АЭРОКОСМИЧЕСКИЕ МЕТОДЫ

ИССЛЕДОВАНИЙ

Южный Вулканы
Таймыр Камчатки
Западная Среднерусская
Сибирь возвышенность
https://docs.google.com/spreads
heets/d/135pAwauxVuKH7MxjC
9wuCz_Xmed0iE2Yl66bN_apup
4/edit#gid=0
ДЕШИФРИРОВАНИЕ СНИМКОВ
Технологическая схема дешифрирования
Постановка задачи
Подготовительный этап

Формулировка требований к материалам – выбор материалов

Оценка снимков
Ознакомление с территорией
Сбор дополнительных материалов
Разработка легенды
Создание эталонов дешифрирования

Собственно дешифрирование (полевое или камеральное)

Оформление результатов
 Landsat-7
(21 июня),
синтез 4-5-1

Площадь:
1,5 млн м2
SPOT-4 (15 марта)
Площадь наледного льда: 4,6 млн м2

SPOT-4 (25 мая)

Площадь: 4,2 млн м2

Landsat-7 (июль)
Наледный лед отсутствует
27 апреля 2013.
2 мая 2013 г.

Весенний снегопад в штате

Колорадо, США
 Дешифрирование
Дешифрирование снимков
снимков

Прямые
Прямые Косвенные
Косвенные

геометрические
геометрические структурные
структурные Прямые
Прямые дешифровочные
дешифровочные признаки
признаки
других
других объектов
объектов (индикаторов)
(индикаторов)
яркостные
яркостные
форма
форма текстура
текстура
размер
размер структура
структура индикаторы
индикаторы индикаторы
индикаторы
тень
тень рисунок
рисунок объектов
объектов свойств
свойств
уровень
уровень
яркости
яркости индикаторы
индикаторы
динамики
динамики
спектральный
спектральный образ
образ
Канзас, США

Гитарный лес в Аргентине

Косвенные
Косвенные дешифровочные
дешифровочные признаки:
признаки: индикаторы
индикаторы объектов
объектов
Дешифрирование
Дешифрирование снимков
снимков

Полевое дешифрирование
Наземное Аэровизуальное

Камеральное дешифрирование = эталонное

Принцип от общего к частному
Многократный просмотр
Наиболее значимые черты
Физиономичные черты
Методы камерального дешифрирования

визуальное автоматизированное
Дешифрирование
Дешифрирование снимков
снимков

Достоинства автоматизированного дешифрирования

Высокая точность количественных оценок

Детальный анализ яркостных различий
Исчерпывающий анализ многозональных снимков
Объективность результатов (в пределах заданных параметров)

Достоинства визуального дешифрирования

Анализ изображения по совокупности дешифровочных признаков

Определение формы объектов в плане и в пространстве
Определение особенностей пространственного размещения
Возможность дешифрирования в логически выверенной легенде
Дешифрирование
Дешифрирование снимков
снимков

Автоматизированное дешифрирование
основано на яркостных дешифровочных признаках

Классификация объектов – разделение пространства

признаков на замкнутые области (классы) с
определенными значениями признаков.

Отнесение пикселов к классам зависит от принятого

правила классификации.
Неконтролируемая классификация
(без обучения)
Название, спектральные
характеристики и количество групп
(кластеров) неизвестно
После дешифрирования
определяется соответствие

Контролируемая классификация Название, спектральные

(с обучением) характеристики и количество групп
(кластеров) выбираются ДО
дешифрирования
Дешифрирование
Дешифрирование снимков
снимков
Неконтролируемая классификация

Алгоритм быстрого выделения кластеров

• Алгоритм одного прохода
• Осуществляется построчно
• Число кластеров зависит от порогового значения

Исходный снимок 18 кластеров 6 кластеров

Landsat-8

SPOT-5

(Гнеденко А., 2016)

Дешифрирование
Дешифрирование снимков
снимков

Контролируемая классификация
Смысл классификации заключается в отнесении пикселов снимка к определенному классу объектов на местности

Первый этап: Третий этап:

определение классов объектов Вычисление параметров,
(виды растительности, спектрального образа каждого
гидрографические объекты и др.) класса

Второй этап: Четвертый этап:

формирование обучающей Собственно классификация,
выборки (типичных пикселов для отнесение каждого пиксела к тому
каждого класса объектов) или иному классу, просмотр

Формирование обучающей выборки:

1-5 % всех пикселов, соответствие каждому классу нескольких пикселов,
расположенных в разных частях снимка с распределением яркостных значений,
близким к нормальному, с непересекающимися областями яркостных значений
(Гнеденко А., 2016)
 Контролируемая классификация

Детерминированный подход Статистический подход

позволяет учитывать вариации

классы объектов не пересекаются признаков, допускает отнесение
пикселов к «чужим» классам
в пространстве

Метод параллелепипедов
Метод классификации по
Метод максимального
минимальному расстоянию правдоподобия
 NeRIS
Multi-
Neural
channel перед
Net-
Segmen- дообучение после дообучения
work
tation м

Количество
полигонов 272 163 430 165
КК
Доля ошибочных полигонов
По
18,0% 2,5% 52,8% 4,2%
количеству
По площади 6,9% 2,4% 75,1% 5,0%
Дешифрирование
Дешифрирование снимков
снимков
Контролируемая классификация
Дешифрирование
Дешифрирование снимков
снимков

Оценка результатов дешифрирования

вода лес … …
вода 75 0 10 5
лес 0 60 20 20
… … … 30 …
… … … … 30