Данные дистанционного зондирования в землеустройстве

Содержание:

1. Данные дистанционного зондирования в  землеустройстве……..3

2. Введение в дистанционное зондирование…………………………5
3. Восстановление (коррекция) видеоинформации………………….7
4. Предварительная обработка изображений……………………...…9
5. Классификация и Преобразование изображений………..……….10
6. Использование дистанционного зондирования в геоиинформационных системах…………………………………………...………..13

 

 

 

 

 

1. Данные дистанционного зондирования в  землеустройстве

Очевидно, что базовым программным обеспечением информационных систем земельного кадастра являются ГИС. Одной из важнейших  компонент геоинформационной системы  являются данные. По подсчетам разных специалистов, от 60 до 90 процентов времени и средств при реализации ГИС- проектов уходит на создание базы данных (БД). Кроме того, если говорить о кадастровых БД, то здесь присутствуют еще два момента.

• По оценкам российских специалистов, около 20% недвижимости в городе постоянно находится в рыночном обороте. Поэтому даже после ввода всех необходимых данных в информационную базу мы столкнемся с необходимостью постоянного обновления, по крайней мере, пятой части этих данных.
• Для грамотного управления земельными ресурсами необходима информация о третьей координате - высоте. Данные о рельефе местности важны для оценки земельного участка, для принятия решения о его целевом использовании и решении других вопросов, связанных с управлением недвижимостью.

Следовательно, есть необходимость  использовать современные технологии для решения перечисленных задач  в приемлемые сроки. Как показывает мировой опыт, применительно к большим территориям, это можно сделать наиболее оперативно и с наименьшими затратами средств, если применять данные дистанционного зондирования (ДДЗ) и процедуры фотограмметрической обработки этих данных. Привлечение этих передовых технологий позволяет с высокой эффективностью решать следующие задачи:

• создание тематических карт различных масштабов;
• построение цифровых моделей рельефа;
• оперативная поддержка цифровой базы данных в актуальном состоянии.

Примеров использования  ДДЗ в различных областях человеческой деятельности великое множество: от военных приложений (воздушно- космическая разведка) до мониторинга состояния “озоновой дыры”. Широкое применение нашли эти методы при решении кадастровых задач и задач управления земельными ресурсами как в сельских, так и в городских районах. Например,некоторые из них:

- Создание тематических планов и карт различного масштаба для целей землеустроительного проектирования.

- Высокоточное составление почвенных карт и планов населенных пунктов.

- Инвентаризация земель.

- Мониторинг состояния земель и оценка потерь в результате различных стихийных бедствий.

- Прогноз урожая и т.д.

 

2. Введение в дистанционное зондирование

Дистанционное зондирование (ДЗ) можно представить как процесс, посредством которого собирается информация об объекте, территории или явлении без непосредственного контакта с ним. Методы ДЗ основаны на регистрации в аналоговой или цифровой форме отраженного или собственного электромагнитного излучения участков поверхности в широком спектральном диапазоне. Космическое зондирование, интенсивно развивающиеся в последние десятилетия, предоставило наукам о Земле новые возможности для исследования земной поверхности. За этот период существенно возросли объем, разнообразие и качество материалов ДЗ. К настоящему времени накоплен огромный фонд (более 100 миллионов) аэрокосмических снимков, полностью покрывающих всю поверхность Земли, а для значительной части районов с многократным перекрытием.

Часть данных ДЗ (ДДЗ) сразу  поступает в цифровом виде, что  позволяет непосредственно использовать для их обработки современные компьютерные технологии. Снимки на фотоносителях могут быть преобразованы в цифровую растровую форму представления с помощью специальных сканирующих устройств (сканеров). Цифровое изображение в форме растра представляет из себя матрицу чисел. Каждый элемент этой матрицы, называемый пикселом, отвечает какой-либо характеристике (отражательной способности, температуре и т.д.) участка местности в определенной зоне электромагнитного спектра. Следует отметить, что размер этого участка зависит от разрешения снимка. Данные многозональной съемки в цифровом виде можно рассматривать как многомерную матрицу, в этом случае каждому участку поверхности будет соответствовать целый набор значений, называемый вектором характеристик. Следует отметить, что основные методы тематической обработки ДДЗ, специфичные для многозональной съемки, основаны на операциях с многомерными матрицами.

Системы для обработки  ДДЗ появились фактически в результате дальнейшего качественного развития программных средств, предназначенных для цифровой обработки изображений общего назначения (графических редакторов) таких, как PhotoStyler, PhotoShop и т. п. Оба класса систем имеют много общего: работают с растровой моделью данных, используют базирующиеся на аналогичном математическом аппарате методы обработки изображений. Однако следует отметить ряд существенных отличий, связанных со спецификой данных зондирования:

ДДЗ - это файлы весьма большого объема, для эффективной  работы с которыми, необходимы специальные средства, в том числе особые форматы данных.

ДДЗ - это многомерные  данные, число и параметры спектральных зон съемки которых не позволяют  трактовать их как RGB изображения, кроме  того, могут использоваться еще и другие координаты измерения (например, время).

ДДЗ нуждаются в предварительной  геометрической, радиометрической и  радиационной коррекции.

ДДЗ - это пространственная информация, имеющая, как правило, координатную привязку.

Возможность быстрого перехода от предварительной обработки и  тематического дешифрирования к выполнению операций моделирования и пространственного анализа средствами геоинформационных систем (интеграция в ГИС).

Цифровую обработку ДДЗ  можно разделить на следующие  основные (типовые) группы операций:

• восстановление или коррекция.
• предварительная обработка.
• классификация.
• преобразование изображений.
• специализированная тематическая обработка.

 

 

3. Восстановление (коррекция) видеоинформации.

Основной задачей восстановления изображений является исправление  получаемых данных для достижения как можно более правдоподобного изображения земной поверхности. ДДЗ содержат целый ряд случайных, системных и систематических искажений, связанных с влиянием атмосферы, кривизны Земли, движения съемочного аппарата относительно ее поверхности в момент съемки, физическими характеристиками используемых датчиков и каналов связи. Для устранения упомянутых, довольно многочисленных искажений, с учетом их специфики, используется коррекция нескольких видов: радиационная, радиометрическая, геометрическая и калибровка. Радиационное восстановление связано с корректировкой количества электромагнитной энергии принимаемой каждым датчиком, поскольку атмосфера не одинаково пропускает излучение различных участков спектрального диапазона. Калибровка заключается в преобразовании безразмерных данных, получаемых с датчиков отдельных спектральных зон в истинные нормализованные значения отраженной или излучаемой энергии. Еще одна операция радиометрической коррекции связана с устранением искажений, вносимых самими датчиками и устройствами передачи и приема данных (системных искажений). Геометрическая коррекция или трансформирование снимков предназначено для устранения искажений вызванных кривизной и вращением Земли, а также углом наклона орбиты спутника к плоскости экватора. Этот вид коррекции на первом этапе может выполняться автоматически по информации о параметрах орбиты спутника. Более точное трансформирование и привязка снимка к определенной координатной системе обычно выполняется с использованием интерактивно задаваемых опорных точек. В процессе трансформирования происходит пересчет значений пикселов на новую сетку растра, при этом формы объектов на изображении в большей или меньшей степени меняются, а рамка снимка из обычно прямоугольной превращается в параллелепипед или в более сложную фигуру с криволинейными границами. Часто для представления и совместной обработки материалов разных видов (типов) съемок, а также разновременных снимков одной и той же территории, используется проекция называемая ортопланом, которая применяется в мировой практике в качестве обменного стандарта. При геометрической коррекции фотографических изображений высокого разрешения устраняются искажения возникающие за счет рельефа местности.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

4. Предварительная обработка изображений.

Основное предназначение этой группы операций - модификация  данных с целью улучшения зрительного  восприятия изображения, либо преобразование его в форму, более удобную для дальнейшего визуального или компьютерного анализа. К первому типу относятся модификации значений каждого отдельного пиксела, выполняемые, как правило, с использованием табличного способа представления преобразующей функции (таблица перекодировки). Различные виды линейного и нелинейного контрастирования, предназначенные для улучшения визуального восприятия видеоинформации, являются характерными представителями данных преобразований. Следующий тип - это локальные операции, особенностью которых является модификация значения каждого элемента изображения с использованием значений соседних пикселов в какой-либо ограниченной (локальной) окрестности. Типичными преобразованиями этого вида являются операции фильтрации изображений. Сглаживающие или низкочастотные фильтры позволяют снять шум и убрать мелкие детали, что позволяет получать более однородные участки изображения, пригодные для дальнейшей обработки с целью выявления тех или иных объектов. Высокочастотные фильтры предназначены для выделения или подчеркивания перепадов значений пикселов, что используется при поиске на изображении границ объектов и выявлении различных структур, проявляющихся в виде сдвига или скачка значений элементов изображения. Преобразования геометрических характеристик изображений составляют следующий вид рассматриваемой группы операций. К ним относятся: монтаж (мозаика) изображений из отдельных снимков или их фрагментов; вырезание нужного фрагмента; сжатие изображения или его растяжение; трансформирование снимка в какую-либо картографическую проекцию. Еще один вид рассматриваемых операций предназначен для создания различных цветовых композиций оптимальных для визуального восприятия. Эта группа преобразований позволяет получать цветные изображения в условных (ложных) и псевдоцветах, что является одним из способов обработки многомерных видеоданных.

5. Классификация и Преобразование изображений

Классификация - это тематическая обработка, которая позволяет производить автоматизированное разбиение снимков на однородные по какому-либо критерию области (классы объектов). Получающееся при этом изображение называется тематической картой. Поскольку обычно выделяют содержательно интерпретируемые классы объектов, то классификацию можно рассматривать как процедуру автоматизированного дешифрирования ДДЗ. Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, спектральных или временных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения. Под временными характеристиками следует понимать сезонные изменения земных покровов (особенно растительности), которые могут служить их индикаторами. Однако принято считать, что основную информацию о природе объектов на земной поверхности содержат их спектральные характеристики. Поэтому в большинстве известных алгоритмов классификации используются спектральные образы (сигнатуры) типов покрытий.

Различают два основных методологических подхода к проведению рассматриваемой процедуры: классификацию с обучением и автоматическую классификацию. В случае классификации с обучением, задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об исследуемом участке земной поверхности. На первом шаге процедуры необходимо интерактивно выбрать на изображении эталонные участки являющиеся характерными (типичными) представителями выделяемых классов объектов. Этап обучения заключается фактически в расчете и анализе некоторого набора статистических характеристик распределения значений пикселов составляющих эти полигоны. Однако большей популярностью пользуется другой вид классификации, который не требует дополнительной наземной информации и глубокого знания дистанционных методов обработки. Методологической основой автоматической классификации является кластерный анализ, в ходе которого пытаются определить все встречаемые типы объектов при некотором уровне обобщения (выбранных критериях объединения, разделения или числа классов), а задача их интерпретации решается на втором этапе. Существуют алгоритмы сочетающие элементы классификаций с обучением и автоматической.

По способу отнесения  отдельных элементов изображения  к тому или иному классу объектов, различают жесткие и мягкие классификаторы. В случае жестких (традиционных) классификаторов, принимается строго определенное решение относительно принадлежности пикселов к некоторому классу. Мягкие же классификаторы оценивают вероятность, с которой анализируемый элемент изображения может принадлежать всем рассматриваемым классам покрытий (включая и неизвестные). Современные классификаторы позволяют также вводить элемент неопределенности на разных стадиях процесса, что допускает присутствие смешанных классов покрытий в каждом отдельном пикселе (субпиксельная классификация). Еще один сравнительно новый вид классификации связан с обработкой гиперспектральных данных. Такие данные поступают с экспериментальных систем ДЗ работающих с очень узкой шириной зон традиционного спектрального диапазона, что увеличивает количество спектральных каналов до десятков и даже сотен. В этом случае для автоматизированного выделения классов объектов покрытий используются библиотеки спектральных кривых различных земных материалов.

Часто возникает необходимость  тематической корректировки результатов  классификации, особенно автоматической, выполняемой фактически по информационным характеристикам объектов. Для этот используется целый набор процедур, называемый операциями после классификационной обработки: слияние классов, разделение классов, устранение мелких ложных объектов, сглаживание границ объектов и т.п.