Инвентаризация городских зеленых насаждений и их мониторинг с использованием данных worldview-2

      Комментарии к записи Инвентаризация городских зеленых насаждений и их мониторинг с использованием данных worldview-2 отключены

Инвентаризация городских зеленых насаждений и их мониторинг с использованием данных worldview-2

Ф. Кавайяс (F. Cavayas), Ю. Рамос (Y. Ramos), А. Бойе (A. Boyer)

ВВЕДЕНИЕ

По мере роста муниципального населения во всем мире все более очевидной делается необходимость разработки действенных программ по смягчению действия климатических трансформаций и улучшению качества муниципальный среды. Многие изучения подтверждают тот факт, что зеленые насаждения в городах, в особенности деревья, являются ответственным элементом таких программ.

Для планирования повышения площади зеленых насаждений нужно, дабы эксперты по муниципальный экологии имели возможность иметь правильное представление о фактическом распределении растительности, включая ее типы, видовой состав, биомассу и т.д. Но во многих городах кадастры зеленых насаждений отсутствуют либо являются неполными. В том месте, где такие кадастры существуют, они в большинстве случаев не хватает довольно часто обновляются.

Помимо этого, фактически отсутствуют совокупности контроля условий, в которых находится городская растительность (недочёт воды, вспышки массового размножения насекомых, устойчивость разных видов растений к загрязнению воздуха и т.д.).

Рис. 1. Примеры цветовых композитов, созданных с применением разных спектральных каналов

Космические снимки могут быть крайне полезными для ведения муниципальных кадастров создания и зелёных насаждений автоматизированных совокупностей их обновления, и для контроля растительности. Это особенно принципиально важно для больших мегаполисов, где кадастр охватывает тысячи квадратных километров. Данное изучение совершено для Монреаля — наибольшего мегаполиса Канады.

По весьма приблизительной оценке, на его территории, охватывающей приблизительно 3000 кв. км, произрастает около 30 миллионов деревьев.

Как продемонстрировали изучения, для действенного применения космических снимков в работе с кадастрами растительности они должны владеть рядом черт:

1) точность геопозиционирования в диапазоне нескольких метров и менее, в особенности в районах плотной застройки;

2) высокое спектральное и радиометрическое разрешение для определения видового состава;

3) хорошие стереоскопические качества для правильной оценки биомассы и других структурных параметров, в особенности в лесопарковых территориях.

Исследовательские работы проводились по мультиспектральному ортотрансформированному снимку WorldView-2 на часть города Лаваль (пров. Квебек, Канада), взятому 3 июля 2010 г. Помимо этого, привлекались и другие источники, в т. ч. карты лесов и топографические карты, и цифровое ортомозаичное изображение, созданное на базе цветных аэрофотоснимков, взятых в апреле 2005 г. (разрешение 1 м).

Чтобы оценить практическую применимость автоматизированной совокупности для работы с кадастрами зеленых насаждений, на базе ранее опубликованных результатов с применением снимков большого разрешения, была создана трехэтапная схема. Цель первого этапа (преобразование данных в коэффициенты отражения Почвы) со- стоит в получении правильных сигнатур спектра объектов, находящихся на исследуемой территории, с целью оптимального применения потенциальных преимуществ восьми- канальной съемки WorldView-2 (отметим, что спутник ведет съемку в следующих спектральных каналах: фиолетовый либо coastal, светло синий, зеленый, красный, конечный красный либо red-edge, ближний ИК-1, ближний ИК-2).

Второй этап — разделение участков, покрытых зелеными насаждениями, от территорий, не покрытых растительностью, водных объектов и т. д. Многие исследователи предлагают применять вегетационные индексы как средство разделения растительного покрова от остальных территорий. Данный способ рассмотрен и в данном изучении. По окончании определения территорий растительности возможно поделить их на «сегменты растительности» методом группирования соответствующих пикселей.

Для каждого растрового многоугольника рассчитываются разные геометрические атрибуты (площадь, периметр, плотность и т.д.). После этого геометрические характеристики наровне со спектральными и текстурными атрибутами, вычисленными в каждого многоугольника, анализируются с целью разбиения этих многоугольников (либо частей многоугольников) на пара классов, включая лесные территории, кусты и травяную растительность.

Результаты классификации смогут быть подвергнуты предстоящему анализу — с применением панхроматических данных — для идентификации древесных структурных параметров и пород растительного покрова. Полезность спектральных и текстурных черт, выделенных из многоспектральных данных, анализируется в данном изучении.

Рис. 2. Отдельные деревья прекрасно различимы в жилой территории; разные цвета деревьев очевидно говорят о возможности идентификации древесных пород

Рис. 3. Более низкие коэффициенты отражения в инфракрасных областях разрешают легко отличать хвойные деревья от остальных растительных покровов; наоборот, кустарники лиственных пород имеют спектральное выражение, схожее с травяными участками (РЕЗУЛЬТАТЫ оттенок)

и оранжевый АНАЛИЗ

Этап 1: Преобразование данных в коэффициенты отражения Почвы Преобразование цифровых данных в пикселях в коэффициенты отражения Почвы складывается из трех шагов: (1) преобразование цифровых данных в коэффициенты отражения верхних слоев воздуха;

Рис. 4. Цветовой композит, полученный методом комбинирования NDVI, вычисленного для крайнего красного канала (красный цвет на рисунке), канала ближнего ИК-1 (зеленый цвет на рисунке) и канала ближнего ИК-2 (светло синий цвет на рисунке); объяснения приведены ниже

(2) оценка атмосферных помех, включенная в коэффи циенты отражения TOA, основанная на упрощенном ответе уравнения проникновения излучения через воздух, состав и структура которой в момент съемки описываются определенной моделью; (3) устранение атмосферных помех и вычисление коэффициентов отражения земной поверхности.

Расчеты продемонстрировали, что состав воздуха воздействует на конечный красный канал и еще больше — на ближний ИК-2, одновременно с этим, как и ожидалось, эффекты рассеивания более всего воздействуют на фиолетовый канал. В видимых областях, при низких коэффициентах отражения растительности, планетарный коэффициент отражения завышает коэффициент отражения земной поверхности благодаря совокупных атмосферных эффектов (Ratm).

В инфракрасных территориях, при высоких коэффициентах отражения растительности, атмосферное пропускание (мультипликативное действие) ведет к занижению коэффициента отражения. Так, принципиально важно скорректировать атмосферные эффекты перед обработкой снимка. Как продемонстрировано на рис.

3, кроме того при достаточно условных догадках о поведении поверхностного отражения и атмосферы полученные коэффициенты отражения поверхности для разных объектов в полной мере совершенно верно отражают ожидаемое спектральное поведение, зарегистрированное при наземных измерениях.

Применение значений коэффициента отражения разрешает достигнуть улучшенного баланса цветов в случаях, в то время, когда для визуализации создается цветовой композит. Разные опыты со снимками в коэффициентах отражения продемонстрировали, что возможно добиться более естественного цвета для менее насыщенного зеленого оттенка методом замены красного канала желтым (рис. 1a–b).

Помимо этого, удалось взять весьма хорошее выделение растительного покрова методом объединения ближнего ИК-1, красного каналов и крайнего красного (рис. 4c–d). В этом композите желтый цвет, отображающий разные растительные покровы, контрастирует с синим, отображающим свободные от растительности территории. Применяя данный цветовой композит, возможно легко отличать отдельные деревья разных пород в жилой территории (рис.

2), и участки хвойного леса от вторых растительных насаждений (рис. 3).

Этап 2: Распознавание растительного покрова В большинстве случаев для выделения на снимках пикселей, отображающих растительный покров, употребляются вегетационные индексы, такие, как NDVI:

Снимки WorldView-2 разрешают вычислить индексы NDVI в спектральных каналах ближний ИК-1 либо ближний ИК-2. Но, разбирая дешёвые эти, мы поняли, что кое-какие неестественные объекты имеют NDVI, схожий с растительным покровом. Кое-какие объекты прекрасно отличаются от растительного по- крова по индексу NDVI, вычисленному на базе коэффициента отражения в крайнем красном канале.

Другие объекты, наоборот, имеют значения NDVI (конечный красный), схожие с NDVI растительного покрова, но их удается отличить посредством NDVI, вычисленного для каналов ближний ИК-1 либо ближний ИК-2. Пиксели в последнем случае проявляются, в большинстве случаев, на краях крыш строений либо затененных областей; согласно нашей точке зрения, это про- исходит из-за смещения исходных спектральных полос. Так, совместное применение трех индексов NDVI снабжает более правильное разделение расти- тельного покрова. На рис.

4 продемонстрирован цветовой композит трех NDVI для части разглядываемого изображения. Участки серых и тёмных оттенков воображают не занятую растительностью почву, а белые участки — пиксели с полезным растительным покровом. Примеры объектов, неотличимых от растительного покрова при любом NDVI, выделены кругами разных цветов.

Необходимо подчеркнуть, что это сочетание NDVI снабжает весьма хорошее выделение заболоченных мест (светло-коричневый цвет), и прекрасно обозначает присутствие водяных растений (красновато-коричневый цвет).

Применяя последовательность пороговых значений, адаптированных к каждому NDVI, возможно отделить участки с растительным покровом от вторых территорий с высокой точностью, как продемонстрировано на рис. 5.

Рис. 5. Исходное изображение (a) и идентификация участков с растительным покровом на базе трех NDVI (б; территории без растительности маскированы)

Этап 3: Классификация растительного покрова Опыты, совершённые в данной работе, включают разные тесты со стандартными классификациями растительности. Были использованы спектральные и текстурные параметры. Текстура есть ответственным элементом для разделения разных пород деревьев на снимках большого разрешения. В настоящем изучении употреблялась концепция выделения текстур на базе применения двух и более спектральных каналов, а не одного, как в большинстве случаев.

Данный принцип более удачно используется для мультиспектральных изображений, где учитываются не только трансформации «интенсивности», вместе с тем и трансформации «оттенка».

Рис. 6. a) обычный цветовой композит; b) цветовой композит каналов ближний ИК-2, красный и зеленый по окончании декорреляции

Рис. 7. Выбор участка для опыта

Рис. 8. a) классификация по принципу большого правдоподобия (ML) с применением комплекта из 8 спектральных каналов; b) отображение каналов ближний ИК-2, красный и зеленый по окончании проведения декорреляции; c) отображение в естественных цветах Рис. 9. a) классификация по принципу большого правдоподобия (ML) с применением комплекта из 8 спектральных каналов; b) классификация по принципу ML с применением стандартного комплекта из 4 каналов светло синий, зеленый, красный, ближний ИК-1 Рис. 10. a) классификация по принципу ML с применением комплекта из 8 спектральных каналов; b) классификация по принципу ML с применением комплекта из 8 текстурного канала и диапазонов (контрастность; крайний красный и красный каналы)

Для выделения текстурных черт употребляются обобщенные матрицы смежности. В стандартном случае матрицы смежности создаются методом вычисления частоты смежности пар значений пикселей, поделённых заданным вектором (расстояние, ориентация) в «скользящем окне». В общем случае (два канала) пары значений создаются при одновременном изучении двух разных спектральных каналов.

Для лучшего понимания эффективности применения новых спектральных каналов WorldView-2, и цветных текстурных изображений был выполнен последовательность автоматических классификаций (на базе принципа большого правдоподобия). Для этих опытов был выбран последовательность экспериментальных участков с разными типами растительного покрова (рис. 6).

При выборе участков мы поняли, что применение способа декорреляции в целях визуализации существенно облегчает ответ данной задачи. На рис. 6 приведен соответствующий пример.

На рис. 7-10 продемонстрированы кое-какие экспериментальные результаты по классификации. Как видно на рис. 8, прекрасно идентифицируются отдельные деревья, однако присутствует некое смешение классов, в особенности сельскохозяйственных газонов и культур. Дополнительные спектральные полосы не оказывают заметного влияния на результаты классификации по сравнению со стандартным комплектом (рис. 9).

Это показывает на то, что на снимках WorldView-2 высока избыточность спектральных каналов. Наконец, на рис. 10 заметно, что дополнительный текстурный канал влияет на однородность тематических классов.

ПРЕДВАРИТЕЛЬНЫЕ ВЫВОДЫ

Опыты, выполненные с применением дешёвых снимков WorldView-2, доказали целесообразность применения автоматической совокупности для работы с кадастрами зеленых насаждений в урбанизированных территориях. Нужно совершить предстоящие изучения для улучшения радиометрических качеств снимков и для разработки совокупности, применяющей средства и способы ИИ, могущей трактовать значения разных черт, выделенных по космическим снимкам. Простые способы непригодны для классификации разнообразных растительных разнообразных условий и покровов внешней среды, в особенности в городских территориях плотной застройки.

AGROPORT-2015: Дистанционный мониторинг почвенного и растительного покрова (М. Солоха)


Подобранные по важим запросам, статьи по теме: