Автоматический алгоритм классификации снимков QuickBird в задаче оценки полноты леса

Снимки сверхвысокого пространственного разрешения получили в последнее время широкое распространение. Так, например, система Google-Earth позволяет получать покрытия относительно больших территорий по всему миру снимками QuickBird с пространственным разрешением 0,6 м. Высокая информационная ёмкость этих данных и свободный характер доступа к ним обуславливает значительный интерес к автоматическим методикам их обработки практически во всех востребованных направлениях. Одним из них является описание и типизация лесных сообществ: определение границ лесов, оценка полноты и возрастной структуры лесов, выделение очагов развития энтомопатологий и т. п. К сожалению, таксация леса на основе наземного обследования является чрезвычайно трудоёмкой работой, поэтому дистанционное зондирование с получением снимков сверхвысокого пространственного разрешения (лучше 1 м) остаётся, наверное, единственным средством получения необходимых сведений в большом объёме с разумной частотой обновления.

Целью данной статьи является оценка полноты леса по критериям международной системы классификации земного покрова (Land Cover Classification System (LCCS) [www. ]). В рамках этой задачи мы обсуждаем новую методику обработки спутниковых данных QuickBird с разрешением 0,6 м.

Объект описания

В качестве тестового объекта использовался Аман-Карагайский лесной массив [1], расположенный в Северном Казахстане в пределах Костанайской области, с координатами центра примерно 52 ° 25 ‘ с.ш., 63 ° 55 ‘ в.д. Он занимает площадь около 600 км ² и представляет собой почти однородный лес, состоящий из сосны обыкновенной (Pínus sylvéstris) с отдельными включениями берёзы (Bétula péndula). Аман-Карагайский лесной массив расположен на южной границе Евразийского ареала распространения сосны (за исключением горных и предгорных территорий). Деревья, как правило, имеют относительно небольшой возраст с типичной высотой 10–15 м (рис. 1).

Лесоустройство базируется на пожарно-охранной деятельности и искусственном возобновлении по территориям лесных гарей.

Рис. 1. Типичный вид Аман-Карагайского лесного массива

Система описания полноты леса

Универсальная система классификации земных покровов рекомендуется в международной системе стандартов (ISO/CD 19144) для использования в гео-информационных системах и при создании различных тематических карт подстилающей поверхности, в том числе и растительности [2]. В рамках LCCS описание леса по фактору его полноты (доля проективного покрытия) базируется на двух пороговых величинах: 65 % – порог, разделяющий сомкнутый лес от редколесья, и 15 % – порог, разделяющий редколесье от фрагментированного редколесья. Аман-Карагайский консолидированный лесной массив расположен в степной зоне [3], поэтому практический интерес представляет распознавание леса с разделением редколесья и сомкнутого покрова. Фрагментированное редколесье нетипично для этого лесного массива.

Спутниковые данные и их предварительная обработка

Для разработки методики анализа полноты леса использовался снимок QuickBird за 20.08.2007 г., доступный в системе в Google-Earth, в панхроматическом канале (450–900 нм) с пространственным разрешением 0,61 м в надире. Снимок покрывает восточную часть Аман-Карагайского лесного массива со сверхвысоким разре- шением, что позволяет детально регистрировать текстуру светотеней подстилающей поверхности (рис. 2).

Рис. 2. Фрагмент спутниковой съёмки Аман-Карагайского лесного массива. Снимок QuickBird на 20.08.2007 г. [Google-Earth]

Получение снимка QuickBird для его последующей обработки осуществлялось с помощью набора перекрывающихся экранных изображений. Базовый снимок QuickBird (20.08.2007 г.) восточной части Аман-Кара-гайского лесного массива был собран из 144 фрагментов. Создание мозаики из такого большого числа фрагментов сопряжено с ошибками географической привязки, которые могут достигать 5– 10 пикселей, однако из-за чрезвычайно высокого разрешения снимка (60 см) такой уровень ошибок не слишком велик для задачи картирования полноты леса.

Методика обработки данных QuickBird

Автоматическая обработка спутниковых снимков сверхвысокого пространственного разрешения имеет определённые трудности. Высокая детальность снимка формирует покрытие отдельными пикселями слишком мелких объектов. Для леса это отдельные ветви деревьев или их тени. В этом случае стандартный аппарат спектрального анализа, базирующийся на классификации, становится неэффективным. Результатом классификации может быть, например, разделение ветвей по степени их освещённости, архитектонике, состоянию листовой поверхности и прочего, что лежит вне круга стандартных задач описания леса. Текстурный и морфологический анализ, относящийся к большим фрагментам изображения, более подходит для автоматического распознавания пространственно распределённых объектов на снимках сверхвысокого пространственного разрешения.

В решении задачи полноты леса ключевым дешифровочным признаком является морфология и текстура светотеней. Тени характеризуются низкими коэффициентами отражения, что позволяет их легко выделять простыми пороговыми алгоритмами даже на панхроматических снимках. В случае лесной растительности тени, сформированные на подстилающей поверхности, являются следствием особенностей архитектоники и полноты леса. Возвышающиеся деревья затеняют кроны соседних деревьев или растительность нижнего яруса (травяной или кустарниковый покров) в случае полян и редколесья. Размер теней зависит от архитек- тоники кроны и различий в высоте между доминирующими деревьями и фоновым окружением. Особый тип теней в форме полос образуется на границах компактных лесных формирований (рис. 2).

Цель обработки снимка QuickBird сводится к построению маски крон деревьев на основе морфологии и текстуры теней. Затем проективное покрытие кронами деревьев может быть аппроксимировано на вы-делы больших размеров, чем исходный пиксель изображения (0,6×0,6 м) с разделением на классы по долям покрытия внутри них. При этом можно использовать произвольные пороговые значения, в том числе и рекомендуемые в системе LSSC (15 % и 65 %). Для решения задачи построения маски крон деревьев использовалась пара связанных морфологических фильтров. Первый увеличивал выделенную зону на заданное число пикселей, второй уменьшал её на это же значение.

– Первая стадия обработки панхроматического снимка QuickBird – построение маски теней с помощью простого порогового алгоритма (рис. 3 а , б ).

– Вторая – морфологическое фильтрование с построением маски крон деревьев (рис. 3 в ).

– Третья – аппроксимация маски крон деревьев на вы-делы большего размера, например, на регулярную сетку с периодом 30 м, что пространственно синхронизировано c очень популярной съёмкой LANDSAT, для которой имеется архив с 1983 года (рис. 3 г ).

б)

г)

Рис. 3. Основные этапы технологической схемы построения карты полноты леса (плотность серого цвета кодирует долю лесного покрытия): исходный снимок QuickBird (а); выделенные тени (пороговый алгоритм (б); кроны деревьев (морфологическое фильтрование) (в); аппроксимация на 30-метровые квадратные выделы (г)

Морфологическое фильтрование осуществлялось с помощью двух фильтров, обеспечивающих увеличение (дилатацию) и уменьшение (эрозию) маски теней путём сдвига её границ на заданное число пикселей [4]. Масштаб сдвига – несколько пикселей; его оптимальная величина подбирается экспериментальным путём, рис. 4. В результате такого фильтрования тени сливаются, образуя маску крон деревьев.

Таким образом, маска крон деревьев, построенная путём морфологического фильтрования маски теней со снимка сверхвысокого разрешения, способна служить основой для оценки полноты леса. Тематические карты могут формироваться с произвольным уровнем генерализации с помощью любых величин порогов, разделяющих сомкнутый лес от редколесья и фрагментированного редколесья.

а)

б)

Рис. 4. Примеры трансформации маски теней с исходного снимка (QuickBird, 20.08.2007) (а): результаты раздувания и сжатия маски теней на 2 пикселя (б); на 4 пикселя (в)

Валидация

Валидация автоматического алгоритма оценки полноты леса по данным QuickBird (разрешение 60 см) проводилась на тестовом фрагменте снимка Аман-Карагайского лесного массива. Маска крон деревьев строилась двумя способам – автоматическим дешифрированием согласно описанному алгоритму и с помощью экспертной фотоинтерпретации. Результаты в обоих случаях аппроксимировались на регулярную сетку с периодом 30 м. Затем соответствие полученных фрагментов тематических карт оценивалось через стандартную матрицу ошибок (см. таблицу). Уровень соответствия в 82,5 % демонстрировал достаточно высокую точность автоматического алгоритма дешифрирования редколесья при построении карт полноты соснового леса Северного Казахстана.

Табл. Матрица ошибок автоматической оценки полноты леса, на примере фрагмента Аман-Карагайского бора, по спутниковым данным QuickBird, при генерализации на регулярную матрицу с периодом 30 м размером 7×9

н < s о н и	Полнота леса	<15 %	15-65 %	> 65%	Точность
	<15 %	10	1	0	90,9
	15-65%	4	16	0	89,0
	>65 %	0	6	26	81,4
	Точность	71,4	69,6	100	82,5

Заключение

Описание полноты леса на основе наземных данных является трудоёмким процессом, характеризуемым определённой долей субъективизма. Между тем динамика полноты леса наиболее интересна при мониторинге и экологическом обследовании состояния облесённых территорий. Заметим, что предложенный в этой работе алгоритм оценки полноты леса по морфологии и текстуре его тени фактически опирается на общую форму известной из анализа теоремы Фубини [5]. Она утверждает, что для любого измеримого подмножества, почти все типичные проекции измеримы и объём проекции позволяет получить объём исходного множества простым интегрированием.

Мы полагаем, что автоматический алгоритм распознавания редколесья и построения карт полноты леса на основе снимков сверхвысокого пространственного разрешения QuickBird представляет собой полезный инструмент, дающий объективную оценку состояния сосновых лесов и их изменений во времени.

Другим направлением использования спутниковых карт полноты леса на основе QuickBird может являться создание эталонов, необходимых для решения подобных задач на основе спутниковых данных более низкого разрешения, например LANDSAT (разрешение 30 м), для которых имеется 30-летний ряд наблюдений с многократным полным покрытием крупных регионов.

Работа выполнена при поддержке грантов № 0866/ГФ2 и 2308/ГФ3 МОН РК.