Многоуровневая классификация городских лесов по мультиспектральным данным worldview-2

      Комментарии к записи Многоуровневая классификация городских лесов по мультиспектральным данным worldview-2 отключены

Многоуровневая классификация городских лесов по мультиспектральным данным worldview-2

№ 4 (13) 2011

Х. Шридхаран (H. Sridharan)

ВВЕДЕНИЕ

Картографирование муниципальных лесов с подразделением по породам деревьев на базе данных дистанционного зондирования Почвы (ДЗЗ) до тех пор пока еще не взяло широкого распространения из-за не хватает большого пространственного и спектрального разрешения снимков. 8-канальные мультиспектральные снимки, приобретаемые со спутника WorldView-2, владеют громадным потенциалом в данной области применения.

В предлагаемой работе изучена возможность применения таких данных для классификации отдельных древесных пород в городских лесах в районе Даллас/Форт-Уэрт (штат Техас, США), где произрастает более 40 пород деревьев. С целью оптимального применения пространственных и спектральных преимуществ этих данных была создана многоуровневая объектно-ориентированная иерархическая классификация, благодаря которой создаются модели муниципальных лесов с различной степенью детальности — впредь до отдельных деревьев.

На уровне отдельных деревьев был использован особый непараметрический классификатор, основанный на критерии Колмогорова?Смирнова (K?S), с целью видов деревьев и идентификации родов. Созданная совокупность классификации разрешила достигнуть более высокой точности если сравнивать с классическими — около 62?64% на уровне отдельных деревьев и более 91% на вторых уровнях.

Информация о городских лесах содержится в соответствующих кадастрах, это общее число деревьев, их расположение, видовой состав, физические характеристики и возраст (такие, как высота, диаметр на высоте груди и физическое состояние). Традиционно такие кадастры составляются на базе полевых изучений, каковые требуют громадных затрат трудовых, временных и денег.

Технологии ДЗЗ предоставляют другое ответ для работы с кадастрами муниципальных лесов, менее дорогостоящее и более действенное для громадных областей. Они разрешают выполнить правильный подсчет деревьев в исследуемой области, включающей в себя недоступные участки. ДЗЗ кроме этого разрешает чаще делать обновления кадастра с применением новой информации.

Получение новой информации методом полевых изучений обходится намного дороже.

С запуском спутника WorldView-2 показались новые возможности применения данных дистанционного зондирования для составления детальных карт лесов. Этому содействует высокое пространственное разрешение в панхроматическом режиме (0,46 м) и наличие восьми каналов вместо стандартных четырех при съемке в мультиспектральном режиме.

Усовершенствования разработок съемки приводят к необходимости разработки новых способов обработки данных. В первые годы дистанционного зондирования самым распространенным методом идентификации и определения деревьев их видов было ручное дешифрирование аэрофотоснимков. Данный весьма трудоемкий метод, отнимающий большое количество времени и весьма субъективный, т. е. в высокой степени зависящий от антропогенного фактора.

По окончании появления цифровых космических снимков (к примеру, эти Landsat) для автоматической классификации деревьев были созданы компьютерные способы обработки изображений, и это разрешило приобретать более правильные результаты.

Большая часть этих способов использовалось при работе со снимками с малым спектральным разрешением, каковые в основном употреблялись в 1980 ? 90 гг. Но эти способы не подходят для получения подобных результатов при обработке данных большого пространственного разрешения.

Одна из основных обстоятельств неэффективности ветхих способов – главная единица анализа, выбранная для исполнения классификации. Классические классификаторы довольно часто основаны на отдельных пикселях, исходя из этого они игнорируют пространственный контекст новых данных. Пиксели на снимках с высоким пространственным разрешением имеют преимущество однозначности коэффициентов отражения конкретных видов, что разрешает свести к минимуму проблему смешивания пикселей.

Но это преимущество связано с возрастанием вариативности в конкретных видов.

В большинстве существующих изучений употребляется объектно-ориентированный способ, что дает достаточную точность классификации при маленьком количестве классов (в большинстве случаев менее 10). Главное внимание в этих изучениях уделялось очерчиванию объекта-дерева, и меньше внимания уделялось классификации на видовом уровне. Это возможно растолковано ограниченным числом спектральных каналов, дешёвых для существующих сенсоров большого пространственного разрешения.

Обычные муниципальные леса имеют сложный видовой состав (в большинстве случаев не меньше 20 видов), в этом случае изображения с 4 каналами смогут не обеспечить достаточной точности разделения видов, соответственно точность классификации будет низкой.

Снимки WorldView-2 имеют дополнительные каналы, а также желтый, ближний красный и крайний край ИК2. Эти каналы находятся в областях спектра, чувствительных к растительности, и смогут дать серьёзную данные для идентификации небольших различий между древесными породами.

Предлагаемое изучение нацелено на оптимальное применение потенциала большого пространственного и спектрального разрешения, предоставляемого новой разработкой дистанционного зондирования WorldView-2, при составлении карт муниципальных лесов. В первую очередь, оцениваются возможности 8-канальных данных для разделения древесных пород. После этого разрабатывается иерархическая многоуровневая объектно-ориентированная совокупность классификации муниципальных лесов.

На уровне отдельных деревьев предлагается применять непараметрический объектно-ориентированный классификатор, основанный на непараметрическом статистическом тесте K?S.

Turtle Creek на севере Далласа (штат Техас). Муниципальный лес Далласа имеет сверхсложный состав — приблизительно 50 зарегистрированных видов деревьев, расположенных среди строений плотной застройки. На данной территории произрастают в основном лиственные породы, но представлено кроме этого пара хвойных видов.

Для изучения употреблялись два мультиспектральных снимкаWorldView-2, полученные 9 января 2010 г. и 26 апреля 2010 г. (рис. 1).

Рис. 1. Исследуемая область Turtle Creek, представленная двумя композитными изображениями в условных цветах на базе снимков, взятых в апрель и январь 2010 г.

Потому, что недалеко от Далласа преобладают листопадные деревья, в январе на большинстве деревьев отсутствовали листья, что отображено на зимнем снимке. Эти апрельского снимка были взяты во время, в то время, когда деревья были покрыты страницами, и соответственно данный снимок стал главным источником спектральной информации для классификации видов. Январские эти предоставляют хорошую возможность четко выделить типы деревьев (лиственные и хвойные) методом сравнения с апрельскими данными.

На снимках уже была предварительно совершена геометрическая и радиометрическая коррекция. Помимо этого, эти были подвергнуты преобразованию по методу pan-sharpening (повышение пространственного разрешения мультиспектральных снимков методом их совмещения с панхроматическими снимками).

Контрольные эти для этого изучения были взяты в следствии полевых работ, совершённых в августе 2008 г. Полевые изучения включали в себя регистрацию таких черт деревьев, как вид, диаметр и высота на высоте груди. Исходные полевые эти содержали данные о 2602 деревьях, относящихся к 46 породам. Для шести пород было собрано лишь по одному примеру, что было не хватает с целью проведения эксперимента и проверки классификатора.

Исходя из этого эти образцы не учитывались, и с целью проведения опыта осталось 40 пород, относящихся к 34 родам (табл. 1). 5 пород из этих 40—хвойные, остальные 35 — лиственные.

Таблица 1. Результаты вычисления точности классификации для каждого уровня

МЕТОДИКА Изучения

С целью оценки потенциальных возможностей 8-канальных снимков для классификации видов был выполнен анализ по способу многомерного масштабирования, разрешивший визуально изучить различимость пород, с последующим сравнением результата с результатом, взятым по простым 4-канальным снимкам. После этого была создана многомасштабная иерархическая совокупность классификации, предусматривающая каскадные уровни классификации деревьев, начиная с самого большого (уровень всего лесного покрова) до самого небольшого (уровень отдельных деревьев). На каждом уровне по снимкам были выделены разные пространственные и спектральные характеристики.

Однородные объекты были сгруппированы в разных масштабах в каждой иерархии, и были созданы разные классификаторы, подходящие для исполнения объектно-ориентированной классификации для соответствующих уровней.

Многомерное масштабирование (MDS)

Многомерное масштабирование – это действенный способ визуализации информации. Для каждого из 40 видов деревьев была выяснена спектральная кривая методом проведения средней линии для экспериментальных образцов в каждом канале.

На базе этих спектральных кривых была вычислена средняя отличие энергетической яркости в разных диапазонах между парой пород и создана матрица расстояний 40?40 для 40 разных пород в исследуемой области. Эта матрица разрешает трактовать расхождения черт между породами. Затем были выделены характеристические векторы и характеристические числа матрицы расстояний.

Первые два характеристических вектора употреблялись для очерчивания двумерной схемы, демонстрирующей различимость между видами, на базе применения 8 каналов (рис. 2a). После этого процесс был повторен для данных с 4 стандартными каналами (светло синий, зеленый, красный, NIR1), и подобным образом была вычерчена вторая схема (рис.

2б).

Рис. 2а. Схемы MDS, разрешающие визуализировать различимость видов (8-канальные эти)

Рис. 2б. Схемы MDS, разрешающие визуализировать различимость видов (4-канальные эти)

При визуальном сравнении схем MDS для данных с 8 диапазонами и данных с 4 диапазонами возможно подметить, что при с 4 дополнительными диапазонами породы лучше отделяются друг от друга (большее расстояние между породами), в то время, для данных с4диапазонами породы находятся хорошо друг к другу (местами неотделим).

Многоуровневая объектно-ориентированная иерархическая классификация

С целью оптимального применения преимуществ данных WorldView-2 был создан классификатор, специально предназначенный для обработки 8-канальных данных. Для снимков с высоким пространственным разрешением объектно-ориентированный способ, применяющий группы пикселей, есть более подходящим, чем способ, основанный на отдельных пикселях. Объект возможно выяснен как несколько смежных пикселей, владеющих определенными неспециализированными чертями.

При мультиспектральных данных в качестве таких черт выступают спектральные значения разных диапазонов и производные эти, каковые в большинстве случаев определяют сходство. Процесс получения таких объектов именуют сегментацией. Пиксели смогут анализироваться с целью отнесения их как к информационному, так и к спектральному классам, между которыми существует весьма тесная связь.

Исходя из этого любой объект, при условии верного формирования на базе пространственных и спектральных особенностей, соотносится лишь с одним классом ландшафта (строения, дороги и т. д.).

Многоуровневая объектно-ориентированная иерархическая классификация реализуется прежде всего посредством метода сегментации, что выполняется «снизу вверх», начиная с объектов изображения размером в один пиксель, с постепенным сливанием смежных объектов. Главные параметры сегментации, служащие для определения объектов: цвет, форма, компактность и гладкость.

Параметр цвета определяет вес, заданный для спектрального компонента при формировании объектов, а параметр формы определяет соответствующий вес, заданный для формы объекта. компактности и Параметры гладкости определяют плотность и ровность границ объектов соответственно.

Размер сегментов во многом зависит от масштаба, определяющий максимально допустимую неоднородность (т. е. большие цветовые различия) в каждого объекта. Это главный критерий, определяющий степень, до которой смогут быть слиты объекты, и соответственно определяющий неспециализированный размер объектов. Параметр масштаба выражается числом больше нуля, при повышении этого значения формируются объекты большего размера, владеющие меньшей однородностью.

Верхний предел заданного масштаба зависит от пространственного разрешения изображения.

Объекты в большинстве случаев появляются на изображении в один момент на разных уровнях, воображая разные подклассы одной категории в зависимости от уровня скопления. Так, среди классов существует иерархия, которая довольно часто игнорируется в классическом классификаторе, трудящемся с единственным фиксированным масштабом. Цель данного изучения пребывает в моделировании муниципального леса в виде сети каскадных структур.

Пара заданных масштабов употребляются для представления разных уровней данной структуры. Иерархическая структура муниципального леса, моделируемого в данном изучении, приведена на рис. 3.

Рис. 3. Объектно-ориентированная иерархическая совокупность классификации, использованная для муниципального леса

Классы, определяемые на каждом уровне иерархии муниципальных лесов, результат выбора разных параметров масштаба сегментации, и разных классификаторов. С целью выбора оптимального масштаба для каждого уровня были изучены и подвергнуты визуальной оценке пара параметров сегментации. Потому, что любой уровень владеет неповторимыми спектральными и пространственными чертями, требуется разработка особой методики, разрешающей применять характеристики каждого уровня оптимальным образом.

Уровень почвенно-растительного покрова

Четкое разделение участков без растительности и участков с растительностью снабжает вегетационный индекс NDVI. Растительные объекты в исследуемой области характеризуются высокими показателями NDVI. Для поверхности объектов, не относящихся к растительности, характеризующихся не сильный отражением в диапазоне NIR, показатель NDVI мал.

Уровень насаждений

По окончании маскирования нерелевантных участков, определенных на прошлом уровне, выполняется более детальная классификация объектов растительности на деревья, тень и траву. Потому, что окончательная цель изучения пребывает в идентификации древесных пород, мы отбросили объекты, не относящиеся к деревьям (трава и тени между деревьями). Объекты этого уровня были созданы методом разделения больших растительных объектов на отдельные части.

Тени возможно отличить от травы и деревьев по низким значениям пикселей. травы и Спектральные характеристики древостоя фактически аналогичны, исходя из этого их весьма тяжело различить методом применения значений пикселей.

Визуальное изучение продемонстрировало, что эти два класса резко отличаются по текстуре. Помимо этого, деревья и траву возможно кроме этого различать по их форме. Исходя из этого в дополнение к существующим спектральным значениям употреблялись дополнительные пространственные параметры, предоставляющие контекстную данные для пикселей.

Уровень отдельных деревьев

Древостой, определенный на прошлом уровне, был разбит на отдельные деревья. Для для того чтобы разбиения был выбран параметр масштаба 35.

Объекты диаметром менее 1 м были или слиты с самым родным объектом по итогам сравнения спектральных значений, или отброшены, так дабы для рассмотрения остались лишь деревья диаметром 1 м. Все последующие классификации (определение типа, вида и рода) были выполнены в этом же масштабе с применением классификатора, основанного на критерии K ? S, представляющего собой непараметрический статистический тест, разрешающий оценить сходство двух комплектов образцов методом сравнения их эмпирических распределений кумулятивных возможностей (ECDF). Любая порода деревьев имеет конкретную ECDF в каждом спектральном канале, что возможно использовано для разделения пород.

Классификация деревьев по типам нацелена на разделение хвойных и лиственных пород деревьев. Для этого был выполнен временной анализ, т.е. сравнение двух комплектов данных для облиственного (апрель) и безлиственного (январь) времени года с применением вегетационного индекса.

Сравнение снимков для двух сезонов говорит о том, что лиственные деревья имеют высокое значение индекса в низкое значение и облиственный период — в безлиственный период, в то время, когда они теряют все либо солидную часть листьев. Хвойные деревья имеют высокое значение индекса для обоих сезонов. Это различие возможно использовано для разделения деревьев на лиственные и хвойные.

Классификация по видам и родам кроме этого была выполнена на уровне отдельных деревьев посредством классификатора K ? S. Любой род/вид образует неповторимый пространственный рисунок при разной длине волны, что возможно выделен в ECDF. Исходя из этого ECDF каждого дерева сравнивается с ECDF известных видов посредством классификатора K ? S. Для классификации по видам и родам спектральные характеристики отдельного дерева дают самая полезную данные, и соответственно классификация была выполнена только на базе этих данных.

ВЫВОДЫ и РЕЗУЛЬТАТЫ

Потому, что в данном изучении употреблялась иерархическая классификация, при которой неточность любого уровня неизбежно передается на следующий уровень, точность классификации оценивалась на каждом уровне (табл. 1).

Уровень почвенно-растительного покрова

Сегментация на этом уровне стала причиной созданию больших объектов средней площадью 500 кв. м. Точность для класса растительности составила 98%, а для класса участков без растительности – 99%. Незначительные неточности классификации наблюдались на мелких объектах, складывающихся из смешанных пикселей, на протяжении границ между этими двумя классами. Карта классификации для этого уровня представлена на рис.

4a.

Рис. 4a. Карты классификации на первом уровне

Уровень насаждений

Главное внимание на этом уровне было уделено классам древостоя и травы. Карта классификации для этого уровня продемонстрирована на рис. 4б. Объекты среднего размера площадью 50 кв. м были организованы из объектов растительности, маскированных на прошлом уровне. На этом уровне была взята неспециализированная точность 94%.

Наблюдались незначительные неточности классификации в классах травы и древостоя, поскольку кое-какие мелкие деревья имеют весьма однородную текстуру, которая воспринимается как трава. Кроме этого были отмечены кое-какие тривиальные неточности отнесения теневых объектов к классам травы и деревьев из-за смешанных пикселей на границах.

Рис. 4б. Карты классификации на втором уровне

Если судить по точности, достигнутой на прошлом уровне, имеется 2%-й шанс того, что пиксель, отнесенный к классу растительности на карте, принадлежит к категории участков без растительности. Эта неточность может перейти на следующий уровень, что возможно еще одной вероятной обстоятельством некоего понижения точности если сравнивать с точностью классификации уровня почвенно-растительного покрова.

Уровень типов деревьев

Очередная сегментация всех объектов уровня древостоя с параметром масштаба 35 стала причиной созданию объектов средней площадью 5 кв. м, т.е. объектов, воображающих отдельные деревья. На базе полевых данных деревья имеют средний диаметр кроны 2,5 м. Допуская приблизительно круглую форму кроны, мы приобретаем среднюю площадь приблизительно 5 кв. м, что подтверждает соответствие между полевыми данными и сегментированными объектами.

Для вычисления точности классификации на уровне типов деревьев употреблялись все объекты опробования (охватывающие 138 394 пикселя), выбранные из полевых данных. Район Далласа в основном покрыт лиственным лесом, вместе с тем имеется некое количество хвойных деревьев, которыми владел к пяти видам, равномерно распределенных по этому району. Соответственно число полевых проб для хвойных деревьев было значительно меньше если сравнивать с листопадными деревьями.

На рис. 4в приведена карта классификации лиственных и хвойных деревьев. Карта подтверждает редкое распределение хвойных деревьев если сравнивать с листопадными деревьями, что сходится с результатами полевых изучений.

Классификатор K ? S, использованный для классификации типов деревьев, разрешил достигнуть высокой точности — неспециализированная точность составила 91%.Точность для лиственных и хвойных деревьев составила 94 и 85% соответственно.

Рис. 4в. Карты классификации на третьем уровне

Уровни вида и рода

На родовом уровне классификатор K ? S разрешил взять неспециализированную точность около 65%, что есть высоким показателем для этого уровня. Для трех самый распространенных родов деревьев — дуба, ясеня и ильма — точность составила 76, 72 и 70% соответственно. На видовом уровне была взята неспециализированная точность 62%.

Потому, что количество родов незначительно отличается от количества видов (34 рода на 40 видов), такое сходство в взятых значениях точности не страно. Карта классификации для10 самый распространенных родов представлена на рис. 4г.

В целом с учетом большого количества родовых и видовых уровней, итог применения классификатора возможно оценен как хороший.

Рис. 4г. Карты классификации на четвертом уровне

Муниципальные леса заслуживают громадного внимания как полезный важная часть и природный ресурс муниципальный структуры. В данной работе были изучены потенциальные возможности применения 8-канальных снимков, взятых со спутника WorldView-2. Анализ продемонстрировал, что применение новых четырех каналов (в особенности ближнего и крайнего красного инфракрасного 2) дает прекрасные результаты при ответе задач классификации пород деревьев.

Круглый стол в Народной палате МО по сохранению городских лесов (5.03.16)


Подобранные по важим запросам, статьи по теме: