Владимир Андрианов, Ведущий эксперт DATA+
По решению администрации Ямало-Ненецкого автономного округа (ЯНАО) в настоящее время создается Территориальный банк данных “Ресурсы Ямала” (ТБД, см. статью о нем в этом номере). Создание ТБД начинается с Пилотного проекта, реализацией которого занимается Сибирский научно-аналитический центр (СибНАЦ). Одной из задач пилотного проекта является оценка потенциала и разработка методических рекомендаций по использованию данных аэрокосмической съемки для создания и ведения ТБД и для решения различных прикладных задач, в том числе для обновления устаревшей картографической информации по природным ресурсам. Решением этой задачи занималась группа сотрудников из нескольких организаций. В нее вошли главный маркшейдер СибНАЦ В.Ф. Бараниченко, начальник отдела ГИС и картографии А.В. Шпильман, начальник отдела экологии СибГео А.В. Кириллов, ведущий ландшафтовед СибГео А.Н. Кузьменко, начальник отдела мониторинга ГУП «Экология Ямала» О. Розанов, а также В.В. Зайцев, В.Ю. Андрианов и И.С. Ермошкин из DATA+. Большая часть группы участвовала в полевых работах 2001 г.
Для этого был выбран небольшой тестовый полигон, на котором отрабатывалась методология использования ДДЗ и решались другие задачи. Работы в рамках совместного проекта проводились по следующим направлениям:
- использование космоснимков
- фотограмметрические работы с аэрофотоснимками
- геодезические работы с использованием приемников GPS
- полевая спектрометрия
- тематическая обработка изображений
Для данного проекта была составлена коллекция разновременных и разнотипных космических снимков на территорию тестового полигона. Были изучены каталоги архивов снимков различных поставщиков и выбраны наиболее удачные снимки. К сожалению, выбирать было мало из чего. Короткое лето и небольшое количество ясных дней существенно сужают возможности оптической космосъемки этого приполярного региона. Тем не менее, удалось найти снимки за 1988 (КФА-1000, СССР), 1993 (МК-4, Россия), 1994 (Landsat-5, США), 1999 (Landsat-7, США), 2000 (Landsat-7) и 2001 (Landsat-7) гг. (рис. 1-4). Один из снимков был сделан в марте при значительной толщине снежного покрова, а самый поздний — в один из дней наших полевых работ.
 Рис. 1. Пример снимка — КФА. |
 Рис. 2. Пример снимка — Landsat 7. |
 Рис. 3. Пример снимка — зимний. |
 Рис. 4. Пример снимка — радарный. |
Был также приобретен архивный радарный снимок 1998 г. со спутника ERS-1 Европейского космического агентства и заказан радарный снимок с канадского спутника RADARSAT-1. На радарных снимках яркости пикселов определяются текстурой и геометрией поверхности. Это существенно отличает их от упомянутых выше оптических снимков, на которых яркости пикселов определяются поглощением и отражением света различными материалами, образующими почву, растительность и другие виды покрова земной поверхности. Поэтому радарные данные представляют интерес в качестве источника дополнительной информации к оптическим данным. При плохих погодных условиях радарные снимки могут быть также и возможной альтернативой оптическим, поскольку даже сплошная облачность и осадки не являются препятствием для радиоволн, используемых в радарной съемке.
Таким образом, коллекция охватывает последние 13 лет, а также широкий спектр характеристик съемочной аппаратуры. Это позволит провести анализ изменений территории за прошедшие годы и сопоставить возможности различных сенсоров по выявлению тех или иных природных и искусственных образований и объектов.
Часть снимков была получена до начала полевых работ, что помогло лучше их спланировать. Фотоснимки были отсканированы, географически привязаны и трансформированы в проекцию используемых карт. Из полных снимков были также вырезаны фрагменты по границам тестового участка.
В рамках проекта использовались данные аэрофотосъемки 1999 г. Их обработка велась в модуле OrthoBASE Pro системы обработки изображений ERDAS IMAGINE. Этот модуль позволяет провести автоматический сбор соответственных точек по блоку снимков, выполнить фототриангуляцию и ортотрансформирование, а также построить цифровую модель рельефа. Блок аэрофотоснимков покрывал большую часть площади тестового участка, но радиометрическое качество самих фотоматериалов оказалось очень низким, по ним практически невозможно дифференцировать различные типы природного покрова. При имеющихся градациях яркости можно различать только очень контрастирующие по яркости объекты, например, почти черные водные поверхности и гораздо более яркую сушу. По этой причине данные аэрофотосъемки не использовались при дешифрировании объектов природной среды. Возможным их применением может быть оцифровка контуров озер и объектов промышленной инфраструктуры, определение зон подтопления трубопроводов, определение наличия и плотности древесного покрова.
Первоначальная привязка снимков проводилась по топографической карте и координатам некоторых опознаков. Во время полевых работ с помощью приемника GPS определялись координаты опорных точек местности, легко идентифицируемых на космических снимках. Полученные данные позволили улучшить привязку имеющихся снимков.
К моменту выезда на местность в нашем распоряжении уже была новая версия ERDAS IMAGINE, в которой появился инструмент использования координат с приемника GPS (GPS Tool). Закрепив приемник на машине и установив ERDAS IMAGINE на мобильный компьютер, мы могли в реальном времени отслеживать по космоснимку собственные перемещения в пространстве. Незадолго до этого правительство США отключило режим селективного доступа к GPS, и точность определения координат оказалась настолько высокой, что траектория нашего движения по снимку точно совпадала с изображением дороги на снимке. Это говорило и о высоком качестве привязки и трансформирования изображений с помощью встроенных в ERDAS IMAGINE моделей сенсоров. Сам по себе GPS Tool позволяет автоматически панорамировать изображение при нашем перемещении «по снимку» и показывает направление нашего движения. Имеется режим автоматического вращения изображения, работающий так, что снимок всегда оказывается правильно сориентирован по местности. Получается как бы карта, которая сама крутится на экране соответственно поворотам нашей машины. Инструмент позволяет также сохранять в файле векторного формата все полученные с приемника GPS точки (рис. 5).
Рис. 5. Мобильная навигация с помощью GPS Tool в новой версии ERDAS IMAGINE.
Здесь нужно отметить, что имевшиеся топографические карты устарели. Дороги, по которым мы двигались, на карте отсутствовали, монотонный характер местности также не облегчал ориентирование на ней. Хотя у нас имелись и обновленные слои цифровых карт этой местности, еще на стадии подготовки работ в них были обнаружены некоторые ошибки. В этой ситуации космоснимки оказались наиболее надежным и актуальным источником информации.
Полевые испытания GPS Tool входили в геодезический раздел нашей программы. В нее входило также определение координат некоторых опознаков для оценки точности координат GPS, а также и площадок полевых спектрометрических работ. Естественно, все эти работы проводились с получением необходимых разрешений и участием специалистов СибНАЦ, имеющих право на проведение таких работ.
В 2001 г. DATA+ приобрела полевой спектрорадиометр FieldSpec Pro Jr производства американской фирмы Analytical Spectral Devices, Inc. Прибор предназначен для полевой и лабораторной съемки спектров отражения, пропускания и излучения различных материалов в диапазоне длин волн 350-2500 нм с разрешением 3 нм. На сегодняшний день это один из лучших в мире приборов подобного рода.
Основная часть полевых работ состояла в съемке спектров отражения различных материалов, встречающихся в пределах тестового участка. Были выбраны 10 площадок для съемки, на каждой из которых снималось несколько объектов. Задачей первого этапа полевого спектрометрирования являлся сбор как можно более обширной и разнообразной коллекции спектров отражения природных и искусственных объектов. Использовались две методики — точечная съемка отдельных объектов и непрерывная съемка поверхности в движении по прямой. Задача первого метода — получение как можно более чистых спектральных эталонов отдельных объектов. Второй метод моделирует смешение отражения различных объектов в пределах одного пиксела космического снимка. Перед съемкой каждой серии спектров производилась калибровка спектрометра по эталонной поверхности. Данный подход позволяет автоматически учитывать текущие условия освещения, а также минимизировать влияние прогрева аппаратуры на измерения.
По возвращении в Москву была проведена обработка полученных спектров отражения. Она включала следующие этапы: 1) импорт файлов в формат спектров ERDAS IMAGINE и обнуление нерабочих участков; 2) идентификация и удаление дефектных спектров; 3) усреднение серий спектров по одному объекту; 4) свертка усредненных и исходных спектров отражения с функциями спектральной чувствительности сенсора Landsat ETM+. Для выполнения этих операций со спектрами нами были созданы несколько простых программ на языке Си.
На некоторых длинах волн солнечный свет практически полностью поглощается атмосферой. В этом случае принимаемый спектрометром сигнал оказывается ниже порога чувствительности, а спектр отражения получает хаотические пики и провалы. Эти участки спектра, как правило, не используются в дистанционном зондировании, и при импорте они обнулялись.
При измерении коэффициентов спектральной яркости возможны ситуации, когда отраженный реальным объектом сигнал оказывается больше, чем отражение от «абсолютно белого» эталона, например при зеркальном отражении поверхностью воды. В таких случаях на некоторых длинах волн отражательная способность превышает единицу, а спектр отражения получается «засвеченным». Такие спектры были удалены из дальнейшего анализа.
Измерение нескольких спектров отражения от одного объекта и последующее их усреднение позволяют повысить отношение сигнал/шум и, соответственно, надежность результатов анализа спектров. Усреднение позволяет также смоделировать смешение спектров отражения от множества разнородных объектов, оказывающихся в пределах одного пиксела.
Спектральное разрешение спектрометра составляет 3 нм, в то время как ширина спектральных зон сенсора ETM+ составляет 100-300 нм. Имея наземный спектр отражения какого-то объекта, можно смоделировать значения яркости в каждом канале сенсора, которые имели бы место, если бы этот объект занимал целый пиксел на снимке. В простейшем случае можно просто усреднить значения сигнала спектрометра в пределах каждой спектральной зоны, но более корректным подходом является свертка спектра отражения с функцией спектральной чувствительности каждого канала сенсора. Мы использовали именно этот подход. Для сравнения полученных зональных коэффициентов отражения со снимком нужно также выполнить радиометрическую калибровку и коррекцию снимка, учитывающую влияние атмосферы. Для этого мы использовали модуль ATCOR2, разработанный компанией Geosystems GmBH (Германия) для ERDAS IMAGINE. Сравнение результатов обработки снимков и наземных спектров отражения показало хорошее согласование по достаточно однородным и большим по площади участкам.
Во время съемок спектров мы вели также видеосъемку исследуемых объектов и их окружения. В последующем из видеофильма были извлечены отдельные кадры, и на их основе составлен документ (приложение к отчету), в котором собраны обычные фотоснимки объектов, спектры их отражения, координаты с GPS-приемника и словесные описания (рис. 6).
Рис. 6. Страница отчета по собранным спектрам.
Предварительный анализ собранных спектров отражения показал хорошее соответствие полученных данных известным по научным публикациям. Здесь нужно отметить, что задача нашего первого полевого сезона — выработка базовой методики использования современной спектрометрической аппаратуры высокого разрешения. Использованный спектрометр — сложный прибор, требующий определенного навыка использования, поэтому мы решали наиболее простые задачи. С одной стороны, нами проводились измерения только с вертикальным положением оси визирования спектрометра (соответственно съемке со спутника), с другой — мы не задавались целью исследования зависимости отражения от различных факторов — вариаций освещения, положения солнца и оси визирования спектрометра, площади снимаемого пятна и др. Такие зависимости обычно исследуются в отдельных научных работах, которые выходят за рамки нашего проекта. К сожалению, до сих пор по тундровым ландшафтам проведено очень мало научных спектрометрических исследований. Поэтому создание полноценной спектральной библиотеки требует проведения дополнительных съемок, и в следующем полевом сезоне такие работы запланированы.
Тематическая обработка изображений преследовала цель изучить возможность получения тематических (ландшафтных, геоботанических и др.) карт в результате обработки космоснимков. Нами исследовались различные алгоритмы классификации и преобразования изображений, позволяющие повысить дифференциацию элементов ландшафта. К сожалению, пестрота тундровых ландшафтов оказалась настолько высокой, что получить какие-либо осмысленные категории на основе только спектральной классификации космических снимков оказалось невозможно. Во всех случаях нужно учитывать также и контекст (т.е. окружение объектов), что делает схему классификации очень громоздкой и зависимой от состава объектов и категорий на конкретной местности. В рассмотренных нами публикациях зарубежные исследователи довольствовались получением примерно 50-процентного соответствия результатов классификации наземным наблюдениям, и то — лишь по небольшому (в пределах десятка) количеству широких категорий.
Поэтому основное внимание мы сосредоточили на различных алгоритмах преобразования изображений с целью повышения возможностей визуального дешифрирования и выделения отдельных классов объектов. Наиболее интересные результаты дают преобразование главных компонент, декорреляционное преобразование, линейное комбинирование (tasseled cap) и некоторые преобразования контраста.
Преобразование главных компонент модифицирует изображения таким образом, чтобы между каналами данных отсутствовала корреляция. Его замечательным свойством является способность сосредоточить максимум информации в нескольких первых каналах выходного изображения. С другой стороны, в последних каналах сосредотачиваются как аппаратурные помехи, так и аномалии, присутствующие на местности. Так, например, на приведенном изображении отчетливо видны пятна нефтяного загрязнения, которые с точки зрения всего изображения являются аномалиями (рис. 7). Недостаток этого преобразования — зависимость результата от массы факторов — сезона, состава объектов и типов ландшафта на снимке, состояния атмосферы и др. На следующем этапе работ по тестовому участку мы предполагаем исследовать возможность получения более устойчивых индексов на основе преобразования главных компонент.
Рис. 7. Красное пятно в центре — участок нефтяного загрязнения, желтые пятна вправо-вверх от него — мощные газовые факелы, точки в центре факелов показывают перегрузку сенсора.
Цветовой синтез из главных компонент дает совершенно неестественные цвета, причем эти цвета зависят от перечисленных выше факторов, учесть которые априори невозможно. Естественно, это затрудняет дешифрирование изображения. Поэтому чаще используется не само это преобразования, а построенное на его основе декорреляционное преобразование. Оно также позволяет повысить информационную насыщенность изображения, но при этом сохраняет пропорции между спектральными яркостями, то есть цвет пикселов изображения. Последующее применение к декоррелированному изображению некоторых преобразований контраста (например, гауссова) позволяет получить намного более насыщенные цвета. Исходный снимок превращается в изображение, напоминающее тематическую карту типов ландшафта, что существенно облегчает визуальную интерпретацию изображения (рис. 8).
Рис. 8. Результат декорреляционного преобразования снимка.
Также были исследованы некоторые другие преобразования изображений с точки зрения их эффективности для анализа снимков тестового участка. Эти наши исследования необходимы прежде всего потому, что авторы преобразований и подавляющее число других исследователей применяют их для снимков территорий от умеренного до тропического поясов. По тундровым ландшафтам публикаций очень мало. Мы рассматривали такие преобразования, как нормализованный вегетационный индекс и Tasseled Cap. Оба дают достаточно правдоподобные результаты (объем биомассы, влажность), которые можно будет верифицировать в следующем полевом сезоне.
Важной задачей, решаемой специалистами СибНАЦ и дочерней компании СибГео, является комплексная оценка экологического состояния лицензионных участков. В связи с проведением разведочных и промысловых работ это состояние меняется, при этом количественный учет изменений позволяет контролировать деятельность компаний-землепользователей.
Оценка экологического состояния учитывает такие факторы как наличие на участке ценных и особо охраняемых видов животных и пород деревьев, рыбных, лесных и др. промысловых ресурсов, гидрологический режим и т.д. Процесс этот очень трудоемок и может выполняться только высоко квалифицированными экспертами. Одной из целей совместных работ является поиск средств автоматизации подобных оценок на основе инструментов пространственного моделирования и анализа, имеющихся в ERDAS IMAGINE и ArcGIS. Известные затруднения здесь связаны с тем, что эксперты-прикладники не владеют необходимым программным инструментарием, а специалисты по компьютерным технологиям не имеют подготовки и опыта в прикладной области. DATA+ избрала путь постепенной передачи собственных знаний и опыта специалистам СибНАЦ и СибГео. Это и обучение в нашем учебном центре, и проведение выездных курсов, и многочисленные консультации, и участие экспертов DATA+ в постановочных работах. Опыт показал, что это правильный путь — через непродолжительное время многие специалисты заказчика могли уже совершенно самостоятельно использовать всю мощь программного обеспечения и современных геоинформационных технологий, в чем-то даже превзошли своих учителей.
