - PP. 295 - 309.

91. Huete, A.R. Modis vegetation index (Mod 13). Algorithm theoretical basis document Текст. / A.R. Huete, C. Justice, W. Van Leeuwen. Version 3, 1999.

92. Hunt, E.B. Experiments in induction Текст. / E.B. Hunt, J. Martin, P.J. Stone. New York: Academic Press, 1966. - 247 p.

93. Irish, R.R. Landsat 7 Science Data Users Handbook Текст. / R.R. Irish. -Landsat Project Science Office, 2008. Vol. 21. - 186 p.

94. Jolliffe, I.T. Principal Component Analysis Текст. / I.T. Jolliffe // Springer Series in Statistics, 2nd ed., Springer, NY, 2002. № XXIX. - 487 p.

95. Karnieli A. Use of NDVI and land surface temperature for drought assessment: Merits and limitations Текст. / A. Karnieli, N. Agam, R.T. Pinker // Journal of Climate. Vol. 23. - PP. 618 - 633.

96. Kaufman, Y.J. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS Текст. / Y.J. Kaufman, D. Tanre // Proc. IEEE Int. Geosci. and Remote Sensing Symp. "92, IEEE, New York. PP. 261 - 270.

97. Lu, D. Change detection techniques Текст. / D. Lu, P. Mausel, E. Brondi"Zio, E. Moran // Int. J. Remote Sensing. 2003. - Vol. 25. - №12. - pp. 2365-2407.

98. Malila, W.A. Change Vector Analysis: An Approach for Detecting Forest Changes with Landsat Текст. / W.A. Malila // LARS Symposia.Paper 385, 3-6 june 1980.

99. Markham, B.L. Landsat MSS and TM post-calibration dynamic ranges, exoatmospheric reflectances and at-satellite temperatures Текст. / B.L. Markham, J.L. Barker // EOSAT Landsat Technical Notes. Vol. 1. - PP. 3 - 8.

100. Matlab the language of technical computing Электронный ресурс. / сайт компании MathWorks. - Режим доступа: http://www.mathworks.com/products/matlab. - Загл. с экрана.

101. Murphy, S.K. Automatic construction of decision trees from data: a multi-disciplinary survey Текст. / S.K. Murphy // Data Mining and Knowledge Discovery,1998.-№2.-PP. 345-389.

102. Oyeyemi, G.M. A robust method of estimating covariance matrix in multivariate data Текст. / G.M. Oyeyemi, R.A. Ipinyomi // Analele stiintifice ale universitatii "Alexandru loan Cuza" Din Iasi, Stiinte Economice, 2009. vol. 56. -PP. 586-601.

103. P. Coppin, I. Jonckheere, K. Nackaerts, B. Muys Digital change detection methods in ecosystem monitoring: a review Текст. / P. Coppin, I. Jonckheere, K. Nackaerts, B. Muys // Int. J. Remote Sensing. 2004. - Vol. 25. - № 9. -PP. 1565- 1596.

104. Quinlan, J.R. Induction of decision trees Текст. / J.R. Quinlan // Machine1.arning, 1986.-№1.-PP. 81 106,

105. Ramachandra, T.V. Geographic Resources Decision Support System for land use, land cover dynamics analysis Текст. / T.V. Ramachandra, Uttam Kumar // Proceedings of the FOSS/GRASS Users Conference. Bangkok, Thailand,12.14 September 2004.

106. Richardson, A.J. Distinguishing vegetation from soil background information Текст. / A.J. Richardson, C.L. Wiegand // Photogrammetric Engineering and Remote Sensing. Vol. 43. - PP. 1541 - 1552.

107. Rouse, J.W. Monitoring the vernal advancements and retrogradation of natural vegetation Текст. / J.W. Rouse, R.H. Haas, J.A. Schell. NASA/GSFC, Final Report, Greenbelt, MD, USA, 1974. - PP. 1 - 137.

108. Yarbrough, L.D. DN Based Tasseled Cap Transform Coefficients for the ASTER Sensor Level 1-B Data Текст. / L.D. Yarbrough, G. Easson, J.S. Kuszmaul. 2004.

109. Yarbrough, L.D. QuickBird 2 Tasseled Cap Transform coefficients: a comparison of derivation method Текст. / L.D. Yarbrough, G. Easson, J.S. Kuszmaul // Pecora 16 "Global Priorities in Land Remote Sensing" October 2327, 2005, Sioux Falls, South Dakota.

110. Zhang, X. MODIS Tasseled Cap Transformation and Its Utility Текст. / X. Zhang, C.B. Schaaf, M.A. Friedl // Proceedings of the International Geoscience and Remote Sensing Symposium (IGARSS"02), Toronto, Canada, 2002. -PP. 24 28.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания.
В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.

Визуальный метод дешифрирования, прямые и косвенные признаки дешифрирования.

Материалы, используемые при визуальном дешифрировании

Понятие о дешифрировании снимков. Классификация дешифрирования.

Дешифрированием (интерпретацией) называется анализ видеоинформации с целью извлечения сведений о поверхности и недрах Земли (других планет, их спутников), расположенных на поверхности объектах, происходящих на поверхности и в близповерхностном пространстве процессах.

В состав сведений входят, например, определение пространственного положения объектов, их качественных и количественных характеристик, выяснение границ простирания изучаемых процессов и данные о их динамике и многое другое. В задачи дешифрирования входит также получение из иных источников информации, которая не может быть считана непосредственно со снимков, например сведений о наличии, положении и свойствах неотобразившихся объектов, названий населенных пунктов, рек, урочищ. Такими источниками могут служить материалы ранее выполненного дешифрирования, планы, карты, вспомогательные снимки, справочная литература, непосредственно местность.Результаты визуального дешифрирования фиксируются условными знаками на дешифрируемом изображении, машинного - тоновыми, цветовыми, знаковыми или иными условными обозначениями.

Другое определение дешифрирования:

Дешифрирование снимков (интерпретация)- процесс распознавания объектов местномти по фотографическому изображению и выявление их содержания с обозначением условными знаками качественных и количественных характеристик.

В зависимости от содержания дешифрирование делят на:

Общегеографическое

специальное (тематическое, отраслевое ).

Общегеографическое дешифрирование включает две разновидности:

Топографическое дешифрирование -производится для обнаружения, распознавания и получения характеристик объектов, которые должны быть изображены на топографических картах.Оно является одним из основ процессов технологической схемы обновления и создания карт.

Ландшафтное дешифрирование –выполняется для регионального и типологического райнирования местности и решения специальных задач.

Специальное (тематическое, отраслевое) дешифрирование производится для решения ведомственных задач по определению характеристик отдельных совокупностей объектов. Разновидностей тематического дешифрирования очень много. сельскохозяйственное, лесохозяйственное. геологическое, почвенное, геоботаническое и др. и другого ведомственного назначения. Если конечной задачей специального дешифрирования является составление тематических карт, например сельскохозяйственных, почвенных или геоботанических, то. при отсутствии подходящей топографической основы, специальное дешифрирование сопровождается топографическим.

Основой методической классификации дешифрирования на его современном уровне развития являются средства считывания и анализа видеоинформации. Исходя из этого, можно выделить следующие основные методы дешифрирования:

визуальный , в котором информация со снимков считывается и анализируется человеком:

машинно- визуальный , в котором видеоинформация предварительно преобразуется специализированными или универсальными интерпретационными машинам с целью облегчения последующего визуального анализа полученною изображения:

автоматизированный (диалоговый), в котором считывание со снимков и анализ. или непосредственный анализ построчно записанной видеоинформации, выполняются специализированными пли универсальными интерпретационными машинами при активном >части оператора:

автоматический (машинный), в котором дешифрирование полностью выполняется интерпретационными машинами. Человек определяет задачи и задает программу обработки и видеоинформации.

Во всех методах можно выделить низшие уровни классификации - способы и варианты способов.

Принципиальная схема дешифровочного процесса в любом методе остается неизменной - распознавание выполняется путем сопоставления и определения степени близости некоторого набора признаков дешифрируемою объекта с соответствующими эталонными признаками, находящимися в памяти человека или машины. Процессу распознавания при этом предшествует процесс обучения (или самообучения), при котором определяется перечень подлежащих дешифрированию объектов, отбирается совокупность их признаков и устанавливается допустимая степень их различия.

При недостаточном объеме априорной информации о классах объектов и их признаках человек и машина может поделить изобразившиеся объекты по близости некоторых признаков на однородные группы - кластеры, содержание которых определяется затем человеком или машиной с помощью дополнительных данных.

2. Визуальный метод дешифрирования, прямые и косвенные признаки дешифрирования .

Природные объекты, изображающиеся на снимках могут опознаваться и интерпретироваться дешифровщиком по их свойствам, которые находят отражение в дешифровочных признаках этих объектов. все дешифровочные признаки можно разделить на две группы: прямые дешифровочные признаки и косвенные.

К прямым признакам относят те свойства и характеристики объектов, которые непосредственно отображаются на снимках и могут восприниматься визуально или с использованием технических средств.

К прямым дешифровочным признака м относят форму и размеры изображения объектов в плане и по высоте, общий (интегральный) тон черно-белого или цвета цветного (спектрозонального) изображений, текстуру изображения.

Форма в большинстве случаев является достаточным признаком для разделения объектов природного и антропогенного происхождения. Объекты, созданные человеком, как правило, отличаются правильностью конфигурации. Так, например, любые здания и сооружения имеют правильные геометрические формы. То же можно сказать о каналах, шоссейных и железных дорогах, парках и скверах, пахотных и культурных кормовых угодьях и других объектах. Форма объектов используется иногда как косвенный признак для определения характеристик других объектов.

Размеры дешифрируемых объектов в большинстве случаев оцениваются относительно. Об относительной высоте объектов судят непосредственно по их изображению на краях снимков, полученных с помощью широкоугольных съемочных систем. О размерах, а также и о форме по высоте можно судить по падающим от объектов теням. Разумеется, что площадка, на которую падает тень, должна быть горизонтальной.

Размеры изображения объектов так же как и форма, искажаются вследствие влияния рельефа местности и специфики используемой в съемочной системе проекции.

Тон изображения является функцией яркости объекта в пределах спектральной чувствительности приемника излучений съемочной системы. В фотометрии аналог тона - оптическая плотность изображения. непостоянство данного признака связано со следующими факторами: условиями освещения, структуры поверхности, типа фотографического материала и условий его обработки, зоны электромагнитного спектра и других причин.Тон оценивается визуально путем отнесения изображения к определенной ступени нестандартизированной ахроматической шкалы, например тон светлый, светло-серый, серый и т. д. Число ступеней определяется порогом световой чувствительности зрительного аппарата человека.

Опытным путем установлено, что человеческий глаз Опытным путем установлено, что человеческий глаз может различать до 25 градаций серого тона, в практических целях чаще используется серая шкала тонов от семи до десяти ступеней (табл. 2).

Таблица 1Количественные характеристики плотности изображения

С помощью компьютеров возможно различать до 225 уровней серого тона по снимкам и пленкам. Кроме этого, эти уровни, в зависимости от поставленной задачи, можно группировать по определенным ступеням с их количественными характеристиками. Существенное влияние на тон фотоизображения оказывают фактурные свойства объектов, от которых зависит распределение отраженного от поверхности объекта света в пространство.

Оптическая плотность служит кодом, который передает свойства объектов.. Совершенно различные по цвету объекты могут отобразиться на черно-белом фотоснимке или телевизионном изображении одинаковым тоном. Учитывая нестабильность показателя, при дешифрировании фототон оценивают только в сочетании с другими дешифровочными признаками (например, структурой). Тем не менее именно фототон выступает как основной дешифровочный признак, формирующий очерта­ния границ, размеры и структуру изображения объекта.

Тон может быть достаточно информативным признаком при правильно выбранных элементах съемочной системы и условиях съемки.

Тон изображения пашни может значительно изменяться во времени и пространстве, гак как существенно зависит от состояния поверхности незанятых полей (перепаханная, боронованная, сухая, влажная и др.), от вида и фенофазы культур на занятых полях.

Цвет изображения является спектральной характеристикой и определяет энергию светового потока.. Цветоваягамма изображений является существенным признаком дешифрирования. Этот признак следует рассматривать в двух аспектах. В первом случае, когда изображение на воздушных и космических снимках формируется в цветах, близких к естественным цветам (цветные снимки), распознавание и классификация объектов местности не вызывает особых затруднений. В данном случае учитываются такие характеристики цвета, как его светлотаи насыщенность, а также различные оттенки одного и того же цвета. В другом случае цветное изображение формируется в произвольных цветах (псевдоцветах), как это имеет место при спектрозональной съёмке. Смысл этого сознательного искажения цветовой гаммы натуры на изображении состоит в том, что на снимках наблюдатель легче воспринимает цветовые контрасты деталей изображения, поэтому цветные воздушные и космические снимки обладают более высокой дешифрируемостью, чем черно-белые. Наи­луч­шие результаты получают при дешифрировании спектро­зональных аэро­снимков с более высоким цвето­вым контрастом

Объекты местно­сти	Цвет (тон) изображения на аэроснимках
черно-белых	цветных	спектрозональных
Лес сосновый	светло-серый	темно-зеленый	темно-пурпурный
Лес еловый	серый	зеленый	коричневато-пурпур­ный
Лес лиственный	яркий светло-серый	светло-зеленый	синевато- и зеленовато-пурпур­ный
Лес дубовый	серый	зеленый	зеленовато-голубой с оттенками
Лес березовый	светло-серый	зеленый
Лес осиновый	яркий светло-се­рый	светло-зеленый
Кустарник лист­венный	серый	зеленый	зеленовато-синий
Травянистая рас­ти­тельность	серый	зеленый	серовато-голубой, светло-пурпурный
Полевые техни­че­ские культуры	серый с оттен­ками	зеленый с от­тен­ками	голубой, кирпичный, виш­невый, пурпурный
Закрепленные пески	серый	серовато-жел­тый	пурпурный
Постройки	серый с оттенками	светло-красный, светло-серый, зеленый	однообразно пурпур­ный
Дороги с покрытиями	серый	светло-серый	пурпурный

Цвета спектрозонального аэроснимка менее стабильны, чем цветного снимка в естественных цветах. При необходимости они могут быть значительно изменены с помощью светофильтров.

Существует особый приём при дешифрировании, когда цвет на изображениях используется для кодирования деталей изображения, имеющих одинаковую оптическую плотность. Этот метод широко используется при дешифрировании зональных снимков, полученных в результате многозональных съёмок. Он весьма эффективен при проведении ландшафтного дешифрирования. В этом случае отдельные элементарные ландшафтные единицы можно закодировать каким-либо цветом, исходя из их родственных признаков и свойств.

Тень как дешифровочный признак играет важную роль при дешифрировании объектов и их свойств. Падающая тень, отбрасываемая объектом на земную поверхность, расположенную со стороны, противоположной Солнцу, подчёркивает объёмность объекта и его форму. Её очертание и размер зависят от высоты Солнца, рельефа местности (участка), на которую падает тень, и направления освещения.

Существует несколько способов определения высоты объекта по падающей тени:

где l - длина тени объекта на аэроснимке;

m - знаменатель масштаба снимка;

n - относительная длина тени, которая берётся из таблиц В.И. Друри (см. Смирнов Л.Е., 1975)

где b₁ - длина тени объекта на аэроснимке;

h₂ - высота известного объекта на аэроснимке;

b₂ - длина тени на аэроснимке известного объекта

По форме падающей тени можно распознавать как искусственные объекты (постройки, столбы, пункты триангуляции), так и естественные объекты. Падающие тени в качестве признаков дешифрирования широко используются при изучении растительности. .Падающие тени отображают вытянутую форму силуэта объ­екта. Это свойство используют при дешифрировании изгородей, телеграфных столбов, водонапор­ных и силосных башен, наружных зна­ков пунктов геодезической сети, отдельных деревьев, а также резко выра­женных форм рельефа (обрывов, промоин и пр.). При этом следует иметь в виду, что на размер тени оказывает влияние рельеф местности.Для каждой породы характерна своя специфическая форма кроны, что находит отражение в её тени и позволяет определить её видовой состав. Например, форма падающей тени ели напоминает остроугольный треугольник, тогда как у сосны она овальная. Однако следует помнить, что тень - весьма динамичный дешифровочный признак (изменяется в течение суток). Она может превышать размер объекта при низком положении Солнца над горизонтом

Текстура (структура изображения) - характер распределения оптической плотности по полю изображения объекта. Структура изображения – наиболее устойчивый прямой дешифровочный признак, практически не зависящий от условий съемки. Структура представляет собой сложный признак, объединяющий неко­то­рые другие прямые дешифровочные признаки (форму, тон, размер, тень) компактной группы однородных и разнородных деталей изображения местности на снимке. Повторяемость, размещение и количество этих деталей приводят к выявлению новых свойств и способствуют повышению достоверности дешифрирования. Важность этого признака повышается с уменьшением масштаба снимка. Например, текстура массива леса образуется изображением на снимках крон отдельных деревьев, а при высоком разрешении съемочной системы - изображением также элементов крон - ветвей или даже листьев; текстура чистой пашни формируется отображением пахотных борозд или отдельных комьев.

Имеется достаточно большое число структур, образованных сочетаниями точек, площадей, узких полос различной формы, ширины и длины. Некоторые из них рассмотрены ниже.

Зернистая структура характерна для изображения лесов. Рисунок создается серыми пятнами округлой формы (кронами деревьев) на более темном фоне, создаваемом затененными промежутками между деревьями. Аналогичную структуру имеет изображение культурной растительности (садов).

Однородная структура образуется однотипной формой микрорельефа и характерна для низинных травянистых болот, степной равнины, глинистой пустыни, водоемов при спо­кой­ном состоянии воды.

Полосчатая структура характерна для изображений огородов и распаханных пашен и является следствием параллельного расположения борозд.

Мелкозернистая структура характерна для изображения кустарников различных пород.

Мозаичная структура образуется растительностью или почвенным покровом неодинаковой влажности и характерна для беспорядочно расположенных участков различного тона, размеров и форм. Аналогичная структура, создаваемая чередованием прямоугольников различ­ного раз­мера и плотности, характерна для изображения приуса­дебных участ­ков,

Пятнистая структура характерна для изображений садов и болот.

Квадратная структура характерна для некоторых типов лесных болот и населенных пунктов городского типа. Она образуется сочетанием участков леса, разделенных светлыми полосами болота, и читается как сочетания площадей однородного тона. Такую же структуру создают изображения многоэтажных зданий (относительно крупные прямоугольники) и элементов внутриквартальной за­стройки в насе­ленных пунктах.

По мере уменьшения масштаба текстура создается более крупными элементами местности, например отдельными полями пашни.. Текстура относится к наиболее информативным признакам. Именно по текстуре человек безошибочно опознает леса, сады, населенные пункты и многие другие объекты. Для перечисленных объектов текстура сравнительно устойчива во времени.

Косвенные признаки можно разделить на три основные группы. природные, антропогенные и природно-антропогенные. Косвенные дешифровочные признаки достаточно устойчивы, и за­висят от масштаба в меньшей степени.

К природным относятся взаимосвязи и взаимообусловленности объектов и явлений в природе. Их называют также ландшафтными . Такими признаками могут быть, например, зависимость вида растительного покрова от типа почвы, ее засоленности и увлажненности или связь рельефа с геологическим строением местности и их совместная роль в почвообразовательном процессе.

С помощью антропогенных косвенных признаков опознают объекты, созданные человеком. При этом используются функциональные связи между объектами, их положение в общем комплексе сооружений, зональная специфика организации территории, коммуникационное обеспечение объектов. Например, животноводческая ферма сельскохозяйственного предприятия может быть опознана по совокупности основных и вспомогательных построек, внутренней планировке территории, интенсивно выбитым прогонам, положению дешифрируемого комплекса сооружений относительно жилой зоны, характеру дорожной сети. Аналогично ремонтные мастерские опознаются по изображению расположенных на территории машин, конный завод надежно опознается по примыкающему к его территории манежу. При этом, каждое из сооружений комплекса отдельно, вне связи с прочими, не дешифрируется. . Например, соединяющая населенные пункты светлая извилистая ли­ния почти наверняка является изображением проселочной дороги; с той же вероятностью теряющиеся в лесу или в поле светлые извилистые линии – полевые или лесные дороги; постройка вблизи пересечения светлой извилистой полосы (грунтовой дороги) с железной до­ро­гой свидетельствует о наличии здесь переезда; обрывающаяся на берегу реки дорога и ее продолжение на другом берегу указывает на на­личие брода или парома; группа построек вблизи многократно раз­ветвляющейся железной до­роги подсказывает о наличии железнодо­рожной станции. Ло­гический анализ прямых и кос­венных дешифровочных при­знаков значи­тельно повышает достоверность дешифриро­ва­ния.

К природно-антропогенным косвенным признакам относятся, зависимость хозяйственной деятельности человека от определенных природных условий, проявление свойств природных объектов в деятельности человека и другое. Например, по размещению некоторых видов культур можно составить определенное суждение о свойствах почв, их увлажненности, по изменению влажности поверхности в местах расположения дрен дешифрируют элементы закрытой осушительной системы. Объекты, используемые при опознавании и определении характеристик недешифрующихся непосредственно объектов, называются индикаторами, а дешифрирование - индикационным. Такое дешифрирование может быть многоэтапным, когда непосредственные индикаторы дешифрируемых объектов опознаются с помощью вспомогательных индикаторов. Приемами индикационного дешифрирования решаются задачи по обнаружению и определению характеристик неотобразившихся на снимках объектов. Важнейшими индикаторами различных явлений при косвенном дешифрировании служат растительность, рельеф и гидрография.

Растительность является хорошим индикатором почв, четвертичных отложений, увлажнённости почвогрунтов и т.д. При дешифрировании могут использоваться следующие индикационные признаки растительности:

Морфологические признаки позволяют различать на аэрокосмических снимках древесную, кустарниковую и луговую растительность.

Флористические (видовые) признаки позволяют дешифрировать видовой состав, например, сосновые насаждения приурочены к песчаным автоморфным почвам, черноольховые – к дерново-глеевым почвам.

Физиологические признаки основаны на связи гидрогеологических и геохимических условий места произрастания с химическими свойствами пород. Например, на известняках лишайники имеют оранжевый цвет, а на гранитах - жёлтый.

Фенологические признаки базируются на различиях в ритмах развития растительности. Особенно это хорошо проявляется осенью у лиственных пород растительности в изменении окраски листьев. На цветных аэрокосмических снимках хорошо различается видовой состав растительности, который подчёркивает условия произрастания.

Фитоценотические признаки позволяют дешифрировать типы лесной растительности и ассоциации луговой растительности, которые приурочены к определённым условиям произрастания. Например, сосняки-лишайники произрастают на повышенных элементах рельефа с автоморфными рыхло-песчаными почвами, сосняки долгомошники приурочены к пониженным элементам рельефа и дерново-подзолисто-заболоченным почвам.

Рельеф является одним из важнейших индикаторов. Связь рельефа с другими компонентами природных комплексов, его большая роль в формировании внешнего облика ландшафтов и возможность непосредственного дешифрирования позволяют использовать рельеф как индикатор самых разнообразных природных объектов и их свойств. Такими индикаторами могут быть следующие морфометрические и морфологические особенности рельефа: а) абсолютные высоты и амплитуды колебаний высот на данном участке; б) общая расчленённость рельефа и углы наклона склонов; в) ориентировка отдельных форм рельефа и экспозиция склонов (солярная, ветровая), которые вместе с абсолютными высотами определяют климатические условия и водный режим на данной территории; г) связь рельефа с геологией; д) генезис рельефа, его возраст и современная динамика и др.

Гидрография является важным индикатором физико-географических и геологических условий. Тесная связь структуры и густоты гидрографической сети (озёр, рек и болот) с геологией и рельефом позволяет использовать аэрофоторисунок, особенно речной сети, как прямой ландшафтный признак при анализе местности в геоморфологическом, геологическом и палеографическом отношениях.

Дешифровочные признаки обычно используются совокупно, без подразделения их на какие-либо группы. Изображение на дешифрируемом участке обычно воспринимается человеком как единое целое - модель местности. На основе анализа модели создаемся предварительная гипотеза о сути объекта (явления) и его свойствах. Правильность гипотезы подтверждается или отвергаемся (иногда многократно) с помощью дополнительных признаков.

5. Информационные свойства снимков с точки зрения визуального дешифрирования

Для оценки информационных свойств снимка используют две характеристики:

1. информативность;

2. . дешифрируемость.

Информативность - экспертная оценка потенциальной возможности получения с данных снимков необходимых сведений об объектах. Подбор количественного критерия для оценки информативности снимка невозможен. информативность обычно оценивается словесно: высокая информативность,недостаточная информативность и т. д. В зависимости от целей дешифрирования (решаемых задач) одни и те же снимки могут признаны высокоинформативными и недостаточно информативными.

В основу формальной оценки объема информации, содержащейся в снимке, может быть положена ее связь с разрешающей способностью. Чем выше разрешающая способность снимков, тем больший объем информации в них содержится. На основе смысловой информации можно определить ценность ее для исследователя. Например, четкое изображение на инфракрасных аэроснимках породного состава лесной растительности указывает на эффективность использования данных снимков для дешифрирования ее видового состава. Путем дешифрирования аэрокосмических снимков можно получить самые разнообразные сведения, факты. Однако к информации относятся только те из них, которые отвечают поставленной задаче, цели.

Для определения максимального количества информации введено понятие «полная информация», под которой следует понимать ту информацию, которую в каждом конкретном случае можно извлечь из снимков, полученных при оптимальных технических и погодных условиях съемки, а также масштабе. Однако часто используются снимки, обладающие свойствами, отличными от оптимальных. Содержащееся в них количество информации в общем случае меньше полной информации и составляет оперативную информацию. В оперативную информацию входят те из необходимых сведений, которые можно рассчитывать: полу чить путем дешифрирования данных снимков. Однако извлеченная информация почти всегда меньше оперативной из-за ошибок дешифрирования. Ошибки при дешифрировании объектов могут возникать по следующим причинам: при дешифрировании слабоконтрастных объектов; ложное опознавание объектов из-за совпадения дешифровочных признаков (например, известняки и снежники). Однако часто дешифровщик сталкивается с помехами и шумом, которые не представляют ценности для исследователя. К помехам можно отнести наличие бликов, а также изображение на снимках толщи атмосферы, которая в виде дымки накладывается на изображение, или таких атмосферных явлений, как туман, пыльные бури и др. Качественное разнообразие и количество извлеченной информации в значительной степени определяются свойствами информационного поля снимков.

Простота сопоставления снимков с натурой, внешнее совпадение изображения объектов с тем, как мы их видим, определяют наглядность снимков. Объекты узнаются на снимках, если их изображение соответствует непосредственному зрительному образу и если оно хорошо известно из практики, например, облачность. Наглядность снимков всегда особенно ценилась. Предполагалось, что именно возможность прямого визуального распознавания является главным достоинством снимков с летательных аппаратов. Но по мере развития метода большое значение стали придавать выразительности изображения. Изображение тем выразительнее, чем интенсивнее и контрастнее выделены на нем объекты и явления, являющиеся предметом дешифрирования.

Таким образом, выразительность изображения характеризуется простотой дешифрирования объектов и явлений, наиболее существенных для решения поставленной задачи. Наглядность и выразительность в известном смысле противоположные, взаимоисключающие свойства аэрокосмического изображения. Так, наибольшей наглядностью обладают цветные в натуральных цветах снимки. Меньшая наглядность у цветных спектрозональных снимков, но зато при дешифрировании, например, лесной растительности они имеют большую выразительность. Наглядность и выразительность изображения связаны с его масштабом, но оптимальные по выразительности и наглядности масштабы снимков не совпадают друг с другом. Наглядность возрастает с укрупнением масштаба.

Дешифрируемость аэрокосмических снимков - это сумма их свойств, определяющих количество информации, которую можно получить путем дешифрирования снимков для решения данной задачи.Известно, что одни и те же снимки обладают разной дешифрируемостью по отношению к разным объектам и задачам. задачи. Количественно ее можно выразить через отношение оперативной информации (I 0), содержащейся в данных снимках, и Iп полной информации:

Однако часто для определения дешифрируемости снимков используется относительная дешифрируемость, которая характеризуется через отношение полезной информации (I), которую несет аэроснимок, к полной информации, которая может быть получена по аэроснимку:

Величина Dc называется коэффициентом дешифрируемости. Понятие «полная информация» может быть истолковано по-разному, в соответствии с этим относительная дешифрируемость может характеризовать различные свойства аэроснимков. Если за полную информацию принять максимальную информационную емкость аэроснимков, то коэффициент дешифрируемости будет показывать загруженность аэроснимков бесполезными сведениями, иными словами «уровень шума

По этой же формуле (Dc = I / Imax) может быть вычислена и относительная дешифрируемость отдельных объектов. При соответствующем подходе она позволяет сравнивать аэроснимки, снятые на различной пленке, отпечатанные на различной бумаге и т. д. Таким образом, через коэффициент дешифрируемости выражается ценность аэроснимка как источника информации.

Полнота дешифрирования может быть охарактеризована через отношение использованной (распознанной) полезной информации (I 1) ко всей полезной информации, содержащейся в данных

аэроснимках:

Полнота дешифрирования в большой мере зависит от подготовки дешифровщиков, их опыта и специальных знаний.

Под достоверностью дешифрирования следует понимать вероятность правильного опознавания или истолкования объектов. Она может оцениваться через отношение количества правильно распознанных объектов (n) к сумме всех распознанных объектов.

Дешифрируемость может быть улучшена путем увеличения изображения, изменения контраста, уменьшения смаза и других преобразований.

Это так называемые многозональные снимки , которые позволяют более надежно распознавать изучаемые объекты и получать цветные синтезированные изображения.

В одном спектральном диапазоне можно получить серию снимков, одновременно используя излучение в нескольких узких спектральных зонах. Подобные снимки называют многозональными. Их делают, например, с помощью специальных фотокамер с несколькими объективами, причем каждый снабжен цветным светофильтром. Получаемая таким образом серия зональных черно-белых снимков позволяет распознавать объекты, пользуясь их спектральными образами. Дело в том, что большинство окружающих нас объектов по-разному отражают солнечные лучи: одни - преимущественно зеленые, другие - красные. Почвы, горные породы, вода, растительность, снег имеют присущий только им набор значений яркости в разных спектральных лучах. Графически это изображается в виде так называемых кривых спектральной яркости. По снимкам в разных зонах можно установить, какие объекты изобразились. Для этого яркость изображения неизвестного объекта на серии зональных снимков (т. е. его спектральный образ) сравнивается с эталонными кривыми, полученными путем специальных измерений на местности и хранящимися в банке данных. Например, если объект темный в красной зоне и очень светлый в ближней инфракрасной, можно с уверенностью сказать, что это растительность.

Спектральный образ часто используется для разделения (классификации) объектов при компьютерной обработке снимков. Так, на приведенных снимках дельты изменение тона изображения, темного в красной зоне и светлого в ближней инфракрасной зоне, говорит о развитии здесь сочной тростниковой , а светлая полоса прибрежных вод в красной зоне - о выносе Дунаем большого количества взвесей.

Многозональные снимки позволяют изготовить цветные синтезированные изображения. Если три черно-белых зональных снимка ввести в компьютер и окрасить их в основные цвета - синий, зеленый, красный, то на экране возникнет яркая разноцветная картина. Выбирая различные сочетания зональных снимков и меняя их окраску, можно синтезировать разные цветные изображения, на которых объекты предстанут в цветах, либо близких к натуральным, либо в условных, намеренно искаженных цветах. На таких синтезированных снимках различные географические объекты будут выделяться более четко и точность их опознавания значительно повысится. Приведенные снимки дельты реки Селенги, образовавшейся при впадении ее в , сделаны при различных вариантах цветового синтеза. В случае, когда для синтеза использовались коротковолновые зоны - голубая, зеленая, на снимках хорошо изобразились окаймляющие дельту подводные валы, бары и струи мутных вод, выносимых . Видно, как загрязненные воды распространяются в озере, где оседают взвеси. Однако береговая линия дельты на этих снимках четко не выделяется. При использовании для цветового синтеза инфракрасной зоны картина меняется - становится четко виден сложный контур береговой линии дельты. Но вынос взвесей на таком снимке уже не прослеживается - вся вода, и прозрачная и мутная, изображается одинаково темным тоном.