Применение данных дзз и гис-технологий органами государственной власти

      Комментарии к записи Применение данных дзз и гис-технологий органами государственной власти отключены

Применение данных дзз и гис-технологий органами государственной власти

Е. Цильман (E. Zillmann), Р. Грисбах (R. Griesbach), Х. Вайхельт (H. Weichelt)

ПРОГРАММА COPERNICUS И ДЕТАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СЛОИ

С целью проведения экологического мониторинга, и для принятия решений задач и информационной поддержки планирования нужно постоянное обновление информации о состоянии внешней среды Европы. Начиная с 1990 г. программа CORINE снабжает временные информационные последовательности о почвенно-землепользовании и растительном покрове в Европе.

Не обращая внимания на то, что программа CORINE есть достаточно успешным и востребованным проектом, спектр применения ее результатов ограничен, например, в связи с низким пространственным разрешением предоставляемой информации — 25 га. Более высокие требования, предъявляемые к информации о состоянии внешней среды, а также более высокое увеличение частоты и пространственное разрешение обновления данных, создают необходимость в дополнительных информационных сервисах.

На данный момент Европейское агентство по окружающей среде (EEA) делает функции работы общеевропейского центра мониторинга земель (Copernicus — Европейская программа по осуществлению мониторинга внешней среды, ранее GMES). В рамках данной программы будет создано пять детальных информационных слоев по разным типам земель с пространственным разрешением 20 м с целью дополнения уже существующих комплектов данных CORINE. Детальные слои будут представлены следующими картами для 39 государств Европы (2012 [1]):

  • степени непроницаемости;
  • лесов (плотность лесного покрова и тип леса);
  • постоянных лугов;
  • водно-болотных угодий;
  • постоянных водоемов.

Детальные информационные слои были созданы с применением космических снимков, предоставленных Космическим агентством ЕС (ESA). Архивы содержат полностью безоблачное съемочное покрытие на всю территорию Европы, полученное сенсором LISS-III (Linear Imaging Self Scanner), установленным на индийском спутнике IRS-P6 (RESOURCESAT-1), в течение вегетационного периода для каждой страны, и полное покрытие данными съемочной совокупности RapidEye с пятиметровым пространственным разрешением, полученное примерно в тот же период времени (6 недель до либо по окончании съемки LISS-III).

Дополнительно разновременные снимки (минимум 5) были взяты сенсором AWiFS (Advanced Wide Field Sensor), кроме этого размещенным на спутнике IRS-P6. Так, употреблялись космические снимки 3 разных съемочных совокупностей с пространственным разрешением от 5 до 60 м.

Все эти сведенья, и полученные в следствии их обработки детальные информационные слои на данный момент находятся в свободном доступе для лиц, важных за принятие ответов в ЕС .

Компания BlackBridge в сотрудничестве с сотрудниками из INDRA (Испания), EUROSENSE (Бельгия) и DLR (Германия) создала методику создания высокодетального слоя постоянных лугов. Помимо этого, BlackBridge предоставляет данные, нужные не только для картографирования лугов, вместе с тем для разработки детальных слоев водно-постоянных водоёмов и болотных угодий.

В данной статье рассмотрены преимущества концепции применения данных, взятых сенсором с оптимальным пространственным разрешением, совместно с данными сенсора, предоставляющего оптимальную разновременную данные, при создании высокодетального слоя лугов Европы.

ТЕМА Изучения

Луга занимают около 18,6% от общей площади ЕС (EU23), пахотные почвы — примерно четверть (23,1%) [2]. Для лугов свойственны сезонные и региональные различия в структуре. Исходя из этого для них не существует единой усредненной спектральной характеристики.

Помимо этого, правильное разделение пахотных земель и пастбищ с применением мультиспектральных спутниковых данных так же, как и прежде проблематично в связи с тем, что их спектральных чертей и сезонная динамика смогут быть очень похожи.

Последовательность изучений уже продемонстрировали важность анализа временных последовательностей при обнаружении фенологических вариаций сельскохозяйственных луговой растительности и культур в течении вегетационного периода для улучшения точности классификации. Itzerott и Каden [3] отделили сельскохозяйственные посевы от лугов с применением разновременной спектральной информации на основании анализа нормализованного разностного вегетационного индекса (NDVI), вычисленного согласно данным спутника Landsat.

Однако, они замечали временные и региональные вариации индекса NDVI сельскохозяйственных посевов и лугов, исходя из этого полученные ими результаты сложно применить в других регионах. Simonneaux с соавторами [4] продемонстрировали пригодность применения разновременных данных Landsat для усовершенствования идентификации разных культур. Они вычислили профили динамики индекса NDVI для каждого пикселя и определили, что неспециализированная точность дешифрирования достигла 83,7% при применении метода «Дерево ответов».

Применение разновременных изображений повышает точность классификации сельскохозяйственных луговой растительности и культур, но еще более серьёзным есть наличие съемки в оптимальные сроки [5]. Оптимальные сроки съемки отличаются от региона к региону в зависимости от климатических условий, для различных различных видов и сельскохозяйственных культур пастбищ.

Moeller [6] доказал, что для Германии одинаковые даты съемки различных районов приходятся на разные фенологические фазы растительности, что обусловлено разнообразием природных условий страны. Так, определение единой оптимальной даты съемки луговых угодий для всей Европы есть непростой задачей и, возможно, нереально без дополнительной информации о погодных условиях, фенологии и высоте местности. Кроме того в случае если оптимальный срок съемки был бы выяснен, так же, как и прежде остается проблематичным получение снимков хорошего качества (к примеру, без туч) в требуемый временной отрезок.

Для решения данной неприятности был создан метод классификации с применением сезонных статистик по разным вегетационным индексам, посчитанным на основании разновременных снимков и дополнительной текстурной информации. Для обеспечения съемкой в требуемый период времени была создана мультисенсорная концепция.

Методика объединяет контролируемую классификацию по способу «Дерево ответов» с объектно-ориентированным подходом для анализа разновременных комплектов данных, взятых с разных сенсоров. Эта методика, воображающая собой полностью автоматизированную цепочку обработки, на данный момент используется в 39 государствах Европы (6 млн кв. км).

В данной статье представлены созданные методики, и результаты тематического изучения, совершённого в Венгрии.

МЕТОДИКА

РАЙОН ИЗУЧЕНИЙ

Ландшафты Венгрии довольно однородны и характеризуются преобладанием однотипного растительного покрова. Центральная и юго- восточная части страны расположены на широких плоских равнинах, первоначально покрытых естественными лугами (степь), в западной части рельеф более холмистый. Пахотные почвы занимают около 50% неспециализированной площади страны, луга — менее 20% [7].

КОСМИЧЕСКИЕ ИХ ОБРАБОТКА и СНИМКИ

Для изучения были использованы эти съемочных совокупностей AWiFS, IRS-LISS-III и RapidEye (табл. 1) с диапазонами пространственного разрешения от 5 до 60 м, полученные с марта по октябрь 2011 и 2012 гг. Снимки предоставлены ESA.

Временные последовательности (состоящие, по крайней мере, из 6 снимков) обеспечивались данными сенсора AWiFS.

Таблица 1. Обзор использованных снимков

Принимая к сведенью разные источники применяемых данных, была создана мультисенсорная концепция. Разглядываемый рабочий процесс дешифрирования лугов Европы основан на четырех концептуальных направлениях:

  • деление территории на участки;
  • сезонные статистики биофизических параметров;
  • сегменты изображений;
  • классификатор по способу «Дерево ответов».

Исследуемый район складывался из 15 участков, каковые обрабатывались раздельно. Размер рабочего участка определялся площадью сцены LISS, исходя из этого сцены AWiFS были обрезаны, а снимки RapidEye объединены в мозаику. На территории отдельных участков в связи с негативными атмосферными условиями съемка на отдельные даты отсутствует.

Разработка концепции обработки данных по участкам была нужна для реализации сложного автоматизированного процесса обработки данных из разных источников, различного проекции и пространственного разрешения.

Всецело автоматизированная цепочка обработки была создана для извлечения разных биофизических (на каждую дату) и текстурных параметров (TPS) (единовременно для всего периода изучений) (табл. 2).

Таблица 2. Обзор биофизических и текстурных параметров, извлеченных из изображений

Перед обработкой значения всех пикселей изображений были преобразованы из условных единиц яркости в значения отражения, регистрируемые на верхней границе воздуха. Параметры были взяты в виде растровых файлов с загрубленным до двадцати метров пространственным разрешением в соответствии с разрешением датчика LISS.

Биофизические параметры были вычислены для каждой даты и сгруппированы во временные последовательности на каждом участке для расчета статистических параметров по сезонам, таких, как минимальное, большое, среднее значение, дисперсия, стандартное отклонение и среднее по всему временному последовательности. Помимо этого, для каждого биофизического параметра за целый период наблюдения был вычислен фенологический индекс (PI):

PI = (ABS(mean t — t1) + ABS(mean t — t2) +

ABS(mean t — t3) + ABS(mean t — t4) + ABS(mean t — tn)) / Nt,

где ABS = unsigned value; t1 = time1; t = entire time series;

and Nt = number of dates in the data series.

Рассчитываемые биофизические параметры разрешают отличать пахотные почвы от лугов благодаря разной чувствительности индексов к определенным особенностям растительности, в частности: к энергии прорастания, количеству и объёму биомассы сухого вещества растений (рис. 1).

Рис. 1. Примеры биофизических параметров, использованных при классификации

Сезонная статистика биофизических параметров употребляется для описания пространственно-временных трансформаций состояния растительного покрова, с целью отделения однолетних сельскохозяйственных культур от луговых, на основании различий в их спектральных характеристиках на протяжении вегетационного сезона. Применение сезонных статистик делает предлагаемую методику менее зависящей от наличия съемки на отсутствия и конкретные даты данных в связи с высокой облачностью. Сезонные статистику являются интеграцией спектральной информации на разные даты съемки с последовательным временным рядом статистических переменных, взятых для каждого биофизического параметра.

Снимки LISS-III были обработаны на любой участок посредством ПО e-Cognition (компания Trimble) для осуществления сегментации космических снимков, отдельные сегменты которых в будущем употреблялись как классификационные единицы. Применение объектно-ориентированного подхода классификации вместо субпиксельного минимизирует эффект неровной границы, обусловленный различным пространственным разрешением, и случаи маленьких геометрических погрешностей входных изображений.

Более того, применение сегментированных изображений разрешает скоро и совершенно верно создавать обучающие выборки, и упрощает процесс редактирования результатов классификации. Для каждого сегмента были взяты усредненные значения вычисленных ранее параметров. По окончании обработки каждому сегменту присваиваются значения следующих 50 переменных:

  • 5 сезонных статистик по каждому биофизическому параметру;
  • 1 фенологический индекс для каждого биофзического параметра;
  • 4 текстурных параметра на дату;
  • значения отражения в 4-х каналах LISS (для фазы самая активной вегетации).

КЛАССИФИКАЦИЯ

Классификация проводилась для каждого участка с применением метода C5 (классификатор «Дерево ответов»). Выбор данного непараметрического метода обусловлен тем, что он не зависит от распределения переменных, и способен трудиться с громадным числом входных показателей. Метод C5 формирует комплект правил принятия ответов по обучающим данным, на основании концепции информационной энтропии [9].

Данный метод применяет лишь значимые показатели и избегает информационной избыточности.

Передовой адаптивный метод определяет принадлежность к классу с применением комбинации из 10 комплектов решающих правил и генерирует качественные значения по каждому объекту классификации.

Обучающие эти для контролируемой классификации были взяты на основании визуального дешифрирования космического снимка RapidEye (пространственное разрешение 5 м). На каждом рабочем участке вручную было отобрано, как минимум, 90 образцов, которыми владел к семи классам почвенно-растительного покрова (включая пахотные земли и луга). Отбор классификация и образцов были выполнены пара раз (в большинстве случаев 5), перед тем как был принят окончательный итог.

Так как метод C5 предоставляет значения достоверности для каждого объекта классификации, все объекты, выделенные на снимке и классифицированные как луга со значениями достоверности более 0,6, будут принимать во внимание классифицированными верно. По окончании автоматической классификации была осуществлена ручная корректировка результата для удаления участков под виноградниками, целыми рубками леса и реками, каковые были неверно отнесены к классу лугов.

ОЦЕНКА ДОСТОВЕРНОСТИ КЛАССИФИКАЦИИ

Точность классификации лугов (луг / не луг) оценивалась посредством случайных сравнительных выборок, взятых согласно данным Land Use and Cover Area frame Survey [10] , и с применением множества точек стратифицированной случайной выборки (всего 328 точек). Второй комплект верификационных данных был создан на базе CORINE Land Cover, чтобы расширить количество эталонных точек лугов. проверка и Интерпретация были основаны на пяти снимках RapidEye с пространственным разрешением 5 метров, и на имеющихся данных высокого разрешения (VHR) и информационных слоях CORINE.

РЕЗУЛЬТАТЫ

Неспециализированная точность классификации лугов составила 92,2% (табл. 3), с комиссионной погрешностью 5,3% и неточностью от пропуска сигнала 11,3% для лугов. Потому, что оценка качества проводилась всецело для всей территории страны, закладке главных точек в пределах каждого участка не уделялось особенного внимания.

Так, оценка точности проводилась лишь для участков, в пределах которых было отобраны образцы, как минимум в 40 точках.

Таблица 3. Оценка качества разновременной классификации лугов

Достоверность классификации для отдельных рабочих участков колебалась от 83 до 94% с неточностями (Commision) в пределах 0–13% и неточностями от пропуска сигнала (Оmission) 38% либо менее.

Большая часть этих неточностей обусловлены неверной классификацией пахотных земель и пастбищ, что говорит о необходимости повышения количества разновременных данных для более правильного распознавания типов угодий. Возможно, что кое-какие наблюдения, нужные для учета возможно существующих различий в значениях сельскохозяйственных культур и отражения лугов, не были учтены. Но интенсивно эксплуатируемые луга смогут иметь однообразные с определенными типами культур фенологические модели, и, следовательно, кроме того больший временной охват не улучшит итог классификации.

Обычно сегменты, которые содержат как травы, так и пахотные почвы, были классифицированы как не луга, что стало причиной неверному результату классификации. Распространенность данного типа неточности зависит от степени фрагментации сельскохозяйственного ландшафта, которая обязана определяться в каждом конкретном случае раздельно. Вторым источником неверной сегментации есть дата съемки снимков LISS-III, являющихся базой сегментации изображения.

В зависимости от даты съемки фенологические стадии и соответствующие спектральные характеристики отражения отдельных лугов и культур смогут быть весьма похожи, что делает неосуществимым правильное разделение этих двух классов.

Эта неприятность возможно решена заменой данных LISS-III данными RapidEye, каковые имеют значительно более высокое временное, и лучшее спектральное и пространственное разрешение. Цепочка обработки возможно всецело переведена на применение данных RapidEye. Уже на данный момент эти RapidEye были использованы для расчета текстурных параметров.

Применение текстурных параметров в ходе классификации было вызвано необходимостью решения проблемы смешанных типов покрытий, представленных усредненным спектральным значением в пределах сегмента. Анализ комплекта правил продемонстрировал, что параметры текстуры были учтены, но очень сильно не оказали влияние на неспециализированный итог классификации (рис. 2).

Рис. 2. Пример карты постоянных лугов, наложенной на космический снимок

ЗАКЛЮЧЕНИЕ

Много разнотипных входных данных делает процесс классификации луговых угодий Европы затруднительным с позиций его обработки и организации.

Методика, основанная на разновременных данных разных съемочных совокупностей, была создана и удачно применена для классификации лугов на всей территории Европы. Объектноориентированный подход применяет метод C5 контролируемой классификации «Дерево ответов» в сочетании с разновременными переменными, извлеченными из сезонных статистик биофизических параметров, что разрешает осуществлять интеграцию разнотипных источников данных с последующим повышением частоты отбора проб в пределах заданного промежутка времени.

Достигнутый уровень автоматизации снабжает возможность действенного применения разработки для картографирования лугов фактически по всей Европе в пределах заданных сроков. Точность дешифрирования лугов составила 80% для всех государств, в которых уже была применена эта разработка. Метод был правильным и достаточно действенным, чтобы соответствовать требованиям Европейского агентства по окружающей среде (EEA).

Изложенная выше разработка была создана на базе требований, предусмотренных EEA, исходя из этого должны были употребляться указанные источники данных. Но в качестве данных созданной методики смогут использоваться и хорошие от заданных комплекты данных. Снимки RapidEye владеют достаточным радиометрическим и временным разрешением, и более высоким пространственным разрешением и смогут употребляться в качестве главного источника данных (вместо SPOT, LIS-III).

При применении разработки идентификации лугов на большую территорию действенно применение снимков RapidEye в комбинации со снимками более низкого пространственного разрешения, к примеру, с находящимися в свободном доступе данными Landsat-8.

Полученные детальные тематические слои, такие, как слой лугов, уже доступны для европейских правительственных организаций, причем планируется обеспечение регулярного обновления данных. Это, непременно, оптимизирует процесс принятия ответов на различных уровнях.

ПЕРЕЧЕНЬ ЛИТЕРАТУРЫ:

  1. T. Langanke, G. Buttner, H. Dufourmont and C. Steenmans, “High Resolution land cover mapping on continental scale for 39 European countries. Context – status – applications – future developments”, ISRSE35, Int. Symp. On Rem. Sens. Of Env., 22.-26.- April 2013, Beijing.
  2. EUROSTAT, “Agriculture and Fishery statistics – Main results 2009-10”, 2011, ISBN: 978-92-79-20424- 1; [Online]. Available: http://epp.eurostat.ec.europa. eu/cache/ ITY_OFFPUB/KS-FK-11-001/EN/KS-FK-11- 001-EN.PDF, (DOI): 10.2785/15223.
  3. S. Itzerott and K. Kaden, „Klassifizierung landwirtschaftlicher Fruchtarten“, Photogrammetrie, Fernerkundung und Geoinformation (PFG), pp. 109- 120, 2/2007.
  4. V. Simonneaux, B. Duchemin, D. Helson, S. Er-Raki, A. Olioso and A.G. Chehbouni, “The use of high-resolution image time series for crop classification and evapotranspiration estimate over an irrigated area in central Morocco”, Int. J. of Rem. Sens., 29(1), 2008, pp. 95–116.
  5. M. Keil, A. Metz and S. Nieland, “Begleitende Arbeiten zur Aktualisierung von CORINE Land Cover 2006“, Abschlussbericht, UBA Auftrag Z6 — 00335 4218, DLR-DFD Oberpfaffenhofen (internal report to the German Federal Environment Agency).
  6. M. Moller, C. Gla?er and J. Birger, “Automatic interpolation of phenological phases in Germany”. Proc. of MultiTemp2011, 6th International Workshop on the Analysis of Multi-temporal Remote Sensing Images, pp. 37-40, Trento, Italy, June 2011
  7. EUROSTAT, http://epp.eurostat.ec.europa.eu/ statistics_explained/index.php/Land_cover,_land_ use_ and_landscape, 2011.
  8. S.J. Maas and N. Rajan, «Estimating Ground Cover of Field Crops Using Medium-Resolution Multispectral Satellite Imagery.» Agronomy Journal 100(2), 2008, pp. 320-327. 9. J.R. Quinlan, “C4.5: Programs for Machine Learning”, Morgan Kaufmann Publishers, 1993. 10. LUCAS, Land Use and Cover Area frame survey, Eurostat, Statistics in Focus 21/2011.

Использование ГИС и данных дистанционного зондирования Земли для охраны природы


Интересные записи на сайте:

Подобранные по важим запросам, статьи по теме: