Чандра А.М., Гош С.К. Дистанционное зондирование и ГИС

A.M. ЧАНДРА,

С.К. ГОШ

Дистанционное зондирование и географические информационные системы

Перевод с английского А.В. Кирюшина

ТЕХНОСФЕРА Москва 2008

Чандра А.М., Гош С.К.


Москва: Техносфера, 2008. - 312 е., 16 с. цв. вклейки. ISBN 978-5-94836-178-9

Универсальный учебник, дающий представление о методах дистан-ционного зондирования Земли (ДЗЗ) и географических информационных системах (ГИС).

В первой части приводятся основные сведения о методах ДЗЗ, рассмат-риваются основы теории электромагнитного излучения, описываются съемочные системы и спутниковые платформы, используемые для полу-чения исходных данных, различные виды космических снимков, а также методы их обработки и дешифрирования.

Во второй части приводится общее описание географических информа-ционных систем. Обсуждаются различные модели данных, методы про-странственного анализа и области применения ГИС. Отдельная глава посвящена нечетким методам классификации объектов и тенденциям развития ГИС.

Книга содержит множество примеров и иллюстраций, что делает ее пре-красным пособием для студентов профильных вузов.

REMOTE SENSING AND GEOGRAPHICAL

INFORMATION SYSTEM

AMCkndri SKGbMfa

9 Narosa Publishing House NcwDcUh Ckeaoii Moabil КЫкмж

© 2006 by narosa Publishing House. All rights Reserved. © 2008, ЗАО «РИЦ «Техносфера», перевод на русский язык, оригинал-макет, оформление

ISBN 978-5-94836-178-9 ISBN 1-84265-278-8 (англ.)

СОДЕРЖАНИЕ

Глава 1. Дистанционное зондирование 14 1.1. Введение 14 1.2. Схема дистанционного зондирования 15 1.3. История развития методов дистанционного зондирования 16 1.4. Этапы дистанционного зондирования и анализа данных 18 1.5. Преимущества и недостатки данных дистанционного

зондирования 20 1.6. Области применения данных дистанционного зондирования 21

Глава 2. Электромагнитное излучение 23 2.1. Введение 23 2.2. Характеристики электромагнитного излучения 23

Электромагнитный спектр и его характеристики 24 Электромагнитный спектр 25

2.3. Взаимодействие излучения с атмосферой 26 Поглощение и перенос излучения в атмосфере 27 Рассеивание излучения 28 Рассеивание Релея 28 Рассеивание Ми 29 Неселективное рассеивание 29

2.4. Взаимодействие излучения с поверхностью Земли 29 Кривые спектральной отражательной способности 31 Растительный покров 32 Почвы 34 Водные поверхности 37

2.5. Разрешающая способность систем дистанционного зондирования 38

Пространственное разрешение 38 Спектральное разрешение 38 Радиометрическое разрешение 39 Временное разрешение 39

2.6. Пикселы и смешанные пикселы 40

Глава 3. Сенсоры и платформы 41 3.1. Введение 41 3.2. Общая классификация сенсоров и платформ 41 3.3. Ресурсные спутники 42

Спутники серии LANDSAT 42 Спутники серии SPOT 46 Спутники серии IRS 50 Спутники CARTOSAT-1 55 Цифровые модели рельефа 58

3.4. Снимки высокого разрешения 59 Спутники IKONOS 59 Спутник QuickBird 62

6 Содержание

Снимки уровня Basic 63 Снимки уровня Standard 64 Снимки уровня Ortho-rectified 65 Спутник O r b V i e w - 1 6 6 Спутник OrbView-2 67 Спутник OrbView-З 68

3.5. Спутник ЕО-1 68 Съемочная система Advanced Land Imager (ALI) 70 Съемочная система Hyperion 70 Съемочная система Atmospheric Corrector 72

3.6. Метеорологические спутники 72 Спутник GOES 73 Радиометры AVHRR 74 Спутники INSAT 76

3.7. Другие метеорологические спутники 78 3.8. Океанологические спутники 79

Спутники Marine Observation Satellite (MOS) 80 Съемочные системы SeaWiFS 80

Глава 4. Космические снимки 82 4.1. Введение 82 4.2. Получение, передача и обработка данных 82 4.3. Данные дистанционного зондирования 83

Цифровые данные 83 Форматы записи данных 85

4.4. Коммерческая продукция 86 Наборы данных NRSA 86 Коррекция исходных данных 87 Радиометрическая коррекция 87 Геометрическая коррекция 87

4.5. Пространственная ориентация спутника 88 Трасса 88 Ряд 89

4.6. Стандартная продукция 89 Снимки на основе координатной схемы съемки 89 Снимки со смещением вдоль трассы 89 Снимки по квадрантам 90 Стереоснимки 90 Снимки с геопривязкой 91 Специальные виды данных 91

4.7. Форматы записи данных 92 Данные на магнитных лентах 92 Данные на компакт-дисках 93 Структура данных на компакт-диске 94

Глава 5. Дешифрирование снимков 95 5.1. Введение 95 5.2. Процедура дешифрирования 95


5.3. Дешифровочные признаки 96 5.4. Методы дешифрирования 97

Полевые исследования 97 Дешифрирование по прямым признакам 97 Дешифрирование по косвенным признакам 98 Дешифрирование, основанное на вероятностях 98 Дешифрирование с помощью измерений 98

5.5. Выделение зональностей 98 5.6. Реестр результатов дешифрирования 99 5.7. Оборудование, используемое для дешифрирования 99 5.8. Автоматизированные методы дешифрирования 100

Глава 6. Обработка цифровых снимков 101 6.1. Введение 101 6.2. Обработка цифровых снимков 102 6.3. Обзор этапов обработки цифровых снимков 103

Расчет статистических показателей исходных данных 103 Коррекция и восстановление снимков 103 Улучшение визуального восприятия снимков 103 Преобразование снимков 104 Классификация данных 104 Объединение данных и их интеграция в ГИС 104

6.4. Статистические показатели исходных данных 104 6.5. Коррекция и восстановление снимков 106

Геометрическая коррекция 108 Систематические искажения 108 Случайные искажения 109 Геометрическое трансформирование 109 Интерполяция значений яркости 110

6.6. Улучшение визуального восприятия снимков 111 Линейные методы увеличения контрастности 112 Нелинейные методы увеличения контрастности 113

6.7. Пространственная фильтрация 114 6.8. Преобразование снимков 114

Преобразование «колпак с кисточкой» 116 Анализ методом главных компонент 119

6.9. Классификация и анализ снимков 120 Контролируемая классификация 123 Классификаторы 123 Выбор эталонной области и расчет статистических показателей 125 Выбор алгоритма классификации 129 Алгоритм классификации на основе определения наименьшего расстояния 129 Алгоритм параллелепипеда 130 Алгоритм максимального правдоподобия 130 Методы неконтролируемой классификации 131


Оценка точности классификации 133 Матрица ошибок 133

Глава 7. Применение данных дистанционного зондирования 139 7.1. Введение 139 7.2. Землепользование и картографирование земельных ресурсов 140 7.3. Сельское хозяйство 141

Оценка площадей, занятых сельскохозяйственными культурами 141 Прогноз урожая 143 Оценка состояния сельскохозяйственных культур 145

7.4. Картографирование грунтовых вод 146 7.5. Исследование роста городов 149 7.6. Борьба с наводнениями 150

Картографирование речных пойм с использованием космических снимков 151 Определение областей затопления с помощью цветных композитных снимков 152 Вариант А 153 Вариант Б 153 Вариант В 153

7.7. Гидроморфологические исследования 153 7.8. Картографирование пустующих земель 157 7.9. Региональное планирование 159 7.10. Борьба с природными катастрофами 161

Глава 8. Географические информационные системы 165 8.1. Введение 165 8.2. Что такое ГИС 165 8.3. Компоненты ГИС 166

Рабочая станция и операционная система 167 Специальное программное обеспечение 167 Пространственные данные 168 Управление данными и процедуры их анализа 168 Персонал, работающий с ГИС 169

8.4. Географические объекты 169 8.5. Ввод данных в ГИС 170 8.6. Выходные данные ГИС 170 8.7. Области применения ГИС 172

Глава 9. Данные в ГИС 174 9.1. Введение 174 9.2. Типы данных в ГИС 174 9.3. Представление данных 174

Номинальные переменные 175 Порядковые переменные 175 Интервальные переменные 175 Переменные отношений 175

Содержание 11

9.4. Источники данных 176 Космические снимки 176 Карты 176 Аэрофотоснимки и цифровые ортофотоснимки 176 Атрибутивные данные 177 Данные геодезической съемки и полевых исследований 177 Другие источники 177

9.5. Типичные наборы данных ГИС 177 9.6. Сбор данных 178

Данные космического дистанционного зондирования 178 Оцифровка карт 178 Фотограмметрия 179 Полевые исследования 180 Глобальная система определения местоположения 180 Интернет 181 Добавление атрибутивных данных 181

9.7. Проверка данных и устранение ошибок 181 9.8. Географическая привязка данных 183

Географическая система координат 183 Прямоугольная система координат 184 Бескоординатный способ привязки 186

9.9. Ошибки в пространственных данных 187 Ошибки и качество данных 187 Ошибки, точность и погрешности измерения 187 Смещение 187 Разрешение 187 Генерализация 188 Полнота, совместимость, целостность и применимость данных 188 Источники ошибок 188

9.10. Пространственные модели 192 Объектная модель данных 192 Полевая модель 193

9.11. Структуры пространственных данных 194 Структуры растровых данных 194 Структура векторных данных 196

9.12. Моделирование поверхности 197 Растровые модели 198 Векторные модели 198

9.13. Моделирование сетей 199 9.14. База данных ГИС и система управления базами данных 200

База данных ГИС 201 Система управления базами данных 202 Иерархические базы данных 204 Сетевые базы данных 204 Реляционные базы данных 205 Объектно-ориентированные базы данных 207 Выбор оптимальной структуры БД 208


Глава 10. Анализ пространственных данных 209 10.1. Введение 209 10.2. Основные термины 209 10.3. Измерение расстояния, периметра и площади 210 10.4. Запросы 212 10.5. Реклассификация 212 10.6. Буферные зоны и функции анализа окрестности 213 10.7. Объединение данных, картографическое наложение 216

Наложение векторных слоев 217 Наложение точек на полигоны 217 Наложение линий на полигоны 217 Наложение полигонов на полигоны 218 Наложение растровых слоев 219

10.8. Пространственная интерполяция 219 Классификация методов интерполяции 222 Метод полигонов Тиссена 223 Нерегулярная триангуляционная сеть 224 Метод скользящего среднего 225

10.9. Анализ поверхностей 226 Создание наборов данных для новой ЦМР 226 Расчет топографических атрибутов и извлечение пространственных объектов 227 Вычисление наклона и экспозиции 229 Анализ видимости 229

10.10. Анализ сетей 230 Задача поиска оптимального пути 231 Трассировка маршрута 231 Задача коммивояжера 231 Модель «идентификация — аллокация» 232

10.11. Методы визуализации рельефа 232 Двумерное представление рельефа 232 Представление рельефа условной размерности 2,5 233 Трехмерные методы представления рельефа 234 Динамическая визуализация рельефа 234

Глава 11. Применение ГИС 235 11.1. Введение 235 11.2. Постановка задачи 235 11.3. Создание модели данных 236 11.4. Управление проектом 237 11.5. Проблемы внедрения 237 11.6. Тестирование 238 11.7. Примеры использования 238

Планирование развития городской инфраструктуры 239 Анализ опасности дорожно-транспортных происшествий 242 Анализ водных ресурсов 243 Туристическая информационная система 245


База данных землетрясений и сейсмологическая информационная система 246 Задача дренирования чайных плантаций 247 База знаний для военного использования 249

Глава 12. Тенденции развития ГИС 251 12.1. Введение 251 12.2. Новые методы обработки данных

дистанционного зондирования 251 Линейная модель смешанных пикселов 253 Методы нечеткой классификации 253 Нейросетевые методы классификации 257 Алгоритм обратного распространения ошибок 259 Нейронные сети с конкурентным обучением и последующим применением алгоритма квантования данных 262

12.3. Оценка точности классификации 265 Оценки точности, основанные на вычислении расстояния 265 Оценки точности классификации, основанные на нечеткой матрице ошибок 267

12.4. Новое в ГИС 269 12.5. Интернет-ГИС 269

Клиентский интерфейс 274 12.6. Мобильные ГИС 275

Уровень представления 279 Уровень W A P - с е р в и с о в 2 7 9 Уровень приложений 280 Уровень данных 280

12.7. Открытый ГИС-консорциум 281 12.8. Системы поддержки принятия решения 283

Характеристики СППР 284 Архитектура СППР 285 Функциональный подход 286 Инструментальный подход 286 Подход, основанный на базе знаний 286 Функциональная схема СППР 286

Программные решения и услуги в области цифровой фотограмметрии и дистанционного зондирования Земли 289

PHOTOMOD® 290 PHOTOMOD® GeoMosaic 300 PHOTOMOD® Radar 301 PHOTOMOD® Radar. Модульная структура 302 Модуль анализа и улучшения изображений: 303 Процессор распознавания нефтяных пятен 304 Производственные проекты 305

ГЛАВА I

ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ

1.1. Введение

Дистанционное зондирование (ДЗ) определяют как процесс или метод по-лучения информации об объекте, участке поверхности или явлении пу-тем анализа данных, собранных без контакта с изучаемым объектом [13]. Суть метода заключается в интерпретации результатов измерения элек-тромагнитного излучения, которое отражается либо излучается объектом и регистрируется в некоторой удаленной от него точке пространства [54]. С помощью дистанционного зондирования изучают физические и хими-ческие свойства объектов. Примерами естественных форм ДЗ являются зрение, обоняние и слух человека. К методам дистанционного зондиро-вания относят и фотографическую съемку, существенным ограничением которой является то, что эмульсионный слой фотопленки чувствителен только к излучению в видимой либо близкой к ней части электромагнит-ного спектра.

Методы ДЗ, обсуждаемые в этой книге, основаны на использовании сенсоров, которые размещаются на космических аппаратах и регистриру-ют электромагнитное излучение в форматах, существенно более приспо-собленных для цифровой обработки, и в существенно более широком диа-

Рис. 1.1. Интеграция данных дистанционного зондирования в ГИС

1.2. Схема дистанционного зондирования 15

пазоне электромагнитного спектра. В большинстве методов ДЗ используют инфракрасный диапазон отраженного излучения, тепловой инфракрасный и радиодиапазон электромагнитного спектра.

Процесс сбора данных дистанционного зондирования и их использо-вание в географических информационных системах (ГИС) схематически представлены на рис. 1.1.

1.2. Схема дистанционного зондирования

Идеальная схема дистанционного зондирования показана на рис. 1.2. Ее составляющими являются источник электромагнитного излучения, процесс распространения излучения и его взаимодействие с веществом объекта, ответный сигнал, регистрация данных и предоставление их по-требителям [13]. В этой модели источник генерирует электромагнитное излучение с высоким уровнем энергии во всем диапазоне длин волн, при-чем интенсивность излучения является известной величиной, которая не зависит от длины волны. Излучение не взаимодействует с атмосферой и распространяется через нее без потери энергии. Падающее излучение взаимодействует с веществом объекта, в результате чего возникает от-раженное либо собственное вторичное излучение, однородное во всем диапазоне длин волн.

Излучение от объекта попадает на сенсор, который регистрирует про-странственную информацию. Идеальный сенсор должен иметь простую и компактную конструкцию и обладать высокой точностью. Кроме того, он должен почти не потреблять энергии для своей работы.

Данные, зарегистрированные сенсором, передаются на наземную станцию, где мгновенно преобразуются в интерпретируемую форму, которая позволяет идентифицировать все части изучаемого объекта по их физическим, химическим и биологическим свойствам. В этом виде

Рис. 1.2. Идеальная схема дистанционного зондирования

12 Глава 1. Дистанционное зондирование

данные предоставляются потребителям, которые, тем не менее, должны обладать большим опытом использования материалов ДЗ в своих пред-метных областях.

Конечно, на практике идеальной системы дистанционного зондирова-ния не существует в силу следующих причин:

1. Ни один источник не способен обеспечить однородность потока из-лучения как в пространстве, так и во времени.

2. Из-за взаимодействия излучения с газами атмосферы, молекулами водяного пара и атмосферными частицами изменяется интенсив-ность излучения и его спектр.

3. Одно и то же вещество при разных условиях может иметь разную спектральную чувствительность. В то же время, спектральная чув-ствительность разных веществ может совпадать.

4. На практике не существует идеального сенсора, с помощью которо-го можно было бы регистрировать все длины волн электромагнит-ного спектра.

5. Из-за технических ограничений передача данных и их интерпрета-ция иногда выполняются с задержкой по времени. Формат переда-ваемых данных также может отличаться от того, который требуется потребителю, и в результате потребитель получает данные в нуж-ном формате лишь спустя некоторое время.

6. Потребители могут не обладать необходимой информацией о па-раметрах сбора данных ДЗ и не иметь достаточного опыта для их анализа и дешифрирования.

1.3. История развития методов дистанционного зондирования

Понятие дистанционного зондирования появилось в XIX веке вслед за изобретением фотографии, а одной из первых областей, в которых стали применять этот метод, стала астрономия. Впоследствии, дистанционное зондирование начали использовать в военной области для сбора информа-ции о противнике и принятия стратегических решений. Во время Граждан-ской войны в США фотоснимки, полученные с помощью неуправляемых летательных аппаратов, служили для наблюдения за перемещением войск, подвозом припасов, ходом фортификационных работ и для оценки эф-фекта артиллерийских обстрелов. В результате исследований, которые фи-нансировались различными государствами, были разработаны технологии, позволившие создать сенсоры сначала для военных целей, а затем и для гражданского применения этого метода. После Второй мировой войны ме-тод дистанционного зондирования стали использовать для наблюдения за окружающей средой и оценки развития территорий, а также в граждан-ской картографии. В 60-х годах XX века, с появлением космических ракет и спутников, дистанционное зондирование вышло в космос.

Новая эра дистанционного зондирования связана с пилотируемыми космическими полетами, разведывательными, метеорологическими и ре-сурсными спутниками.

1.3. История развития методов дистанционного зондирования

Возможности ДЗ в военной области значительно возросли после 1960 года в результате запуска разведывательных спутников в рамках про-грамм CORONA, ARGON и LANYARD, целью которых было получение фотоснимков с низких орбит. Вскоре были получены стереопары снимков с разрешением 2 метра. Первые спутники работали на орбите от семи до восьми дней, но уже следующие поколения этих аппаратов были способны поставлять данные в течение нескольких месяцев.

В результате осуществления программ пилотируемых полетов, кото-рые были начаты в США в 1961 году, человек впервые высадился на по-верхность Луны (1969 г.). Следует отметить программу Mercury, в рамках которой были получены снимки Земли, систематический сбор данных дистанционного зондирования во время проекта Gemini (1965—1966 гг.), программу Apollo (1968—1975 гг.), в ходе которой велось дистанционное зондирование земной поверхности (ДЗЗ) и состоялась высадка человека на Луну, запуск космической станции Skylab (1973—1974 гг.), на кото-рой проводились исследования земных ресурсов, полеты космических кораблей многоразового использования, которые начались в 1981 году, а также получение многозональных снимков с разрешением 100 метров в видимом и близком инфракрасном диапазоне с использованием девяти спектральных каналов.

В Советском Союзе, а затем в России космические программы раз-вивались параллельно космическим программам США. Полет Юрия Га-гарина 12 апреля 1961 года, ставший первым полетом человека в космос, запуски космических кораблей «Восток» (1961—1963 гг.), «Восход» (1964— 1965 гг.) и «Союз», работа на орбите космических станций «Салют» (впер-вые 19 апреля 1971 года), — это лишь небольшая часть того, что следовало бы упомянуть в этой книге.

Первый метеорологический спутник был запущен в США 1 апреля 1960 года. Он использовался для прогноза погоды, наблюдения за пере-мещением циклонов и других подобных задач. Первым среди спутников, которые применялись для регулярной съемки больших участков земной поверхности, стал TIROS-1 {Television and Infrared Observation Satellite).

Первый специализированный спутник был запущен в 1972 году. Он на-зывался ERTS-1 (Earth Resources Technology Satellite) и использовался, в основ-ном, для целей сельского хозяйства. В настоящее время спутники этой серии носят название Landsat. Они предназначены для регулярной многозональ-ной съемки территорий со средним разрешением. Позже, в 1978 году, был запущен первый спутник со сканирующей системой SEASAT, но он пере-давал данные всего три месяца. Первый французский спутник серии SPOT, с помощью которого можно было получать стереопары снимков, был вы-веден на орбиту в 1985 году. Запуск первого индийского спутника дистан-ционного зондирования, названного IRS (Indian Remote Sensing), состоялся в 1988 году. Япония также вывела на орбиту свои спутники JERS и MOS. Начиная с 1975 года, Китай периодически запускал собственные спутники, но полученные ими данные до сих пор находятся в закрытом доступе. Евро-пейский космический консорциум вывел на орбиту свои радарные спутники ERS в 1991 и 1995 годах, а Канада — спутник RADARSAT в 1995 году.


1900 1960 1970 1980 1990 2000 годы yvv • I J . i

Аэрофотосъемка

Видимый и Радары Серия Landsat ИК-диапазон Серия Landsat

SEASAT SPOT

HCMM Topex-Poseidon

Космические корабли Mercury Skylab многоразового использования

Gemini

ш X Jjjo RADASAT

SeaWiFS

ADEOS • 1

^CORONA Военные спутники

X Метеорологические спутники

Рис. 1.3. Время работы различных платформ дистанционного зондирова-ния [31]

Интервалы работы различных космических комплексов ДЗ на орбите показаны на рис. 1.3.

1.4. Этапы дистанционного зондирования и анализа данных

Дистанционное зондирование можно рассматривать как составную часть информационной системы. Во многих областях данные ДЗ являются ключевым компонентом в процессе принятия решений. Простая замкну-тая схема такого процесса без обратных связей показана на рис. 1.4. На-чальная точка, которая одновременно является и конечной точкой всего процесса, — информационные запросы групп специалистов. По суще-ству, потребитель, а точнее, его нужды — это самое главное звено любой системы управления информацией. На схеме представлены различные дисциплины, связанные с Землей и ее ресурсами. Глобус на заднем пла-не символизирует глобальный масштаб такой системы. Информационные запросы логически связаны с требованиями заказчиков и потребителей продукции к материалам ДЗ.

Оптимальный способ использования данных наблюдения поверхности Земли со спутников заключается в том, чтобы анализировать их совместно с информацией из других источников, — в этом случае они становятся не-обходимой составляющей процесса принятия решений и моделирования в любой предметной области. Еще один важный принцип дистанционного зондирования — многокомпонентность — реализуется в виде различных методов съемки и анализа данных.

1.4. Этапы дистанционного зондирования и анализа данных 19

Сбор данных ДЗЗ Данные полевых

исследований (снимки, ^ магнитофонные записи)

Система хранения и извлечения данных

(карты, отчеты, результаты

исследований)

Рис. 1.4. Процесс получения и анализа данных дистанционного зондирования

Стереосъемка. Получение снимков с перекрытием из нескольких после-довательных точек орбиты позволяет получить более точное представление о трехмерных объектах и повысить отношение сигнал/шум.

Многозональная съемка. Использование многозональных снимков основа-но на уникальности тоновых характеристик различных объектов. Объедине-ние яркостных данных из снимков в различных спектральных диапазонах по-зволяет безошибочно выделять определенные пространственные структуры.

Многовременная съемка. Плановая съемка в заранее определенные даты позволяет выполнять сравнительный анализ снимков тех объектов, харак-теристики которых изменяются во времени.

Многоуровневая съемка. Съемку с различными уровнями дискретизации используют для получения все более подробной информации об изучаемой территории. Как правило, весь процесс сбора данных подразделяют на три уровня: космическая съемка, аэросъемка и наземные исследования.

Многополяризационная съемка. Снимки, полученные этим методом, ис-пользуют для проведения границ между объектами на основе различий в поляризационных свойствах отраженного излучения. Так, например, от-раженное излучение от водной поверхности обычно более сильно поляри-зовано, чем отраженное излучение от растительного покрова.

Комбинированный метод. Заключается в использовании многовремен-ной, многозональной и многополяризационной съемки.

Междисциплинарный анализ. Обработку и дешифрирование данных вы-полняют несколько человек, специализирующихся в разных предметных областях. Это позволяет получить более полную и достоверную информа-цию о состоянии природных ресурсов. Результаты такого анализа обычно представляют в виде набора тематических карт.


Подавляющее большинство данных дистанционного зондирования имеет географическую привязку. Поскольку такие данные изучают, как правило, во взаимосвязи друг с другом, для каждодневной работы и приня-тия решений необходимо иметь эффективное средство манипулирования данными. Таким автоматизированным средством является географическая информационная система — инструмент единого подхода к управлению и обработке пространственной информации, включая и материалы дис-танционного зондирования.

1.5. Преимущества и недостатки данных дистанционного зондирования

Данные спутниковой съемки содержат полезную информацию, полу-ченную в различных спектральных диапазонах, и, кроме того, сохра-няются в цифровом виде. Поскольку космические снимки охватывают большие области, их можно использовать для тематических региональ-ных исследований и идентификации крупных пространственных объ-ектов, в частности, структур рельефа. Регулярная съемка территорий позволяет проводить мониторинг водных ресурсов, агротехнического состояния сельскохозяйственных культур, эродированности почв, раз-вития инфраструктуры городов и других процессов, объектов и яв-лений, которые изменяются под воздействием природных и антропо-генных факторов. С помощью космической съемки достаточно просто получить данные о труднодоступных областях. Еще одним преимуще-ством ДЗ является возможность получения снимков разного разреше-ния, что позволяет применять данные ДЗ для решения различных за-дач в разных предметных областях. Поскольку анализ материалов ДЗ выполняется камерально, требуется меньше полевых исследований, что окупает затраты на приобретение данных. Экономически эффектив-ным является и применение космических снимков для оперативного обновления средне- и мелкомасштабных карт. Цветные изображения, формируемые на основе данных ДЗ в трех спектральных каналах, несут больше информации, чем отдельные наземные или аэрофотоснимки, а стереопары снимков дают возможность проводить трехмерный анализ пространственных объектов. И, наконец, цифровой формат материалов ДЗ и использование компьютеров для их обработки и анализа обеспе-чивают быстрое получение результатов.

Помимо преимуществ у данных дистанционного зондирования есть, конечно же, и недостатки. Для их обработки и анализа требуются очень высокая квалификация и большой практический опыт. Использование таких данных становится экономически неэффективным при единичных исследованиях небольших территорий. Космические снимки нельзя ис-пользовать для создания планов в инженерных целях. Программное обе-спечение, которое применяется для обработки цифровых снимков, также имеет высокую стоимость. Кроме того, если результаты дешифрирования материалов ДЗ не подтверждены полевыми исследованиями, к ним надо относиться с большой осторожностью.

1.6. Области применения данных дистанционного зондирования

1.6. Области применения данных дистанционного зондирования

Области применения космических снимков можно разделить на пять об-щих категорий:

1. Использование снимка в качестве простейшей карты или, точнее, осно-вы, на которую можно наносить данные из других источников в отсут-ствие более точных карт, отображающих современную обстановку.

2. Определение пространственных границ и структуры объектов для определения их размеров и измерения соответствующих площадей. При этом очень важно предварительно провести геометрическую коррекцию снимка.

3. Инвентаризация пространственных объектов на определенной тер-ритории.

4. Оценка состояния территории. 5. Количественная оценка некоторых свойств земной поверхности. Дистанционное зондирование является перспективным методом формиро-

вания баз данных, пространственное, спектральное и временное разрешение которых будет достаточным для решения задач рационального использования природных ресурсов. Ресурсы Земли не бесконечны, и поскольку их эксплуа-тация увеличивается по мере роста количества и уровня жизни населения, все более насущной становится задача их разумного и бережливого использова-ния. В этом отношении дистанционное зондирование является эффективным методом инвентаризации природных ресурсов и мониторинга их состояния.

Поскольку дистанционное зондирование позволяет получать информа-цию о любых областях Земли, включая поверхность морей и океанов, сферы применения этого метода действительно безграничны. Сельское и лесное хозяйство, география, геология, археология, метеорология и климатология, исследования морской среды, оценка состояния и использования водных ресурсов — вот неполный перечень сфер применения данных ДЗ.

Основой для эксплуатации природных ресурсов служит анализ инфор-мации о землепользовании и состоянии земных покровов. Помимо сбора такой информации дистанционное зондирование используют также для изучения таких природных катастроф, как землетрясения, наводнения, оползни и оседания почвы. Краткая сводка областей применения данных ДЗ представлена в табл. 1.1.

Табл. 1.1. Некоторые области применения данных дистанционного зонди-рования

Сельское и лесное

хозяйство

Землеполь-зование

Геология Водные ресурсы

Океаногра-фия

Изучение окружающей

среды Определе-ние типов раститель-ности

Классифи-кация зем-лепользо-вания

Определе-ние типа горной по-роды

Картогра-фирование границ во-дных по-верхностей

Исследова-ние живых организмов

Монито-ринг мест разработки месторожде-ний


Табл. 1.1. Некоторые области применения данных дистанционного зонди-рования (продолжение)

Сельское и лесное

хозяйство

Землеполь-зование

Геология Водные ресурсы

Океаногра-фия

Изучение окружающей

среды Прогноз урожайно-сти и кон-троль со-стояния посевов

Картогра-фирование и обновле-ние карт

Картогра-фирование основных геологиче-ских струк-тур

Картогра-фирование мест зато-пления

Исследова-ние течений и мутности воды

Картогра-фирование и монито-ринг загряз-нения во-дной среды

Инвентари-зация лесов

Оценка пригодно-сти земель

Обновление геологиче-ских карт

Определе-ние границ и толщины снежного покрова

Картогра-фирование изменений береговой линии

Монито-ринг загряз-нения воз-душной среды

Оценка со-стояния пастбищ и опреде-ление рас-тительной биомассы

Разделение городских и сельских террито-рий

Определе-ние границ рыхлых от-ложений

Гляциоло-гия

Картогра-фирова-ние рельефа мелководно-го шельфа

Определе-ние послед-ствий при-родных катастроф

Исследова-ние состо-яния рас-тительного покрова

Региональ-ное плани-рование

Картогра-фирование вулканиче-ских интру-зий

Изуче-ние «цвете-ния воды», переноса и осаждения наносов

Слежение за ледовой об-становкой

Монито-ринг антро-погенного влияния на окружаю-щую среду

Определе-ние нагруз-ки на рас-тительный покров

Эксплуата-ция транс-портных сетей

Картогра-фирование новейших вулканоген-ных отложе-ний

Инвентари-зация озер

Изучение волн и оке-анических вихрей

Определе-ние состо-яния по-чвенного покрова

Картогра-фирование границ во-дных объ-ектов

Картогра-фирование форм ре-льефа

Определе-ние границ ирригаци-онных по-лей

Определе-ние состава почв

Выявление региональ-ных струк-тур

Оценка рас-простране-ния лесных пожаров

Выявление линеамен-тов

ГЛАВА 2

ЭЛЕКТРОМАГНИТНОЕ ИЗЛУЧЕНИЕ


Основу дистанционного зондирования составляет измерение энергии элек-тромагнитного излучения от различных источников, важнейшим из кото-рых является Солнце. Спектр солнечного излучения содержит все длины волн, и некоторые его части чрезвычайно важны для человека. В частно-сти, к ним относится диапазон видимого света и ультрафиолетовый диа-пазон, излучение в котором может быть опасно для человеческой кожи.

Множество сенсоров, которые используются в дистанционном зондиро-вании, предназначены для измерения параметров отраженного солнечного света. Другие регистрируют собственное излучение Земли либо сами яв-ляются источниками излучения. Для понимания принципов работы этих сенсоров необходимо знание физических основ электромагнитного излуче-ния, его характеристик и того, как происходит взаимодействие излучения с веществом. Эти знания важны и для правильной интерпретации данных дистанционного зондирования.

В этой главе объясняется, что такое электромагнитное излучение, ка-ковы его источники и из каких частей состоит его спектр. Здесь также обсуждается взаимодействие электромагнитного излучения с атмосферой и земной поверхностью.

2.2. Характеристики электромагнитного излучения

Электромагнитное излучение можно представить в виде волн или в виде потока фотонов — частиц, каждая из которых несет определенную долю энергии. В волновой модели электромагнитное излучение распространяет-ся в виде синусоидальных волн, которые характеризуются двумя взаимно перпендикулярными векторами: вектором электрического поля Е и век-тором магнитного поля М. Эта двойственность и является причиной того, почему излучение называют электромагнитным. Направления колеба-ний обоих полей перпендикулярны направлению распространения волны (рис. 2.1), а скорость их распространения равна скорости света с и состав-ляет 299 790 ООО м/с. Последнее значение можно округлить до 3 х Ю8 м/с. Для понимания физических основ дистанционного зондирования особен-но важным является понятие длины волны А. Эту величину определя-ют как расстояние между двумя последовательными волновыми гребнями

24 Глава 2. Электромагнитное излучение

Электрическое поле

и измеряют в метрах или долях метра, таких как микрометр (мкм, Ю-6 м) или нанометр (нм, 10"9 м).

Другой важной характеристикой электромагнитных волн является кру-говая частота v — количество циклов волновых колебаний в фиксирован-ной точке пространства за определенный интервал времени. Частоту обыч-но измеряют в герцах (Гц). Один герц — это частота, равная одному циклу колебаний в секунду. Поскольку скорость света — величина постоянная, длина волны и частота обратно пропорциональны друг другу:

u - f <2л> Хотя волновая модель описывает большинство свойств электромагнитно-

го излучения, для некоторых задач удобнее использовать корпускулярную теорию, в которой излучение моделируется потоком фотонов. В частно-сти, этот подход полезен при определении количества энергии, измеряемой многозональным сенсором. При заданной длине волны энергия фотона Q определяется как

Q = hv

или

Q = А р (2.2)

где h — постоянная Планка (6,6262 х 1034 Дж • с). Из формулы (2.2) следует, что чем больше длина волны, тем меньше энергия фотона. Наибольшей энергией обладает гамма-излучение (длина волны около Ю-9 м), а наимень-шей — радиоволны (длина волны более 1 м). Отметим также, что коротко-волновое излучение поддается измерению легче, чем длинноволновое.

Электромагнитный спектр и его характеристики

Любое тело, температура которого выше абсолютного нуля (О К), является источником электромагнитного излучения, поскольку его молекулы на-ходятся в возбужденном состоянии, которое отличается от состояния пол-

2.2. Характеристики электромагнитного излучения

При увеличении Т пик кривой сдвигается в сторону более коротких волн, а суммарная площадь под кривой увеличивается

1.0 2.0 3.0 4.0 5.0 6.0 7.0 Длина волны, мкм

8.0

Рис. 2.2. Интенсивность излучения абсолютно черного тела

ного покоя. В частности, такими источниками являются Солнце и Земля. Тело, которое способно полностью поглощать все падающее на него элек-тромагнитное излучение, а затем заново его испускать, называют абсолют-но черным телом. У абсолютно черного тела излучательная способность е и поглощательная способность а равны единице.

Количество излучаемой объектом энергии зависит от его абсолютной температуры и излучательной способности и является функцией длины волны. На рис. 2.2 показана интенсивность излучения абсолютно черного тела при разных значениях температуры. Площадь под каждой кривой ха-рактеризует суммарную энергию излучения. Из рисунка видно, что при вы-соких значениях температуры возрастает вклад коротковолнового излуче-ния. Так, пик излучения при температуре 400° С соответствует длине волны 4 мкм, а при температуре 1000° С — длине волны 2,5 мкм. Излучательные свойства реальных тел по отношению к таковым абсолютно черного тела характеризуют величиной, которую называют излучательной способностью. Поскольку абсолютно черных тел в природе не существует, излучатель-ная способность природных объектов меньше единицы. Это означает, что только часть полученной энергии (обычно около 80—98%) возвращается такими объектами в виде излучения, а остальная ее часть полностью ими поглощается.

Электромагнитный спектр

Все тела при температуре выше абсолютного нуля излучают электромаг-нитные волны, которые могут иметь разную длину волны. Диапазон длин волн от гамма-излучения до радиоволн принято называть электромагнит-ным спектром (рис. 2.3).

При дистанционном зондировании используют несколько диапазонов электромагнитного спектра. Ту его часть, в которой применимы законы


0.4 0.5 0.6 0.7 (мкм)

УФ « 1 -ЬЧ V « Б я S и О «г-ГО х

\ Видимый

л я Ближний инфракрасный

Длина волны, мкм

ю-* 10"5 10 ю- 1 0 " 10 102 103 ю4 10s ю6 ю7 ю8 ю9

Т * £ £ 5 S

4 2 I

I P « m о и 3 2 «и й П

Рис. 2.3. Диапазоны электромагнитного спектра

оптики, называют оптическим диапазоном. Законы оптики описывают та-кие явления, как отражение и преломление, которые можно использовать для фокусировки излучения. К оптическому диапазону относится рентге-новское излучение (0,002 мкм), видимый свет и инфракрасное излучение вплоть до дальней зоны (1000 мкм). Наименьшие длины волн, которые используют при дистанционном зондировании, относятся к ультрафиоле-товой части спектра, расположенной непосредственно за фиолетовой зоной видимого диапазона. Некоторые породы земной поверхности, в частности основные породы и минералы, испускают под действием ультрафиолетово-го излучения видимый свет. Диапазон длин волн от 1 мм до 1 м называют микроволновым или СВЧ-диапазоном.

Видимый диапазон, который часто называют световым, занимает от-носительно небольшую часть электромагнитного спектра. Важно, что это единственный диапазон, в котором применимо понятие цвета. Основны-ми цветами принято считать синий, зеленый и красный. Это относится и к соответствующим диапазонам видимого спектра.

Наибольшие длины волн, которые используют при дистанционном зондировании, принадлежат тепловому инфракрасному и микроволново-му диапазонам. Тепловое инфракрасное излучение содержит информацию о температуре поверхности, которая может быть связана, например, с ми-неральным составом пород или с определенной растительностью. Микро-волновый диапазон используют для получения информации о шероховато-сти и других свойствах поверхности, в частности о содержании влаги.

2.3. Взаимодействие излучения с атмосферой

Основным источником электромагнитного излучения является Солнце. Пре-жде чем солнечное излучение достигнет Земли, оно должно пройти через атмосферу. Выделяют три основных типа взаимодействия излучения с атмос-ферой: поглощение, перенос и рассеивание. Излучение, прошедшее через ат-мосферу, затем отражается или поглощается земной поверхностью (рис. 2.4).

2.3. Взаимодействие излучения с атмосферой 27

Рис. 2.4. Взаимодействие излучения с веществом

Поглощение и перенос излучения в атмосфере

При распространении электромагнитного излучения через атмосферу оно частично поглощается молекулами различных газов. Наибольшей способ-ностью к поглощению солнечного излучения обладают озон (Оэ), пары воды (Н20) и углекислый газ (С02). На рис. 2.5 показана кривая прозрачности атмосферы в диапазоне длин волн от 0 до 22 мкм. Видно, что примерно по-ловина этого спектрального диапазона является совершенно бесполезной с точки зрения дистанционного зондирования земной поверхности, просто потому, что соответствующее излучение не может пройти через атмосферу. Для дистанционного зондирования используют только те диапазоны длин волн, которые лежат вне основных интервалов поглощения. Такие диапа-зоны называются окнами прозрачности атмосферы. К ним относятся окно прозрачности в видимом и инфракрасном диапазоне от 0,4 до 2,0 мкм, в котором «работают» оптические сенсоры и человеческое зрение, а также три окна прозрачности в тепловом инфракрасном диапазоне: два узких окна вблизи 3 и 5 мкм и одно относительно широкое в интервале прибли-зительно от 8 до 14 мкм.

Из-за молекул воды в атмосфере наиболее сильное поглощение наблю-дается при длинах волн в диапазоне от 33 мкм до 1 мм. Атмосфера почти не пропускает излучения. Еще одним более или менее прозрачным диапа-


Рис. 2.5. Окна прозрачности атмосферы [48]



Рис. 2.6. Спектр солнечного излучения [48]

зоном является микроволновый диапазон, соответствующий длинам волн больше 1 мм.

Спектр солнечного излучения до и после его прохождения через атмос-феру Земли показаны на рис. 2.6. Из рисунка видно, что кривая интенсив-ности солнечного излучения до его прохождения через атмосферу хорошо соответствует кривой интенсивности излучения абсолютно черного тела при температуре 6000 К. Сравнивая первую кривую с кривой, полученной вблизи поверхности Земли, можно выделить области относительно низких значений, соответствующие окнам поглощения различных атмосферных газов.

Рассеивание излучения

Причиной рассеивания является изменение направления распростране-ния электромагнитных волн из-за их взаимодействия с молекулами газов и присутствующих в атмосфере частиц. Величина рассеивания зависит от длины волны электромагнитного излучения, количества частиц и кон-центрации атмосферных газов, а также длины пути распространения из-лучения через атмосферу. В диапазоне видимого света доля рассеянного излучения при регистрации сенсором составляет от 100% при сплошной облачности до 5% при абсолютно ясном небе. Выделяют три типа рассеи-вания в атмосфере.

Рассеивание Релея

Релеевское рассеивание доминирует при условии, что электромагнитное излучение взаимодействует с частицами, размер которых меньше длины волны падающего света. Примерами таких объектов могут служить части-цы пыли, молекулы азота (N2) и кислорода (02). Величина релеевского рас-

2.4. Взаимодействие излучения с поверхностью Земли 25

сеивания обратно пропорциональна длине волны, т. е. чем меньше длина волны, тем сильнее рассеивание.

В отсутствие рассеивания небо было бы черным. В дневное время сол-нечные лучи проходят через атмосферу по кратчайшему пути. В этой ситу-ации релеевское рассеивание приводит к тому, что человек видит небо си-ним, поскольку синий свет обладает наименьшей длиной волны, которую может наблюдать человеческий глаз. На закате и восходе солнечные лучи проходят более длинный путь через атмосферу. Коротковолновая часть из-лучения успевает рассеяться, и поверхности Земли достигают только волны с относительно большой длиной волны. В результате небо окрашивается в оранжевый или красный цвет.

В условиях дистанционного зондирования с помощью спутников основным видом рассеивания является именно релеевское. Вызванное им искажение спектральных характеристик отраженного света по сравнению с измерениями вблизи земной поверхности приводит к тому, что интенсив-ность регистрируемого коротковолнового излучения оказывается завышен-ной. Релеевское рассеивание является причиной снижения контрастности снимков и отрицательно влияет на возможность их дешифрирования. При работе с цифровыми снимками, полученными с помощью сканирующих систем, искажение спектральных характеристик земной поверхности может существенно ограничить возможности классификации объектов.

Рассеивание Ми

Рассеивание этого типа возникает, если длина волны падающего излуче-ния сравнима с размерами частиц. Наиболее важной причиной рассеи-вания Ми являются аэрозоли, представляющие собой смесь газов, паров воды и частиц пыли. Как правило, рассеивание Ми возникает в нижних слоях атмосферы, где крупные частицы встречаются чаще, и доминиру-ет в условиях сплошной облачности. Рассеивание этого типа проявляется в нескольких спектральных диапазонах: от ближнего ультрафиолетового до ближнего инфракрасного.

Неселективное рассеивание

Неселективное рассеивание возникает при условии, что размер частиц су-щественно больше длины волны излучения. К таким частицам относятся капли воды и крупные частицы пыли. Неселективное рассеивание не зависит от длины волны и наиболее отчетливо проявляется при наличии облаков, содержащих водные капли. Поскольку излучение с разной длиной волны рассеивается одинаково, облака выглядят белыми. В условиях сплошной об-лачности излучение в оптическом диапазоне не проникает через атмосферу.

2.4. Взаимодействие излучения с поверхностью Земли

Различают три основных типа взаимодействия падающего электромагнит-ного излучения с объектами на поверхности Земли: отражение, поглоще-


ние и пропускание (см. рис. 2.4). Соотношение, связывающее между собой три компонента излучения после его взаимодействия с поверхностью, мож-но получить из закона сохранения энергии. Учитывая, что все компоненты являются функциями длины волны, запишем это соотношение в следую-щем виде:

где EF(X) — энергия падающего излучения, ЕК — энергия отраженного из-лучения, ЕЛ — поглощенная энергия, ЕТ — энергия излучения, прошедшего через вещество.

Свойства отраженного, поглощенного и пропущенного излучения раз-личаются для разных объектов на поверхности Земли и зависят от веще-ства объекта и физических условий, в которых он находится. Эти различия и позволяют идентифицировать объекты на снимке. Даже у объектов одно-го типа соотношение между поглощенным, отраженным и пропущенным излучением зависит от длины волны. В результате, два объекта могут ока-заться неразличимыми в одном спектральном диапазоне, но хорошо разли-чимыми в другом. В видимой части спектра эти различия воспринимаются как изменения цвета. Объекты кажутся синими, когда они отражают боль-шую часть излучения в синей части спектра, и зелеными, когда максимум их отражательной способности приходится на зеленый спектральный диа-пазон. То же самое относится и к любому другому цвету. Амплитудные ва-риации спектра отраженного излучения используют для дешифрирования различных объектов на снимке.

Поскольку множество систем дистанционного зондирования работает в тех спектральных диапазонах, где доминирует отраженное излучение, от-ражательные свойства различных объектов играют очень важную роль при их идентификации. В этой связи равенство (2.3) полезно записать в виде соотношения (2.4), в котором энергия отраженного излучения полагается равной энергии падающего излучения за вычетом либо поглощенной энер-гии, либо энергии пропущенного излучения:

Также важно учитывать геометрические характеристики отражения, которые в основном зависят от неровности поверхности. На плоской по-верхности наблюдается зеркальное отражение, при котором угол отраже-ния равен углу падения. На неровной поверхности возникает диффузное (или ламбертово) отражение, при котором падающее излучение отражается равномерно во всех направлениях. В реальной ситуации отражение носит смешанный характер.

Зависимость характеристик отражения от геометрии поверхности по-казана на рис. 2.7, на котором представлены различные виды отражения. Категория поверхности зависит от отношения размеров ее неровностей к длине волны падающего излучения. Так, например, в видимом диапазоне песчаный пляж является неровной поверхностью, но в более длинновол-

EFIK) = ER(X) + ЕА(Х) + ЕТ(А), (2.3)

ER(X) = EF(X) - [ЕА(Х) + ЕТ№ (2.4)


Угол

Идеальный зеркальный отражатель

Почти идеальный зеркальный отражатель

Почти идеальный диффузный отражатель

Идеальный диффузный отражатель (поверхность

Ламберта)

Рис. 2.7. Зеркальное и диффузное отражение [48]

новой части электромагнитного спектра он ведет себя как плоская поверх-ность. Иными словами, если длина волны падающего излучения много меньше вариаций высоты поверхности или размеров слагающих ее частиц, то отражение будет диффузным.

В отличие от зеркального отражения, спектр излучения, образованного при диффузном отражении, содержит информацию о цвете поверхности. Именно поэтому измерение диффузных отражательных характеристик раз-личных территорий является важной составляющей дистанционного зон-дирования.

Отражательные свойства земной поверхности можно охарактеризовать, измерив относительную долю энергии отраженного излучения как функ-цию длины волны. Эта функция называется спектральной отражательной способностью (рх) и определяется как

График зависимости спектральной отражательной способности объекта от длины волны называется кривой спектральной отражательной способности. Вид этого графика позволяет изучить спектральные характеристики объекта и имеет большое значение при выборе спектрального диапазона, в котором будет проводиться сбор данных дистанционного зондирования для опреде-ленной исследовательской задачи. На рис. 2.8 показаны усредненные кривые спектральной отражательной способности лиственных и хвойных деревьев. Каждая из этих кривых представляет собой огибающую некоторого набо-ра значений, поскольку значения спектральной отражательной способности у разных видов лиственных и хвойных деревьев, так же как и у отдельных деревьев одного и того же вида, никогда полностью не совпадают.

Кривые спектральной отражательной способности

Энергия падающего излучения характеризует освещенность объекта, а энергия отраженного излучения — его яркость. Каждый объект облада-ет собственной кривой спектральной отражательной способности, которая определяется как отношение энергий отраженного и падающего излучения

Рх= Энергия отраженного излучения с длиной волны X Энергия падающего излучения с длиной волны X

х 100 = (2.5)



Рис. 2.8. Кривые спектральной отражательной способности древесной рас-тительности [48]

и является функцией длины волны. В частности, с помощью такой кривой можно получить общую оценку спектральной отражательной способности объекта в некотором относительно широком диапазоне (например, от 400 до 480 нм), повышая надежность измерений. Кривые спектральной отра-жательной способности строят для оптической части электромагнитного спектра (до 2,5 мкм).

Отражательную способность можно измерить в лабораторных либо в полевых условиях с помощью спектрометра. В последующих разделах об-суждаются отражательные свойства наиболее типичных земных покровов.

Растительный покров

Кривая спектральной отражательной способности зеленой растительности имеет весьма характерный вид, ее поведение сильно изменяется в зависи-мости от длины волны (рис. 2.9). Из рисунка видно, что отражательная способность растительного покрова мала в синем и красном диапазоне ви-димого спектра. Причина этого заключается в существовании окна погло-щения, связанного с присутствием в зеленой листве хлорофилла, который поглощает большую часть излучения. Центр этого окна соответствует дли-не волны 450 мкм. При увеличении экологической нагрузки содержание хлорофилла в растительности снижается, а отражательная способность увеличивается, особенно в красном диапазоне, из-за чего растительность приобретает желтый или хлоротичный оттенок.

Важную роль играют и другие пигменты, в частности каротин, ксан-тофил (желтый пигмент) и антоциан (красный пигмент). Каротин и ксан-


Рис. 2.9. Кривая спектральной отражательной способности зеленого расти-тельного покрова

тофил часто встречаются в листьях, однако их окна поглощения находятся в синем диапазоне (0,45 мкм), где доминирующим является влияние хло-рофилла, поэтому влияние этих пигментов проявляется только в его от-сутствие. Некоторые виды деревьев вырабатывают в больших количествах антоциан и из-за этого имеют красный цвет. При внимательном изучении влияния различных пигментов на отражательную способность раститель-ного покрова оказывается, что в отличие от видимого диапазона, в котором наблюдаются значительные различия, в близком и среднем инфракрасном диапазонах этих различий почти не существует.

В близкой инфракрасной части спектра наблюдается существенное уве-личение отражательной способности при переходе через пороговое значе-ние 0,7 мкм из видимой в инфракрасную часть спектра. В этом диапазо-не зеленый растительный покров характеризуется высокой отражательной способностью, высокой прозрачностью и низким поглощением. Значения коэффициентов отражения и прозрачности достигают величины порядка 45—50%, а доля поглощенного излучения составляет всего около 5%. Важ-ную роль играет также структура листвы.

Замечено, что разница в отражательной способности одноярусной и многоярусной древесной растительности может достигать 85%. При-чина этого проста: дополнительное излучение, прошедшее через первый ярус отражается от второго, а затем, частично, еще раз проходит через первый ярус. Этот эффект особенно заметен при сравнении отражатель-ной способности в центре исследуемого массива и на его краю, где нет многоярусности.

В среднем инфракрасном диапазоне отчетливо заметен эффект, связан-ный с окнами поглощения воды, центры которых соответствуют длинам 2 -3179


волн 1,4; 1,9 и 2,7 мкм. Существует еще два окна поглощения воды вблизи 0,9 и 1,1 мкм, но эти окна очень узкие и практически не влияют на кривую спектральной отражательной способности.

Пики спектральной отражательной способности в среднем инфракрас-ном диапазоне приходятся на 1,6 и 2,2 мкм. Отмечают также сильное влия-ние влажности: чем меньше влажность листвы, тем выше ее отражательная способность.

Из всего вышеописанного можно выделить следующие наиболее важ-ные спектральные характеристики зеленого растительного покрова:

1. Отчетливые различия отражательной способности в видимом, ближнем и среднем инфракрасных диапазонах.

2. Доминирующая роль пигментации листвы в видимой части спектра. 3. Доминирующая роль структуры растительности в ближнем инфра-

красном диапазоне, где половина излучения пропускается, а поло-вина отражается.

4. Доминирующая роль влажности растительного покрова в среднем инфракрасном диапазоне, где большая часть излучения поглощает-ся листвой.

Почвы

Кривые спектральной отражательной способности большинства почв вы-глядят весьма просто (рис. 2.10). Наиболее заметным свойством излучения, отраженного от сухих почв, является, как правило, возрастание значений коэффициента отражения с увеличением длины волны, особенно в ви-димом и близком инфракрасном диапазонах. Взаимодействие излучения с почвой сводится к тому, что падающее излучение либо отражается, либо поглощается. В то же время, почва состоит из пород с разными физически-

* 100

0.5 0.7 0.9 1.1 1.3 1.5 1.7 1.9 2.1 2.3 2.5 Длина волны, мкм

Рис. 2.10. Кривые спектральной отражательной способности некоторых почв


ми и химическими свойствами, которые могут влиять на характеристики отражения и поглощения. Хотя формы кривых спектральной отражатель-ной способности почв схожи между собой, амплитудные характеристики этих кривых могут заметно различаться в зависимости от свойств почвы. На спектральную отражательную способность почвенного покрова могут оказать заметное влияние такие факторы, как влажность, количество ор-ганических веществ, окиси железа, относительная доля песчаников и от-ложений, а также неровность поверхности.

Первая характеристика почвы, требующая изучения, — это ее грану-лометрический состав, который определяется относительным содержа-нием песка, отложений и глины. Характерный диаметр частиц глины — 0,002 мм, отложений — от 0,002 до 0,005 мм, песка — от 0,05 до 2,0 мм. В силу такого распределения глина содержит больше частиц, чем песок. При наличии влаги каждая частица почвы покрыта тонким слоем воды, который занимает некоторое пространство между отдельными частицами. Хотя этот слой очень тонкий, миллионы частиц могут удерживать огром-ное количество воды. Именно поэтому связь между количеством частиц в почве и ее влажностью имеет такое важное значение.

Типичные кривые спектральной отражательной способности песча-ников при различных уровнях содержания влаги показаны на рис. 2.11. Из рисунка видно, что отражательная способность сухих песчаников оста-ется почти постоянной, в то время как кривые спектральной отражатель-ной способности влажных песчаников имеют заметные провалы при дли-нах волн 1,4; 1,9 и 2,3 мкм. В видимой части спектра также наблюдается

Рис. 2.11. Зависимость спектральной отражательной способности песчани-ков от уровня влажности


заметное снижение отражательной способности влажных почв по сравне-нию с сухими. Таким образом, спектральная яркость почв во многом за-висит от их состава, определяющего как размер слагающих почву частиц, так и возможный уровень содержания влаги. При прочих равных условиях с уменьшением размера частиц поверхность почвы становится более глад-кой, и доля отраженного излучения возрастает. Было показано, что при увеличении размера частиц с 0,22 до 2,66 мм коэффициент поглощения увеличивается на 14%.

Еще одним важным свойством почвы, которое влияет на ее отра-жательную способность, является содержание органических веществ, которое характеризует количество азота в почве. Показано, что для большинства климатических зон относительное содержание органи-ческих веществ в почве колеблется от 0,5 до 5%. При 5%-ном содер-жании органических веществ почва обычно имеет темно-коричневый или черный цвет, а при меньшем содержании — светло-коричневый или светло-серый. При этом, в видимом диапазоне спектра зависимость от-ражательной способности почвы от содержания органических веществ является нелинейной.

Замечено, что связь между цветом почвы и содержанием в ней органи-ческих веществ зависит от климатической зоны. При высокой температуре почвы с низким содержанием влаги (крупные частицы) содержат больше органических веществ, чем такие же почвы в более холодных зонах. Таким образом, при оценке зависимости спектральной отражательной способно-сти от количества органических веществ необходимо учитывать еще и кли-матический пояс и условия дренирования.

Спектральная отражательная способность почвы в значительной сте-пени зависит от присутствия в ней оксида железа, который может вызвать существенное снижение отражательной способности, по крайней мере, в видимом диапазоне. Как видно из рис. 2.12, отражательная способность

70-3 32 60

1 50

1 $ 40 ® X « 30 X л 8

30 с о 20

и С 10 и

0

Рис. ной почв

О 2 4 6 8 10 12 Окись железа, %

От 0,5 до 0,65 мкм

2.12. Зависимость спектраль-отражательной способности от содержания окиси железа

I 70-

I бо-I t50" | § 40-1*8 I 8 30-5 с Я о £ 20-

5 10-о-

£

/

Без оки :и железа

эрганичес ких веществ

0.5 1.0 1.5 2.0 Длина волны, мкм

2.5

Рис. 2.13. Влияние содержания окиси же-леза и органических веществ на спектраль-ную отражательную способность почв


почвы в видимом диапазоне почти обратно пропорциональна концентра-ции оксида железа. Показано, что удаление из почвы этого элемента при-водит к заметному увеличению отражательной способности в диапазоне от 0,5 до 1,1 мкм, но мало влияет на отражательную способность при длине волны более 1,1 мкм. Следует отметить, что такой же эффект в тех же спек-тральных диапазонах наблюдается и при удалении из почвы органических веществ (рис. 2.13).

Из приведенного обсуждения можно сделать следующие выводы о спек-тральных характеристиках почв:

1. Увеличение влажности почвы ведет к снижению ее отражатель-ной способности во всем спектральном диапазоне отраженного излучения.

2. Отражательная способность грунта увеличивается с уменьшением размера слагающих его частиц.

3. Уменьшение неровности поверхности ведет к увеличению ее отра-жательной способности.

4. Отражательная способность почвы уменьшается с увеличением со-держания в ней органических веществ.

Увеличение содержания оксида железа ведет к снижению отражатель-ной способности.

Водные поверхности

По сравнению с растительными покровами и почвами, отражательная способность водных поверхностей относительно низка. Если раститель-ный покров может отражать до 50% падающего излучения, а почвы — до 30—40%, то доля излучения, отраженного водной поверхностью, не превышает 10%. Вода отражает электромагнитное излучение в видимом и близком инфракрасном диапазонах. При длинах волн больше 1200 мкм все падающее излучение поглощается. Несколько кривых для водных поверхностей различного типа приведены на рис. 2.14, из которого вид-но, что наибольшей отражательной способностью обладает мутная во-

3 40 —

400 800 1200 1600 2000 2400 Длина волны, мкм

Рис. 2.14. Кривые спектральной отражательной способности водной по-верхности


дная поверхность, а пик отражения водоемов с большим количеством растительности, содержащей хлорофилл, приходится на зеленую часть спектра.

2.5. Разрешающая способность систем дистанционного зондирования

Пространственная разрешающая способность является одной из важней-ших характеристик систем дистанционного зондирования, которая ха-рактеризует способность сенсора различать детали в пространственных данных. Пространственное разрешение определяется размером наимень-шего объекта, который поддается идентификации. Вообще, разрешающая способность как аналоговых, так и цифровых систем дистанционного зондирования определяется следующими параметрами: а) простран-ственное разрешение, б) спектральное разрешение, в) радиометрическое разрешение и г) временное разрешение. Понимание этих характеристик чрезвычайно важно для правильного использования данных дистанци-онного зондирования.

Пространственное разрешение

Пространственное разрешение является аналогом резкости обычного фотоснимка. Пространственное разрешение цифровых снимков, полу-чаемых с помощью электронно-оптических сканирующих систем, опре-деляется размером мгновенного поля обзора — линейной меры угловых величин, измеряемой в милирадианах. Факторами, которые влияют на пространственное разрешение, являются: высота расположения платфор-мы, размер элементов сенсора и фокусное расстояние оптической систе-мы. Для вычисления пространственного разрешения используют следую-щую формулу [17]:

А = Нх В, (2.6)

где А — размер проекции элементов сенсора на поверхность в метрах, Н высота расположения платформы в метрах, В — размер мгновенного поля обзора в милирадианах.

Таким образом, разрешающая способность сенсора определяется пло щадкой на поверхности Земли, соответствующей одной элементарной ячейке сенсора. Снимок имеет низкое разрешение, если на нем видны толь ко крупные объекты. На снимках высокого разрешения можно различить мелкие детали объектов.

Спектральное разрешение

Спектральное разрешение характеризует способность системы диетан ционного зондирования различать определенные интервалы длин волн Чем выше спектральное разрешение, тем более узкий диапазон длин во п у

2.5. Разрешающая способность систем дистанционного зондирования 39

регистрируется определенным каналом. При оценке спектрального разре-шения рассматривают две характеристики: количество диапазонов (кана-лов) и ширину каждого диапазона. Более высокого спектрального разреше-ния добиваются за счет увеличения количества диапазонов и уменьшения ширины каждого из них. На практике важно правильно подобрать харак-теристики спектрального разрешения так, чтобы они соответствовали типу собираемой информации.

Спектральное разрешение панхроматического снимка является край-не низким, поскольку на нем невозможно выделить сигналы с различной длиной волны, и полученное изображение характеризует отражательную способность объекта во всем видимом диапазоне. Более высокое спек-тральное разрешение цветных снимков объясняется тем, что цветная плен-ка обладает независимой чувствительностью к излучению в синем, зеленом и красном диапазонах спектра.

Системы дистанционного зондирования, регистрирующие излучение в нескольких независимых спектральных диапазонах, также могут отли-чаться своей спектральной разрешающей способностью.

Радиометрическое разрешение

Радиометрическое разрешение определяется чувствительностью сенсора к вариациям интенсивности электромагнитного излучения, т. е. наимень-шей разницей в уровнях энергии излучения, которую можно зарегистри-ровать с помощью данной аппаратуры. Эта характеристика указывает на действительное количество полезной информации, содержащейся в изо-бражении. Она применима как к обычным фотографическим, так и к циф-ровым снимкам. В первом случае радиометрическое разрешение опреде-ляется возможностью определения малейших вариаций оттенков серого цвета, а во втором — конечным числом уровней дискретизации, на которые делится сигнал при аналогово-цифровом преобразовании.

Временное разрешение

Временное разрешение определяется периодичностью сбора данных. На-пример, для изучения какого-то природного явления данные могут соби-раться ежедневно, раз в месяц, раз в три месяца или раз в год. Получение снимков одних и тех участков земной поверхности с определенной перио-дичностью является одной из основных областей применения дистанци-онного зондирования. При этом, от частоты съемки зависит возможность обнаружения тех или иных изменений, которые происходят на изучаемой территории.

Абсолютная временная разрешающая способность системы дистанцион-ного зондирования определяется периодом обращения спутника вокруг Земли, при котором возможна повторная съемка участка земной поверх-ности под тем же углом обзора. Этот период может составлять несколько суток. Сравнивая снимки объекта, полученные в разное время, можно на-блюдать изменения его характеристик.


2.6. Пикселы и смешанные пикселы

Снимки, получаемые методами дистанционного зондирования, являются растровыми, т. е. представляют собой матрицу элементов, которые назы-ваются пикселами. Каждый пиксел на снимке соответствует наименьше-му разрешимому элементу земной поверхности. При этом следует пони-мать, что в отличие от пространственного разрешения, характеризующего сенсор съемочной системы, понятие «пиксел» относится к изображению, которое формируется этим сенсором. Например, если пространственное разрешение сенсора равно 10 м, то в идеальном случае каждому пикселу будет соответствовать участок поверхности размером 10 х 10 м. Но если изображение уменьшить в четыре раза, то каждому пикселу будет соответ-ствовать участок размером 40 х 40 м, хотя пространственное разрешение при этом не изменится.

Пикселы можно подразделить на «чистые» и «смешанные». Чистый пиксел содержит только однородную информацию. Если в пикселе содер-жится разнородная информация, его называют «смешанным». Числовое значение чистого пиксела характеризует усредненное значение яркости близких частей объекта определенного класса. Числовое значение сме-шанного пиксела может не соответствовать ни одному из классов объек-тов сцены, поскольку оно является результатом усреднения спектральных откликов объектов разного типа. Иногда это может привести к ошибкам дешифрирования.

Исследования показывают, что количество смешанных пикселов воз-растает по мере снижения пространственного разрешения. Вместе с тем, повышение пространственного разрешения за счет увеличения числа пик-селов приводит к повышению стоимости цифровых снимков.

ГЛАВА 3

СЕНСОРЫ И ПЛАТФОРМЫ


Информацию о расположенных на земной поверхности объектах и их свой-ствах можно получить, измеряя параметры собственного излучения Зем-ли и отраженного электромагнитного излучения Солнца, которые зависят от физических, химических и биологических свойств изучаемых объек-тов. Измерения проводят с помощью сенсоров, которые устанавливают на стационарных или движущихся платформах. Поскольку характеристики получаемых данных зависят от комбинации «сенсор — платформа», для решения разных прикладных задач используют разные сенсоры, а плат-формами для их размещения могут служить искусственные спутники Зем-ли или воздушные летательные аппараты.

3.2. Общая классификация сенсоров и платформ

По отношению к источнику энергии все сенсоры можно разделить на пассивные и активные. Пассивные сенсоры служат для измерения харак-теристик излучения внешнего источника, в качестве которого обычно выступает Солнце. Активные сенсоры сами являются источником излу-чения. В частности, самый обычный фотоаппарат может, в зависимости от условий съемки, выступать в роли как активного, так и пассивно-го сенсора. Пока съемка ведется при естественном освещении, фото-аппарат работает как пассивный сенсор, но как только мы начинаем применять вспышку, тот же самый фотоаппарат становится активным сенсором.

В зависимости от поставленной задачи сенсоры могут размещаться на наземных, воздушных или космических платформах.

Наиболее точные данные об объектах получают с помощью наземных станций. В дальнейшем эту информацию можно использовать в качестве опорных данных при анализе космических или аэроснимков. Сенсоры, установленные на воздушных летательных аппаратах (самолетах и верто-летах), позволяют получать детальные снимки практически любой области Земли. Наконец, космические платформы, в качестве которых используют искусственные спутники Земли, предназначены, прежде всего, для перио-дической съемки изучаемой территории. В данный момент работает около 15 спутников. Съемка производится в широком спектральном диапазоне и с различным пространственным разрешением от долей метра до несколь-ких километров. Благодаря этому космические снимки нашли широкое

38 Глава 3. Сенсоры и платформы

применение в самых разных областях научной и хозяйственной деятель-ности человечества.

Орбиты спутников должны соответствовать возможностям сенсоров и целям запуска. Тип орбиты зависит от ее высоты и ориентации отно-сительно поверхности Земли, а также от направления движения спут-ника по орбите.

Если орбита спутника расположена в экваториальной плоскости на вы-соте около 36000 км, а направление его движения совпадает с направлени-ем вращения Земли, то положение такого спутника относительно земной поверхности будет постоянным. Такие спутники называют геостационар-ными; они идеально подходят для метеорологических наблюдений и обе-спечения связи.

Субполярные орбиты, у которых остается постоянным угол меж-ду плоскостью орбиты и направлением на Солнце, называют солнечно-синхронными. Спутники, выведенные на такие орбиты, используют для периодической сезонной съемки объектов при одинаковых условиях осве-щения, соответствующих одному и тому же местному времени. Благодаря постоянству условий съемки отпадает необходимость в коррекции снимков по освещенности и упрощается анализ изменений наблюдаемых свойств объектов во времени.

Спутники на солнечно-синхронных орбитах используют, в основном, для картографирования территорий. Вместе с тем, возможность проведе-ния с помощью этих спутников периодической обзорной съемки обшир-ных территорий делает их незаменимыми при решении многих задач мо-ниторинга окружающей среды.

3.3. Ресурсные спутники

Основные запуски ресурсных спутников осуществлялись в рамках аме-риканской программы LANDSAT, французской SPOT и индийской IRS. Спутники этих серий выводились на низкие орбиты высотой не более 1000 км. Установленные на них сенсоры предназначены для получения снимков с относительно низким пространственным разрешением и спек-тральным разрешением менее 0,1 мкм.

Спутники серии LANDSAT

Первый спутник LANDSAT-1 (первоначальное название ERTS-1 — Earth Resources Technology Satellite) был запущен Национальным управлением США по аэронавтике и исследованию космического пространства (НАСА) 23 мая 1972 года. В 1983 году программа LANDSAT была передана в ве-дение Национального управления по исследованию океана и атмосферы (НОАА), а с 1985 года снимки из фонда LANDSAT стали предоставляться потребителям на коммерческой основе.

Все спутники LANDSAT выводились на субполярные солнечно-синхронные орбиты. Высота орбит первых трех спутников составляла 900 км, а период повторяемости съемки равнялся 18 дням. Следующие

Табл

. 3.1

. Х

арак

тери

стик

и сп

утни

ков

LAN

DSA

T

Спут

ник

Дата

за

пуск

а Вы

-со

та

орби

-ты

, км

Тип

орби

ты

На-

кло-

нени

е, гр

ад.

Пе-

риод

об

ра-

щен

ия,

мин

Врем

я пе

ресе

че-

ния

пло-

скос

ти

эква

тора

Пер

иод

повт

оря-

емос

ти

съем

ки,

дни

Сенс

ор

Разм

ер

сцен

ы,

км

Разр

ешен

ие, м

Ко

л-во

сп

ек-

трал

ь-ны

х ка

нало

в

LAN

DS A

T-1

23 и

юля

19

72 г

. 90

0 Со

лнеч

-но

-син

-хр

онна

я 91

10

3 9:4

2 18

M

SS,

RBV

18

5 18

5 80

80

4 3

LAN

DSA

T-2

22 я

нвар

я 19

75 г

. 90

0 Со

лнеч

-но

-син

-хр

онна

я 91

10

3 9:4

2 18

M

SS,

RBV

18

5 18

5 80

80

4 3

LAN

DSA

T-3

5 ма

рта

1978

г.

900

Солн

еч-

но-с

ин-

хрон

ная

91

103

9:42

18

MSS

, RB

V

RBV

RB

V

185

185

80

(120

тепл

овой

кан

ал)

40

5 1

LAN

DSA

T-4

16 и

юля

19

82 г

. 70

5 Со

лнеч

-но

-син

-хр

онна

я 98

,2

99

9:45

16

MSS

ТМ

18

5 18

5 80

(1

20 д

ля те

плов

ого

кана

ла)

30

4 7

LAN

DSA

T-5

1 ян

варя

19

84 г.

70

5 Со

лнеч

-но

-син

-хр

онна

я 98

,2

98,9

9:4

5 16

M

SS

ТМ

185

185

80

(120

для

кан

ала 6

) 30

4 7

LAN

DSA

T-6

5 ок

тябр

я 19

93 г

. 70

5 Со

лнеч

-но

-син

-хр

онна

я 98

,2

98,9

10

:00

16

PAN

ТМ

(Е

ТМ)

185

В 1

-5,7

кан

алах

раз

-ре

шен

ие н

а ме

ст-

ност

и 30

м, в

6 к

а-на

ле —

120

м, в

8

кана

ле —

15

м

1 7

LAN

DSA

T-7

15 а

прел

я 19

99 г.

70

5 Со

лнеч

-но

-син

-хр

онна

я 98

,2

98,9

10

:00

16

ЕТМ

+

ТМ

Ther

mal

PA

N

185

30

60

15

6 1 1


спутники этой серии выводились на орбиты высотой 700 км с периодом повторной съемки 16 дней. Для достижения оптимальных условий осве-щенности запуски проводили так, чтобы время пересечения экваториаль-ной плоскости у всех спутников было примерно одинаковым.

Табл. 3.2. Сенсоры, установленные на спутниках Landsat

Сенсор Канал Спектральный диапазон, мкм

Области применения снимков

1 0,475-0,575 RBV 2 0,580-0,680

3 0,690-0,830

1 0,500-0,600 Гидрология: выделение водных потоков, на-сыщенных наносами, и определение границ мелких водоемов

2 0,600-0,700 Сельское хозяйство MSS

3 0,700-0,800 Определение границ водной и земной по-верхности, растительности. Дешифрирова-ние структур рельефа

4 0,800-1,100 Окно прозрачности при атмосферной дымке 5 10,400-12,600 Гидротермальное картографирование

1 0,450-0,520 Картографирование прибрежных вод, де-шифрирование границ растительного покро-ва, хвойной и лиственной растительности

2 0,520-0,600 Отраженное излучение от «здорового» рас-тительного покрова в зеленой части спектра

ТМ 3 0,630-0,690 Зона поглощения хлорофилла для диффе-

ренциации посевов ТМ 4 0,760-0,900 Оценка биомассы, определение границ во-

дных поверхностей 5 1,550-1,750 Растительный покров и влажность почв 6 10,400-12,500 Гидротермальное картографирование

7 2,080-2,350 Температурное картографирование, опреде-ление тепловой нагрузки на посевы

ЕТМ

Спектральные диапазо-ны, аналогичные съе-

мочной аппаратуры ТМ

Те же, что у ТМ

PAN 0,500-0,900

ЕТМ+

Все спектральные диапазоны съемочной аппаратуры ЕТМ, но с разрешением теплово-го канала 60 м

Те же, что у ЕТМ

3.3. Ресурсные спутники 45

В разное время на борту спутников LANDSAT устанавливали раз-личные съемочные системы: RBV (Return Beam Vidicon), MSS (Multi-Spectral Scanner), TM (Thematic Mapper), ETM (Enhanced Thematic Map-per) и ETM+ (Enhanced Thematic Mapper Plus). Эти съемочные системы обеспечивали широкий охват съемки с размерами сцены 185 х 185 км и позволяли получать снимки среднего разрешения в нескольких спек-тральных диапазонах. Характеристики спутников серии LANDSAT представлены в табл. 3.1, а параметры соответствующих сенсоров — в табл. 3.2. Пример космического снимка со спутника LANDSAT по-казан на рис. 3.1; время работы различных спутников на орбите про-иллюстрировано на рис. 3.2.

ии i-уда teee т> Л«\! с"! V •<#!.' '4 ' Л-» №' Ч'- Н И/.- ' ,/>-Ш, !* ;,,•>. ''А' м'< Ц.'У* s Ы > л ПпУЛ> I.S'1 t я - Ж " ' .

Рис. 3.1. Снимок со спутника LANDSAT


I Landsat 4

Landsat 6**

Landsat 5*

Landsat 7*

" Спутники Landsat 5 и Landsat 7 продолжают работать на орбите ** Попытка вывести спутник Landsat 6 закончилась неудачей

1970 1975 1980 1985 1990 1995 2000 2005

Рис. 3.2. Периоды работы спутников LANDSAT на орбите [92]

Спутники серии SPOT

Спутники SPOT (iSystem Pour L Observation de la Terre) создаются и выводят-ся на орбиту Национальным центром космических исследований Франции (CNES) в сотрудничестве с Бельгией и Швецией. Спутники этой серии от-крыли новую эпоху в области дистанционного зондирования благодаря ис-пользованию линейки сенсоров, обеспечивающей широкую полосу съемки.

Установленные на спутниках SPOT сенсоры позволяют осуществлять прицельную съемку. Это дает возможность выполнять стереосъемку зем-ной поверхности с соседних витков, что позволяет создавать модели релье-фа и имеет огромное значение для дешифрирования и картографирования. Еще одним преимуществом оптической системы сенсора с отклонением оси съемки на 27 град, от направления в надир является возможность про-водить съемку одного и того же участка с наибольшей частотой. Это важ-но при мониторинге динамических явлений. В результате, период съемки в экваториальных областях сокращается до трех дней. В интервале широт от 40 до 45 град, количество повторных съемок увеличивается в 11 раз. Все спутники SPOT выводились на солнечно-синхронные орбиты высо-той 822 км с периодом съемки 26 дней и местным временем пересечения экваториальной плоскости 10 ч 30 мин. К моменту написания этой книги на орбиту было выведено пять спутников серии SPOT.

Первые три спутника этой серии были полностью идентичны. Они оснащались съемочной оптической системой HRV (Visible High Resolution), устройствами записи данных на магнитную ленту и системой передачи данных на наземные станции. Параметры орбит спутников и характери-стики сенсоров приведены в табл. 3.3.

Каждый сенсор HRV можно использовать для получения как снимков во всей видимой части спектра (режим Р), так и многоспектральных сним-


Табл. 3.3. Спутники SPOT-1, SP0T-2 и SPOT-3 [91]

Параметры орбиты Характеристики сенсоров Тип орбиты Солнечно-

синхронная HRV Высота орбиты 822 км

HRV

Наклонение 98,7 град. Режим съемки

Ка-нал

Спектраль-ный диапа-

зон, мкм

Разре-шение,

м Период обращения 101,4 мин

Много-спектраль-

ный

XS1 0,50-0,59 20 Время пересечения плоскости эква-тора

10:30 (местное стандартное время США)


ный

XS2 0,61-0,68 20

Период повторной съемки

26 дней


ный XS3 0,78-0,89 20

Ширина полосы съемки

117 км (60 км на каждый сен-сор HRV, 3 км перекрытие)

Панхрома-тический

PAN 0,50-0,73 10

ков в зеленом, красном и инфракрасном диапазонах (режим XS). На спут-никах SPOT-2 и SPOT-3 было установлено два сенсора HRV, которые могли работать как автономно, так и согласованно друг с другом. Пространствен-ное разрешение панхроматических снимков составляет 10 м, многоспек-тральных — 20 м.

Главным элементом оптической системы сенсора HRV является пло-ское зеркало, которое может поворачиваться на угол ±27 град. (45 угловых положений с интервалом 0,6 град.). В результате, каждый сенсор способен вести съемку в полосе 475 км по обе стороны от трассы. Ширина полосы съемки, при этом, зависит от угла отклонения оси съемки. Так, например, при максимальном угле 27 град, ширина полосы съемки составляет 60 км. Когда два сенсора направлены так, чтобы вести съемку двух соседних об-ластей с перекрытием 3 км в надире, суммарная ширина полосы съемки равняется 117 км.

На спутнике второго поколения, SPOT-4, была установлена усовер-шенствованная съемочная система, состоящая из двух оптических сенсо-ров HRVIR (Visible and Infrared High-Resolution) и сенсора VEGETATION. Сенсоры HRVIR обеспечивают то же пространственное разрешение и те же возможности отклонения угла съемки, что аппаратура HRV. Различие между ними состоит в том, что у сенсора HRVIR есть дополнительный канал регистрации излучения в среднем инфракрасном диапазоне (1,980— 1,730 мкм). Этот канал используют для мониторинга растительного по-крова, оценки содержания различных минералов и картографирования влажности почв. Кроме того, у сенсора HRVIR вместо панхроматического канала (0,51—0,73 мкм) появился моноканал В2 (0,61—0,68 мкм), который можно использовать для получения черно-белых снимков с разрешением


Табл. 3.4. Параметры орбиты и характеристики сенсоров спутника SPOT-4 [91]

Параметры орбиты characteristics Характеристики сенсоров Тип орбиты Солнечно-

синхронная HRVIR

Высота орбиты 822 км

HRVIR

Наклонение 98,7 град. Режим съемки

Канал Спектраль-ный диапа-

зон, мкм

Разреше-ние, м

Период обращения

101,4 мин

Многозо-нальный

В1 0,50-0,59 20

Время пересечения экватора

10:30 (местное стандартное вре-мя США)


В2 0,61-0,68 20 Время пересечения экватора

10:30 (местное стандартное вре-мя США)

Многозо-нальный ВЗ 0,78-0,89 20

Период повторной съемки

26 дней


MIR 1,58-1,75 20

Ширина поло-сы съемки

117 км (60 км на каждый HRVIS, 3 км перекрытие)

Панхрома-тический

М 0,61-0,68 10

VEGETATION Канал съемки Спектраль-

ный диапа-зон, мкм


ВО 0,45-0,52 1000 В2 0,61-0,68 1000 ВЗ 0,78-0,89 1000 MIR 1,58-1,75 1000

10 м либо многозональных снимков с разрешением 20 м. Параметры орби-ты и характеристики сенсоров спутника SPOT-4 приведены в табл. 3.4.

Новый сенсор, получивший название VEGETATION, в основном пред-назначен для измерения характеристик растительного покрова. Он был создан под руководством CNES в рамках программы VEGETATION, фи-нансируемой Европейским союзом, Бельгией, Францией, Италией и Шве-цией. С помощью этого сенсора ежедневно получают снимки всей по-верхности Земли с разрешением 1 км, что позволяет вести наблюдение за глобальными и региональными изменениями окружающей среды. Сенсо-ры VEGETATION и HRVIR работают независимо друг от друга. Сенсор VEGETATION оснащен широкоугольной радиометрической камерой для получения снимков в четырех спектральных диапазонах: синем, красном, ближнем и среднем инфракрасном (табл. 3.4). Благодаря широкой полосе охвата в 2250 км можно провести съемку практически всей поверхности Земли всего за один день.


На спутнике SP0T-5 вместо сенсоров HRVIR были установлены два сенсора HRG (High Resolution Geometric), которые регистрируют данные в тех же спектральных диапазонах, что и сенсоры HRVIR. Одно из отличий новых сенсоров состоит в увеличении разрешения снимков с 20 до 10 м в диапазонах Bl, В2 и ВЗ (табл. 3.5). Кроме того, спектральный диапазон панхроматического канала стал снова таким же, как и у первых трех спут-ников серии SPOT, но разрешение черно-белых снимков увеличилось при этом до 5 и даже 2,5 м. Таким образом, все снимки HRG можно разделить в зависимости от их разрешения на четыре категории:

1. Снимки в коротковолновом инфракрасном диапазоне (канал SWIR) с разрешением 20 м.

2. Многозональные снимки в зеленом, красном и ближнем инфра-красном диапазонах с разрешением 10 м.

3. Панхроматические снимки с разрешением 5 м. 4. Искусственно синтезированные панхроматические снимки с раз-

решением 2,5 м. С помощью нового сенсора HRS {High Resolution Stereoscopic) получают

стереопары снимков (с отклонением оси съемки вперед-назад) с разреше-

Табл. 3.5. Параметры орбиты и характеристики сенсоров спутника SPOT-5 [91]

Параметры орбиты Характеристики сенсоров Тип орбиты Субполярная

солнечно-синхронная

HRG

Высота орбиты 832 км Наклонение 98,7 град. Режим

съемки Ка-нал

Спектраль-ный диапа-

зон, мкм


Период обращения 101 мин Много-зональ-ный



Много-зональ-ный




ВЗ 0,78-0,89 10

Период повторного выхода на точку

26 дней


SWIR 1,58-1,75 20


117 км (60 км на каждый HRG, 3 км перекрытие)

Панхро-матиче-ский

PAN 0,548-0,710 5 и 2,5 (ис-кусственно синтезиро-

ванный) HRS

Панхро-матиче-ский

PAN 0,51-0,73 10

Сенсор VEGETATION такой же, как на спутнике SPOT-4


нием 10 м при ширине полосы охвата 120 км и полосе съемки 600 км. Эти снимки используются для построения цифровых моделей. Макси-мальный угол отклонения оси съемки у сенсоров HRS составляет 20 гра-дусов (см. табл. 3.5). Сенсоры VEGETATION, установленные на спутнике SPOT-5, ничем не отличаются от своего аналога на спутнике SPOT-4.

Спутники серии IRS

Спутники IRS являются частью Национальной системы использования природных ресурсов Индии (NNRMS), и их запуски координируются на государственном уровне Комитетом планирования NNRMS. Первым ин-дийским спутником, выведенным на орбиту с целью гражданского при-менения данных ДЗ, стал IRS-1A, запуск которого состоялся 17 марта 1988 года. На спутнике были установлены два сенсора LISS (Linear Lmaging Self-scanning), предназначенные для крупномасштабной съемки. Такие же сенсоры были установлены и на втором спутнике этой серии — IRS-IB, который был выведен на орбиту 29 августа 1991 года. Дальнейшее развитие

Табл. 3.6. Характеристики некоторых спутников IRS

Характерис-тики

IRS-1A и IRS-1B

IRS-1C IRS-1D

Тип орбиты Субполярная солнечно-синхронная

Полярная солнечно-синхронная

Полярная солнечно-синхронная

Высота орбиты

914 км 817 км 821 км

Наклонение 99,028 град. 98,69 град. 98,62 град. Период обращения

103,192 мин 101,35 мин 100,56 мин

Время пересе-чения эква-тора

10:25 (местное время)

10:30 (местное время) 10:40 (местное время)

Период по-вторного вы-хода на точку

26 дней 24 дня 24 дня, 5 дней для сенсоров PAN и WiFS


148 км (LISS-1) 142 км (LISS-3 VIS) 141 км (LISS-3 VIS) Ширина полосы съемки

74 м (LISS-2) 148 км (LISS-3 SWIR) 148 км (LISS-3 SWIR) Ширина полосы съемки

70 км (PAN) 70 км (PAN)


810 км (WiFS) 812 км (WiFS) Простран-ственное разрешение

72,50 м (LISS-1) 23,5 м (LISS-3 VNIR) 23,5 м (LISS-3 VNIR) Простран-ственное разрешение 36 м (LISS-2) 70,0 м (LISS-3 MIR) 70,0 м (LISS-3 MIR) Простран-ственное разрешение

70,0 м (LISS-3 SWIR) 70,0 м (LISS-3 SWIR)

Простран-ственное разрешение

5,8 м (PAN) 5,8 м (PAN)

Простран-ственное разрешение

188 м (WiFS) 188 м (WiFS)


индийской программы связано с запуском спутника IRS-1C 28 декабря 1995 года и спутника IRS-1D в сентябре 1997 года. На этих космических аппаратах были установлены новые сенсоры PAN и WiFS (Wide Field Sensor), что позволило с успехом использовать снимки IRS для мониторинга состо-яния природных ресурсов, планирования развития городской инфраструк-туры, инвентаризации лесов, борьбы с природными катастрофами и иссле-дования окружающей среды. Характеристики спутников IRS представлены в табл. 3.6, параметры установленных на них сенсоров — в табл. 3.7. Перио-ды работы спутников IRS на орбите отмечены на рис. 3.3

Следует отметить одну важную характеристику сенсора PAN. Как и у сканирующих систем спутников SPOT, у этого сенсора предусмотрена возможность отклонение полосы съемки в обе стороны от трассы спутника на 398 км (угол отклонения съемочной оси ±26 градусов). Благодаря этому период повторной съемки составляет всего 5 дней.

Новый этап космической программы Индии начался с запуска спутников серии IRS-P. Спутники IRS-P3 и IRS-P4 были выведены на орбиту с кос-модрома Шрихарикота ракетой PSLV {Polar Satellite Launched Vehicle). Высо-та субполярной солнечно-синхронной орбиты спутника IRS-P3 составила

Табл. 3.7. Параметры сенсоров, установленных на борту спутников IRS

Сен-сор

IRS-1A и IRS-1B IRS-1C IRS-1D Область применения Сен-

сор Номер канала Спектральный диапазон, мкм

Область применения

LISS

1 0,45-0,52 Мониторинг состояния окружающей среды в при-брежной зоне, полоса погло-щения хлорофилла

LISS

2 0,52-0,59 0,52-0,59 0,52-0,59 Дешифрирование зеленой растительности; разделение почв и горных пород

LISS 3 0,62-0,68 0,62-0,68 0,62- 0,68 Полоса поглощения хло-рофилла различных видов растений

LISS

4 0,77-0,86 0,77-0,86 0,77-0,86 Определение границ водных поверхностей

LISS

5 1,55-1,70 1,55-1,70 Картографирование расти-тельного покрова

PAN 0,50-0,75 0,50-0,75 Идентификация природных ресурсов

WiFS

1 0,62-0,68 0,62-0,68 Глобальное картографиро-вание растительного покрова

WiFS 2 0,77-0,86 0,77-0,86 Глобальное картографиро-вание растительного покрова WiFS

3 1,55-1,75 Глобальное картографиро-вание растительного покрова

1988

19

89

1990

19

91

1992

19

93

1994

19

95

1996

19

97

1998

19

99

2000

тг

2001

2002

2003

20

04

2005

1 I г i f г:

Рис.

3.3.

Инд

ийск

ие с

путн

ики


817 км с временем прохождения экватора — 10 ч 30 мин. На его борту был установлен рентгеновский телескоп и два сенсора ДЗ: WiFS и MOS (Modular Opto-electronics Scanner). Сенсор WiFS на этом спутнике имеет по сравнению со своим аналогом на спутнике IRS-1C дополнительный канал регистрации в среднем инфракрасном диапазоне (MIR, Middle Infra-Red), предназначен-ный для исследования временных изменений растительного покрова. Сен-сор MOS в основном предназначен для океанологических исследований [93]. Характеристики сенсоров на борту IRS-P3 представлены в табл. 3.8.

Следующим спутником этой серии стал IRS-P4, известный также под названием Oceansat. Этот спутник был выведен на орбиту ракетой PSLV 26 мая 1999 года с космодрома Шрихарикота. Характеристики установ-ленных на этом спутнике съемочных систем ОСМ (Ocean Colour Moni-tor) и MSMR (Multi-frequency Scanning Microwave Radiometer) представлены в табл. 3.9.

Следующий спутник этой серии IRS-P6 (другое название — Resource-Sat-l) был запущен 17 октября 2003 года. Задачи этого спутника не ограни-чиваются только сбором данных для мониторинга состояния земельных, водных и сельскохозяйственных ресурсов. Благодаря установленному на его борту записывающему устройству данные с этого спутника передаются на наземные комплексы по всему миру в режиме почти реального времени. По сравнению со съемочными системами спутников I R S - 1 C h I R S - 1 D сен-соры ResourceSat-1 отличаются следующими характеристиками

1. Сенсор LISS-4 ведет съемку в четырех спектральных диапазонах видимой и ближней инфракрасной области спектра (VNIR) с раз-решением 5,8 м и возможностью отклонения оси съемки на угол ±26 град., что позволяет получать стереопары снимков и сократить период повторяемости съемки до 5 дней.

2. Сенсор LISS-3 ведет съемку в трех диапазонах видимой и ближней инфракрасной области спектра, а также в коротковолновом инфра-красном диапазоне (SWIR) с разрешением 23,5 м.

3. Сенсор AWIFS (An Advanced Wide Field Sensor) ведет съемку в тех же диапазонах, что и LISS-3, но с пространственным разрешением 56-70 м.

Табл. 3.8. Характеристики сенсоров, установленных на спутнике IRS-P3 [94]

Параметр MOS-A MOS-B MOS-C WiFS

Разрешение, м 1598 х 1395 523 х 523 523 х 644 188 х 188 (ВЗ и В4) 188 х 246 (В5)

Ширина полосы съемки, км 195 200 192 770

Период повтор-ной съемки, дни 24 24 24 24

Спектральный диапазон, мкм

0,755-0,768 0,408-1,01 1,5-1,7

0,62-0,68 (ВЗ) 0,77-0,68 (В4) 1,55-1,69 (В5)


Табл. 3.9. Характеристики съемочных систем ОСМ и MSMR [95]

ОСМ MSMR Канал Спектральный

диапазон, нм Частота, ГГц

1 402-422 6,60 2 433-453 10,65 3 480-500 18,00 4 500-520 21,00 5 545-565 6 660-680 7 745-785 8 845-888

Пространственное разрешение, м

360 х 236 Вертикальная и горизонтальная поляризация для всех частот. Пространственное разрешение: 120, 80, 40 и 40 км соответственно

Ширина полосы съемки, км

1360 1360

Радиометрическое разрешение, бит

12 12

Сенсор LISS-4 отличается от сенсора LISS-3 увеличением разрешения снимков в диапазоне В5 до 23,5 м. Разрешение в диапазонах В2, ВЗ и В4 составляет 5,8 м (в надире). Сенсор LISS-4 можно использовать в двух ре-жимах съемки:

1. Многозональный режим с шириной полосы съемки 23 км в каждом из трех спектральных диапазонов.

2. Панхроматический режим с шириной съемки 70 км в одном из спектральных диапазонов, который выбирается по команде с на-земной станции управления.

В многозональном режиме количество передаваемых на Землю значе-ний пикселов в каждом диапазоне составляет 4000. Поскольку эти данные можно выбрать произвольным образом в интервале из 12000 пикселов, для определения исследуемой области необходимо задать ее географические координаты, то есть интервалы значений широты и долготы. Возможность отклонения оси съемки на угол ±26 град, сокращает период повторяемости съемки до 5 дней. Подробные характеристики сенсора LISS-4 представле-ны в табл. 3.10.

Сенсор AWiFS является усовершенствованным вариантом сенсора WiFS, который устанавливали на борту спутников IRS-1C и IRS-1D. Новый сен-сор ведет съемку в тех же трех спектральных диапазонах, что и LISS-3, но с разрешением снимков от 56 м и шириной полосы съемки 740 км. Для уве-личения охвата камера AWiFS разделена на два оптико-электронных моду-ля, AWiFS-A и AWiFS-B, которые расположены под углом 11,94 град, друг


Табл. 3.10. Характеристики сенсора LISS-4 [97]

Параметр Значения Спектральные диапазоны

В2 0,52—0,59 мкм ВЗ 0,62—0,68 мкм В4 0,77—0,86 мкм

Пространственное разрешение 5,8 м (в надире)

Радиометрическое разрешение 10 бит

относительно друга. Более подробный перечень характеристик сенсора AWiFS приведен в табл. 3.11.

Сравнение характеристик сенсоров, установленных на спутниках серии Landsat, SPOT и IRS, спектральных диапазонов и областей применения со-ответствующих космических снимков приводится в табл. 3.12.

Спутники CARTOSAT-1

Цифровые космические снимки IRS-1C и IRS-1D можно использовать для обновления топографических карт городов масштаба от 1:10000. Данные о высотах рельефа, получаемые в результате обработки стереопар, имеют точность порядка 10 м. Все это послужило стимулом к дальнейшему разви-тию аппаратуры высокого разрешения, ориентированной на решение задач картографии. С помощью двух камер PAN, которые установлены на новом спутнике CARTOSAT-1, получают снимки с разрешением 2,5 м. Для по-лучения стереопар снимков ось одной камеры отклонена на угол 26 град., а ось второй — на угол минус 5 град. Основные характеристики съемочной системы CARTOSAT-1 приведены в табл. 3.13 (см. [43]).

Запуск спутника CARTOSAT-1 состоялся 5 мая 2005 года. Спутник был выведен на полярную солнечно-синхронную орбиту высотой 618 км с на-клонением 97,87 град. Спутник пересекает экватор в 10 ч 30 мин по мест-ному времени. Период орбиты составляет 116 дней, а минимальный период повторной съемки — 5 дней. Последнее достигается благодаря возможно-сти отклонения оси съемки на 26 град.

Табл. 3.11. Характеристики сенсора AWiFS [98]

Параметр Значения Спектральные диапазоны

В2 0,52—0,59 мкм ВЗ 0,62—0,68 мкм В4 0,77—0,86 мкм В5 1,55—1,70 мкм

Полоса съемки 370 км для каждого модуля 740 км — для обоих

Радиометрическое разрешение 10 бит


Основная цель запуска спутника CARTOSAT-1 состояла в получении данных для картографирования, которые планируется предоставлять потре-бителям в нескольких форматах: в виде снимков, картографической продук-ции и цифровых моделей местности. Все снимки при этом подразделяются на несколько категорий в зависимости от области применения, детализации, времени поступления, стерео- или монорежима обработки (табл. 3.14)

Картографическая продукция (IMDP, Image Map Data Products) состоит из ортотрансформированных снимков CARTOSAT-PAN и одного или не-

Табл. 3.12. Спектральные диапазоны различных сенсоров [99]

Диапазон Тип сенсора Области применения Синий ТМ канал 1 Батиметрия прибрежных вод и озер, картогра-

фирование флювиальных отложений, дешиф-рирование границы между почвенным и расти-тельным покровами, хвойной растительностью и лиственной. Фрагментарные и зернистые горные породы (сланцы, фосфаты, эвапориты) рассеивают излучение в синей области спектра, соответствующей каналу 1 (иногда 2)

Зеленый ТМ канал 2 MSS канал 1 SPOT XS/X1 канал 1 IRS LISS канал 1

Измерение пика спектральной яркости рас-тительного покрова в зеленом диапазоне для оценки его состояния, картографирование содержания осадков в воде. Яркость желе-зистых горных пород выше яркости пород, содержащих окись железа

Красный ТМ канал 3 MSS каналы 2 и 3 SPOT XS/X1 канал 2 IRS LISS канал 2

Окно поглощения хлорофилла. Используется для выделения различных видов растительных покровов. Интенсивность излучения в этом диапазоне выше у пород и почв с большим со-держанием окиси железа

Ближний ИК

ТМ канал 4 MSS каналы 3 и 4 SPOT XS/X1 канал 3 IRS LISS канал 3

Используется для оценки состояния раститель-ного покрова и определения границ водоемов. Свойства хлорофилла «здоровой» раститель-ности приводят к появлению так называемой «красной границы» между диапазонами 3 и 4. В отсутствие растительности каналы 1—5 ис-пользуют для определения относительного содержания железа в горных породах

Коротко-волновый ИК

ТМ канал 5 SPOT XI канал 4 IRS LISS канал 4

Используется для оценки содержания воды в растительности и почве. Более высокая ин-тенсивность излучения в этом диапазоне со-ответствует низким значениям влажности. Канал также можно использовать для разделе-ния толщины снежного покрова и облачности (низкие значения — для снега, высокие — для облаков). В отсутствие растительности уро-вень сигнала в канале 5 существенно зависит от присутствия в составе горных пород и почв различных окислов железа


Табл. 3.12. Спектральные диапазоны различных сенсоров [99] (продолжение)

Диапазон Тип сенсора Области применения ИК ТМ канал 7 Используется для разделения различных

горных пород и гидротермальных областей, а также при разведке полезных ископаемых. Наличие гидроксильной группы (ОН) в хими-ческой структуре минерала приводит к по-глощению излучения вблизи длины волны 2,2 мкм. По этому признаку можно отличать, например, глинистые минералы, которым соответствует очень низкая интенсивность сигнала в этом диапазоне. Такой же эффект наблюдается и для карбонатов. В то же время кварцам, частицам пыли в атмосфере и обна-женным почвам часто соответствует высокая интенсивность сигнала в этом канале 7

Тепловой ИК

ТМ канал 6 Используется для теплового картографирования, оценки тепловой нагрузки на растительный покров и сельскохозяйственные посевы, а также для определения мест теплового загрязнения. Большая интенсивность излучения в этом диа-пазоне соответствует более темным породам

скольких векторных слоев с картографической информацией, которая может быть собрана заранее или получена в результате дешифрирования сним-ков CARTOSAT-1. Потребителям также предоставляются текстовые файлы с обозначением векторных элементов и дополнительной информацией. Пла-нируемую к выпуску продукцию можно разделить на три категории:

1. Двумерные данные в стандартной картографической проекции или проекции, указанной потребителем.

2. Картографические данные условной размерности 2,5D. 3. Трехмерные картографические данные и, по отдельному заказу,

программное обеспечение, необходимое для их просмотра. Поставка данных состоит из самих панхроматических снимков CAR-

TOSAT-1, прошедших предварительную коррекцию. По желанию заказчи-

Табл. 3.13. Основные характеристики съемочной системы CARTOSAT-1 [42]

Параметр Значения Пространственное разрешение (по-перек трассы х вдоль трассы), м

2,5 х 2,78 (съемка вперед) 2,2 х 2,23 (съемка назад)

Спектральное разрешение а) количество каналов б) спектральный диапазон, нм

1 панхроматический 500-850

Радиометрическое разрешение, бит 10 Ширина полосы съемки, км 30 (стереосъемка)

26,855 (комбинирование модулей в монорежиме)


Табл. 3.14. Уровни коммерческой продукции ДЗ [42]

Уровень продукции

Радиоме-трическая коррекция

Геометрическая коррекция Назначение

OA RAW

He при-меняется

Не применяется Для служебного исполь-зования

OB RAD

Применя-ется

Не применяется Для обработки данных средствами потребителя

1 SYS


Вводятся поправки на ха-рактеристики сенсора

Быстро предоставляемые цифровые данные при-емлемого качества (без учета поправок на ре-льеф, для данных, полу-ченных в монорежиме)

2 GCP


Вводятся поправки на ха-рактеристики сенсора с ис-пользованием наземных опорных точек

Более точная географиче-ская привязка, приведе-ны к виду картографиче-ской системы координат

ЗА DEM


Вводятся поправки на ха-ратеристики сенсора, гео-привязка выполняется с ис-пользованием наземных опорных точек и грубой цифровой модели рельефа

Ортотрансформирован-ные снимки

3B DEMB


Вводятся поправки на ха-рактеристики сенсора, ге-опривязка выполняется с использованием назем-ных опорных точек и соб-ственной цифровой моде-ли рельефа

Ортотрансформирован-ные снимки. Применя-ется только для стерео-съемки

3C DEMC


Поправки на характери-стики сенсора с использо-ванием наземных опорных точек и собственной циф-ровой модели рельефа (на изломы поверхности)

Ортотрансформирован-ные снимки высокой точности

ка эти снимки могут быть совмещены с мультиспектральными снимками сравнимого разрешения.

Цифровые модели рельефа

Планируется выпуск цифровых моделей рельефа (ЦМР) трех типов. Тип I. Исходный набор данных ЦМР. • В виде набора исходных данных, соответствующих случайно рас-

положенным точкам измерения высот.

3.4. Снимки высокого разрешения

• В формате нерегулярной триангуляционной сети (TIN) с сохране-нием всех исходных точек.

• В виде набора данных, заданных на прямоугольной сетке, с сохра-нением всех исходных точек.

Тип II. Исходный набор данных ЦМР с добавлением линий излома по-верхности.

• В виде набора нерегулярно расположенных Т9чек измерения высоты рельефа с добавлением линий, указывающих на изломы поверхности.

• В формате нерегулярной триангуляционной сети (TIN) с сохране-нием всех исходных точек и добавлением линий излома одного из двух типов: 1) линий, совпадающих со сторонами треугольников TIN (изгибы поверхности) и 2) дополнительных линий, указываю-щих на резкие изменения рельефа (изломы).

• В виде набора данных, заданных на прямоугольной сетке, с сохране-нием всех исходных точек и вручную выделенными линиями излома.

Тип III. Интерполированная ЦМР • В виде набора данных на прямоугольной сетке, полученных путем

интерполяции исходных нерегулярных данных и линий излома. • В виде изогипс-линий, соединяющих точки одинаковой высоты (с

различными интервалами). • В виде набора параллельных вертикальных профилей произвольной

ориентации, заданной потребителем. С запуском спутника CARTOSAT-1 появилась дополнительная возмож-

ность получения коммерческой съемки в стереорежиме, что позволило создавать цифровую модель рельефа и проводить работы по обновлению топографических карт.


Стереоснимки со спутников SPOT-5, IRS-1C и IRS-1D можно использовать для обновления карт масштаба 1:25000 и хуже. Дальнейшее усовершенство-вание съемочной аппаратуры привело к увеличению пространственного разрешения космических снимков. Такие сенсоры установлены на спутни-ках IKONOS, QuickBird, WorldView-1 и OrbView-3, которые и описываются в этом разделе.

Спутники IKONOS

Исторический запуск коммерческого спутника IKONOS был произведен компанией «Спейс имаджинг» 24 сентября 1999 года с базы Вандерберг Военно-воздушных сил США. Этот космический аппарат, выведенный на орбиту ракетой-носителем Athena II, был изготовлен корпорацией «Локхид Мартин». Помимо нее инвесторами программы запуска спутни-ка стали американская компания «Рейтеон», японская «Мицубиси», син-гапурская «Ван-дер-Хорст», корейская «Хёндей спейс анд эейркрафт», таиландская компания «Локсли паблик компани» и Шведская космиче-ская корпорация [100].


Слово IKONOS имеет древнегреческое происхождение и означает «изо-бражение». Создание этого коммерческого спутника было вызвано возрас-тающим запросом потребителей данных ДЗ в самых разных областях приме-нения — от картографии до мониторинга состояния сельскохозяйственных посевов и планирования городской инфраструктуры. IKONOS стал пер-

Табл. 3.15. Характеристики спутника IKONOS [101]

Характеристики спутника IKONOS Дата запуска 24 сентября 1999 г., 11:21:08 A.M. PDT Ракета-носител ь Athena II Изготовитель Lockheed Martin Место запуска База Военно-воздушных сил США «Вандерберг»,

шт. Калифорния Угол съемки Возможность отклонения угла съемки как вдоль,

так и поперек трассы Масса 725 кг Орбита Высота 681 км Наклонение 98,1 град. Скорость полета 7 км/с (26 ООО км/ч) Узловое время на нисходя-щей ветви

10 ч 30 мин

Период обращения 98 мин Тип орбиты Солнечно-синхронная Сенсоры Панхроматический и мультиспектральный Разрешение 1 м для панхроматических снимков (номинальное

значение при угле отклонения <26 град.) 4 м для мультиспектральных снимков (номиналь-ное значение при угле отклонения <26 град.)

Спектральный диапазон Панхроматический: 0,45—0,90 мкм Многозональный: (как у Landsat-7 и Landsat-5 для каналов 1-4 сенсора ТМ)

Ширина полосы съемки 11 км Период повторной съемки 3 дня при разрешении снимков 1 м (на широте 40°)

1,5 дня при разрешении 1,5 м (на широте 40°) Динамическиад&иапазон 11 бит

Размер сцены: 11 х 11 км Полоса съемки: 11 х 100 км

Размеры снимков Мозаика снимков: до 10 000 км2

До двух смежных областей площадью 10 000 км2 за один виток Возможность получения стереопар в полосе 22 х 130 км с одного витка


вым спутником, с помощью которого можно одновременно получать пан-хроматические снимки с разрешением 1 м и мультиспектральные снимки с разрешением 4 м. На цифровых снимках этого спутника, выведенного на солнечно-синхронную орбиту высотой 680 км и вращающегося вокруг Земли со скоростью 7 км/с, можно различить объекты площадью всего 1 м2. Период обращения спутника вокруг Земли равен 98 мин, период повторной съемки — от 3 дней, время прохождения экватора — 10 ч 30 мин. Благода-ря углу отклонения от надира в ±26 град, ширина полосы охвата достигает 700 км, что позволяет проводить съемку больших территорий в короткие сроки. Расчетный срок службы спутника на орбите более семи лет. Характе-ристики спутника IKONOS приведены в табл. 3.15.

Один снимок IKONOS при съемке в надир захватывает область разме-рами 11x11 км. Заказ архивной или новой съемки можно делать как пол-ными сценами, так и территорией произвольной формы. Данные с этого спутника предоставляются с разным уровнем обработки:

1. Данные, пересчитанные в соответствии с эллипсоидом и проекци-ей, которые необходимы заказчику.

2. Ортотрансформированные снимки, полученные с использовани-ем ЦМР, созданной на основе стереоснимков IKONOS (наземный контроль осуществляется только для данных наивысшей категории точности).

Различные виды коммерческих данных IKONOS и их назначение при-ведены в табл. 3.16.

Табл. 3.16. Уровни обработки снимков и области применения [101]

Название Точность плановой

привязки, м

Соот-ветствие масштабу

Сферы применения

Geo ±50 — Дешифрирование и анализ снимков, не тре-бующие высокой пространственной точности

Reference ± 25,4 1:50 000 Картографирование больших территорий и использование в ГИС по заказам средств массовой информации, страховых компаний и других коммерческих организаций

Map ±12 1:24 000 Планирование городской инфраструктуры, оценка взаимного влияния разных факторов

Pro ±10 1:12 000 Изучение окружающей среды, планирова-ние городской инфраструктуры и развития транспортных сетей, сельское хозяйство, телекоммуникации

Precision ±4 1:4 800 Картографирование городских территорий, использование в ГИС для решения задач, тре-бующих высокой пространственной точности

Precision Plus

±2 1:2 400 Картографирование городских территорий, использование в ГИС для решения задач, тре-бующих высокой пространственной точности


Табл. 3.17. Характеристики спутника IK0N0S-2 [102]

Характеристики Ракета-носитель Athena II Разрешение снимков 1 м (панхроматические), 4 м (многозональные) Ширина полосы съемки 11 км в надире Размеры сцены Отдельный снимок: 11 х 11 км

Полоса: от 11 х 100 до И х 1000 км Полный охват: до 12000 км2

Период повторной съемки 3 дня для экваториальных территорий при съем-ке в надир

Тип орбиты Солнечно-синхронная

Со спутника IKONOS-2 получают панхроматические снимки с про-странственным разрешением 1 м, многозональные снимки с простран-ственным разрешением 4 м и синтезируют цветные снимки с разрешени-ем 1 м. Пространственное разрешение в основном зависит от интервала дискретизации данных (GSD). Для панхроматической съемки этот пара-метр равен 0,82 м, а для мультиспектральной — 3,2 м (в надире). Период съемки с указанным разрешением для экваториальной области составляет около 3 дней.

Управление полетом спутника IKONOS-2 осуществляется из двух цен-тров — основного, расположенного в городе Торнтон, и вспомогательно-го в городе Норман, США. Передача данных съемки полярных областей ведется на наземную станцию компании «Спейс имаджинг» неподалеку от города Фейрбенкса и на совместно используемую станцию, предостав-ленную Шведской космической корпорацией. Основные характеристики спутника IKONOS-2 перечислены в табл. 3.17

Спутник QuickBird

Запуск коммерческого спутника QuickBird был осуществлен компани-ей «Диджитал глоб» в октябре 2002 года. Разрешение панхроматических снимков, полученных с этого спутника, составляет от 61 см, а разреше-ние мультиспектральных (4 спектральных канала) — от 2,44 м. Каждый снимок охватывает территорию размером 16,5 х 16,5 км [105]. Характери-стики спутника QuickBird приведены в табл. 3.18. Со спутника получают панхроматические, мультиспектральные снимки с радиометрическим раз-решением 11 бит. Одновременность выполнения съемки в панхроматиче-ском и мультиспектральном режимах позволяют синтезировать цветные снимки с пространственным разрешением панхроматических, что дает возможность проводить анализ в четырех спектральных диапазонах. Су-ществует четыре уровня обработки снимков QuickBird в зависимости от задач потребителей.

Панхроматические снимки получают в 11-битном формате (2048 оттенков серого цвета), а потребителям предоставляют либо в 8-битном (256 оттенков),

3.4. Снимки высокого разрешения 63

Табл. 3.18. Характеристики спутника QuickBird [103]

Тип орбиты Солнечно-синхронная Высота орбиты 450 км Ширина полосы съемки 16,5 км Радиометрическое разрешение 11 бит Размер снимка 16,5 х 16,5 км Период повторной съемки От 3,5 дней Дата запуска 18 октября 2001 г. Тип сенсора PAN Разрешение снимков 0,61 м Кол-во каналов 1 Спектральный диапазон 0,45—0,90 мкм Тип сенсора MSI Разрешение снимков 2,44 м Кол-во каналов Канал 1 Канал 2 Канал 3 Канал 4

4 Синий: 0,45—0,52 мкм Зеленый: 0,52—0,60 мкм Красный: 0,63—0,69 мкм Ближний ИК: 0,76—0,90 мкм

либо в 16-битном формате, который необходим для более точного дешифри-рования. Оба формата поддерживаются ГИС и картографическими програм-мами. Мультиспектральные снимки в синем, зеленом, красном и ближнем инфракрасном диапазонах предоставляются также в 16- или 8-битном фор-мате. Искусственно синтезированные снимки с разрешением 60 или 70 см предоставляются в виде цветных (красный, синий и зеленый диапазоны), псевдоцветных (красный, зеленый и инфракрасный диапазоны) или совме-щенных (красный, синий, зеленый и инфракрасный диапазоны) снимков.

Продукция QuickBird разделена на три категории в зависимости от уровня обработки исходных данных:

1. Уровень Basic. 2. Уровень Standard. 3. Уровень Ortho-rectified.

Снимки уровня Basic

Снимки QuickBird этого уровня предназначены для тех потребителей, у ко-торых есть все необходимые средства для обработки изображений. В состав набора данных включают информацию, необходимую для фотограмметриче-ской обработки, — сведения о модели камеры и пространственных параме-трах съемки. Снимки уровня Basic проходят радиометрическую коррекцию и процедуру внесения поправок, вызванных искажениями камеры. В то же время, они не трансформированы в картографическую проекцию, и к ним не применялась геометрическая коррекция. Фактическое разрешение панхро-


матических снимков — от 61 см при съемке в надир до 72 см при отклонении в 25 град. Для многозональных снимков соответствующие значения равны 2,44 и 2,88 м. Снимки уровня Basic характеризуются как «геометрически не-обработанные», однако при их дальнейшей обработке с учетом вспомогатель-ных данных ISD (Image Support Data) можно добиться среднеквадратичной точности горизонтальной привязки 14 м (без учета влияния рельефа).

Снимки уровня Standard

Снимки этого уровня предназначены тем потребителям, которых устроит средняя точность привязки. В дополнение к процедурам обработки, ко-торые проходят снимки уровня Basic, также применяется геометрическая коррекция. Данные трансформируются в картографическую проекцию, необходимую заказчику. Пространственное разрешение выровнено по все-му полю снимка. При геометрической коррекции устраняются эффекты, связанные с особенностями орбиты спутника, вращением и кривизной по-верхности Земли, а также искажения, возникающие при панорамной съем-ке. Потребителям предоставляются две разновидности таких снимков.

Табл. 3.19. Основные характеристики снимков со спутников QuickBird [104]

Уровень Basic Уровень Standard Уровень Ortho Разрешение Панхроматические снимки

61 см (в надире) 72 см (при откло-

нении 25 град.)


нении 25 град.)


нении 25 град.) Многозональные снимки

2,44 м (в надире) 2,88 м (при отклонении

25 град.)


25 град.)


25 град.) Снимки повышенной контрастности

— 0,6 или 0,7 м 0,6 или 0,7 м

Радиометрическая коррекция

Да Да Да

Поправки на характе-ристики сенсора

Да Да Да

Геометрическая кор-рекция

Нет Да Да

Ортотрансформирова-ние

Нет Нет Да

Точность привязки Без геометриче-ской коррекции

14 м (СКО) без учета искажений за рельеф

7,7 м (СКО), со-ответствует мас-штабу 1:25 000

Границы области за-казчика пересекают несколько сцен

Мозаика: нет Гистограммная коррекция: нет

Мозаика: нет Гистограммная коррекция: нет


Уровень Standard. Для внесения поправок на рельеф относительно ис-пользуют грубую цифровую модель рельефа (ЦМР). Геометрическую кор-рекцию проводят без учета наземных опорных точек только на основании пространственного положения спутника. Результирующие поправки неве-лики, поэтому, несмотря на коррекцию, такие снимки не относятся к раз-ряду ортотрансформированных.

Уровень Ortho Ready Standard. В снимки этого уровня не внесены по-правки на рельеф, и они предназначены для тех потребителей, которые хотят самостоятельно выполнить работы по ортотрансформированию с ис-пользованием ЦМР высокого разрешения. В других случаях рекомендуется выбирать продукцию уровня Standard.

Снимки уровня Ortho-rectified

К этой категории относятся ортотрансформированные снимки, которые готовы к применению в ГИС, в том числе в качестве основного слоя карты или базы данных. Этот тип снимков характеризуется очень высо-кой геометрической точностью. Для ортотрансформирования снимков необходима цифровая модель рельефа и информация о наземных опор-ных точках (НОТ). В некоторых случаях такую информацию предостав-ляет заказчик.

Табл. 3.20. Параметры орбиты спутника и характеристики снимков QuickBird-1 [103]

Тип орбиты Не солнечно-синхронная с наклонением 66 град. Высота орбиты Переменная Ширина полосы съемки 22 км Кол-во бит на пиксел 11 Область снимка 22 х 22 км2

Период повторяемости съемки 1—5 дней (в зависимости от широты) Узловое время пересечения плоскости экватора

Переменное

Дата запуска —

Тип сенсора PAN Разрешение 1 м Кол-во каналов 1 Спектральный диапазон 0,45—0,90 мкм Тип датчика MSI Разрешение 4 м Кол-во каналов Канал 1 Канал 2 Канал 3 Канал 4

4 Синий: 0,45—0,52 мкм Зеленый: 0,52—0,60 мкм Красный: 0,63—0,69 мкм Ближний ИК: 0,76-0,90 мкм

3 - 3 1 7 9


Все перечисленные виды снимков имеют разные свойства и предназначе-ны для различных целей. Для ортокоррекции снимков уровня Basic необхо-дима модель камеры QuickBird RPC (Rigourous Sensor Model). Снимки уров-ня Standard ориентированы на те области применения, в которых достаточно точная географическая привязка без поправок на рельеф. Поскольку для по-лучения таких снимков используется грубая цифровая модель рельефа, они не пригодны для последующего ортотрансформирования. Снимки уровня Ortho Ready Standard отнесены к нулевой высоте над уровнем моря, поэтому для их использования необходимо внести поправки на рельеф. Наиболее важные ха-рактеристики всех рассмотренных выше снимков приведены в табл. 3.19.

Следующим спутником этой серии стал QuickBird-1. Основные характе-ристики этого спутника приведены в табл. 3.20.

Спутник OrbView-1

Спутник OrbView-1, запущенный в апреле 1995 года, в настоящее время не эксплуатируется. На его борту были установлены две камеры наблюдения за атмосферой, которые передавали информацию, необходимую для про-гноза погоды по всему миру. Со спутника ежедневно получали несколько метеорологических снимков в дневное и ночное время. Эти данные ис-пользовали также для долгосрочного прогноза погоды.

На спутнике OrbView-1 впервые использовали одноканальную съемоч-ную систему с центром в видимой части спектра на длине волны 777 нм и пространственным разрешением снимков 10 м. Полоса охвата состав-ляла 1300 км при наклонении орбиты 70 град. Это обеспечивало съемку почти всей земной поверхности за два дня. Собранные метеорологические данные записывались на борту спутника и дважды в сутки передавались на центральную наземную станцию ORBIMAGE в штате Западная Вир-джиния. Затем данные передавались заказчикам через Интернет, причем это происходило почти в режиме реального времени. Параметры спутника OrbView-l приведены в табл. 3.21

Табл. 3.21. Параметры орбиты спутника и характеристики снимков OrbView-1 [106]

Параметр Значение Режим съемки Монохроматический Пространственное разрешение 10 км Кол-во каналов 1 Спектральный диапазон 777 нм Ширина полосы съемки 1300 км Область съемки Непрерывное сканирование Период повторной съемки Менее 2 дней Высота орбиты 740 км Срок эксплуатации 5 лет (завершена)



Со спутника OrbView-2, который был выведен на орбиту в августе 1997 года, ежедневно получают многозональные снимки всей поверхности Земли, включая океаны. Снимки OrbView-2 применяют для мониторинга био-массы планктона и уровня накопления осадков в океане, а также для оценки общего состояния растительного покрова Земли. Запуск спутника OrbView-2 впервые позволил ежедневно получать цветные снимки земной поверхности. Съемка ведется в восьми каналах: шесть в видимой части спектра и два в ближнем инфракрасном диапазоне. Пространственное раз-решение снимков составляет 1,1 км.

Съемка со спутника OrbView-2, выведенного на полярную орбиту, обеспе-чивает ежедневный охват всей поверхности Земли, при этом ширина полосы съемки составляет 2800 км. Снимки OrbView-2 непрерывно передаются на наземные станции HRPT (High Resolution Picture Transmission) в режиме реаль-ного времени. Потребители могут получать данные ДЗ непосредственно на свои наземные станции либо приобретать отдельные снимки через оператив-ную службу компании «Орбиимадж». Снимки OrbView-2 используют в раз-личных областях, в частности в рыболовстве, сельском хозяйстве, морепла-вании, а также для мониторинга состояния окружающей среды. Параметры орбиты и характеристики снимков OrbView-2 приведены в табл. 3.22.

Табл. 3.22. Параметры орбиты спутника и характеристики снимков OrbView-2 [108]

Параметр Значение Режим съемки Многозональный Пространственное разрешение 1 км Кол-во спектральных каналов 8

402-422 нм 433—453 нм 480—500 нм

Спектральный диапазон 500—520 нм

Спектральный диапазон 545—565 нм 660—680 нм 745-785 нм 845—885 нм

Ширина полосы съемки 2800 км Область снимка Непрерывная Макс, скорость передачи данных 2 Мбит/с Период повторной съемки 1 день Высота орбиты 705 км Узловое время 12 ч 00 мин Срок эксплуатации 7,5 лет



Спутник OrbView-З стал одним из первых коммерческих спутников, с ко-торого получали космические снимки высокого пространственного разре-шения. Разрешение панхроматических снимков OrbView-З составляло 1 м, а мультиспектральных — 4 м. На снимках хорошо видны дома, машины и самолеты. С помощью таких снимков можно создавать и обновлять мел-комасштабные карты.

Ширина полосы съемки OrbView-З составляла 8 км как для панхро-матических, так и для многозональных снимков, а максимальный угол отклонения оси съемки — 45 град. Период повторной съемки — 3 дня. Снимки OrbView-З можно было получать в режиме реального времени не-посредственно на наземные станции или загружать с компьютеров ком-пании «Орбиимадж», куда данные ДЗ попадают после предварительной записи на борту спутника.

Снимки OrbView-З используют в таких областях, как телекоммуни-кация, нефтяная и газовая промышленность, картография, сельское и лесное хозяйство, мониторинг национальных природных ресурсов. Параметры спутника и характеристики снимков OrbView-З приведены в табл. 3.23.

3.5. Спутник ЕО-1

В 1996 году Национальное агентство США по аэронавтике и исследованию космического пространства начало новую программу, которая получила на-звание Программы нового тысячелетия (New Millennium Program, NMP). Ее основная цель заключается в разработке новых технологий, которые по-могли бы снизить стоимость космических исследований в XXI веке. Пер-вым спутником, запущенным в рамках этой программы, стал ЕО-1 (Earth Observing-l)

Табл. 3.23. Параметры спутника и характеристики снимков OrbView-З [109]

Параметр Значение Режим съемки Панхроматический Мультиспектральный Пространственное разрешение 1 м 4 м Количество каналов 1 4

Спектральный диапазон 450—900 нм 450-520 нм 520-600 нм 625-695 нм 760—900 нм

Ширина полосы съемки 8 км Период повторной съемки от 3 дней Высота орбиты 470 км Узловое время 10 ч 30 мин Срок эксплуатации минимум 5 лет


Спутник ЕО-1 был выведен на орбиту ракетой-носителем Delta 7320 с военно-воздушной базы Ванденберг 21 ноября 2000 года. Солнечно-синхронная орбита спутника имеет наклонение 98,7 град, и высоту 705 км. Спутник ЕО-1 «движется» по той же орбите, что и Landsat-7\ с отставанием от последнего на 1 мин. Таким образом поддерживаются одинаковые усло-вия съемки со спутников, что позволяет сравнивать их между собой [111].

На снимках Landsat-7 и ЕО-1 изображены одни и те же области земной поверхности. Три съемочных системы ЕО-1 охватывают все сегменты по-лосы съемки Landsat-7\ Каждая из них снабжена фильтрами пропускания отраженного излучения в определенных спектральных диапазонах, кото-рые выбираются в зависимости от исследовательской задачи или на осно-вании запросов потребителей.

На спутнике ЕО-1 установлены сенсоры трех разных типов: Advanced Land Imager (ALI), Hyperion и Linear Etalon Imaging Spectral Array Atmospheric Correc-tor (LEISA LAC). Два последних являются гиперспектральными сенсорами, которые ведут съемку в очень узких смежных диапазонах спектра. По срав-нению с обычными многозональными сенсорами с их более широкими диа-пазонами гиперспектральная съемочная система обеспечивает более высокое разрешение. Основные пространственные и спектральные характеристики аппаратуры спутника ЕО-1 и системы Enhanced Thematic Mapper Plus (ETM+), установленной на спутнике Landsat-7, сравниваются в табл. 3.24. Поскольку каждая съемочная система ЕО-1 действует как линейка сенсоров, двумерная съемка выполняется просто за счет движения спутника по орбите [86].

Табл. 3.24. Характеристики съемочной системы ЕО-1 [86]

Параметр Landsat-7 ЕО-1

Параметр ЕТМ+ ALI HYPERION АС

Спектральный диапазон 0,4—2,4 мкм* 0,4—2,4 мкм 0,4—2,5 мкм 0,9—1,6 мкм

Пространствен-ное разрешение 30 м 30 м 30 м 250 м

Ширина полосы съемки 185 км 37 км 7,7 км 185 км

Спектральное разрешение Переменное Переменное 10 нм 3 - 9 нм**

Спектральный охват

Отдельно раз-положенные диапазоны

Отдельно раз-положенные диапазоны

Непрерывный Непрерывный

Разрешение пан-хроматических снимков

15 м Юм — —

Количество диа-пазонов 7 10 220 256

* Кроме теплового канала. ** Постоянное разрешение 35 или 55 см.


Съемочная система Advanced Land Imager (ALI)

Установленная на спутнике ЕО-1 съемочная система Advanced Land Imager (ALI) была разработана в рамках Программы нового тысячелетия (NMP). В фокальной плоскости системы расположена линейка из четырех сенсорных блоков, охватывающих угловой диапазон 3 х 1,625 град. С помощью системы ALI получают снимки с высоты 705 км в тех же спектральных диапазонах, что и снимки Landsat. В системе ALI предусмотрено три дополнительных канала регистрации: 0,433-0,453; 0,845-0,890 и 1,20—1,30 мкм (табл. 3.25). Кроме того, в ее состав входит широкоугольная оптическая камера, предназначенная для непрерывной съемки в угловом диапазоне 15 х 1,625 град., с разрешением 30 м для многозональных снимков и 10 м для панхроматических.

Можно ожидать, что в будущем применение технологии ALI позво-лит снизить стоимость и размеры аппаратуры типа Landsat в 4—5 раз. Сравнительные характеристики аппаратуры ЕО-1 и Landsat приведены в табл. 3.26.

Съемочная система Hyperion

Система Hyperion относится к новому классу съемочной аппаратуры, пред-назначенной для комплексного изучения земной поверхности. Высокий уровень рабочих характеристик, необходимый для научных исследований, достигается благодаря механизму точной калибровки, который был разра-ботан для аппаратуры LEWIS Hyperspectral Imaging Instrument (HIS). Более 200 спектральных каналов системы обеспечивают съемку земной поверх-ности с очень высоким разрешением. Для сравнения напомним, что съе-мочные системы спутников Landsat ведут съемку всего в 10 спектральных диапазонах. Такое увеличение количества каналов съемки вызвано, прежде всего, необходимостью изучения и точной классификации сложных эколо-гических систем [112].

Табл. 3.25. Спектральные диапазоны съемки ЕО-1 ALI [111]

Канал Длина волны, мкм Разрешение, м Панхроматический 0,480-0,690 10

MS-1* 0,433-0,453 30 MS-1 0,450-0,515 30 MS-2 0,525-0,605 30 MS-3 0,630-0,690 30 MS-4 0,775-0,805 30 MS-4* 0,845-0,890 30 MS-5* 1,200-1,300 30 MS-6 1,550-1,750 30 MS-7 2,080-2,350 30

* Новые спектральные диапазоны.


Табл. 3.26. Сравнение характеристик ЕО-1 и Landsat-7 [111]

Параметр ALI Enhanced Thematic Mapper (ЕТМ+)

Масса, кг 100 425 Мощность, Вт 100 545 Объем, м3 0,2 1,4 Каналы VNIR и SWIR 10 7 Количество детекторов на канал 6200 16 Тепловой канал Нет 1 Скорость передачи данных, Мбит/с 300 150 Разрешение панхроматических снимков, м 10 15 Отношение сигнал/шум 4 1

Hyperion является гиперспектральной съемочной системой с 220 кана-лами (с длиной волны от 0,4 до 2,5 мкм), обеспечивающей пространствен-ное разрешение снимков 30 м. Каждый снимок имеет, кроме того, очень высокое радиометрическое разрешение и охватывает территорию с разме-рами 7,5 х 100 км. В состав системы входят следующие компоненты:

1. Оптическая система, конструкция которой основана на опыте по-летов спутников KOMPSAT ЕОС. Высокое значение отношения сигнал/шум достигается за счет использования двух независимых спектрометров.

2. Линейка сенсоров в фокальной плоскости системы, созданная на основе аппаратуры, разработанной для программы LEWIS HIS, обе-спечивает независимую съемку в коротковолновом инфракрасном диапазоне (SWIR) и в диапазоне видимой и ближней инфракрасной части спектра (VNIR).

Табл. 3.27. Характеристики съемочной системы Hyperion [65]

Параметр Hyperion Размеры (Д х Ш х В), см 75 х 39 х 65 Масса, кг 49 Средняя потребляемая мощность, Вт 51 Апертура, см 12 Угол обзора, мрад. 0,043 Боковой угол обзора, град. 0,63 Спектральный диапазон, нм 400-2500 Спектральное разрешение, нм 10 Количество спектральных каналов 220 Радиометрическое разрешение, бит 12 Частота кадров, Гц 223,4


3. Криогенная система охлаждения, идентичная той, которая исполь-зовалась в программе LEWIS HIS для охлаждения съемочных си-стем SWIR.

Характеристики съемочной системы Hyperion представлены в табл. 3.27. В настоящее время гиперспектральная съемка широко применяется в геоло-гии, горнодобывающей промышленности, лесном и сельском хозяйстве, а так-же для изучения окружающей среды. Использование снимков Hyperion для подробной классификации земельных ресурсов позволит более рационально вести разработку месторождений полезных ископаемых, давать более точные прогнозы и оценки урожайности, а также строить более точные карты.

Съемочная система Atmospheric Corrector

Качество снимков иногда существенно снижается из-за поглощения и рас-сеяния излучения в атмосфере. Для повышения точности регистрации от-раженного излучения на спутнике ЕО-1 была установлена новая съемочная система — Atmospheric Corrector (AC) [112].

Система АС имеет простую и компактную конструкцию и обладает сле-дующими характеристиками:

1. Гиперспектральная система средней разрешающей способности, оснащенная краевым фильтром.

2. Спектральный диапазон: 0,89—1,58 мкм. Каналы съемки выбраны так, чтобы обеспечить оптимальную коррекцию снимков высокого разрешения.

3. Коррекция снимков поверхности Земли в зависимости от времен-ных изменений состава атмосферы (в первую очередь, паров воды).

Систему Atmospheric Corrector применяют для решения научных и ком-мерческих задач, в которых наблюдается снижение качества данных из-за поглощения излучения в результате присутствия в атмосфере паров воды и аэрозолей. Появление этой системы дало возможность использовать из-меренные, а не модельные значения коэффициента поглощения и тем са-мым формировать более точные физические модели дистанционного зон-дирования. В будущем эта технология позволит не только получать более точную информацию о природных ресурсах, но и создавать более совер-шенные модели их использования.

3.6. Метеорологические спутники

Мониторинг облачности и прогноз погоды были одними из первых граж-данских областей применения космических снимков. Первый метеороло-гический спутник TIROS-1 (Television and Infrared Observation Satellite-X) был запущен США в 1960 году. В следующие пять лет на субполярные орбиты было выведено еще несколько спутников, с которых проводилась регуляр-ная съемка атмосферы Земли. В 1966 году НАСА вывело на орбиту гео-стационарный спутник ATS-1 (Applications Technology Satellite), с которого получают снимки примерно половины поверхности Земли и облачного по-крова каждые полчаса.


Запуск этого спутника положил начало регулярным наблюдениям по-годных явлений. Сегодня запуски метеорологических спутников осущест-вляются несколькими странами. По сравнению с аппаратурой ресурсных спутников, съемочные системы метеорологических спутников обеспечи-вают менее высокое разрешение снимков, но существенно больший охват съемки. Как правило, они обладают достаточно высокой временной разре-шающей способностью, позволяющей вести наблюдение за поверхностью Земли, влажностью атмосферы и облачным покровом, обеспечивая тем самым почти непрерывный глобальный мониторинг и возможности про-гноза погоды. В следующих разделах приводится обзор наиболее типичных метеорологических спутников и съемочных систем.

Спутник GOES

Спутники GOES (Geostationary Operational Environmental Satellite), при-шедшие на смену спутникам серии ATS, были разработаны НАСА спе-циально для Национального управления США по исследованию океана и атмосферы (НОАА) для того, чтобы обеспечить частую мелкомасштаб-ную съемку земной поверхности и облачного покрова в интересах Наци-ональной метеорологической службы США. Космические снимки GOES используются метеорологами для мониторинга и прогноза погоды вот уже более 30 лет. Эта серия является частью глобальной сети метеороло-гических спутников, выведенных на геостационарные орбиты с интер-валом по долготе примерно 70 град., обеспечивая почти полных охват земной поверхности. Два спутника GOES выведены на экваториальные геостационарные орбиты высотой 36000 км. Съемочные системы каждо-го из них охватывают приблизительно треть поверхности Земли. Один спутник расположен на 75 град. з.д. и используется для мониторинга Северной и Южной Америки. Второй находится на 135 град. з.д. и слу-жит для наблюдения за Северной Америкой и бассейном Тихого океана. С помощью двух этих спутников постоянно снимается территория от 20 град. з.д. до 165 град. в.д.

Выделяют два поколения спутников GOES. К первому поколению от-носятся спутники от GOES-1 (запущен в 1975 году) до GOES-7 (выведен на орбиту в 1992 году). Из-за особенностей конструкции они вели съемку лишь в течение небольшого времени (приблизительно 5% от общего срока эксплуатации). Недостатки первой серии были устранены на спутнике вто-рого поколения — GOES-8, который был выведен на орбиту в 1994 году. Сегодня съемка Земли со спутников GOES ведется с интервалом 15 ми-нут. Улучшается также пространственное и радиометрическое разрешение снимков. Все это дает возможность вовремя получать необходимые данные для метеорологических прогнозов.

Спутники второго поколения оснащены двумя независимыми съемоч-ными системами. Первая ведет съемку в 5 спектральных диапазонах ви-димой и инфракрасной части спектра. Благодаря инфракрасному каналу можно получать снимки как в дневное, так и в ночное время. Возможность отклонения оси съемки и выбора параметров сканирования позволяет по-


Табл. 3.28. Характеристики снимков GOES

Канал Спектральный диапазон, мкм

Простран-ственное разреше-ние, км

Области применения

1 0,52-0,72 (видимый)

1 Наблюдение за облачностью и туманами, регистрация загрязнения атмосферы, на-блюдение за сильными штормами

2 3,78-4,03 (коротковолно-

вый ИК)

4 Распознавание тумана в ночное время суток; дождевых и снежных облаков в дневное время; борьба с пожарами, наблюдение за вулканами; определение температуры океанической поверхности в ночное время

3 6,47-7,02 (водяные пары в верхних слоях

атмосферы)

4 Оценка областей со средним уровнем влажности и адвекции; наблюдение за атмосферными движениями среднего масштаба

4 10,2-11,2 (длинноволно-

вый ИК)

4 Определение воздушных потоков, от-ветственных за перемещение облачно-сти, наблюдение за сильными штормами и ливневыми дождями

5 11,5-12,5 (ИК-диапазон,

чувствительный к парам воды)

4 Определение влажности в нижних слоях атмосферы и температуры океа-нической поверхности; выявление мест концентрации пылевых облаков и вул-канического пепла

лучать изображения как всей Земли, так и небольшой ее части. Снимки имеют 10-битное радиометрическое разрешение; их можно передавать не-посредственно на наземные станции заказчиков. Спектральные диапазоны и пространственное разрешение снимков GOES, а также их области при-менения приведены в табл. 3.28.

Вторая съемочная система спутников GOES оснащена 19 каналами для съемки в одном диапазоне видимого спектра и 18 тепловых диапазонах с пространственным разрешением 8 км и радиометрическим разрешением 13 бит. Эти данные используют для наблюдения температуры земной по-верхности и верхней части облачного покрова, а также для оценки профи-лей влажности и анализа распределения озона.

Радиометры AVHRR

В дополнение к геостационарным спутникам Национальное управле-ние по исследованию океана и атмосферы (НОАА) контролирует работу еще двух метеорологических спутников, которые выведены на солнечно-синхронные субполярные орбиты высотой 830—870 км и являются частью серии Advanced TIROS. Каждый из этих спутников обеспечивает глобаль-


ный охват поверхности Земли, а благодаря тому, что спутники работают в паре, интервал получаемых данных для любого участка земной поверх-ности не превышает 6 часов. Один из спутников пересекает экватор с севе-ра на юг ранним утром, второй — в полдень.

Основной съемочной системой на борту спутников НОАА, которую ис-пользуют и для метеорологических целей, и для целей наблюдения земной поверхности, является радиометр AHVRR (Advanced Very High Resolution Radiometer), обеспечивающий съемку в видимом и инфракрасном диапа-зонах с шириной полосы съемки 3000 км. Спектральные диапазоны съем-ки, пространственное разрешение снимков AVHRR и основные области их применения перечислены в табл. 3.29.

Для получения и форматирования данных AVHRR используют четыре режима, которые отличаются разрешением и способом передачи данных — непосредственно на наземную станцию или с предварительной записью на борту спутника. Соответствующие форматы данных и их характеристики представлены в табл. 3.30.

Хотя система AVHRR наиболее широко используется для задач про-гноза погоды и анализа метеорологических условий, ее также можно применять для мониторинга состояния объектов на земной поверхно-сти. Конечно, снимки AVHRR обладают более низким пространствен-ным разрешением, чем снимки с ресурсных спутников, однако их часто используют для различных региональных наблюдений, включая карто-графирование распределения температуры поверхности океана, а также наблюдение за состоянием растительного покрова и сельскохозяйствен-ных посевов. Объединяя несколько наборов данных AVHRR, можно получать мозаики снимков, позволяющие создавать мелкомасштабные карты для анализа состояния растительного покрова на обширных тер-риториях.

Табл. 3.29. Диапазоны съемки радиометра AVHRR

Зона Спектральный диапазон, мкм

Пространст-венное раз-решение, км

Область применения

1 0,58-0,68 (красный)

Ы Мониторинг облачности, снежного и ледового покровов

2 0,725-1,1 (ближний ИК)

и Наблюдение за состоянием расти-тельности, водных ресурсов и сель-скохозяйственных культур

3 3,55-3,93 (средний И К)

1Д Определение температуры по-верхности океана, наблюдение за вулканами и мониторинг лесных пожаров

4 10,3-11,3 (тепловой И К)

1,1 Определение температуры поверх-ности океана и влажности почв

5 11,5-12,5 (тепловой И К)

1,1 Определение температуры поверх-ности океана и влажности почв


Табл. 3.30. Форматы данных AVHRR

Формат Простран-ственное раз-решение, км

Передача и обработка данных

APT (Automatic Picture Trans-mission — автоматическая передача снимков)

4 Непосредственная передача и отображение данных низкого разрешения

HRPT (High Resolution Picture Transmission — передача сним-ков высокого разрешения)

1,1 Прямая передача и отображение данных высокого разрешения

GAC (Global Area Cover-age — территории глобального масштаба)

4 Данные низкого разрешения, предварительно записанные на борту спутника

LAC (Local Area Coverage — территории регионального масштаба)

1,1 Данные высокого разрешения для небольшой выбранной территории, предварительно за-писанные на борту спутника

Спутники INSAT

Многоцелевые спутники INSAT используют в трех различных областях: в теле- и радиовещании, для обеспечения связи и в интересах службы по-годы. Запуски этих спутников осуществляются в рамках совместного про-екта Министерства телекоммуникаций Индии, Индийской метеорологи-ческой службы, телевизионной компании «Дурдаршан» и Национального радио Индии. Оперативное управление этим проектом осуществляется Координационным комитетом INSAT [22].

Первый спутник серии INSAT-1 — INSAT-1A — был выведен на орбиту в апреле 1982 года, но уже 6 сентября 1982 прекратил свою работу из-за неисправности оборудования. Следующий спутник, INSAT-1B, был запу-щен 30 августа 1983 года и стал эксплуатироваться с 15 октября того же года. Этот спутник исправно выполнял возложенные на него функции на протяжении 80-х годов XX века и был выведен с орбиты в июле 1993 года.

Табл. 3.31. Серия геостационарных спутников INSAT-1 [22]

Спутник Дата запуска

Съемочная система и спек-тральные диапазоны

Основные области при-менения

INSAT-1A 10 апреля 1982 г.

VHRR

Видимый: 0,55—0,75 мкм (разрешение 2,75 км) ИК: 10,5-12,5 мкм (разрешение 11 км)

Наблюдение за ци-клонами, муссонами и ветрами, влияющими на движения облаков, оценка длинноволновой части излучения и уров-ня выпадения осадков

INSAT-1В 30 августа 1983 г.

VHRR



INSAT-1C 22 июля 1988 г.

VHRR


Наблюдение за ци-клонами, муссонами и ветрами, влияющими на движения облаков, оценка длинноволновой части излучения и уров-ня выпадения осадков INSAT-1D 12 июня

1990 г.

VHRR




Запуск третьего спутника, INSAT-1C, состоялся 22 июля 1988 года, однако 22 ноября 1989 года в силу ряда технических причин контроль над спутни-ком был утерян. Последний спутник этой серии, INSAT-1D, был выведен на орбиту 12 июня 1990 года и начал эксплуатироваться приблизительно через месяц — 17 июля. Установленная на нем съемочная система VHRR (Very High Resolution Radiometer) вела съемку почти 12 лет и прекратила ра-боту только 14 мая 2002 года из-за недостатка топлива, необходимого для коррекции высоты орбиты.

Запуски спутников INSAT второго поколения (серия INSAT-2) начались 9 июля 1992 года, когда на орбиту был выведен первый спутник этой се-рии — INSAT-2A. Следующий спутник, INSAT-2B, был запущен 22 июля 1993 года. Все спутники INSAT снабжены системой стабилизации по трем осям. Последний спутник этой серии, INSAT-2E, был выведен на орбиту 3 апреля 1999 года и проработал до мая 1999 года (табл. 3.32). На нем была установлена новая аппаратура — ПЗС-камера, дававшая снимки в трех спек-тральных диапазонах с разрешением 1 км. Была усовершенствована также съемочная система VHRR: к ней добавили дополнительный канал в тепло-вом ИК-диапазоне, который предназначался для наблюдения за парами воды и давал снимки с разрешением 8 км. К сожалению, система VHRR на борту INSAT-3E так и не заработала из-за отказа механизма сканирования. Радиометр VHRR установлен и на индийском метеорологическом спутнике METSAT (Kalpana-1), эксплуатация которого началась 24 сентябре 2002 года. Помимо прочего оборудования, на борту METSAT имеется ретранслятор DRT (Data Relay Transponder), который служит для сбора метеорологических и гидрологических данных с автоматических станций наблюдения.

Первый спутник третьей серии, INSAT-3A, был запущен 10 апреля 2003 года. На нем установлена та же метеорологическая аппаратура, что и на спутнике INSAT-2E, т. е. трехканальный радиометр VHRR и трехка-нальная ПЗС-камера, а в дополнение к ним — ретранслятор DRT. Начало эксплуатации спутника — май 2003 года (табл. 3.33).



Съемочная система и спек-тральные диапазоны

Основные области при-менения

INSAT-2A 9 июля 1992 г.

VHRR Каналы: 0,55—0,75 мкм 10,5—12,5 мкм

Наблюдение за ци-клонами, муссонами и ветрами, ответствен-ными за направление движения облаков, оценка длинноволновой части излучения и уров-ня выпадения осадков. Изучение явлений среднего масштаба, борьба с наводнениями, определение границ снежного покрова

INSAT-2B 22 июля 1993 г.

VHRR Каналы: 0,55—0,75 мкм 10,5—12,5 мкм


INSAT-2E 3 апреля 1999 г.

1. VHRR: как у предыду-щих спутников + канал: 5,0—7,1 мкм 2. Каналы ПЗС-съемки: 0,63—0,79 мкм 0,77—0,86 мкм 1,55—1,70 мкм





Съемочная система и спектральные диа-

пазоны

Основные области применения

METSAT (Kalpana-1)

Сентябрь 2002 г.

VHRR: аналогично INSAT-2E/3A

Наблюдение за циклонами, мус-сонами и ветрами, ответствен-ными за направление движения облаков, оценка длинноволновой части излучения и уровня выпа-дения осадков

INSAT-3A (аналог INSAT-2E)

Апрель 2003 г.

1. VHRR: как у предыдущих спут-ников + канал: 5,0—7,1 мкм 2. Каналы ПЗС-съемки: 0,63—0,79 мкм 0,77—0,86 мкм 1,55—1,70 мкм

Наблюдение за циклонами, муссо-нами и ветрами, ответственными за направление движения обла-ков, оценка длинноволновой части излучения и уровня выпадения осадков. Изучение явлений сред-него масштаба, борьба с наводне-ниями, определение границ снеж-ного покрова, проведение границ между различными видами расти-тельных покровов, исследование аэрозолей, построение температур-ных профилей и профилей влаж-ности (совместно с INSAT-3D)

На момент выхода оригинала этой книги из печати (2006 г.) метеороло-гические данные продолжали получать со спутников METSAT (Kalpana-1) и INSAT-3A. Поступали также снимки с разрешением 1 км для трех спек-тральных каналов со спутников INSAT-3A и INSAT-2E. Отлажены про-цессы обработки снимков, формирования метеорологической продукции, архивирования данных и их передачи наземным станциям.

Снимки VHRR обычно получают с трехчасовым интервалом, с ПЗС-камеры со спутника INSAT-3A получают также через каждые три часа в дневное время суток. При необходимости изучения отдельных погодных явлений указанные интервалы можно сократить.

3.7. Другие метеорологические спутники

США вывели на субполярные орбиты серию военных спутников DMSP (Defense Meteorological Satellite Program), которые используются и в ин-тересах гражданской метеослужбы. Установленная на этих спутниках сканирующая система OLS (Operational Linescan System) позволяет полу-чать снимки с полосой охвата 3000 км и пространственным разрешени-ем 2,7 км. Система OLS ведет съемку в двух очень широких диапазонах видимой и ближней инфракрасной области (от 0,4 до 1,1 мкм), а также в тепловой инфракрасной части спектра (от 10,0 до 13,4 мкм). Интересной особенностью этого сенсора является возможность вести ночную съемку в видимом диапазоне при очень низкой освещенности. С помощью этого


прибора можно получать снимки Земли, на которых выделяются огни крупных городов.

Ряд метеорологических спутников был запущен также другими стра-нами и группами стран. Например, Япония вывела на орбиту серию спут-ников GMS, а Европейский космический консорциум — серию Meteosat. Обе серии спутников находятся на геостационарных орбитах: GMS — над Японией, Meteosat — над Европой. Так же, как и снимки GOES, снимки с японских и европейских спутников передаются на Землю каждые пол-часа. Съемка со спутников GMS ведется в двух диапазонах: 0,5—0,75 мкм (с разрешением снимков 1,25 км) и 10,5—12,5 мкм (с разрешением 5 км), а съемка со спутников Meteosat — в трех диапазонах: видимом (0,4—1,1 мкм) с разрешением 2,5 км, среднем ИК (5,7—7,1 мкм) с разрешением 5 км и те-пловом инфракрасном (10,5—12,5 мкм) с разрешением 5 км.

3.8. Океанологические спутники

Океаны покрывают более двух третей поверхности Земли и играют важ-нейшую роль в глобальной климатической системе. Морские организмы и ресурсы океана постоянно подвергаются антропогенному воздействию. Конечно, для мониторинга состояния океанов можно использовать обсуж-давшиеся в предыдущих разделах метеорологические и ресурсные спутни-ки, однако существуют и другие типы спутников, специально предназна-ченные для этих целей.

Первым таким спутником стал Nimbus-1, запущенный в 1978 году. На его борту был установлен сенсор CZCS (Coastal Zone Colour Scanner), специально разработанный для мониторинга океанов и океанических объектов. Основная цель запуска этого спутника заключалась в наблю-дении за окраской и температурой воды для определения степени загряз-нения и состава верхних океанических слоев, особенно в прибрежной зоне. Спутник Nimbus был выведен на солнечно-синхронную субполяр-ную орбиту высотой 955 км и узловым временем пересечения плоскости экватора 12 часов дня на восходящей части орбиты и 0 часов на нисхо-дящей. Период съемки составлял 6 дней (83 витка). С помощью сенсо-ра CZCS получали снимки в шести спектральных диапазонах видимой, ближней инфракрасной и тепловой части спектра с разрешением 825 м

Табл. 3.34. Спектральные диапазоны съемки сенсора CZCS

Канал Спектральный диапазон, мкм

Основные измеряемые параметры

1 0,43-0,45 Поглощение хлорофилла 2 0,51-0,53 Поглощение хлорофилла 3 0,54-0,56 Желтый пигмент 4 0,66-0,68 Концентрация хлорофилла 5 0,70-0,80 Характеристики поверхностной растительности 6 10,5-12,50 Температура поверхности


(в надире) с полосой охвата 1566 км. Параметры съемки в каждом диа-пазоне приведены в табл. 3.34.

Первые четыре диапазона съемки сенсора CZCS были очень узкими и позволяли очень точно определять вариации отражательной способности воды, связанные с концентрацией фитопланктона и взвешенных твердых частиц. Пятую зону использовали для дешифрирования водной раститель-ности и определения границы между водой и сушей перед обработкой дан-ных по другим каналам. Работа сенсора CZCS прекратилась в 1986 году.

Спутники Marine Observation Satellite (MOS)

Первый спутник этой серии MOS-1 был запущен Японией в феврале 1987 года, а следующий MOS-lb — в феврале 1990 года. На этих спутни-ках было установлено по три независимых сенсора: 4-канальный много-зональный радиометр MESSR (Multispectral Electronic Self-Scanning Radiom-eter), 4-канальный радиометр VTIR (Visible and Thermal Infrared Radiometer) для съемки в видимой и тепловой части спектра и 2-канальный радиометр MSR (Microwave Scanning Radiometer) для съемки в микроволновом диапазо-не. Характеристики первых двух систем представлены в табл. 3.35.

Диапазоны съемки MESSR, которые почти совпадают с диапазонами съемки сенсора MSS, установленного на спутниках Landsat, используют не только для наблюдения за океанами, но и для тематической съемки по-верхности континентов. Высота орбиты спутников MOS составляет около 900 км, а период повторяемости съемки 17 дней.

Съемочные системы SeaWiFS

Сенсоры SeaWiFS (Sea-viewing Wide-Field-of View Sensor), установленные на борту спутников SeaStar; представляют собой усовершенствованный тип аппаратуры для мониторинга состояния океана. Сенсор ведет съемку в восьми узких спектральных диапазонах (табл. 3.36), предназначенных для мониторинга определенных явлений: продуктивности биомассы океана, влияния океана на климат (аккумулирование тепла и формирование аэро-

Табл. 3.35. Спектральные диапазоны съемки со спутника MOS

Сенсор Спектральный диапазон, мкм

Пространственное разрешение, м

Ширина полосы съемки, км

MESSR

0,51-0,59 50 100

MESSR 0,61-0,69 50 100

MESSR 0,72-0,80 50 100

MESSR

0,80-1,10 50 100

VTIR

0,50-0,70 900 1500

VTIR 6,0-7,0 2700 1500

VTIR 10,5-11,5 2700 1500

VTIR

11,5-12,5 2700 1500

3.8. Океанологические спутники

Табл. 3.36. Спектральные диапазоны съемки со спутника SeaWiFS

Канал Спектральный диапазон 1 0,402-0,422 2 0,433-0,453 3 0,480-0,500 4 0,500-0,520 5 0,545-0,565 6 0,660-0,680 7 0,745-0,785 8 0,845-0,885

золей), а также для наблюдения за циклами углерода, серы и азота. Высота орбиты спутников составляет 705 км, а узловое время пересечения пло-скости экватора — 0 часов. В каждом диапазоне возможна съемка в двух режимах: с разрешением 1,1 км (в надире) и полосой охвата 2800 км или с меньшим разрешением 4,5 км (в надире) и полосой охвата 1500 км.

Океанологические спутниковые системы наблюдения чрезвычайно важны для мониторинга состояния и загрязнения океана в глобальном и региональном масштабах. Полученные с их помощью данные помогают ученым понять влияние, которое океаны оказывают на климат планеты.

ГЛАВА 4

КОСМИЧЕСКИЕ СНИМКИ


Данные дистанционного зондирования, которые распространяются сегод-ня на коммерческой основе, получены с помощью различных съемочных систем и спутников. Поэтому очень важно, чтобы пользователи данных были хорошо осведомлены о форматах записи, видах коммерческой продук-ции и ее характеристиках. В этой главе все эти аспекты рассматриваются на примере данных, которые получают со спутников IRS и предоставляют пользователям как в цифровом формате, так и в виде обычных снимков.

4.2. Получение, передача и обработка данных

Существует три основных способа передачи данных со спутника на Зем-лю. Первый способ — это прямая передача данных на наземную стан-цию, которая находится в зоне прямой видимости спутника (рис. 4.1). Если прямая передача невозможна, можно воспользоваться вторым способом: полученные данные сохраняются на спутнике, а затем передаются с неко-торой задержкой по времени на Землю. Наконец, третий способ передачи данных основан на использовании системы геостационарных спутников связи TDRSS (Tracking and Data Relay Satellite System). В этом случае данные передаются с одного спутника на другой до тех пор, пока в зоне прямой видимости одного из них не окажется наземная станция.

После того как данные в исходном формате поступают на наземную станцию, выполняется их обработка, в результате которой устраняются си-стематические ошибки и геометрические искажения, а также искажения,

Наземная станция

Рис. 4.1. Передача данных ДЗ на Землю

4.3. Данные дистанционного зондирования

связанные с влиянием атмосферы. Затем данные преобразуются к стан-дартному цифровому формату и записываются на магнитную ленту или компакт-диск. Как правило, архивы данных формируются на наземных станциях, а базы данных ДЗ находятся в ведении либо государственных организаций (например, NRSA в Индии), либо коммерческих компаний (например, EOSAT в США).

Благодаря быстрой обработке данных космические снимки относи-тельно низкого разрешения предоставляются пользователям уже через несколько часов после выполнения съемки. Такие снимки применяются, в частности, для контроля за ледовой обстановкой во время арктической навигации. Другим примером является съемка в инфракрасном диапазоне, которая используется для борьбы с лесными пожарами. В этом случае об-работка данных в режиме реального времени позволяет передавать данные непосредственно тем людям, которые участвуют в тушении пожара.

При коммерческом распространении снимков широко используются снимки очень низкого разрешения (quick look), применяемые для пред-варительного просмотра предлагаемых архивов. Хотя пространственное и радиометрическое разрешение таких снимков невелико, с их помощью можно оценить общее качество данных и, в частности, их соответствие определенной территории и отсутствие атмосферных помех.


Данные дистанционного зондирования называют по традиции снимками, хотя это может привести к некоторой путанице. Традиционный фотосни-мок — это представление объекта или сцены на пленке, которое получают с помощью фотокамер. При современном дистанционном зондировании используют сканирующие системы, которые работают в очень узком диа-пазоне электромагнитного спектра и регистрируют информацию об опре-деленных свойствах объекта в цифровом виде.

Вместе с тем, следует отметить, что, несмотря на изначально цифровой характер данных ДЗ, они предоставляются пользователям как в цифровой, так и в аналоговой форме.

Подробное обсуждение форматов цифровых данных приводится в сле-дующем разделе.

Цифровые данные

В процессе сканирования сенсором генерируется электрический сигнал, интенсивность которого изменяется в зависимости от яркости участка зем-ной поверхности. При многозональной съемке различным спектральным диапазонам соответствуют отдельные независимые сигналы. Каждый та-кой сигнал непрерывно изменяется во времени, и для последующего ана-лиза его необходимо преобразовать в набор числовых значений. Для пре-образования непрерывного аналогового сигнала в цифровую форму его разделяют на части, соответствующие равным интервалам дискретизации (рис. 4.2). Сигнал в пределах каждого интервала описывается только сред-

84 Глава 4. Космические снимки

в значения пикселов

ним значением его интенсивности, поэтому вся информация о вариациях сигнала на этом интервале теряется. Таким образом, величина интерва-ла дискретизации является одним из параметров, от которого напрямую зависит разрешающая способность сенсора. Следует также отметить, что для цифровых данных обычно выбирают не абсолютную, а относительную шкалу яркостей, поэтому эти данные не отражают истинных радиометри-ческих значений, полученных для данной сцены.

Еще одним параметром, от которого зависит разрешение снимка, яв-ляется способ записи числовых значений. Для записи каждого числа ис-пользуется ряд двоичных ячеек, которые называются битами. Рассмотрим в качестве примера семибитовую форму записи.

При преобразовании числа из двоичной системы в десятичную номер ячейки задает степень двойки, а двоичное число в каждой ячейке опреде-ляет, будет ли добавлена двойка в соответствующей степени к значению данного пиксела (1) или нет (0). Например, десятичную форму записи числа 1111111 можно получить следующим образом: 26 + 25 +24 + 23 + 22 + 21 +2° = 64 + 32 + 8 + 4 + 2 + 1 = 127, а число 1001011 в десятичной системе запи-шется как 26 + О5 + О4 + 23 + О2 + 21 +2° = 64 + 0 + 0 + 8 + 0 + 2 +1 = 75.

Двоичная форма записи удобна для хранения данных на дисках и магнит-ных лентах, а также для последующего компьютерного анализа. Набор таких данных обычно называют значениями пикселов или значениями яркости.


Следует отметить, что диапазон яркости на цифровом изображении за-висит от количества бит, отведенного для записи чисел. Так, при шестиби-товой форме записи максимальное количество значений яркости равно 64, при семибитовой — 128, а при восьмибитовой — 256. При этом, яркость каждого пиксела в этих трех случаях может принимать значения от 0 до 63, от 0 до 127 и от 0 до 255 соответственно.

Отсюда видно, что радиометрическое разрешение цифрового снимка определяется количеством бит, используемых для записи.

Форматы записи данных

Формат записи данных должен быть удобен для их считывания и анали-за. В дистанционном зондировании в основном применяют следующие три формата:

1. Формат BIP (Band Interleaved by Pixel). 2. Формат BIL (Band Interleaved by Line). 3. Формат BSQ (Band Sequential). Формат BIP является одним из первых форматов хранения данных. Он

основан на попиксельном способе записи информации, при котором пик-сели с одинаковым номером, соответствующие разным каналам съемки, располагаются в записи подряд. Пример схемы записи в этом формате при-веден на рис. 4.3, где Ln, Рп и Вп обозначают, соответственно, строку, пиксел и диапазон, а п = 1, 2, 3. В этом примере набор данных состоит из двух строк по два пиксела каждая для трех различных каналов съемки. После-довательность записи данных в формате BIP показана на рис. 4.4.

Хотя в некоторых ситуациях этот формат оказывается полезным, для большинства практических задач, в которых объем данных, как правило, очень велик, формат BIP непригоден. Использование данного формата не позволяет быстро отсортировать данные, относящиеся к определенному спектральному диапазону, для которого формируется изображение.

В формате BIL за единицу хранения данных принята строка. Подряд в записи располагаются строки, соответствующие разным каналам съемки, но имеющие один и тот же номер. Типичный пример размещения данных в формате BIL показан на рис. 4.5.

Третьим форматом, который используется для записи данных дистан-ционного зондирования, является формат BSQ. В этом формате сначала записываются все данные для первого канала, затем для второго, третьего

в, в2 в3 р, р2 Pi р2 Pi р2

L,

U

Рис. 4.3. Пример схемы записи данных


К С т р о к а ! — > | < Строка 2 -р. | L,P,B, | L,P,B2 I L tP,B3 | L,P2B, 1 L,P2B2 | L,P2BT | ЦР.В, | L.P.B2 | Ь Р . В , | L ^ B , I L,P,B2 | l^P.B, К Пиксел 1 > + < Пиксел 2 > + < Пиксел 1 Пиксел 2 >

Рис. 4.4. Формат BIP (L — строка, Р — пиксел, В — канал)

Строка 1 > | < Строка 2 | L|P)B, | L,P2B, 1 L,P,B2 I L,P2B2 I LiPiB3 | L,P2B3 I P.B, | ЦР.В, | ЦР.В, | L^B, | ЦР.В, | ЦР.В-

- Канал 1 — > l < Канал 2 > l < Канал 3 > | < Канал 1 > 1 < Канал 2 > l < Канал 3 — H

Рис. 4.5. Формат BIL (L — строка, Р — пиксел, В — канал)

• Канал 1 >н . Канал 2 -| L.P.B | Ь,Р2В, | L2PIB1 I L^P^ , | | | L,P,B | L,P2B | U ^ B | L,P2B2 | | | ЦР ,В 3 | L,P2B3 [ ЦР .В | L,P2B3

. Канал 3 -

Нулевой файл Нулевой файл Нулевой файл

Рис. 4.6. Формат BSQ (L — строка, Р — пиксел, В — канал)

и т. д. (рис. 4.6). Таким образом, за независимую единицу хранения дан-ных в формате BSQ принят канал (спектральный диапазон). Этот формат широко применяется на практике, поскольку способ размещения данных ближе всего отвечает задачам их просмотра и анализа. Недостатки этого формата проявляются, если необходимо изучить не всю сцену, а лишь ее небольшую часть. В этой ситуации для выделения нужной области сначала потребуется считать весь набор данных.

Выбор оптимального формата зависит от условий и поставленных задач, а, зачастую, и от наличия определенного оборудования и программного обеспече-ния. Если изучается вся сцена во всех спектральных диапазонах съемки, удоб-нее использовать форматы BSQ и BIL. Если анализируется небольшой участок с известным местоположением, то в этой ситуации лучше использовать формат BIP, поскольку значения из всех спектральных диапазонов для этого участка будут находиться в одном месте записи. Безусловно, самая хорошая ситуация — когда есть возможность считать данные, записанные в любом исходном форма-те, и преобразовать их в тот формат, который наиболее удобен для работы.

4.4. Коммерческая продукция

Данные со спутников поступают на наземные станции в цифровом фор-мате. Тем не менее, потребители могут получать их в виде обычных сним-ков. В настоящем разделе описываются различные виды данных, которые поставляются индийским Национальным агентством по дистанционному зондированию (NRSA).

Наборы данных NRSA

Вся продукция, как стандартная, так и специальная, может быть предо-ставлена пользователям в двух форматах: в цифровом виде и в виде бумаж-ных снимков. Стандартную продукцию составляют данные, прошедшие радиометрическую и геометрическую коррекцию. Специальная продукция проходит, помимо этого, дополнительную обработку.

Уровни коррекции исходных данных перечислены в табл. 4.1

4.4. Коммерческая продукция

Табл. 4.1. Уровни обработки данных ДЗ [62]

Уро-вень

Тип обработки

0 Необработанные (исходные) данные 1 Радиометрическая и геометрическая коррекция для целей быстрого про-

смотра 2 Радиометрическая и геометрическая коррекция (стандартная продукция) 3 Специальная обработка стандартной продукции уровня 2 (например,

слияние снимков или улучшение их качества)

Стандартную продукцию пользователи могут получить как в цифровом виде, так и в виде монохромных или псевдоцветных композитных снимков, напечатанных на пленке или бумаге. Цифровые данные предоставляются на одном из стандартных носителей: на магнитной ленте формата ССТ или Exabyte либо на компакт-диске.

Коррекция исходных данных

Ниже перечислены различные виды радиометрической и геометрической коррекции, применяемой к исходным данным.

Радиометрическая коррекция

Выделяют следующие причины появления радиометрических искажений: 1. Неоднородность отклика детекторов и их различных элементов. 2. Неисправность элементов детектора. 3. Потеря данных при их передаче, архивировании или извлечении из

архива. 4. Узкий динамический диапазон. 5. Непостоянство параметров съемки от снимка к снимку. При радиометрической коррекции отклики всех элементов сенсора нор-

мализуются с помощью специальной таблицы соответствия (LUT, Look-Up-Table), при построении которой опорным значением служит наименьшая ин-тенсивность сигнала на снимке. Это же значение можно использовать и для обратного преобразования нормализованных данных в исходные абсолютные единицы.

Пропуски в строках снимка устраняются путем усреднения значений соседних пикселов в той же строке. При наличии пропусков в двух после-довательных строках они заменяются строками, содержащими только одно минимальное значение.

Геометрическая коррекция

Ниже перечислены различные виды искажений и их причины. 1. Искажения геометрических параметров сцены съемки, вызванные

вращением Земли и ее формой.


2. Искажения, обусловленные геометрией фокальной плоскости сен-сора, положением оптической оси относительно ориентации косми-ческого аппарата, а также ошибки, связанные с многозональностью и многоэлементностью съемки, различиями в параметрах элемен-тов камеры и отклонением оси съемки.

3. Искажения, связанные с ориентацией снимка относительно на-правления движения спутника, ошибки, возникающие из-за изме-нения высоты орбиты, скорости сканирования и направления осей космического аппарата.

4. Искажения, вызванные неправильной оценкой ориентации осей спутника, ошибками калибровки измерения высоты и угла откло-нения оси съемки, а также ошибками синхронизации бортовой и наземной шкал времени.

Для геометрической коррекции используют динамическую модель съемки, с помощью которой снимок трансформируется из собственной си-стемы координат в систему координат наземной станции.

После радиометрической коррекции координаты всех точек исходно-го растра преобразуются из исходной системы координат (строка, пиксел) в географическую (широта, долгота). Затем для выбранной пользователем области задается сетка (растр) в пространстве выходных данных и рас-считываются координаты точек этой сетки в исходной системе координат путем интерполяции ранее полученных значений. Заключительный этап состоит в вычислении уровней серого цвета для всех точек выходного рас-тра с помощью повторной дискретизации исходного снимка.

Картографическая проекция и ориентация изображения (для снимков с географической привязкой) задаются на этапе выбора выходного растра. В заключение все данные записываются в нужном цифровом формате или распечатываются в кадровом виде.

4.5. Пространственная ориентация спутника

Пространственная ориентация является уникальной для каждого спутни-ка и представляет собой удобный способ идентификации географического положения точек на земной поверхности. Схема съемки задается в виде на-бора трасс и рядов. В этом разделе описывается координатная схема съем-ки спутников IRS.

Трасса

Трассой называется наземный след витка орбиты спутника. Поскольку пе-риод обращения спутников IRS-1C и IRS-1D составляет 101,35 минуты, они ежедневно совершают приблизительно 14 витков вокруг Земли, охва-тывая всю ее поверхность за 24 дня. Таким образом, период повторяемости съемки у этих спутников равен 341-му витку. Хотя количество трасс совпа-дает с количеством витков, их нумерация различается.

Первый номер присвоен витку, который проходит через точку 29,7° з.д. Второй виток сдвинут относительно первого на 1,055 град, к западу и т. д.

4.6. Стандартная продукция

Вместе с тем, трассы нумеруются в противоположном направлении, то есть витку №1 соответствует трасса №1, витку №2 — трасса №318, а витку №3 — трасса №294. На второй день цикла маршрут спутника будет начи-наться с трассы №6, расположенной к востоку от трассы №1.

Ряд

Непрерывный поток данных, регистрируемых вдоль трассы, разделяют на некоторое количество сцен, размер которых подбирают так, чтобы цен-тральная строка одной из них соответствовала экватору. В координатной схеме съемочной аппаратуры LISS-3 первая сцена содержит 6000 строк, а центральная строка сцены располагается на экваторе. Центр второй сце-ны сдвинут к северу от экватора на 5703 строки, центр третьей — еще на 5703 строки и т. д., вплоть до 81° с.ш. Линии, соединяющие центры сцен на различных трассах, называются рядами.

Ряды параллельны экватору. Так, ряд №1 приблизительно соответству-ет 81° с.ш., ряд №41 — 40° с.ш., а ряд №75 расположен точно на экваторе. В этой системе координат Индия находится между 65-й и 130-й трассами и между 30-м и 90-м рядами.

4.6. Стандартная продукция

Пользователям данных предлагается несколько видов стандартной продук-ции ДЗ:

1. Снимки на основе координатной схемы съемки. 2. Снимки со смещением вдоль трассы. 3. Снимки по квадрантам. 4. Стереоснимки. 5. Геопривязанные снимки.

Снимки на основе координатной схемы съемки

Заказывая данные этого уровня обработки, пользователь должен указать следующие сведения:

1. Номер трассы и номер ряда в соответствии с координатной схемой. 2. Идентификационные параметры датчика. 3. Идентификационные параметры части сцены (для датчиков PAN). 4. Дату съемки. 5. Номер канала для панхроматических снимков или комбинацию ка-

налов для псевдоцветных композитных снимков. 6. Код продукции.

Снимки со смещением вдоль трассы

Если пользователю необходимо получить снимки области, которая распо-ложена между двумя последовательными рядами и размеры которой мень-ше размеров сцены, такие материалы можно предоставить, просто сдвинув


Ряд R+1

Центр

Ряд Центр сцены

— Смещенная сцена

Сцена LISS

Рис. 4.7. Смещение сцены вдоль трассы спутника [62]

сцену вперед вдоль трассы (рис. 4.7). Этот вид данных называют снимками со смещением вдоль трассы (SAT, Shift Along Track).

Помимо тех сведений, которые перечислены в предыдущем разделе, пользователь должен указать величину смещения сцены от 10 до 90% (с ша-гом 10%). Способ формирования данных этого типа показан на рис. 4.7.

Снимки по квадрантам

При использовании материалов дистанционного зондирования LISS-3 полную сцену разделяют на 4 квадранта. Еще восемь квадрантов получа-ют, сдвигая первые четыре на 25% вдоль и поперек трассы (рис. 4.8). Этот вид данных LISS-3 соответствует масштабу 1:125000.

При использовании камеры PAN сцену разделяют на квадранты так, как показано на рис. 4.9. В этом случае каждый квадрант соответствует по-луторному объему данных, получаемых линейкой датчиков.

Стереоснимки

Возможность отклонения оси съемки датчика PAN используют для полу-чения двух снимков заданной области в разные дни под различными угла-ми. Такие снимки называют стереопарами. Перед поставкой пользователям к стереопарам применяют только радиометрическую коррекцию. Этот вид

Трасса Р

Ряд R

Полная сцена LISS

Полная сцена LISS

Рис. 4.8. Сцена LISS, разделенная на квадранты [62]

4.6. Стандартная продукция 91

Сцена LISS

Сцена PAN

Квадрант сцены PAN

Рис. 4.9. Сцена PAN, разделенная на четыре квадранта [62]

снимков широко применяют для дешифрирования рельефа и при исполь-зовании фотограмметрии для создания ЦМР.

Снимки с геопривязкой

Геопривязка заключается в преобразовании снимков в формат, не завися-щий от источника данных, и применяется уже после процедур радиометри-ческой и геометрической коррекции. В результате снимки ориентированы строго на север, а их разрешение соответствует масштабу карты. Преиму-ществом геопривязанных снимков является возможность их наложения на листы топографической карты SOI (Survey of India).

Так, снимки PAN соответствуют масштабу 1:25000 карты SOI, а снимки LISS-3 — масштабу 1:50000. В дополнение к тем данным, которые пользо-ватель сообщает при заказе данных на основе координатной схемы съемки, в этом случае он должен также указать номер листа карты SOI. Подробные сведения о геопривязанных снимках приведены в табл. 4.2.

Еще одним видом коммерческой продукции являются геопривязанные снимки PAN, заданные на географической сетке. Каждый такой снимок со-ответствует области размером 5' х 5' с центром в указанной пользователем точке. Основное преимущество таких снимков заключается в их соответ-ствии масштабу 1:12500.

Специальные виды данных

Специальные виды данных ДЗЗ создаются путем дополнительной обработ-ки стандартных снимков. Это может быть выделение определенной терри-

Табл. 4.2. Геопривязанные снимки со спутников IRS [62]

Тип снимков Размер снимка Разрешение Масштаб Снимки L1SS-3, соответствующие листам карты — геокодированные снимки в видимом диапазоне (пан-хроматические и композитные)

15' х 15' 23,6 м 1:50000

Геокодированные снимки PAN 7,5' х 7,5' 5,8 м 1:25000


тории, составление мозаики, объединение снимков или применение к ним тех или иных методов улучшения визуального восприятия. Такие наборы данных создаются по заказу пользователей. В качестве примера рассмо-трим следующие виды данных:

1. Совмещенные снимки PAN и LISS-3. 2. Ортотрансформированные снимки. Совмещенные снимки PAN и LISS-3. Этот вид снимков создается для

того, чтобы объединить преимущества спектрального разрешения снимков LISS-3 и пространственного разрешения снимков PAN. Для совмещения снимков необходимо выполнение следующих условий:

1. Ось сенсора PAN во время съемки должна быть направлена в на-дир, а сцена съемки совпадать со сценой съемки LISS-3.

2. Разница во времени между двумя съемками не должна превышать нескольких дней.

Псевдоцветные композитные снимки имеют масштаб 1:25000 (соответ-ствие листам карты 7,5' х 7,5').

Ортотрансформированные снимки. Одним из наиболее важных видов специальной коммерческой продукции IRS-1C/1D являются ортотранс-формированные снимки, которые создаются на основе стереопар, полу-ченных с помощью сенсора PAN. При использовании данных LISS-3 для получения ортотрансформированных снимков необходимо наличие как минимум четырех наземных контрольных точек и ЦМР, которую обычно предоставляет пользователь данных. Этот вид снимков получается в ре-зультате применения к исходным данным всех видов коррекции, включая поправки на рельеф и угла отклонения камеры от надира. Данная про-дукция предоставляется как в виде фотоснимков, так и в цифровом виде. Масштаб кадровых снимков LISS-3 составляет 1:50000, а масштаб кадро-вых снимков PAN — 1:25000.

4.7. Форматы записи данных

По желанию пользователей данные дистанционного зондирования со спутников IRS-1C/1D могут быть предоставлены на различных носителях: магнитной ленте, компакт-диске, 8-миллиметровой ленте формата Exabyte и т. п. Форматы файлов и структура данных на магнитных лентах являются одинаковыми для всех уровней обработки. Существует два формата, опре-деляющих структуру файлов: упрощенный формат и формат LGSOWG. В первом случае данные записывают в формате BSQ, а во втором — в фор-мате BSQ или BIL.

Данные на магнитных лентах

Плотность записи данных на магнитные ленты составляет 6250 байт на дюйм. При этом используют один из двух описанных ниже форматов.

Упрощенный формат. На магнитную ленту записываются два файла: файл заголовка и файл цифрового снимка. Первым в каждом логическом томе располагается файл заголовка — текстовый файл ASCII-формата,

4.7. Форматы записи данных 93^||

в котором содержится информация о картографической проекции, параме-трах дискретизации и расположении рисок. В файлах снимков содержаться только данные съемки — в каждой отдельной записи нет никакой допол-нительной информации.

Формат LGSOWG. Этот формат, помимо данных самой съемки, содер-жит также информацию о сцене, ее местоположении, параметрах датчика и спутника, а также сведения, относящиеся к обработке данных. В форма-те LGSOWG используется следующая структура записи:

1. Логический том. 2. Ведущий файл. 3. Файл заголовка. 4. Файл данных съемки. 5. Вспомогательный файл. 6. Нулевой файл. Логический том состоит из одного или нескольких последовательно за-

писанных файлов. В каждом томе могут содержаться данные, относящиеся как к одному, так и к нескольким спектральным диапазонам. Каждый том начинается с ведущего файла и заканчивается нулевым файлом. Если для записи всех файлов логического тома используется несколько лент, веду-щий файл повторяется в начале каждой ленты.

Ведущий файл — первый файл любого логического тома, содержащий дескриптор тома, набор указателей файлов и текстовую запись. Дескрип-тор тома — это запись, в которой содержится описание логического тома и информация о количестве содержащихся в нем файлов. За дескриптором следует запись с описанием помещенных в этот том данных. Далее распо-лагаются записи указателей файлов для каждого типа данных — в каждой из них указан класс файла, формат записи и атрибуты.

Файл заголовка состоит из дескриптора файла, заголовка файла и до-полнительных записей. В заголовке файла содержатся сведения о спутнике, съемочной системе, калибровочных коэффициентах и параметрах обработ-ки данных, а в дополнительных записях — информация о точных коор-динатах и ориентации спутника, параметры картографической проекции, сведения о наземных контрольных точках и примечания.

Файл снимка состоит из дескриптора файла и записи самого цифрового снимка в формате BIL или BSQ. В этой записи есть также поля, в которых указаны количество пикселов, идентификаторы строк снимка, начальное и конечное положение данных съемки в каждой строке.

Вспомогательный файл содержит калибровочные данные и дополнитель-ную информацию. Он состоит из дескриптора файла и вспомогательных записей, количество которых совпадает с количеством каналов съемки.

Нулевой файл указывает на окончание логического тома. Файл содер-жит только одну запись — дескриптор не существующего тома.

Данные на компакт-дисках

Преимущества компакт-дисков заключаются в их небольших размерах, на-дежности и невосприимчивости к магнитным полям. Компакт-диски не


деформируются как магнитные ленты, они отличаются невысокой стои-мостью, большой емкостью (650 МБ) и возможностью прямого доступа к данным. При этом для считывания данных можно использовать любой дисковод для компакт-дисков, соответствующий требованиям стандарта ISO 9660.

Структура данных на компакт-диске

На компакт-диске могут содержаться данные, относящиеся ко всей сцене, квадранту или выделенной части сцены. Помимо цифровых снимков каж-дый диск содержит дополнительную информацию и описание формата. Все эти данные записываются в каталог, который называется PRODUCT. Номер заказа и описание данных помещают в файл CDINFO. Кроме того, на каждом диске содержится программа DISPLAY.EXE, с помощью кото-рой можно просматривать монохромные снимки на EVGA-мониторах.

Формат записи данных на компакт-диски. Для записи данных на компакт-диск используют те же два формата, что и для записи на магнитную ленту: упрощенный и LGSOWG.

Имена файлов. При записи данных на компакт-диск используют сле-дующие стандартные имена файлов:

Формат LGSOWG VOLUME.PAN/L3/WIF Ведущий файл LEADER.PAN/L3/WIF Файл заголовка IMAGERY.PANA3 WIF Файл снимков TRAILER.PAN/L3/WIF Вспомогательный файл NULL.PAN/L3/WIF Нулевой файл Упрощенный формат HEADER.PAN/L3/WIF Файл заголовка BANDx.PAN/L3/WIF Файл снимков, где х = 1, 2, 3, 4, 5.

ГЛАВА 5

ДЕШИФРИРОВАНИЕ СНИМКОВ


Космический снимок содержит подробную информацию о состоянии объ-ектов земной поверхности в момент съемки. Для дешифрирования сним-ков используют специальные методы и дополнительные данные, получен-ные из различных источников — карт, отчетов о полевых исследованиях и ранее полученных результатов анализа снимков той же территории. Де-шифрирование основывается на определенных физических характеристи-ках объектов и явлений, а его результаты зависят от опыта оператора, типа распознаваемого объекта и качества снимка.

5.2. Процедура дешифрирования

Дешифрирование определяют как процесс изучения снимков с целью иден-тификации объектов и оценки их значимости. Дешифрирование является сложной задачей, для решения которой необходимо выполнить ряд работ по классификации и подсчету количества объектов, измерению их параме-тров и определению границ [11].

Первым этапом дешифрирования является классификация объектов, в ходе которой оператор относит различные объекты на снимке к опре-деленным классам или кластерам. Процедура классификации также со-стоит из нескольких этапов, первым из которых является выделение про-странственных объектов. Затем на этапе распознавания устанавливается тождество между отдельными объектами и соответствующими классами. Для выполнения этого шага необходимы дополнительные знания об изуча-емой территории. Наконец, на заключительном этапе, который называется идентификацией, каждый объект на снимке приписывается с некоторой степенью вероятности к одному из определенных классов.

Следующий этап дешифрирования — подсчет количества объектов на снимке — во многом зависит от того, насколько точно была проведена их классификация.

Третий этап состоит в определении геометрических характеристик объ-екта: длины, площади, объема и высоты. К этому этапу относится и денси-тометрия — измерение яркостных характеристик объекта.

Последний этап заключается в определении контуров однородных по своим свойствам объектов или пространственных областей, которые при этом закрашиваются определенным цветом или штриховкой. Эту задачу проще выполнять при наличии у объектов четких границ и гораздо слож-

92 Глава 5. Дешифрирование снимков

нее там, где свойства объектов изменяются плавно, например, на границе водоема и песчаных почв.

Для успешного дешифрирования очень важно понимать, от каких па-раметров зависит представление объекта на снимке. Эти параметры под-робно обсуждаются в следующем разделе.

5.3. Дешифровочные признаки

Для систематической идентификации, распознавания и определения гра-ниц объектов используют определенные характеристики изображений, ко-торые называются дешифровочными признаками. Примеры таких призна-ков приводятся ниже.

Размер объекта зависит от масштаба. Как правило, при дешифриро-вании анализируются относительные размеры объектов на одном и том же снимке. Например, размер частного дома должен быть меньше размера крупного торгового центра.

Форма объекта или его контуров является очень четким критерием де-шифрирования. Как правило, объекты, созданные человеком (например, дороги, каналы, здания), имеют четкие границы и правильную форму, а форма природных объектов — лесных массивов, водоемов и пр. — явля-ется очень нерегулярной.

Тон объекта характеризует его относительную яркость или цвет. Это один из наиболее важных качественных критериев дешифрирования. Обычно тон объекта определяется как темный, средний или яркий.

Структура изображения определяется взаимным расположением объ-ектов на снимке. Как правило, отчетливая и хорошо распознаваемая структура возникает в местах периодически повторяемых тонов и текстур. Так, например, разную структуру образуют упорядоченные дома в городе и деревья в саду.

Текстура, или частота изменений тона в определенной области снимка, является качественным параметром и обычно характеризуется как резкая или плавная. Например, сухие песчаники обладают плавной текстурой без выраженных вариаций тона. Наоборот, текстура смешанного леса являет-ся очень резкой из-за частых пространственных изменений тона, которые связаны с различием в форме и размерах верхушек деревьев разных пород и вариациями плотности лесного покрова.

Тень является одним из наиболее важных критериев дешифрирования, поскольку она дает представление об относительной высоте и профиле объ-екта. В горных районах тень хорошо подчеркивает топографические осо-бенности рельефа и является полезным критерием при дешифрировании геологических структур.

Взаимосвязи — еще один важный критерий дешифрирования, опреде-ляющий закономерности взаимного расположения близлежащих объектов. Например, небольшие участки земли белого цвета, расположенные нере-гулярно вдоль реки, свидетельствуют о наличии у нее сухого песчаного берега. Сетка линий и регулярно расположенные прямоугольные объекты между ними указывают на территорию городского типа.

5.4. Методы дешифрирования 97

Уровень сложности признака

Пространственно* распределение тона

L

Более высокие уровни

Третий

Первый

Второй

Рис. 5.1. Порядок использования дешифровочных признаков [49]

Тип местности является описательной характеристикой территории, в том числе ее топографии, почвенного или растительного покрова и т. д.

Порядок использования дешифровочных признаков в зависимости от их уровня сложности показан на рис. 5.1

5.4. Методы дешифрирования

Дешифрирование — это специальная процедура, позволяющая связать географические структуры на земной поверхности с их изображением на снимке. Согласно Кэмбелу [10], можно выделить пять различных методов дешифрирования.

Полевые исследования

Часто снимок оказывается слишком сложным для анализа, и специалист по дешифрированию, несмотря на свои знания и опыт, не в состоянии установить взаимосвязь между объектами на земной поверхности и сним-ком. В этом случае для точной идентификации объектов необходимо про-вести полевые исследования, которые, в действительности, являются важ-ной составной частью любой задачи дешифрирования.

Дешифрирование по прямым признакам

Этот метод дешифрирования сводится к применению знаний, опыта и аналитических способностей специалиста к распознаванию различ-ных структур на снимке и определению их принадлежности к тому или иному классу объектов. По существу, этот процесс заключается в каче-ственном и субъективном анализе снимка на основе различных дешиф-ровочных признаков. Поскольку этот метод дешифрирования зависит от человеческой интуиции, анализ снимка должен проводиться методично и очень тщательно.

4—3 I 79


Дешифрирование по косвенным признакам

В этом случае дешифрирование снимка выполняется на основе инфор-мации о наличии или отсутствии связанных с объектом косвенных при-знаков. Так, границы почв напрямую связаны с такими факторами по-чвообразования, как рельеф и растительность. Поэтому дешифрирование последних позволяет восстановить и распределение почвенного покрова. Для того чтобы успешно применять этот метод, необходимы глубокие зна-ния взаимосвязей между используемыми косвенными признаками и самим объектом.

Дешифрирование, основанное на вероятностях

Свойства многих объектов и явлений тесно связаны с определенными ха-рактеристиками природной среды. В качестве примера можно привести се-зонность вызревания зерновых культур. Эту дополнительную информацию очень часто удается сформулировать в виде вероятностного утверждения и использовать его для дешифрирования.

Дешифрирование с помощью измерений

Этот метод дешифрирования является наиболее строгим и точным, по-скольку он основан на использовании количественных взаимосвязей между самим снимком и объектами на нем. В отличие от других способов дешиф-рирования в данном методе большая часть информации извлекается непо-средственно из снимка. Примером этого способа может служить фотограм-метрический анализ стереопар. Сначала проводится съемка исследуемой области с двух различных точек траектории полета летательного аппарата, после чего измеряется видимое на стереопаре смещение объекта. Посколь-ку геометрические параметры съемки известны, по этим измерениям мож-но восстановить топографическую модель рельефа. Таким образом, для получения точных данных о рельефе в данном методе используются только сами снимки и информация о геометрических параметрах съемки.

В зависимости от цели исследования можно использовать различные комбинации перечисленных методов. Например, при дешифрировании почв сначала может оказаться необходимым выделить с помощью прямых признаков различные типы растительного покрова, а затем использовать эти результаты в качестве косвенных признаков для определения границ различных видов почв.

5.5. Выделение зональностей

Еще одним методом дешифрирования сложных структур является выде-ление на снимке зональностей — участков однородного тона и текстуры изображения. При использовании этого метода оператор обращает внима-ние на общую структуру изображения, не стараясь распознать отдельные ландшафтные единицы.

5.7. Оборудование, используемое для дешифрирования

Сначала на снимке выделяют области, однородные по тону, тексту-ре и другим признакам, затем эти зоны стараются отнести к одному из возможных классов объектов. Очевидно, что на этом шаге необходимо использовать данные полевых исследований и другую вспомогательную информацию. Если результаты дешифрирования оказываются неудовлет-ворительными, можно попытаться объединить или разделить выделен-ные области.

Выделение зон — мощный инструмент дешифрирования, который, од-нако, следует применять с осторожностью. Выделенные зоны могут не точно соответствовать изучаемым классам объектов. Например, тон и структура одной области могут определяться геологическим строением и топографи-ей, а схожие характеристики другой области — растительным покровом.

5.6. Реестр результатов дешифрирования

Реестр результатов дешифрирования — это способ собрать воедино всю имеющуюся информацию. Такие реестры выполняют двойную функцию, являясь одновременно:

1. Средством обучения молодых специалистов методам дешифрирова-ния сложных снимков или тематического дешифрирования в новой области.

2. Способом документирования информации и примеров дешифриро-вания, относящихся к определенной тематической области.

По существу, реестр результатов дешифрирования — это набор справоч-ных материалов, с помощью которых можно быстро и точно идентифици-ровать объекты на снимках. Обычно реестр состоит из двух частей: набора снимков или стереопар с примечаниями и графического или словесного описания. Реестры систематизируются так, чтобы в любой момент можно было легко найти нужный снимок, относящийся, например, к определен-ной дате, территории или объекту.

Реестр результатов дешифрирования — это еще и способ система-тизации сведений о важнейших характеристиках объекта или явления. В то же время, следует подчеркнуть, что для использования реестров необходимы знания в тематической области. Сведения, содержащиеся в реестре, не могут заменить опыта специалиста, это всего лишь способ систематизации информации, который помогает ускорить процесс обу-чения дешифрированию.

Реестры результатов дешифрирования являются эффективным спосо-бом распространения опыта ведущих специалистов. Они помогают раз-вивать практические навыки работы со снимками и позволяют получать четкое представление о самом процессе дешифрирования.

5.7. Оборудование, используемое для дешифрирования

Оборудование, которое используется для дешифрирования снимков, яв-ляется относительно простым и, за исключением отдельных компонентов, недорогостоящим. В лаборатории дешифрирования должно быть достаточ-


но места для хранения снимков и работы с ними. Для дешифрирования требуется следующее оборудование.

Светостол с прозрачной поверхностью и подсветкой снизу для удобного просмотра пленок. Если используются пленки в рулонах, стол должен быть оснащен специальными держателями и валиками, так чтобы пленку мож-но было свободно проматывать от одного края стола к другому.

Специальные измерительные шкалы, мирры, которые используют при дешифрировании, имеют очень точную градуировку. Точность обычных линеек, которые встречаются в быту, совершенно недостаточна для целей дешифрирования.

Стереоскопы — приборы, предназначенные для стереоскопического просмотра аэрофотоснимков. Наиболее простым из этих устройств явля-ется карманный стереоскоп. Благодаря своим малым размерам и небольшой стоимости карманный стереоскоп стал одним из самых популярных при-боров, применяемых для визуального дешифрирования.

Увеличители — устройства, предназначенные для более подробного изу-чения снимков. Коэффициенты увеличения при анализе изображений выби-рают в зависимости от личных предпочтений и исследовательской задачи.

Денситометр — прибор, принцип действия которого основан на изме-нении яркости светового луча при его прохождении через пленку. С по-мощью денситометров измеряют плотность снимков — количественную характеристику тона изображения.

Параллаксометр — устройство, которое используется вместе со стерео-скопом. С его помощью можно оценить топографическую высоту объектов, представленных на стереопаре. Параллаксометр снабжен двумя стеклян-ными пластинами, каждая из которых располагается под одной из линз стереоскопа. На каждой пластине нанесена небольшая черная точка. Одна пластина остается неподвижной, а вторую перемещают параллельно шкале параллаксометра до тех пор, пока две точки не совместятся. Измеренная величина перемещения в этом положении используется для расчета высоты точки рельефа.

Увеличивающий трансфероскоп — прибор, выпускаемый корпораци-ей «Бауш и Ломб» для визуального совмещения снимков. С его помощью можно точно совмещать карты и снимки разного масштаба. При этом опе-ратор наблюдает оба изображения через бинокулярные линзы и может из-менять увеличение и ориентацию одного из снимков. После совмещения снимков оператор может выделить необходимые детали на одном из них и перенести их на промежуточный слой, который затем отпечатывается на другом снимке.

5.8. Автоматизированные методы дешифрирования

Основные принципы дешифрирования были сначала разработаны для аэрофотоснимков, а затем адаптированы к задачам дистанционного зон-дирования с использованием космических снимков. В следующей главе описываются автоматизированные методы анализа цифровых данных, ко-торые стали широко применяться с появлением мощных компьютеров.

ГЛАВА 6

ОБРАБОТКА ЦИФРОВЫХ с н и м к о в


Помимо визуальных методов дешифрирования космических снимков, ко-торые обсуждались в главе 5, для анализа данных дистанционного зон-дирования применяют также численные методы, реализованные в специ-альном программном обеспечении. Хотя эти методы и не могут полностью заменить собой традиционные способы дешифрирования, у них есть опре-деленные преимущества, к которым можно отнести повторяемость резуль-татов, определение большего числа оттенков серого цвета, возможность проведения количественного анализа и т. д. Подробное сравнение визу-альных и численных методов анализа космических снимков приводится в табл. 6.1.

Табл. 6.1. Сравнение визуальных и численных методов дешифрирования снимков

Визуальные методы Численные методы Традиционный подход, основанный на интуиции человека. Результаты дешиф-рирования во многом зависят от опыта специалиста

Современный подход, требующий специальной подготовки

Не требуется сложного и дорогостоящего оборудования

Сложные математические методы, для применения которых необхо-димо дорогостоящее оборудование

Используются яркостные характеристики объектов. Основное внимание на снимке уделяется пространственной информации

В основе методов — анализ яркост-ных и спектральных характеристик снимков. Содержащаяся на снимке пространственная информация не используется

Хотя в анализ данных можно включать несколько спектральных диапазонов, как правило, используют только один из них

Анализируются данные из не-скольких спектральных диапазонов

Анализ является субъективным и каче-ственным, а его результаты во многом за-висят от опыта оператора. Однако выводы из этого анализа — вполне конкретные

Анализ является объективным и количественным, но во многом абстрактным

i 16 Глава 6. Обработка цифровых снимков

Методы обработки цифровых снимков — обширная тема, для изло-жения которой зачастую требуется привлекать сложный математический аппарат. Чтобы избежать излишней громоздкости, в этой главе мы рассмо-трим только основы этих методов.

6.2. Обработка цифровых снимков

Обработка цифровых снимков — важнейшая составляющая дистанци-онного зондирования, назначение которой состоит в том, чтобы сделать цифровые снимки пригодными для большинства областей применения, в процессе обработки используют численные методы, основанные только

Рис. 6.1. Этапы обработки цифровых снимков

6.3. Обзор этапов обработки цифровых снимков 103

на анализе яркостных и спектральных характеристик, проявляющихся на снимке в виде вариаций тона и цвета пикселов.

Результатом обработки является новый снимок, который можно вы-вести на экран монитора и сохранить в цифровом формате для последую-щего использования. Выделяют следующие этапы обработки цифровых снимков:

1. Коррекция и восстановление снимков. 2. Улучшение снимков. 3. Классификация данных. 4. Объединение данных и их интеграция в ГИС. Этапы обработки цифровых снимков схематически представлены на

рис. 6.1.

6.3. Обзор этапов обработки цифровых снимков

В этом разделе рассматриваются основные этапы обработки цифровых снимков, реализованные в системах анализа изображений.

Расчет статистических показателей исходных данных

Статистические показатели используются для быстрой оценки посту-пивших со спутника исходных данных. Для каждой спектральной зоны рассчитывают минимальное, максимальное и среднее значения, стан-дартное отклонение и дисперсию. Зависимость между данными в различ-ных спектральных диапазонах определяют с помощью ковариационной и корреляционной матриц. Для наглядного представления данных служат гистограммы и диаграммы рассеяния. Всю полученную таким образом статистическую информацию используют на следующих этапах предвари-тельной обработки.

Коррекция и восстановление снимков

Коррекция — это операция, которая применяется к исходным данным для устранения искажений. При сильных искажениях говорят о восстанов-лении снимков. К коррекции относятся такие операции, как устранение геометрических искажений, связанных с сенсором, внесение поправок на форму земной поверхности, трансформирование снимка к определенной проекции, радиометрическая калибровка и устранение шума. Тип коррек-ции во многом определяется характеристиками сенсора.

Улучшение визуального восприятия снимков

Улучшающие преобразования, которые применяют к снимкам, облегчают их дешифрирование и анализ. Как правило, для улучшения снимков ис-пользуют методы, которые увеличивают видимые различия между объ-ектами. Например, для подчеркивания тоновых различий используют методы увеличения контрастности, а для подавления определенных про-


странственных структур — пространственную фильтрацию. Для контро-ля качества результирующих изображений, которые могут быть как моно-хромными, так и цветными, их просматривают на экране монитора либо печатают на пленке или бумаге.

Преобразование снимков

В отличие от операций улучшения снимков, для их преобразования ис-пользуют данные не из одного, а из нескольких спектральных диапазонов. Новые изображения получают путем попиксельного сложения, вычитания, умножения или деления данных из разных диапазонов так, чтобы выде-лить или подчеркнуть определенные характеристики изображения. Еще одной задачей преобразования снимков является устранение избыточности данных, которая возникает при близком расположении спектральных диа-пазонов многозональных снимков. Эта задача решается методом главных компонент.

Классификация данных

Цель классификации состоит в замене визуального анализа снимка авто-матизированной процедурой идентификации объектов, в процессе такой идентификации каждый пиксел цифрового снимка относят на основании некоторых статистических критериев к одному из классов пространствен-ных объектов. Если классифицирующим признаком служит спектральная яркость, процесс классификации называют распознаванием спектральных образов. Если же статистический критерий основывается на геометриче-ской форме, размерах и структуре объектов, говорят о распознавании про-странственных образов. Результаты классификации можно использовать для создания тематических карт и статистических отчетов для территорий различного типа.

Среди множества методов классификации выделяют два основных: контролируемая классификация и неконтролируемая классификация.

Объединение данных и их интеграция в ГИС

Объединение данных космической съемки с другими данными возможно на основании географической привязки к изучаемой территории, в част-ности, можно объединять данные, полученные в разное время с одного и того же спутника, или данные, полученные разными системами дис-танционного зондирования. Для объединения данных ДЗ с данными из других источников используют средства ГИС.

6.4. Статистические показатели исходных данных

После считывания данных с магнитной ленты или компакт-диска получа-ют статистические оценки основных одномерных и многомерных параме-тров. в дальнейшем эти оценки используют при обработке снимков.

6.4. Статистические показатели исходных данных 105

Как правило, на этом этапе для каждой спектральной зоны вычисляют максимальное, минимальное и среднее значения, стандартное отклонение, дисперсию, ковариационную и корреляционную матрицы. Частотное рас-пределение значений в каждом диапазоне изучают с помощью гистограм-мы, а взаимосвязь между различными диапазонами — с помощью двумер-ных и трехмерных диаграмм рассеяния.

Минимальное и максимальное значения характеризуют диапазон яр-кости снимка, оба эти значения используют в качестве параметров в алго-ритмах увеличения контрастности изображения. Минимальное значение в каждом спектральном диапазоне используется также для расчета вели-чины поправки на влияние атмосферы. Среднее значение в каждом диа-пазоне является общей характеристикой распределения яркости. Если оно расположено посредине шкалы, значит снимок достаточно контрастный. Смещение среднего к левому краю диапазона соответствует более тем-ным снимкам, то есть более низкой отражательной способности объектов. И, наоборот, при повышении общей отражательной способности положе-ние среднего будет смещаться к правой границе.

Ковариационная и корреляционная матрицы характеризуют избыточ-ность данных и используются при анализе данных методом главных ком-понент, а также для выделения спектральных признаков и классификации объектов. Структура ковариационной матрицы приведена в табл. 6.2.

Здесь с. — стандартное отклонение, / = 1, 2, 3, 4, а недиагональные компоненты матрицы СУ задаются формулой

п п п

Ср (Xki Х Xkj ) Xki X Xkj c tj = — ^ = — , , (6.1) J n -1 n(n -1)

где n — количество пикселов снимка, a xki — яркость пиксела с номером к в диапазоне у. Коэффициент корреляции между двумя диапазонами / и j выражается следующей формулой:

(6.2) a f l j

где а. и ст. — стандартные отклонения для диапазонов / и j. Из формулы (6.2) видно, что коэффициент корреляции является без-

размерной величиной, а его значения изменяются в диапазоне от —1 до +1.

Табл. 6.2. Структура ковариационной матрицы

Канал 1 Канал 2 Канал 3 Канал 4 Канал 1 С» Канал 2 С24 Канал 3 °з2 С34 Канал 4 Сп С<3 <


Значение —1 говорит о том, что между данными из двух диапазонов суще-ствует строго обратная зависимость, а значение +1 указывает на полное соответствие этих данных друг другу. Большие положительные значения коэффициентов корреляции свидетельствуют об избыточности данных.

Помимо перечисленных статистических параметров, еще одним важ-ным инструментом анализа является гистограмма. Она дает наглядное представление о распределении значений яркости, о контрастности сним-ка и о возможном количестве различных классов объектов. Небольшая ширина гистограммы говорит о низкой контрастности снимка, а количе-ство классов можно оценить по числу пиков гистограммы.

6.5. Коррекция и восстановление снимков

Коррекция снимка проводится до его анализа. Цель этой операции — полу-чить изображение, на котором максимально точно отражены радиометри-ческие и геометрические характеристики сцены. При этом, важно разли-чать ошибки двух типов: внутренние и внешние. Источником внутренних ошибок является сенсор. Это — систематические ошибки, которые можно выявить в процессе калибровки сенсора как перед запуском спутника, так и во время его полета. Внешние ошибки не являются систематическими: они возникают из-за случайных возмущений параметров платформы или характеристик сцены. Для выявления таких ошибок необходимо устано-вить связь между известными точками на поверхности Земли и соответ-ствующими точками на снимке.

Как правило, предварительная обработка снимков заключается в их ра-диометрической и геометрической коррекции. Радиометрическая коррек-ция позволяет устранить ошибки, связанные со случайными вариациями освещенности сцены, геометрии съемки, состояния атмосферы и чувстви-тельности сенсора, то есть тех параметров, которые могут изменяться в за-висимости от съемочной системы, спутника и условий окружающей среды. Иногда данные необходимо преобразовать к некоторой абсолютной шка-ле единиц. В частности, такая задача возникает, когда требуется сравнить снимки, полученные в разные дни или разными сенсорами, а также в том случае, если требуется обеспечить однородные условия освещенности от сцены к сцене.

Значение яркости, которое регистрируется сенсором, формируется из двух составляющих: яркости излучения, отраженного от поверхности Зем-ли, и яркости излучения, рассеянного атмосферой. Вторую составляющую обычно называют атмосферной помехой. Она не несет информации об объ-екте и проявляется на снимке в виде шума.

Все операции по исключению атмосферных помех разделяют на три категории. Первая категория — физическое моделирование взаимодействия излучения с атмосферой. Результатом такого моделирования является пе-ресчет измеренных значений к условиям абсолютно прозрачной атмосфе-ры. Физическое моделирование позволяет получать точные поправки при самых разнообразных состояниях атмосферы. Однако у этого метода есть ряд недостатков. Как правило, для физического моделирования требуются

6.5. Коррекция и восстановление снимков I

сложные компьютерные программы и очень подробные метеорологические данные о влажности атмосферы и концентрации в ней различных газов и частиц. Такую информацию крайне тяжело получить, поскольку все па-раметры атмосферы зависят от высоты и постоянно изменяются со време-нем. По этой причине в обычной практике дистанционного зондирования физическое моделирование практически не используется.

Основу методов коррекции второй категории составляет изучение гистограмм, построенных для всех спектральных диапазонов данного снимка. Атмосферные помехи обычно невелики в инфракрасной области и в основном проявляются в видимой части спектра. Это свойство исполь-зуется в методе минимума гистограммы, который заключается в следую-щем. На гистограмме яркости видимого спектра определяют наименьшее значение, а затем вычитают его из значений яркости всех пикселов во всех световых диапазонах. Преимущество этого метода — в его простоте и уни-версальности, поскольку он не требует дополнительной информации. Вме-сте с тем, данный метод является весьма приближенным.

В методах коррекции третьей категории помимо яркости объектов ис-пользуется также взаимосвязь между различными спектральными диапа-зонами. Данные наносят на координатную плоскость, по осям которой откладывают яркость пикселов в световом диапазоне и в инфракрасной области. Затем методом наименьших квадратов подбирают прямую, наи-лучшим образом описывающую этот набор данных. Смещение а на оси х (рис. 6.2) является поправкой на влияние атмосферы, которую необходимо внести в значения яркости для данного спектрального диапазона. Этот ме-тод известен как метод линейной регрессии.

Одно из преимуществ метода линейной регрессии заключается в том, что его можно применять и для небольших областей. Обобщение этого ме-тода, получившее название метода ковариационной матрицы, было предло-жено Свитцером и соавт. [83]. Основу их методики составляет изучение об-ластей с однородной и, как правило, низкой отражательной способностью. Так, например, если выделить на снимке ту его часть, которая соответ-ствует водной поверхности, то причиной вариации яркости в этой области, скорее всего, будут именно атмосферные помехи. Поправки, рассчитанные

Рис. 6.2. Метод линейной регрессии для расчета поправок на влияние ат-мосферы [47]

Видимый диапазон —>•


этим методом, обычно применяют не ко всему снимку, а только к некото-рой его части. Следует также отметить, что в этом методе не учитываются пространственные вариации свойств атмосферы и освещенности поверх-ности Земли.

Геометрическая коррекция

На всех космических снимках присутствуют геометрические искажения, причинами которых могут быть:

1. Ракурс съемки. 2. Движение сканирующей системы. 3. Движение спутника. 4. Вариации высоты, ориентации и скорости спутника. 5. Рельеф. 6. Кривизна поверхности Земли и ее вращение. Цель геометрической коррекции — устранить искажения, так чтобы

характеристики объектов на снимке как можно точнее соответствовали их фактическим характеристикам. Часть искажений относится к разряду систематических. Их можно учесть, тщательно смоделировав движения сенсора и спутника относительно Земли. Другая часть — это случайные ошибки, для исправления которых необходима геометрическая привязка снимка к заданной системе координат. Ошибки этих двух типов подробно обсуждаются ниже на примере данных, полученных съемочными система-ми Landsat MSS и ТМ.

Систематические искажения

Ниже обсуждаются различные типы систематических искажений на кос-мических снимках.

Перекос полосы съемки. Причиной этого дефекта является перемещение спутника за время, необходимое для поворота зеркала сканирующей систе-мы. В результате полоса съемки расположена не перпендикулярно, а под некоторым углом к трассе спутника.

Вариации скорости вращения зеркала. Скорость вращения зеркала ска-нирующей системы MSS обычно не остается постоянной, что приводит к геометрическим искажениям вдоль строк снимка.

Панорамные искажения. Площадь сканируемой области пропорцио-нальна не углу съемки, а тангенсу этого угла. Поскольку данные регистри-руют с некоторым постоянным шагом, это приводит к искажениям вдоль строк снимка.

Вариации скорости платформы. В результате таких вариаций последова-тельные проходы зеркала сканирующей системы соответствуют участкам трассы разной длины.

Вращение Земли. Вращение Земли приводит к сдвигу полосы съемки и, как следствие, к искажениям вдоль строк снимка.

Проекционные искажения. В некоторых случаях требуется, чтобы сни-мок представлял собой проекцию точек земной поверхности на тангенци-

6.5. Коррекция и восстановление снимков

альную плоскость, причем линии проецирования должны быть ортого-нальны этой плоскости. Это приводит к искажениям вдоль строк снимка.

Случайные искажения

Ниже обсуждаются различные типы случайных искажений на космиче-ских снимках.

Вариации высоты орбиты. Изменение высоты орбиты спутника со съе-мочной системой MSS приводит к изменению масштаба снимка.

Ориентация. Одна из осей сканирующей системы обычно направлена строго перпендикулярно поверхности Земли, что приводит к геометриче-ским искажениям.

При коррекции случайных ошибок используют наземные опорные точки, для которых известны как географические координаты (например, широта и долгота), так и координаты на снимке (номер строки и номер пиксела).

Поскольку для устранения систематических ошибок необходимо зна-ние большого числа эфемеридных параметров, эта операция проводится в главном центре обработки данных. Случайные искажения исправляют-ся, как правило, самими пользователями данных. Среди всех процедур геометрической коррекции чаще всего применяют геометрическое транс-формирование в картографическую проекцию и совмещение снимков. (Jensen, 1986).

Геометрическое трансформирование состоит в преобразовании снимка к одной из стандартных картографических проекций. Для выполнения та-кого преобразования требуется определенное количество наземных опор-ных точек, для которых известны как координаты в заданной проекции, так и координаты на снимке. Геометрическое трансформирование приме-няют, когда снимок предполагается использовать для точного измерения линейных размеров или площадей объектов.

При наблюдении динамических процессов с помощью разновременных снимков одной и той же территории, преобразовывать данные к картогра-фической проекции не обязательно. В этом случае достаточно применить процедуру совмещения снимков.

Отличие этих двух методов состоит в том, что пространственная при-вязка пикселов снимка к системе координат стандартной картографиче-ской проекции, необходимая в первом случае, совершенно не требуется во втором. Поскольку во многих областях применения космических снимков результатом их обработки является карта, далее мы подробно рассмотрим первый из описанных выше методов.

Геометрическое трансформирование

Для того чтобы трансформировать космический снимок к системе коор-динат картографической проекции, необходимо выполнить две операции: пространственную интерполяцию и интерполяцию значений яркости пи-скелов. Пространственная интерполяция выполняется по большому числу


опорных точек с подгонкой методом наименьших квадратов. В общем слу-чае геометрическое трансформирование описывается аффинным преоб-разованием с шестью независимыми параметрами, которые соответствуют шести элементарным трансформациям снимка, то есть смещению вдоль оси х, смещению вдоль оси у, изменению масштаба по каждой из этих осей, параллельному сдвигу границ снимка и повороту. Математически это пре-образование описывается следующей формулой:

где х и у — координаты точки в системе координат проекции, а х% и / — ко-ординаты точки в системе координат снимка. Теоретически, для решения этой системы уравнений относительно коэффициентов а0, av а2, b0, Ьх и Ъ2 достаточно знать координаты трех опорных точек. На практике используют гораздо большее их количество, а решение системы (6.3) получают методом наименьших квадратов, определяя для каждой точки среднеквадратичную ошибку RMS по формуле:

где (х0, у0) и (х\ у1) — соответственно, исходные и расчетные координаты опорной точки в системе координат снимка. В результате, можно вычис-лить суммарную среднеквадратичную ошибку определения коэффициен-тов и выделить ту точку, которая дает наибольший вклад в эту ошибку.

Обычно задают некий порог точности привязки. Если суммарная ошибка превышает это пороговое значение, опорную точку с максималь-ной ошибкой исключают из рассмотрения, после чего коэффициенты а0, av а2, b0, Ь{ и Ь2 рассчитывают заново.

Эту итерационную процедуру повторяют до тех пор, пока суммарная погрешность не станет меньше заданного порогового значения, либо пока количество опорных точек не уменьшится до 3. Найденное преобразование применяют ко всем пикселам снимка, после чего наступает черед интерпо-ляции значений яркости.

Интерполяция значений яркости

Следующий этап геометрического трансформирования состоит в пересчете яркости пикселов старого снимка в яркость пикселов трансформированно-го снимка. Эту процедуру называют повторной дискретизацией.

Для повторной дискретизации обычно используют один из трех ме-тодов: метод «ближайшего соседа», метод билинейной интерполяции или метод кубической конволюции. В первом случае значение пиксела ново-го снимка определяется значением ближайшего к нему пиксела старого снимка. В этом простейшем методе сохраняются исходные значения пик-селов, однако некоторые из них могут быть дублированы, а некоторые про-

х' = а0 + ах х + а2 у\

у' =b0 + Ь{х + Ь2 у, (6.3)

(6.4)

6.6. Улучшение визуального восприятия снимков I

пущены. Кроме того, трансформированные таким способом снимки часто имеют разрывную или блочную структуру изображения. При использова-нии второго метода, билинейной интерполяции, значение яркости BVкаждо-го пиксела трансформированного снимка представляет собой взвешенное среднее значение интенсивностей ближайших к нему четырех пикселов старого снимка:

Е ^ / А 2

ВУ = Ц , (6.5) X i / А 2

k=1 где zk — значения яркости пикселов старого снимка, a Dk — соответствую-щие расстояния до пикселов нового снимка.

В результате усреднения старые значения пикселов не сохраняются, что может оказаться недостатком при последующем анализе снимка, на-пример, при его классификации. В этом случае повторную дискретизацию лучше проводить уже после классификации. При использовании третьего метода, кубической конволюции, значение яркости пиксела трансформиро-ванного снимка рассчитывается по значениям уже не четырех, а шести ближайших пикселов исходного снимка. Как и в предыдущем случае, все исходные значения яркости не сохраняются. Вместе с тем, несмотря на указанный недостаток, два последних метода позволяют получать очень четкие снимки, на которых отсутствует блочная структура, проявляющая-ся при использовании метода «ближайшего соседа».

6.6. Улучшение визуального восприятия снимков

Назначение улучшающих преобразований состоит в том, чтобы упростить дешифрирование и анализ изображений. Такая возможность предостав-ляется, прежде всего, благодаря цифровому формату снимков, который позволяет работать со значениями каждого пиксела. Несмотря на радио-метрическую коррекцию по освещенности, атмосферным помехам и пара-метрам датчика, визуальное дешифрирование снимков может быть все еще затруднено. Например, такая ситуация возникает при больших вариациях спектральной яркости, обусловленных разнородностью объектов съемки (лесной покров, пустыня, снежный покров, водная поверхность и т. д.). В этом случае оптимальный диапазон яркости и контрастности для всех объектов невозможно выбрать, используя только методы радиометрической коррекции.

Исходные данные занимают, как правило, только часть общего диа-пазона числовых значений, который обычно представлен 256 оттенками серого цвета (8 бит на пиксел). Увеличение контрастности объектов по отношению к фону достигается за счет использования всего диапазона яркости. При этом, одним из ключевых понятий является гистограмма снимка — график, по оси х которого отложены значения яркости (числа от 0 до 255), а по оси у — частота, с которой разные значения встречают-ся на снимке. Гистограмму используют для наглядного представления тех


а) Исходная гистограмма б) Линейное преобразование в) Гистограмма после преобразования

Рис. 6.3. Минимаксное растяжение

изменений, к которым приводит, например, увеличение или уменьшение диапазона значений яркости на снимке. Все многочисленные методы по-вышения контрастности и детализации снимков можно разделить на две основные категории, а именно, на линейные и нелинейные методы.

Линейные методы увеличения контрастности

Основу любой процедуры увеличения контрастности составляет расши-рение диапазона яркости на снимке так, чтобы он соответствовал полной радиометрической шкале датчика. При использовании 8-битового формата записи данных весь диапазон значений яркости представлен 256 оттенками серого цвета в диапазоне от 0 до 255. При этом 0 соответствует черному цвету, а 255 — белому. Очевидно, что если гистограмма исходного снимка занимает только часть указанного диапазона, качество изображения будет не очень высоким.

Одним из простейших методов повышения контрастности является ми-нимаксное растяжение, которое заключается в том, что левый и правый край гистограммы сдвигают к соответствующим границам полного диа-пазона. Иными словами, левому краю гистограммы присваивается значе-ние 0, а правому — 255 (рис. 6.3). При этом все промежуточные значения яркости пересчитывают в соответствии с линейной формулой:

X — X -V — Ш mm ~ (С С \ Xnew ~ Хг > УР Ь)

"И 255 Хтп ^ Хтм

а) Исходная гистограмма б) Преобразование

Рис. 6.4. Процентильное растяжение

255 ч о х о ш —• 25

в) Гистограмма после преобразования

6.6. Улучшение визуального восприятия снимков I

I 2"

о ;

а) Исходная гистограмма б) Преобразование в) Гистограмма после преобразования

Рис. 6.5. Кусочно-линейное контрастное растяжение

где xnew — новое значение яркости, xmin — минимальное значение ярко-сти в исходных данных, хтах —• максимальное значение яркости в исходных данных, х.п — исходное значение яркости пиксела, хг — диапазон шкалы яркости (0—255 для 8-битового формата).

Иногда, после минимаксного растяжения гистограмма приобретает длинные «хвосты», которые свидетельствуют о том, что существенного улучшения качества снимка не произошло. В этой ситуации рекомендует-ся исключить 1, 2 или 5% данных, которые соответствуют хвостам гисто-граммы. Эта операция, которую называют процентильным растяжением, проиллюстрирована на рис. 6.4.

После исключения определенного процента данных оставшуюся часть гистограммы растягивают точно так же, как и при минимаксном растяжении. Это приводит к снижению наклона графика линейного преобразования и, следовательно, к подчеркиванию деталей изображе-ния. Оба рассмотренных метода являются достаточно эффективными, если гистограмма похожа на распределение Гаусса, то есть имеет один максимум. При наличии нескольких максимумов к различным частям гистограммы следует применять отдельные процедуры линейного рас-тяжения (рис. 6.5).

Нелинейные методы увеличения контрастности

В общем случае гистограмма яркости не является равномерной. В такой ситуации более подходящими могут оказаться нелинейные методы повы-шения контрастности изображения. Простейшим из них является метод выравнивания гистограммы, основная идея которого состоит в том, чтобы перераспределить значения яркости так, чтобы каждому из них соответ-ствовало примерно равное количество пикселов. В дополнение к этому оператор также может изменить двоичный формат представления дан-ных, например, с 8-битового на 7-битовый и наоборот. Применение это-го метода увеличивает контрастность тех частей снимка, которые дают основной частотный вклад в гистограмму, и уменьшает контрастность остальных частей.

Другим известным методом является гауссово растяжение, суть кото-рого заключается в преобразовании исходной гистограммы к распределе-нию Гаусса в области шириной ±3 стандартных отклонения. Как прави-ло, такое растяжение приводит к увеличению контрастности тех частей


снимка, которые соответствуют хвостам гистограммы. Помимо модели гауссова распределения используют также логарифмические и экспонен-циальные модели.

6.7. Пространственная фильтрация

Пространственные фильтры используют для выделения или, наоборот, по-давления определенных структур на снимке в зависимости от их простран-ственной частоты. Пространственная частота тесно связана с такой харак-теристикой тоновых вариаций, как текстура. Грубая текстура, с резкой сменой тонов на малой площади, соответствует высокой пространственной частоте, плавные изменения тона — низкой.

Обычная процедура фильтрации состоит в следующем. По всем пик-селам снимка перемещают пространственное окно со сторонами длиной в несколько пикселов (3 х 3, 5 х 5 и т. д.). При каждом положении окна рассчитывают новое значение яркости центрального пиксела, используя для этого значения всех остальных пикселов в окне. В зависимости от спо-собов расчета яркости и учета вклада каждого пиксела такой фильтр может как усиливать, так и подавлять различные структуры на снимке.

Фильтр пропускания низких частот сглаживает изображение, подчерки-вая большие, однородные по тону части снимка и подавляя мелкие дета-ли. Примерами таких фильтров являются медианные фильтры и фильтры «скользящего среднего». Фильтр пропускания высоких частот, наоборот, подчеркивает мелкие детали изображения. Для реализации такого фильтра можно, например, сначала применить к снимку низкочастотную фильтра-цию, а затем вычесть получившийся результат из исходных данных.

Направленные фильтры, или фильтры усиления границ, предназначены для подчеркивания линейных объектов, таких как дороги или границы посевов. Кроме того, эти фильтры используются для усиления объектов, которые ориентированы в определенном направлении. В частности, такие фильтры используются в геологии для определения линейных геологиче-ских структур.

6.8. Преобразование снимков

Для преобразования снимков используются данные из нескольких спек-тральных диапазонов, причем эти данные могут соответствовать даже раз-личным датам проведения съемки (многовременные данные). В результате преобразования формируются новые снимки, на которых гораздо четче выделяются определенные объекты и области интереса.

К простейшим преобразованиям относятся операции попиксельного сложения, вычитания, умножения и деления. Например, операция вы-читания состоит в том, что из значения яркости каждого пиксела одного снимка вычитается значение яркости соответствующего пиксела другого снимка, который совмещен с первым. Результирующий снимок называет-ся разностным. Объекты, отражательная способность которых изменилась незначительно за время между двумя съемками, будут окрашены на раз-

6.8. Преобразование снимков I

ностном снимке в светло-серые тона, а темные и яркие области снимка будут соответствовать значительным изменениям отражательной способ-ности. Этот тип преобразования полезен для картографирования город-ской инфраструктуры, наблюдения за лесозаготовками, оценки посевных площадей и других подобных задач.

Сложение изображений является усредняющей операцией, позволяю-щей снизить уровень шума на снимке. Эту операцию широко используют при пространственной фильтрации для выделения объектов определенного масштаба. Операция умножения снимков при обработке данных ДЗ при-меняется крайне редко. В отличие от нее, операция деления, на которой основано вычисление многих спектральных признаков, является одним из наиболее часто используемых преобразований. Эта операция позволяет подчеркивать малейшие изменения в спектральной отражательной способ-ности различных земных покровов. Отношение величин из разных спек-тральных диапазонов дает важную информацию об объектах. В частности, зеленая растительность обладает большой отражательной способностью в ближней инфракрасной области спектра и хорошо поглощает излуче-ние в красном диапазоне. В то же время, отражательная способность почв и водоемов в этих диапазонах остается практически одинаковой. Таким образом, если разделить данные в ближней инфракрасной области (0,8— 1,1 мкм) на данные в красном диапазоне (0,6—0,7), то на результирующем снимке растительному покрову будет соответствовать область со значением отношения существенно больше 1,0, а почвам и водоемам — область со значением отношения существенно меньшим 1,0. Результат указанной опе-рации деления обычно называют вегетационным индексом.

Преимущество операции деления состоит также в том, что результи-рующий набор данных содержит только относительные, а не абсолютные значения яркости. Благодаря этому анализ данных в гораздо меньшей сте-пени зависит от тех вариаций в освещенности сцены, которые возникают из-за особенностей рельефа. Так, например, абсолютная отражательная способность лесного покрова на склоне горы будет зависеть от положения Солнца, однако относительная отражательная способность, рассчитанная по двум спектральным диапазонам, будет, при этом, почти постоянной. Следующий шаг был сделан в работе Роуза и соавт. (Rouse., et al, 1973), предложивших новую спектральную характеристику, которая получила на-звание нормализованного разностного вегетационного индекса (Normalized Difference Vegetation Index, NDVI). Индекс NDVI определяется как норма-лизованная разность между значениями в ближней инфракрасной области (NIR) и в красном диапазоне видимого спектра (VR) согласно следующей формуле:

NDVI = NIR - VR NIR + VR ' (6.7)

Значения индекса NDVI изменяются в диапазоне от —1 до + 1. Для рас-тительного покрова значение индекса больше единицы, для почв — близко к единице, а для водных поверхностей — меньше единицы.


Рис. 6.6. «Перпендикулярный» вегетационный индекс

Вместе с тем, было замечено, что во многих случаях указанная законо-мерность нарушается из-за смешанного характера покрова. Для измерения отдельных вкладов растительности и подстилающей почвы был предложен индекс, получивший название PVI (Perpendicular Vegetation Index) (Richard-son and Wiegand, 1977). На рис. 6.6 изображена координатная плоскость, по оси х которой отложены значения этого индекса в красном диапазоне, а по оси у — значения в инфракрасном диапазоне спектра. Хорошо видно, что точки, соответствующие почвам, лежат вдоль прямой, которая называется линией почв и расположена под углом 45 градусов к обеим осям. Точки, от-носящиеся к растительности, располагаются вдоль перпендикуляра к этой прямой слева от нее. Чем больше расстояние от линии почв, тем больше растительности присутствует на данной территории. Положение точки на прямой линии почв характеризует, помимо прочего, еще и влажность по-чвы. Чем ниже находится точка, тем выше влажность. Индекс PVI, раз-работанный для анализа данных Landsat MSS, определяется следующей формулой:

PVI1 = ^1(0,355MSS7 -О,\49MSS5)2 +(0,355МУ55-0,852МУ57)2 (6.8)

PVI6 = V(-2,507 - 0,457MSIS + 0,1498MSS6)2 + (2,734 + 0.498MSS5 - 0,543MSS6)2

Преобразование «колпак с кисточкой»

При вычислении любого из индексов PVI рассматриваются спектральные вариации в двух из четырех диапазонов снимков Landsat MSS, а расстояние до линии почв в двумерном пространстве признаков используется в каче-стве числовой характеристики биомассы. Несколько иной подход, в кото-ром учитываются все четыре канала съемки Landsat MSS, был предложен


в работе Кауфа и Томаса [39]. В результате предложенного ими преобразо-вания точки, соответствующие почве, расположены на линии, находящейся под углом к любой координатной плоскости четырехмерного пространства спектральных признаков MSS, а точки, характеризующие растительность на различных стадиях вегетации, заполняют область, по форме напоми-нающую колпак с кисточкой. Одноименное преобразование основано на методе последовательной ортогонализации Грамма—Шмита, в результате которого исходные данные MSS преобразуются к новой системе координат четырехмерного пространства спектральных признаков. Первые три оси этой координатной системы называются «яркость», «зеленый цвет» и «жел-тый цвет», а четвертая ось характеризует спектральные признаки, не отно-сящиеся к первым трем. Ось яркости соответствует вариациям отражатель-ной способности подстилающей почвы, ось зеленого цвета характеризует жизнеспособность зеленой растительности, а ось желтого цвета — старею-щую растительность. Значения вдоль четвертой оси связаны, в основном, с атмосферными условиями.

Преобразование «колпак с кисточкой» в основном используется для мо-ниторинга состояния сельскохозяйственных культур на различных стадиях их созревания. При этом, основными данными служат значения «яркости» и интенсивности «зеленого цвета». Основным преимуществом этого пре-образования является то, что выбор осей новой системы координат осно-ван на физических принципах, не зависящих от вариаций растительного покрова от изображения к изображению.

Крист и Сайкон [16] применили этот метод для анализа 6-канальных данных съемки сенсора ТМ (кроме теплового диапазона). Оказалось, что третья ось пространства преобразованных данных содержит значитель-ную долю информации о влажности. Координатные плоскости этого про-странства, образованные осями «яркости», интенсивности «зеленого цвета» и «влажности» показаны на рис. 6.7.

Значение «яркости» определяется как взвешенная сумма исходных данных по всем шести диапазонам и является количественной характе-ристикой общей отражательной способности. В частности, по значениям «яркости» можно разделить темные и светлые почвы. Интенсивность «зе-

Влажность Плоскость почв

Рис. 6.7. Преобразование «колпак с кисточкой» данных ТМ: оси новой си-стемы координат [16]


Водоемы Яркость

(а)

Неприродные объекты

(б) Влажность

(В)

Рис. 6.8. Приблизительное местоположение наиболее важных классов в пространстве спектральных признаков, полученных в результате преобразования «колпак с кисточкой» данных ТМ [16]

леного цвета» определяется контрастностью между ближним инфракрас-ным и видимым диапазонами и является характеристикой плотности зеле-ной растительности, в то время как «влажность» зависит от контрастности отражательной способности в коротковолновом ИК-дипаазоне и видимом и ближнем ИК-диапазоне и характеризует влажность почв, плотность рас-тительного покрова и другие свойства объекта. Расположение некоторых важных спектральных признаков в пространстве, данных после преобра-зования «колпак с кисточкой», показаны на рис. 6.8.

Плоскость, образованную координатными осями «яркость» и «зеленый цвет», называют плоскостью растительности, а плоскость, образованную осями «яркость» и «влажность», — плоскостью почв. Откладывая точки на плоскостях, образованных осями «яркость», «зеленый цвет» и «влажность», можно получать информацию разного типа. По положению точки на пло-скости «зеленый цвет — влажность» можно оценить долю растительности на данной территории (рис. 6.9). Леса и другая природная растительность отличаются от сельскохозяйственных культур значением «влажности». Про-екция на плоскость «зеленый цвет — яркость» позволяет еще лучше отде-

Табл. 6.3. Коэффициенты преобразования «колпак с кисточкой» для дан-ных Landsat-5 ТМ [16]

Признак Коэффициенты Дополни-тельное слагаемое

Признак

ТМ1 ТМ2 ТМЗ ТМ4 TMS ТМ7

Дополни-тельное слагаемое

Яркость 0,2909 0,2493 0,4806 0,5568 0,4438 0,1706 10,3695 Зеленый цвет -0,2728 -0,2174 -0,5508 0,7221 0,0733 -0,1648 -0,7310

Влаж-ность 0, 1446 0,1761 0,3322 0,3396 -0,6210 -0,4186 -3,3828

Дымка 0,8461 -0,0731 -0,4640 -0,0032 -0,0492 0,0119 0,7879 Пятый 0,0549 -0,0232 0,0339 -0,1937 0,4162 -0,7823 -2,4750 Шестой 0,1186 -0,8069 0,4094 0,571 -0,0228 0,0220 -0,0336


90

20-40%

40-60%

Влажность Влажность А (а) (б)

Рис. 6.9. Угловая мера процентной доли растительного покрова [16]

лить сельскохозяйственные культуры от лесного покрова. Интересно, что точки, соответствующие лесному покрову, образуют в пространстве спек-тральных признаков своеобразную эмблему на колпаке (см. рис. 6.8, а). Ко-эффициенты линейного преобразования «колпак с кисточкой» для данных Landsat-5 ТМ представлены в табл. 6.3.

Анализ методом главных компонент

Данные в различных спектральных диапазонах часто коррелируют между собой, поскольку в них содержится во многом одна и та же информация. Так, например, снимки Landsat MSS, полученные в зеленом и красном диапазонах выглядят почти одинаково, поскольку отражательные свой-ства земной поверхности в этих диапазонах мало чем отличаются друг от друга. Для того чтобы устранить избыточность информации и зависи-мость данных в разных спектральных диапазонах, используют преобразо-вание, которое основано на методе главных компонент. Цель этого преоб-разования состоит в уменьшении размерности набора данных и переходе к меньшему количеству новых «каналов», которые называются главными компонентами.

Процедура преобразования состоит в том, чтобы распределить макси-мальное количество информации из исходных данных по минимальному числу новых компонент. Например, данные, полученные в семи спектраль-ных диапазонах сенсора ТМ (Thematic Mapper) можно преобразовать так, что 90% всей исходной информации будет содержаться в трех первых глав-ных компонентах. Такой набор данных существенно проще анализировать и интерпретировать. Метод главных компонент и другие методы преобра-зования данных используют для улучшения видимого качества снимков и для уменьшения числа каналов при анализе изображений с помощью численных методов классификации.

Важным свойством преобразования к главным компонентам является то, что исходный набор коррелированных данных преобразуется в набор некоррелированных данных. В многопараметрическом пространстве ис-


а) Исходная система координат б) Смещение начала координат в) Поворот координатных осей

Рис. 6.10. Схема преобразования данных к главным компонентам [37]

ходный выбор координатных осей определяется каналами регистрации. Эта система координат может быть неоптимальной для анализа данных в различных диапазонах. Таким образом, основная задача применения метода главных компонент состоит в том, чтобы преобразовать данные к новой системе координат, а затем попытаться снизить размерность пространства данных, отбросив те компоненты, которые не несут ин-формации.

Схематическое представление данных, полученных по двум кана-лам регистрации, показано на рис. 6.10, а. Рис. 6.10, б иллюстрирует смещение начала исходной системы координат, а рис. 6.10, в — поворот координатных осей на угол ср. Направление первой оси новой систе-мы координат (РС1) выбрано так, чтобы оно совпадало с направлением максимального разброса исходных данных. Вторая ось (РС2) перпенди-кулярна первой.

Для расчета коэффициентов линейного преобразования к новой си-стеме координат используется ковариационная матрица исходного набора данных. Всю процедуру можно разделить на два этапа:

1. Вычисление ковариационной матрицы л-мерного множества данных. 2. Вычисление набора собственных значений E=(\V ХП) и соб-

ственных векторов ковариационной матрицы, где п — число спектральных каналов, а р — число главных компонент.

Собственные числа Е характеризуют разброс данных и, следовательно, количество информации вдоль каждой компоненты. Как правило, первые три компоненты содержат около 95—98% всей информации, зарегистриро-ванной по шести спектральным каналам сенсора ТМ. Матрица собствен-ных векторов V характеризует вклады различных каналов в соответствую-щие главные компоненты. Эту матрицу используют для расчета значений яркости преобразованных цифровых снимков. Этапы преобразования дан-ных к главным компонентам представлены в табл. 6.4.

6.9. Классификация и анализ снимков

При визуальном дешифрировании снимков на них стараются выделить од-нородные группы пикселов, относящиеся к различным классам простран-

6.9. Классификация и анализ снимков 121

Табл. 6.4. Анализ данных методом главных компонент [30]

Статистические показатели исходных данных Канал 1 2 3 4 5 6

Мин. значение 45 14 11 6 1 0 Макс, значение 254 240 254 199 181 140 Среднее 68,7 30,5 35,5 57,6 90,8 36,1 Стандартное отклонение 10,56 6,01 7,93 12,94 21,89 9,16 Дисперсия 111,5 36,1 63,0 167,6 479,3 84,0

Ковариационная матрица Канал 1 2 3 4 5 6

1 111,48 2 59,72 36,10 3 72,85 45,24 62,96 4 61,62 47,88 64,20 167,57 5 77,43 65,77 114,53 193,67 479,27 6 40,96 30,93 51,80 67,26 190,54 83,96

Вычисление собственных значений ковариационной матрицы Главные компоненты

1 2 3 4 5 6 Дисперсия 716,29 144,10 71,41 4,68 3,96 0,91 Суммарная дисперсия 941,34 Процент 76,09 15,31 7,59 0,50 0,42 0,10 Сумма 76,09 91,40 98,99 99,49 99,91 100,1

Собственные векторы ковариационной матрицы Компонента

Канал^

1 2 3 4 5 6

Канал^

0,205 0,637 0,327 -0,054 0,249 -0,079

Канал^ 0,127 0,342 0,169 -0,077 0,012 0,821

Канал^ 0,204 0,428 0,159 -0,076 -0,075 -0,562

Канал^

0,443 -0,471 0,739 0,107 -0,153 -0,004

Канал^

0,742 -0,177 -0,437 -0,300 0,370 0,011 0,106 0,033 -0,080 0,887 0,424 0,005

ственных объектов. В отличие от этого, цифровая классификация заклю-чается в том, чтобы на основе спектральной информации из различных диапазонов проанализировать каждый пиксел и отнести его к тому или иному классу. Этот тип классификации называют также распознаванием


спектральных образов. В обоих случаях целью является распределение пик-селов снимка по определенным классам объектов. Результирующее изо-бражение является, по существу, тематической картой.

Говоря о классификации, следует различать информационные и спек-тральные классы. Информационные классы — это те объекты, которые необходимо распознать на снимке: различные виды растительности, опре-деленные геологические структуры, типы горных пород и т. д. В отличие от этого, спектральный класс — это группа пикселов, обладающих при-близительно одинаковой яркостью в некотором спектральном диапазоне. Одна из основных целей классификации состоит в том, чтобы совместить спектральные классы с информационными. Конечно, полное и взаимно однозначное соответствие между двумя типами классов наблюдается очень редко. Как правило, одному информационному классу соответствуют два или три спектральных, а некоторые выделенные спектральные классы во-обще не соответствуют никаким объектам.

Выделяют два метода классификации — контролируемую и неконтро-лируемую. Для контролируемой классификации используют эталонные области, которые выбираются оператором в соответствии с их принад-лежностью к определенному информационному классу. При выборе этих областей оператор опирается на свое знание территории и расположенных на ней объектов. Таким образом, именно он контролирует разделение всех объектов на определенные классы. Значения пикселов эталонных областей в различных спектральных диапазонах используются в качестве обучающих выборок для настройки программы распознавания. В ре-зультате, для каждой области определяется эталон — совокупность спек-тральных признаков, задающих один класс пикселов на цифровом сним-ке. После этого каждый пиксел снимка относится к тому либо иному классу на основании последовательного сравнения со всеми созданными эталонами. Таким образом, при контролируемой классификации снача-ла определяются информационные классы, а затем соответствующие им спектральные.

При неконтролируемой классификации порядок действий — прямо про-тивоположный: сначала, на основании только той информации, которая представлена в данных, выделяются спектральные классы, и лишь за-тем оператор пытается сопоставить их с реальными пространственны-ми объектами. Группирование данных на первом этапе осуществляется с помощью программ кластерного анализа, при этом оператор обычно указывает, на какое количество групп (кластеров) можно, по его мне-нию, разделить весь набор исходных данных. Помимо этого оператор может указать критерии разделения различных кластеров и возможный разброс значений внутри каждого из них. Процедура разделения на кла-стеры является итерационной. На каждом этапе оператор может объеди-нять или разделять определенные кластеры. Таким образом, несмотря на свое название, неконтролируемая классификация не является полно-стью автоматической. Вместе с тем, классы объектов в данном методе не определяются заранее, а выявляются в результате некоторой численной процедуры.


Контролируемая классификация

Важнейшими этапами контролируемой классификации данных дистанци-онного зондирования являются:

1. Выбор подходящего классификатора. 2. Выбор определенных областей в качестве эталонных. 3. Вычисление статистических показателей для обучающей выборки. 4. Проверка возможности разделения обучающей выборки для опре-

деления оптимальной комбинации спектральных каналов, которые будут использоваться для классификации.

5. Выбор подходящего алгоритма классификации. 6. Распределение пикселов по классам. 7. Оценка точности классификации. Если спектральные характеристики выделенных классов действительно

различаются, результатом классификации становится тематическая карта. Рассмотрим теперь все перечисленные этапы более подробно.

Классификаторы

Множество классификаторов составлено таким образом, чтобы их было легко применять к данным дистанционного зондирования. К наиболее известным относятся классификатор Геологической службы США LULC (Land Use/Land Cover Classification System), классификатор Michigan Land Use Classification и классификатор Cowardin Wetland Classification System [37].

Наиболее важной характеристикой любого классификатора является возможность его использования для анализа данных дистанционного зон-дирования. К примеру, классификатор LULC был изначально ориентиро-ван на ресурсные данные, в отличие от многих других классификаторов, в основу которых положены различные виды человеческой деятельности. Этот классификатор, в котором все земные покровы разделены на девять категорий первого уровня (табл. 6.5), разрабатывался специально для дан-ных ДЗ различного масштаба и разрешения (табл. 6.6). Хотя изначально он был ориентирован на визуальную классификацию объектов, его также широко применяли и при использовании численных методов.

Примером классификатора другого типа, в основу которого положе-ны не сами природные ресурсы, а их использование является руководство Standard Land Use Coding Manual (SLUC). Возможность применения этого классификатора во многом зависит от наличия большого количества по-левых наблюдений.

Очевидно также, что необходимы и другие, комбинированные, клас-сификаторы, которые позволили бы объединить преимущества обоих под-ходов. Примером такого классификатора является схема Michigan Land Use Classification (MLUC) scheme is based on this philosophy, and has served as a guideline for many other schemes.

На первом уровне этого классификатора содержатся те же девять кате-горий, что и у классификатора LULC, а уровни II, III и IV разработаны с учетом особенностей сельского хозяйства и природных ресурсов штата


Табл. 6.5. Классификатор LULC Геологической службы США

Уровень I Уровень II Городские территории и территории застройки

Жилые районы Городские территории и территории застройки

Территории коммерческого и хозяйственного использования Городские территории и территории застройки Промышленные территории

Городские территории и территории застройки

Транспортные магистрали и линии связи


Промышленные и торговые комплексы


Смешанная территория городской инфраструктуры и зон за-стройки


Другие типы городских территорий и территорий застройки Сельскохозяй-ственные терри-тории

Посевные территории и пастбища Сельскохозяй-ственные терри-тории

Сады, рощи, виноградники, питомники и декоративные на-саждения

Сельскохозяй-ственные терри-тории

Земли, отведенные под кормовые культуры

Сельскохозяй-ственные терри-тории

Другие сельскохозяйственные территории Природные пастбища

Травяные пастбища Природные пастбища Кустарниковые пастбища Природные пастбища

Смешанные пастбища Леса Лиственный лес Леса

Вечнозеленый лес Леса

Смешанный лес Водные поверх-ности

Реки, ручьи и каналы Водные поверх-ности Озера Водные поверх-ности

Водохранилища

Водные поверх-ности

Заливы и устья рек Заболоченные территории

Лесные заболоченные территории Заболоченные территории Нелесные заболоченные территории Пустоши Солончаки Пустоши

Береговая полоса Пустоши

Песчаные территории помимо береговой полосы

Пустоши

Открытые горные породы

Пустоши

Места разработки месторождений открытым способом, ка-рьеры

Пустоши

Переходные зоны

Пустоши

Смешанные территории Тундра Кустарниковая тундра Тундра

Кочковатая, моховая и лишайниковая тундра Тундра

Открытые почвы

Тундра

Смешанная тундра Многолетний снежный покров и ледники

Многолетние снежные поля Многолетний снежный покров и ледники

Ледники


Табл. 6.6. Четыре уровня классификации LULC Геологической службы США и характеристики данных ДЗ [30]

Уровень Характеристики данных I Данные со спутников Landsat или IRS II Данные, полученные с высот 12400 м и более

(масштаб снимков 1:80000 или менее) III Данные со средних высот от 3100 до 12400 м

(масштаб от 1:20000 до 1:80000) IV Данные с высот ниже 3100 м (масштаб более 1:20000)

Мичиган. Интересно отметить, что земные покровы составляют основу этого классификатора вплоть до третьего уровня, а человеческая деятель-ность учитывается только на четвертом, который ориентирован, в основ-ном, на запросы региональных пользователей.

Выбор эталонной области и расчет статистических показателей

После выбора классификатора оператор должен выделить на снимках те об-ласти, которые соответствуют пространственным объектам определенного класса. Для получения хорошей обучающей выборки необходимо, чтобы такие области были относительно однородными. Для каждой выделенной области рассчитываются статистические параметры: среднее значение пик-селов |ыс и ковариационная матрица V, где с обозначает класс объекта. При этом используются формулы, аналогичные тем, которые были представле-ны в разделе 6.3.

Успех контролируемой классификации во многом зависит от обучаю-щей выборки. Поэтому при выборе эталонных областей необходимо учи-тывать следующие характеристики.

Количество пикселов. Хотя точных рекомендаций в отношении этого показателя не существует, оператор должен убедиться в том, что в обучаю-щей выборке для каждого информационного класса содержится достаточ-но большое количество пикселов.

Размер области. Размер области следует выбирать так, чтобы соответствую-щая выборка содержала точную и надежную информацию об информацион-ном классе. Вместе с тем, размер области не должен быть слишком большим, поскольку в этом случае возрастает вероятность нежелательных вариаций.

Форма области. Хотя эта характеристика не относится к наиболее важ-ным, более регулярная форма эталонной области облегчает получение ин-формации из космических снимков.

Местоположение. Как правило, спектральные характеристики изо-бражения в пределах одного информационного класса изменяются очень незначительно. Это необходимо учитывать при выделении эталонных об-ластей. Желательно провести полевые наблюдения территории. Для опре-деления границ труднодоступных или горных эталонных областей можно воспользоваться аэрофотоснимками или картами.


Количество эталонных областей. Этот параметр зависит от числа рас-познаваемых объектов, их разнородности и тех ресурсов, которые исполь-зуются для определения границ эталонных областей. Как правило, для каждого класса формируют от пяти до десяти обучающих выборок. Этого бывает достаточно, чтобы учесть пространственную и спектральную измен-чивость свойств объектов внутри каждого класса. Формировать несколько выборок полезно еще и потому, что некоторые из них впоследствии могут быть исключены из рассмотрения. Замечено также, что лучше использо-вать большее число эталонных областей малого размера, чем небольшое число крупных эталонных областей.

Положение области на снимке. Не следует выбирать эталонную область вблизи границы информационного класса.

Однородность. Это — одна из важнейших характеристик обучающей выборки для любого информационного класса. Обучающая выборка долж-на содержать только однородную информацию. Если гистограмма соот-ветствующего выборке спектрального класса имеет только один пик, это может служить критерием того, что обучающая выборка сформирована правильно. Наличие нескольких пиков на гистограмме означает, что обу-чающая выборка содержит разнородную информацию и, следовательно, ее нельзя использовать для классификации объектов.

Формирование обучающей выборки. Каких-либо строгих и хорошо про-думанных рекомендаций в отношении процедуры формирования обучаю-щей выборки на сегодняшний день не существует. Тем не менее, можно перечислить основные этапы такой процедуры:

1. Сбор информации о территории, включая карты и аэрофотосним-ки, а также отчеты и другие материалы прошлых исследований.

2. Полевые наблюдения расположенных на территории объектов. В идеальном случае проведение полевых наблюдений должно про-водиться в день получения данных ДЗ. Если это невозможно, то космическая съемка и полевые наблюдения должны соответство-вать одному и тому же времени года.

3. Предварительная оценка качества снимков. 4. Определение эталонных областей, соответствующих легко идентифи-

цируемым объектам на снимках. Выделенные области можно срав-нить с соответствующими областями на картах и аэрофотоснимках.

5. Извлечение из данных ДЗ обучающих выборок, соответствующих выделенным эталонным областям.

6. Построение для каждого информационного класса частотной гисто-граммы для всех спектральных диапазонов. При наличии у гистограм-мы нескольких пиков необходимо идентифицировать эталонные обла-сти, которые вызывают этот эффект и исключить их из рассмотрения.

7. Вычисление статистических показателей для каждой выборки — минимального, максимального и среднего значения, стандартного отклонения и ковариационной матрицы.

8. Проверка возможности разделения информационных классов Выбор спектральных признаков. Следующий этап формирования об-

учающей выборки после расчета статистических показателей состоит


Рис. 6.11. Схематическое представление наложения информации из двух обучающих выборок [30]

в определении тех спектральных диапазонов, в которых данные лучше всего разделяются на информационные классы. Эту процедуру обычно называют выбором спектральных признаков. Ее цель состоит в том, что-бы исключить из анализа те спектральные диапазоны, в которых содер-жится дублирующая информация. В результате такой процедуры можно снизить размерность исходного набора данных и уменьшить вычисли-тельные затраты на их классификацию. Для определения возможности разделения выборочных данных на классы используют как статистиче-ские, так и графические методы анализа, при этом различные комбина-ции спектральных диапазонов ранжируются в зависимости от возмож-ности разделения классов.

Наиболее часто для решения этой задачи используют численные ста-тистические методы. При наличии перекрытия между гистограммами двух классов (рис. 6.11) его можно интерпретировать следующим образом:

1. Пиксел отнесен к классу, к которому он, в действительности, не принадлежит (ложная классификация).

2. Пиксел не отнесен к классу, к которому он должен принадлежать (пропуск классификации).

Если обучающая выборка имеет в каждом спектральном диапазоне нормальное распределение, как показано на рис. 6.11, то для определения оптимального набора спектральных диапазонов можно воспользоваться формулой расхождения.

Расхождение является статистической мерой разделимости классов, ко-торую широко используют при обработке данных ДЗ. Рассмотрим при-мер, в котором для контролируемой классификации необходимо выбрать q спектральных диапазонов из п. Количество различных комбинаций из q диапазонов определяется формулой:


Например, если оператор хочет выбрать три из шести диапазонов съемки сенсора Thematic Mapper, количество возможных комбинаций бу-дет равно

Если же для классификации будут использоваться только два диапазо-на, число возможных комбинаций сократится до 15.

Расхождение Divcd между двумя классами вычисляется по средним зна-чениям и ковариационным матрицам соответствующих обучающих выбо-рок согласно следующей формуле:

ВЫы =0,5Tr[(Fc -Vd)(V;1 -К;!)] + 0,5Тг[(Ке +Vd)(Mc -Md)(Mc-Md)T], (6.10)

где Тг обозначает след матрицы (т. е. сумму ее диагональных элементов), К и Vd — ковариационные матрицы, а Мс и Md — средние векторы для клас-сов с и d соответственно.

При наличии трех и более классов обычно используют среднее рас-хождение Divcp. Для расчета этой величины сначала вычисляют среднее расхождение для всех пар классов с и d при фиксированной комбинации диапазонов. Затем эту операцию повторяют для всех возможных комбина-ций диапазонов. Комбинация, для которой значение среднего расхождения является максимальным, выбирается для классификации. Математически среднее расхождение выражается следующей формулой:

К сожалению, если рассматривать расхождение Divcp как функцию рас-стояния между классами, ее значения нигде не выходят на плато и поэтому очень сложно установить четкий критерий хорошего разделения классов. Поэтому Кумар и Сильва [44] предложили использовать в качестве меры разделимости классов модифицированный показатель расхождения, зада-ваемый следующей формулой:

При увеличении расстояния между классами эта функция экспонен-циально затухает. Кроме того, все ее значения лежат в ограниченном диа-пазоне от 0 до 2000. Значение 2000 соответствует идеальной разделимости классов, значение 1900 — хорошей, а значение 1700 — низкой.

Существуют и другие методы выбора спектральных признаков для классификации, основанные на различных критериях разделимости классов. В частности, в качестве такого критерия используют расстояние

(6.11)

(6.12)


Бхатачария, которое определяется следующим образом. Пусть даны два гауссовых распределения (класса) с и d и известны их средние векторы Af и Md и ковариационные матрицы Vc и Vd. Тогда расстояние Бхатачария определяется как

Bhatcd =\(МС- - Md) + 1 In det[(Kc +Vd) / 2]

. (6.13)

Предположим, что решается задача выбора q спектральных при-знаков из п для последующей классификации объектов на т классов. В этом случае вычисляют сумму расстояний Бхатачария для т(т — 1)/2 пар классов при всех возможных комбинациях q из п. В результате вы-бираются те q комбинаций, для которых эта сумма имеет максимальное значение.

Выбор алгоритма классификации

Для распределения пикселов снимка по классам можно использовать разные методы, причем выбор того или иного классифицирующего пра-вила зависит от типа исходных данных и решаемой задачи. Все методы классификации можно разделить на параметрические и непараметриче-ские. При использовании параметрических методов предполагается, что векторные данные Хс, полученные на этапе обучения для каждого класса и каждого спектрального диапазона, имеют нормальное распределение. При использовании непараметрических методов такого предположения не требуется. Полезно рассмотреть несколько различных алгоритмов классификации, среди которых чаще всего используют алгоритм наи-меньшего расстояния, алгоритм параллелепипеда и алгоритм макси-мального правдоподобия.

Алгоритм классификации на основе определения наименьшего расстояния

Этот алгоритм является одним из самых простых и наиболее часто ис-пользуемых. Входными данными служат средние векторы, полученные на этапе обучения для каждого класса и каждого спектрального диапазона. Для каждого значения яркости пиксела (BV^), не относящегося к обучаю-щей выборке, вычисляется эвклидово расстояние D до среднего вектора \лск в соответствии с формулой:

D = ^(ВГт-11скУ+(ВУ01-цс1У . (6.14)

Пиксел приписывается тому классу, для которого это расстояние ока-зывается наименьшим. Интересно отметить, что точность классификации этим методом сравнима с той точностью, которую обеспечивают более сложные вычислительные алгоритмы, в частности алгоритм максимально-го правдоподобия.

5 3170


Алгоритм параллелепипеда

Этот алгоритм классификации основан на обычной булевой логике и ста-тистических показателях обучающей выборки в п спектральных диапазо-нах. Сначала для каждого класса с и диапазона к вычисляется среднее зна-чение яркости в обучающей выборке \ick и аск.

После этого для классификации пикселов снимка применяют следую-щее правило. Пиксел принадлежит классу с тогда и только тогда, когда его яркость BVijk удовлетворяет следующему условию:

B V ^ ^ + o ^ (6.15)

где с = 1,2, 3, ... т обозначает класс, а к = 1,2, 3, ... т — спектральный диапазон.

Если обозначить нижнюю и верхнюю границу этого неравенства как

Lck = " ( 6 Л 6 )

и

Нск = + оск, (6.17)

то условие (6.15) запишется в виде:

^ В \ и к < н с к . (6.18)

Множество точек, подчиняющихся этому условию, образует параллеле-пипед в л-мерном пространстве спектральных признаков. Если значения яркости пиксела лежат внутри этого параллелепипеда, пиксел приписы-вается данному классу. В противном случае пиксел относят к категории неклассифицируемых.

Алгоритм максимального правдоподобия

В рассмотренных методах классификации не учитывались возможные вариации спектральных признаков и проблемы, возникающие из-за пересечения классов. Последние часто возникают в тех случаях, когда требуется классифицировать пикселы, близкие по своим спектральным характеристикам.

В методе максимального правдоподобия пиксел приписывается к тому классу, который максимизирует функцию правдоподобия классификации. Данные из обучающей выборки используются для вычисления среднего вектора измерений Мс и ковариационной матрицы К для каждого класса с и спектрального диапазона к.

Критерий принадлежности пиксела к определенному классу формули-руется следующим образом. Пиксел х принадлежит классу с в том и только в том случае, если


рс >pi9 i=l, 2...Ш,

где т — число классов, вероятность рс определяется формулой

рс = [-0,5 log {det (V)}] - 0,5[(X-Mc)T(V)-4X-Mc)],

a pi обозначает вероятность того, что данный класс существует. Если нет дополнительных сведений о пространственных объектах, ве-

роятность р для всех классов будет одинаковой. Если же известно, что ве-роятность существования одних классов больше, чем других, оператор мо-жет задать набор априорных значений вероятности для соответствующих спектральных признаков. Критерий принадлежности пиксела к определен-ному классу, при этом, будет формулироваться следующим образом.

Пиксел х принадлежит классу с в том и только в том случае, если

РМ) >Pi(a)> i=1> 2 -т>

где

рс(а) = log (а) - [-0,5 log {det (V)}] - 0,5[(X-M/(V)"4X-Mc)]. (6.20)

Использование априорных вероятностей позволяет учитывать особенно-сти рельефа и других характеристик территории. В то же время, к недостаткам алгоритма максимального правдоподобия следует отнести то, что для расчетов этим методом требуются большой объем памяти и значительное время, при этом результаты классификации часто оказываются не самым лучшим [30].

Методы неконтролируемой классификации

При использовании методов неконтролируемой классификации от опе-ратора практически не требуется вводить каких-либо входных данных. Все операции выполняются автоматически, при этом программа анализи-рует пространство спектральных параметров и на основании определенных критериев разделяет пикселы на классы, рассчитывая для каждого из них средние значения признаков и ковариационные матрицы. После того как все данные распределены по спектральным классам, оператор старается со-поставить их с известными информационными классами пространствен-ных объектов. Эта задача зачастую оказывается весьма непростой. Некото-рые спектральные классы (кластеры) могут не соответствовать каким-либо классам пространственных объектов или соответствовать сразу нескольким из них. Указанная неоднозначность может быть устранена только операто-ром на основе дополнительной информации о спектральных характеристи-ках изучаемых объектов. Алгоритмы кластерного анализа, применяемые для неконтролируемой классификации данных ДЗ, различаются, прежде всего, своей эффективностью. Для того чтобы пояснить основные прин-ципы кластерного анализа, рассмотрим пример очень простого, хотя и не всегда эффективного, алгоритма, который называется CLUSTER.


Алгоритм реализован в виде двух последовательных этапов: на первом эта-пе выделяются кластеры, а на втором каждый пиксел данных относится к тому или иному кластеру (классу) в соответствии с критерием минимального рас-стояния. Рассмотрим каждый из этапов этого алгоритма более подробно.

Этап 1. Выделение кластеров Для выполнения этого этапа от оператора могут потребоваться следую-

щие данные: 1. R — радиус кластера. 2. С — пороговое расстояние, при котором два кластера объединяются. 3. N — количество анализируемых пикселов. 4. Стах — максимально допустимое количество кластеров, которое мо-

жет быть выделено в результате анализа. Процесс анализа начинается с того, что в качестве центра первого кла-

стера выбирается первый пиксел снимка. Затем в пространстве спектраль-ных признаков вычисляется расстояние между этой точкой и вторым пик-селом. Если это расстояние меньше или равно R, пиксел присваивается классу 1, а новый центр класса определяют, рассчитывая среднее значение по двум пикселам. Если же расстояние между пикселами больше R, тот но-вый пиксел становится центром класса 2. После этого все перечисленные действия повторяются для всех пикселов вплоть до 7V, при этом проверяет-ся их принадлежность ко всем ранее выделенным классам.

Следующий шаг состоит в проверке разделимости выделенных классов. На этом этапе рассматриваются расстояния между центрами классов, кото-рые не должны быть меньше заданного значения С. Если расстояние между двумя центрами кластеров меньше С, они объединяются, а центр нового кластера вычисляется как взвешенное среднее центров исходных кластеров. После проверки разделимости процесс выделения кластеров возобновляется. Интересно заметить, что в дальнейшем центры кластеров стремятся вернуть-ся в свои исходные положения. Процесс построения кластеров продолжается до тех пор, пока не будет достигнуто максимально допустимое количество кластеров (Стах) или пока не будет проанализирован последний пиксел сним-ка. В заключение еще раз выполняется проверка разделимости кластеров.

Этап 2. Классификация пикселов снимка После выделения центров кластеров каждый пиксел снимка присваивается

одному из выделенных классов в соответствии с критерием минимального рас-стояния. Затем наступает очередь оператора. Поскольку выделение кластеров и классификация пикселов выполнялись в пространстве спектральных при-знаков, оператор должен сопоставить спектральные классы информационным. Однако может оказаться, что для получения одного информационного класса необходимо объединить два или даже более спектральных классов. При этом размер результирующего кластера может оказаться слишком большим и по-требуется разделить этот кластер на два. К сожалению, в алгоритме CLUSTER предусмотрена возможность объединения кластеров, но не их разделения.

Обе эти возможности присутствуют в другом алгоритме, который назы-вается ISODATA (Iterative self Organizing Data Analysis Technique А). Еще одной особенностью этого алгоритма является то, что в нем операции выделения центров кластеров и классификации пикселов изображения не разделены


на два этапа, а выполняются одновременно. Недостатком этого алгоритма является то, что для его использования требуются большие вычислитель-ные ресурсы и очень высокая квалификация оператора. Подробное опи-сание этого алгоритма приведено в работе Харалика и Фу [34]. Помимо перечисленных используют также ряд других алгоритмов классификации, в частности АМЕОВА и FORGY. Поскольку эти алгоритмы схожи с уже рассмотренными, они в этой книге не обсуждаются.

Оценка точности классификации

Классификацию данных дистанционного зондирования нельзя считать за-вершенной, пока не получена оценка ее точности. Оператор должен опре-делить, насколько точно классы объектов на снимке соответствуют клас-сам объектов на земной поверхности. В области обработки изображений термин точность означает меру согласованности стандартной информации в некоторой пространственной точке с информацией в соответствующей точке классифицированного снимка. Обычно проверка точности класси-фикации основана на сравнении двух карт — той, которая получена в ре-зультате анализа данных ДЗ, и второй, контрольной карты. Для построения контрольной карты обычно используют несколько источников данных, поэтому она считается более точной. Обычно на контрольной карте на-несено несколько отдельных участков земной поверхности, для каждого из которых используется отдельное условное обозначение.

Простейшим методом определения точности классификации является срав-нение тех участков двух карт, которые относятся к выделенным классам объек-тов. Результатом является отчет, в котором указывается общая точность класси-фикации для всей карты или точность классификации отдельных ее участков.

Оценку общей точности классификации формулируют в единицах пло-щади объектов каждого класса, не обращая внимания на несовпадение объектов в отдельных точках сравниваемых карт. При оценке точности классификации определенного участка карты расхождение между классами объектов анализируется более подробно.

При использовании метода контролируемой классификации, наибо-лее простой способ оценки ее точности состоит в сравнении классифици-рованных данных с обучающей выборкой. Однако этот способ приводит к завышенным оценкам точности. Строго говоря, если предположить, что обучающие выборки были сформированы безошибочно, то результирую-щая точность должна составлять 100%. По этой причине, гораздо более на-дежный способ оценки точности классификации заключается в том, чтобы выбрать данные, относящиеся к известному объекту, разделить эти данные на две части, а затем использовать одну из них в качестве обучающей вы-борки, а вторую — для оценки точности классификации.

Матрица ошибок

Стандартной формой представления оценки точности классификации для определенного местоположения является матрица ошибок, которая харак-


теризует не только погрешность классификации для каждого класса, но и ошибки, связанные с неверной классификацией. Матрица ошибок состоит из п столбцов и п строк, где п — количество классов объектов на контроль-ной карте. Строки матрицы — это истинные классы, представленные на кон-трольной карте, а столбцы — классы, выделенные на анализируемой карте. Схематичное представление матрицы ошибок показано на рис. 6.12, а при-мер действительной матрицы приведен в табл. 6.7. В последнем столбце пред-ставлено количество точек в каждом информационном классе контрольной карты, а в последней строке матрицы — количество точек соответствующих классов на анализируемой карте. Диагональные элементы матрицы — это ко-личество точек, принадлежащих одинаковым классам на обеих картах. Зна-чение в нижнем правом углу таблицы представляет собой сумму диагональ-ных элементов, то есть общее количество правильно классифицированных пикселов. Информация о ложной классификации или пропусках классифи-кации содержится в недиагональных элементах матрицы.

В табл. 6.7 для оценки точности классификации использовали данные, принадлежащие пяти информационным классам. Из 4421-го пиксела 4081 были идентифицированы правильно. Таким образом, общая точность клас-сификации (jf) составила 92,3%. В предположении биномиального распре-деления для этой оценки можно сформулировать односторонний критерий значимости с помощью следующей формулы:

р = р - 1,645 ; 1(р)(9) , 50" V п п

(6.21)

Здесь р — общая точность классификации, соответствующая довери-тельному уровню 95%, р — общая точность классификации, q = 100—р\ п — размер выборки.

Если р больше некоторого заданного порогового значения, класси-фикацию можно принять с уровнем значимости 95%. Обычно в каче-стве порогового значения берется 85%. Поскольку в данном примере значение р равно 91,6%, результаты классификации следует признать удовлетворительными.

Класс Классифицируемый снимок Всего Класс Город | Посевы Пастбище Водоем Лес Пустошь Всего

s Город •НВННШв

1 Посевы м 2 и Пастбище ШШШШт 1

I Водоем 1 1 Лес I Е Пустошь & £ Всего

Граница столбцов Строки характеризуют пропуски классификации, столбцы - ошибки, связанные с ложной классификацией. Правильно определенные пикселы. Общая сумма правильно определенных пикселов.

Рис. 6.12. Схематическое представление матрицы ошибок [11]


Табл. 6.7. Пример матрицы ошибок классификации [30]

Фактический класс

Расчетный класс Фактический

класс Вереск Водоем Лес 1 Лес 2 Обна-

женная почва

Паст-бище Всего

Вереск 826 0 0 5 27 0 858 Водоем 0 878 0 0 0 0 878 Лес 1 0 0 720 183 0 7 910 Лес 2 33 0 21 878 2 0 934 Открытая почва 61 0 0 0 560 0 621 Пастбище 0 0 0 1 0 219 220 Всего 920 878 741 1067 589 226 4081

Как уже отмечалось, недиагональные элементы матрицы содержат ин-формацию о ложной классификации и пропусках классификации. Пропуски классификации представлены для каждого класса элементами справа от диа-гонали. Для получения оценки пропусков для каждого класса суммируют значения в соответствующей строке, а затем делят полученное значение на общее количество пикселов в данном классе. В рассматриваемом примере было пропущено 32 пиксела, которые принадлежат классу «вересковая пу-стошь». Из них 27 пикселов было приписано классу «почва», а 5 — классу «лес 2». Таким образом, ошибка пропуска классификации составила 3,7%. Аналогичным образом, для оценки ложной классификации вычисляют сум-му недиагональных элементов в столбце класса, а затем делят на общее чис-ло пикселов в данном классе. Так, в классе «вересковая пустошь» оказалось 94 лишних пиксела, из которых 61 пиксел в действительности принадлежал классу «почва», а 33 — классу «лес 2». В результате величина ошибки ложной классификации составила 10,2%. Ошибки пропусков классификации и лож-ной классификации для всех классов представлены в табл. 6.8.

Рассмотренный ранее критерий значимости характеризует оценку точ-ности классификации для всей карты. Полезно также сформулировать критерий значимости классификации для каждого отдельного класса. Дву-сторонний критерий значимости, соответствующий доверительному уров-ню 95% для каждого класса, можно сформулировать с помощью формулы, определяющей границы доверительного интервала:

Р = Р ± п п (6.22)

Доверительные интервалы оценок пропусков и ложной классификации в рассматриваемом примере представлены в табл. 6.9.

Используя значение 85% в качестве порогового, мы видим, что класс «лес 1» не удовлетворяет сформулированному критерию, поскольку гра-ничные значения доверительного интервала меньше 85%. Анализируя ана-логичным образом ошибки ложной классификации, легко показать, что


Табл. 6.8. Ошибки, связанные с ложной классификации и пропусками классификации [30]

Класс

Пропуск Ложная классификация

Класс Пропу-щенные пикселы

Общее кол-во

пикселов Процент ошибок

Ложная класси-фикация

Общее количество пикселов

Процент ошибок

Вереск 32 858 3,7 94 920 10,2 Водоем 0 878 0 0 878 0 Лес 1 190 910 20.9 21 741 2,8 Лес 2 56 934 6,0 189 1067 17,7 Обнажен-ная почва 61 621 9,8 29 589 4,9

Пастбище 1 220 0,5 07 226 3,1

данному критерию не удовлетворяет класс «лес 2». Это видно и из табл. 6.7. Действительно, в класс «лес 1» не попали 183 пиксела, которые были при-писаны классу «лес 2». Таким образом, хотя общая точность классифика-ции оказалась удовлетворительной, обучающие выборки классов «лес 1» и «лес 2» не содержали в себе достаточно информации для правильного распределения пикселов по этим классам.

Из рассмотренного примера видно, что оценка точности классифика-ции во многом зависит от того, как сформированы обучающие выборки. Для того чтобы учесть возможность случайных совпадений и оценить ис-тинную согласованность между снимком и картой, используют коэффици-ент каппа (к), который рассчитывается по следующей формуле:

Наблюдаемая величина - Случайные совпадения к = — : — • (0.23) 1 - Случайные совпадения

Табл. 6.9. Доверительные интервалы для пропусков и ложной классифика-ции [30]

Класс

Пропуски Ложная классификация

Класс Правиль-ная клас-сификация

п % по-пада-ний

95% дове-рительный интервал

п % по-пада-ний

95% дове-рительный интервал

Вереск 826 858 96,3 95,0-97,6 920 89,8 87,8-91,8 Водоем 878 878 100,0 99,4-100,0 878 100,0 99,4-100,0 Лес 1 720 910 79,1 76,4-81,8 741 97,2 95,9-98,5 Лес 2 878 934 94,0 92,4-95,6 1067 82,3 80,0-84,6 Открытые почвы 560 621 90,2 87,8-92,6 589 95,1 93,3-96,7

Пастбища 219 220 99,5 98,3-100,0 226 96,9 94,4-99,1


Табл. 6.10. Пример вычисления коэффициента к

789360 753324 635778 915486 505362 193908 858

807760 770884 650598 936826 517142 198428 878

837200 798980 674310 970970 535990 205660 910

859280 820052 692094 996578 550126 211084 934

571320 545238 460161 662607 365769 140346 621

202400 193160 163020 234740 129580 49720 220

920 878 741 1007 589 226

Здесь наблюдаемая величина — это общая точность классификации, а случайные совпадения — оценка согласованности между снимком и кар-той при случайном распределении пикселов по классам. Для получения этой оценки рассматривают матрицу, элементы которой являются произ-ведениями общего числа пикселов в соответствующих строках и столбцах матрицы ошибок. Пример такой матрицы, рассчитанной на основе данных из табл. 6.7, приведен в табл. 6.10.

Далее рассчитываются следующие величины: Сумма диагональных элементов = 3 046 621. Сумма всех элементов = 28 866 023.

^ - Сумма диагональных элементов Л t ^ Случайные совпадения = —— = 0,126* Сумма всех элементов

Значение к = 0,904 означает, что полученная ранее точность классифи-кации на 90% превышает ту, которая была бы при случайном распределе-нии пикселов по классам.

Помимо рассмотренных выше оценок точности было предложено также множество других, список которых представлен в табл. 6.11.

Табл. 6.11. Оценки точности классификации

Критерий Обозна-чение

Описание Формула Ссылка

Общая точность

OA Процент правильно классифицированных пикселов

1 4

мЪ""

Стори и Кон-гейлтон (1986)

Точность по строке

UA Оценка точности клас-сификации отдельного класса на основе суммы числа пикселов в строке

",/Ni

Стори и Кон-гейлтон (1986)


Табл. 6.11. Оценки точности классификации (продолжение)

Критерий Обозна-чение

Описание Формула Ссылка

Точность по столб-цу

РА Оценка точности клас-сификации отдельного класса на основе суммы числа пикселов в строке

п„/М, Стори и Кон-

гейлтон (1986)

Средняя точность

ААИ Среднее значение точно-сти по всем строкам I f »«

l & N ,

Фунг и Ледру [29]

Средняя точность

А А , Среднее значение точно-сти по всем столбцам I f пи

я & м ,


Комбини-рованная точность

САИ Среднее арифметическое из общей точности и сред-ней точности по строкам

^[ОА + ААр] Фунг и Ледру

[29] Комбини-рованная точность

С А , Среднее арифметическое из общей точности и сред-ней точности по столбцам

OA + AAJ


Каппа к Оценка классификации после исключения слу-чайных совпадений

Ро-Р.

1 - Р .

Конгейлтон и соавт. (1983)

«Взве-шенная каппа»

к* Взвешенная оценка несо-гласованности классифи-кации после исключения случайных совпадений

У V Р 1 Z-i v ои

Y v P

Розенфельд и Фитцпатрик—

Линз [72]

«Условная каппа»

Условный коэффициент каппа, рассчитанный по /-му столбцу матрицы ошибок

Р - Р ro{+i) re(i+1)

1 - Р 1 Ге(+0

Фунг (1992), Ма и Редмонд

[46]

Тау т. Коэффициент тау класси-фикации, рассчитанный на основе равной вероят-ности отнесения пиксела к тому или иному классу

Ч i - i

Я


[46]

Тау

т , Коэффициент тау класси-фикации, рассчитанный на основе разных вероят-ностей отнесения пиксела к тому или иному классу

Ро-Рг

1 -Рг


[46]

«Условная тау»

Т,+ Условный коэффициент тау, рассчитанный по /-й строке

р - Р o(i+) ri Нассет [58] «Условная

тау»

Т+, Условный коэффициент тау, рассчитанный по /-му столбцу

Р _ р о(+/) ri 1 - р ,

Нассет [58]

ГЛАВА 7

ПРИМЕНЕНИЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ


Широкое применение данных космической съемки, которое началось с за-пуска спутника Landsat 1 в 1972 году, открыло новые перспективы для мо-ниторинга состояния природных ресурсов и их использования. В результате развития методов дистанционного зондирования существенно упростился процесс картографирования земельных и водных ресурсов, почв, лесов, сельскохозяйственных посевов и городской инфраструктуры, оценки уро-жая и многое другое. Космические снимки используют для эффективного принятия решений с помощью географических информационных систем. При этом для дешифрирования объектов применяют как визуальные (гл. 5), так и численные (гл. 6) методы анализа снимков.

В этой главе рассматриваются некоторые наиболее важные области применения данных ДЗ и приводятся примеры, помогающие понять осо-бенности используемых методик при различных видах исследований. Сле-дует отметить, что визуальные методы дешифрирования не менее важны, чем численные. На практике успех применения численных методов в зна-чительной степени зависит от навыков визуального дешифрирования, ко-торыми обладает исследователь.

Для того чтобы читатели смогли лучше представить себе технологию применения данных ДЗ, ниже приводятся примеры их использования в различных областях:

1. Землепользование и картографирование земельных ресурсов. 2. Исследования роста городов. 3. Сельское хозяйство. 4. Картографирование грунтовых вод. 5. Борьба с наводнениями. 6. Гидроморфологические исследования. 7. Картографирование пустующих земель. 8. Региональное планирование. 9. Борьба с природными катастрофами.

140 Глава 7. Применение данных дистанционного зондирования

7.2. Землепользование и картографирование земельных ресурсов

Земля является важнейшим природным ресурсом, составляющим основу экономического развития общества. Успех любого планирования в этой области зависит от наличия подробной и точной информации как о самих земельных ресурсах, так и об их использовании. Работы по составлению соответствующих карт должны вестись систематически и быть хорошо структурированы, для чего необходимо, прежде всего, определить классы земельных ресурсов. Это можно сделать с помощью классификатора Гео-логической службы США (USGS), классификатора Cowardin Wetland или собственного классификатора. В качестве примера рассмотрим исследо-вание земельных ресурсов и их использования, которое проводилось для части индийского округа Харидвар площадью около 260 км2 в границах между 78°07'13" и 78° 1644" в. д. и 30° и 30в08'53и с. ш. Данная область ха-рактеризуется различными видами растительности, в том числе лесной, наличием водоемов и территорий застройки, а также песчаными почва-ми. Для дешифрирования использовали снимки IRS-1C LISS-III (ил. 7.1) и PAN (ил. 7.2), полученные 3 апреля 2000 года. Общая схема анализа данных показана на рис. 7.1. По результатам полевых исследований было выделено 11 классов: 1) редкий лес, 2) умеренный лес, 3) густой лес, 4) за-лежная земля, 5) кустарник, 6) пустующая земля, 7) мелкие водоемы, 8) влажный песчаник, 9) сухой песчаник, 10) область застройки, 11) глу-бокие водоемы.

Обучающая выборка была сформирована с помощью программы ER-DAS Imagine (ил. 7.3). По результатам статистических расчетов для этой выборки среднее расхождение составило 1999, что указывает на хорошее разделение всех выделенных классов в спектральной области. Для клас-

Рис. 7.1. Общая схема анализа данных дистанционного зондирования [70]

7.3. Сельское хозяйство 141

сификации снимков использовали критерий минимального расстояния и критерий максимального правдоподобия. Результаты показаны на ил. 7.4 и 7.5. Общая точность классификации составила 90% для кри-терия минимального расстояния и 94% для критерия максимального правдоподобия при значениях коэффициента каппа 0,89 и 0,94 соот-ветственно.

7.3. Сельское хозяйство

Типичные сельскохозяйственные культуры отличаются сильным поглоще-нием в видимой части спектра (от 0,4 до 0,7 мкм), высокой отражательной способностью в ближнем инфракрасном диапазоне и характерными окна-ми поглощения на длинах волн 1,45, 1,95 и 2,6 мкм. Спектральные харак-теристики листового полога зависят от его структуры и других факторов — например, от листовой поверхности, плотности посевов, стадии роста, климатических условий и т. п. Важны также тип почвы и ее влажность. Различные виды растительности отличаются строением, вегетационным периодом и другими характеристиками, которые по-разному проявляются на космических снимках. Некоторые из этих характеристик используются для оценки посевных площадей, прогноза урожая и определения состояния растительности. В частности, хорошим индикатором зрелости сельскохо-зяйственных культур является отношение спектральных яркостей в ближ-нем инфракрасном и красном диапазонах.

Оценка площадей, занятых сельскохозяйственными культурами

Определение областей, занятых различными сельскохозяйственными культурами основывается на количественном анализе мельчайших разли-чий в их спектральных характеристиках. Как правило, для такого анализа используют численные методы, а оценку площади посевов или насажде-ний проводят в несколько этапов. Сначала, используя данные полевых наблюдений, на снимке выделяют области, занятые известными сельско-хозяйственными культурами. Затем для каждой области определяют ее спектральный эталон и проводят классификацию снимка на основе обу-чающих выборок.

При анализе данных на окружном уровне предварительно цифруют границу округа, а затем выделяют на снимках те пикселы, которые при-надлежат выделенной области. Далее проводят контролируемую класси-фикацию объектов с использованием критерия максимального правдопо-добия. Описанная процедура успешно применялась для оценки площадей, занятых пшеницей, рисом, сорго, масличными культурами и хлопком в различных округах Индии. Аналогичная методика использовалась и для индийской шелковицы.

При исследовании большей территории (например, штата) необходимо обрабатывать существенно больший объем данных и проводить гораздо больше полевых исследований. В этом случае становится довольно сложно


Рис. 7.2. Процедура оценки посевных площадей с использованием метода разделения территории [60]

проанализировать весь объем информации за то короткое время, которое отводится для получения оценок в предуборочный период. Для решения этой проблемы используются различные выборочные методы (рис. 7.2). Суть этих методов заключается в том, что вся изучаемая территория разделяется в зависимости от агротехнических и агроклиматических условий на одно-родные области, каждая из которых делится, в свою очередь, на участки размером 10 х 10 км. Для сильно неоднородных областей используют более мелкое разделение на участки размером 7,5 х 7,5 или 5 x 5 км. Необходи-мость дальнейшего разделения зависит от того, какую площадь на данном участке занимают сельскохозяйственные культуры: больше или меньше 50%. В результате описанной процедуры удается существенно уменьшить объем обрабатываемых данных. Как правило, для анализа используется не более 10% выделенных участков. Следует также отметить, что для разде-ления второго уровня иногда используют сезонную информацию, которую получают с помощью визуального дешифрирования или путем обработки цифровых данных, являющихся результатом деления интенсивностей сиг-налов в красном и инфракрасном диапазонах спектра. На завершающем этапе результаты анализа для различных участков объединяют с помощью специальных статистических алгоритмов.


Прогноз урожая

Урожай зависит от множества факторов, таких как генотип сельскохо-зяйственной культуры, свойства почвы, условия полива, используемые удобрения, погодные условия, воздействие сельскохозяйственных вреди-телей и т. д. Влияние всех этих факторов на сельскохозяйственную куль-туру проявляется в ее спектральных характеристиках. С точки зрения прогноза урожая все данные дистанционного зондирования можно раз-делить на две группы: 1) данные или рассчитанные по ним характери-стики, которые непосредственно связаны с урожаем, 2) косвенные дан-ные, по которым оцениваются биометрические параметры, используемые для расчета урожая.

Динамику развития растительного полога можно оценить по одному из спектральных индексов (отношение БИК/красный, «зеленый цвет», NDVI). Типичный вид профиля изменения показателя «зеленый цвет» во времени показан на рис. 7.3. Интересно, что такое поведение временного профиля будет наблюдаться и для любого другого спектрального индекса, полученного по результатам измерений в красном и ближнем инфракрас-ном диапазонах.

Здесь G(/) — значение спектрального индекса через / дней после окон-чания посевной, G0 — интенсивность «зеленого цвета» почвы, t0 — дата проявления спектральных характеристик растительности, а н р — коэффи-циенты вызревания и увядания растительности, которые могут зависеть от ряда факторов, влияющих на конечный урожай.

Для определения корреляционной зависимости между урожаем и спек-тральным индексом используют данные космической съемки в период наи-большего развития растительного покрова, а также различные параметры

G(t) = / 'о)° е хР W - п Р и ' >

п р и / < V (7.1)

7.0 « g 6.0

Отношение = 1,23(// 343)329* е-°°00091',-<343>21

300 340 15 55 95 Юлианский день (t)

Рис. 7.3. Типичный временной профиль пшеницы (Source: Kauth and Thomas, 1976)


Рис. 7.4. Этапы обработки и анализа данных ДЗ для прогноза урожая [60]

профиля. При этом различают два подхода: 1) на основе отдельных измере-ний и 2) на основе измерения полного временного профиля.

Использование отдельных измерений. Этапы обработки и анализа дан-ных при этом подходе показаны на рис. 7.4. При создании математиче-ской модели для оценки урожая необходимо внести ряд поправок, среди которых наиболее важными являются: 1) поправки на разные даты сбора информации (рассчитываются с помощью временного профиля, рис. 7.3) и 2) поправочные коэффициенты для спектральной яркости в зависимо-сти от используемого сенсора (рис. 7.5). Регрессионная зависимость между урожаем и спектральными характеристиками определяется на основе исто-рических данных.

Использование временного профиля. Хотя этот подход позволяет получить полную информацию о развитии растительного полога, его иногда сложно использовать из-за технических ограничений. Так, периоды повторяемости съемки со спутников Landsat и IRS, которые составляют, соответственно 16 и 22 дня, не обеспечивают временного разрешения, необходимого для построения профиля интенсивности, а пространственное разрешение дан-ных, полученных с помощью систем NOAA-AVHRR, является слишком грубым, чтобы различить различные типы растительности [20].


8 6

2 3 4 5 6 7 8 2 3 4 5 6 7 8

Яркость по данным IRS, канал 3 (ВЗ) Яркость по данным IRS 5, канал 3 (ВЗ)

Рис. 7.5. Спектральная яркость различных объектов на земной поверхности [80]

Оценка состояния сельскохозяйственных культур

Состояние растительности зависит от множества различных факторов, включая орошение, использование минеральных удобрений, воздействие сельскохозяйственных вредителей и погодные условия. Все эти факторы приводят к физиологическим изменениям, которые проявляются в опти-ческих свойствах листвы и геометрии листового полога. Таким образом, процесс определения состояния сельскохозяйственных культур состоит из ряда последовательных этапов: 1) определение неблагоприятных факторов, 2) разделение культур, которые в одно и то же время находятся в нормаль-ных и неблагоприятных условиях, 3) вычисление количественных харак-теристик распространенности и степени выраженности неблагоприятного фактора, 4) оценка снижения продуктивности. Как правило, для оценки состояния растительности используют данные многозональной спутнико-вой съемки. При этом исследуемую область разделяют на ячейки нужного размера и проводят независимый анализ данных в каждой ячейке. В каче-стве примера на рис. 7.6 приведены этапы определения состояния хлоп-чатника по результатам расчета вегетационного индекса во всех ячейках выборки. Заметим, что в качестве вегетационного индекса здесь можно использовать признак «зеленый цвет» в системе координат преобразования «колпак с кисточкой», отношение интенсивностей в ближнем инфракрас-ном и красном диапазонах спектра или нормализованный разностный ве-гетационный индекс (NDVI). Значение показателя «зеленый цвет» опреде-ляется следующей формулой:

«Зеленый цвет» = -0,172 В] - 0,1219 В2 - 0,4341 Въ + 0,8861 Я4, (7.2)

где Вх, В2, Въ И 5 4 - числовые значения, полученные по четырем каналам съемочной системы IRS LISS-II.

По результатам расчета вегетационного индекса для каждого пиксела ячейки вычисляется общий вегетационный индекс (Vegetation Index Number, VIN) для разных дат, после чего в базе данных сохраняется временной про-филь этого индекса, который можно использовать, например, для анализа существующих тенденций.


Рис. 7.6. Определение состояния сельскохозяйственных культур по данным ДЗ [60]

7.4. Картографирование грунтовых вод

Вода является уникальным природным ресурсом, от которого зависит само существование жизни на Земле. Однако распределение этого ресурса яв-ляется крайне неравномерным. Около 97,41% всех водных запасов Зем-ли составляет соленая морская вода океанов. Оставшиеся 2,59% распре-делены между ледниками (1,953%), грунтовыми водами (0,614%), озерами (0,008%), влажными почвами (0,005%), реками, атмосферой, флорой и фау-ной (0,0005%). Таким образом, человек и другие живые существа могут на-прямую использовать только 0,014% всех запасов воды на Земле, то есть ту часть, которая содержится в озерах, реках, почве, атмосфере, флоре и фау-не [93]. Недостаток воды, который наблюдается во многих местах из-за ее неравномерного распределения, можно восполнить двумя способами: 1) подводя или транспортируя воду из озер, рек и водохранилищ или 2) ис-пользуя запасы грунтовых вод — широко распространенного природного источника, который возобновляется почти регулярно в результате выпаде-ния атмосферных осадков.

Распределение грунтовых вод на Земле не является случайным и опре-деляется определенными климатическими, геологическими, гидрологи-ческими, физиографическими и экологическими факторами. Так, запа-

7.4. Картографирование грунтовых вод 147

сы грунтовой воды в Индии в основном приурочены к геологическим породам трех типов:

1. Неконсолидированные. 2. Полуконсолидированные. 3. Консолидированные. Поиск источников грунтовых вод ограничивается наиболее перспек-

тивными областями с наибольшей пористостью и проницаемостью пород. Пористость горной породы определяет потенциальное количество запасов воды, а проницаемость характеризует способность воды проходить через поры и трещины, то есть является показателем того, насколько воду будет легко извлечь.

Дистанционное зондирование позволяет быстро получать информацию о тех факторах (относящихся к геологии, геоморфологии, растительно-сти, почвенному покрову и т. д.), которые указывают на наличие запасов грунтовой воды и дают возможность оценить их динамику. В результате систематического мониторинга указанных факторов на данной террито-рии выделяют перспективные зоны, которые затем изучают более подроб-но с помощью наземных гидрогеологических и геофизических методов. На заключительном этапе для количественной оценки запасов воды про-водят бурение.

Как показала практика, спутниковые данные являются чрезвычайно полезным источником информации для распознавания геологических раз-ломов и зон трещиноватости, которые, как правило, являются областями скопления воды в скальных породах, а также определенных геоморфологи-ческих структур, например аллювиальных конусов, в которых очень часто содержатся водоносные пласты. При распознавании последних большое внимание уделяется родникам, зонам просачивания грунтовых вод на по-верхность и местам произрастания фреатофитов, то есть тем признакам, которые указывают на приповерхностное залегание грунтовых вод. Также важным является выделение тех видов растительности, по которым мож-но достаточно точно оценить глубину водоносного горизонта и соленость воды. Кроме того, для оценки состояния грунтовых вод необходимо про-водить мониторинг тех водных систем, которые находятся под влиянием неблагоприятных условий.

С помощью данных космической съемки со спутников Landsat была составлена карта потенциальных запасов грунтовых вод для горных областей Индии. В основу была положена геоморфологическая ин-формация, но использовались и другие тематические данные, которые в некоторых случаях позволяли уточнить местоположение и состояние грунтовых вод.

Широкую известность получили результаты анализа данных IRS-1A в рамках Национальной программы по определению запасов питьевой воды (National Drinking Water Mission, NDWM), которая была иницииро-вана Правительством Индии в 1986 году. Основная цель этой програм-мы состояла в обеспечении сельского населения Индии питьевой водой из расчета 40 литров на человека в день. В засушливых областях стави-лась также задача дополнительно обеспечить по 30 литров воды в день


Рис. 7.7. Этапы геоморфологического картографирования по данным ДЗ (Source: Sahai, et al, 1991)

на каждую голову крупного рогатого скота. При этом оговаривалось, что источник воды должен находится не далее 1,6 км от населенного пункта.

Процесс создания гидрогеоморфологических карт в масштабе 1:250000 для решения этой задачи состоял из шести этапов (рис. 7.7):

1. Подбор данных ДЗ. 2. Подготовка основной карты. 3. Предварительное дешифрирование космических снимков. 4. Проверка результатов дешифрирования с помощью наземных на-

блюдений. 5. Окончательное дешифрирование. 6. Создание результирующей карты. Первоначально использовались композитные псевдоцветные сним-

ки с разрешением 30 м, сформированные на основе данных 2-го, 3-го и 4-го каналов съемки Landsat Thematic Mapper, затем — аналогичные снимки IRS-1A LISS-II с разрешением 36 м и, в некоторых случаях, снимки LISS-I с разрешением 73 м. При этом все снимки либо рас-печатывались на бумаге в масштабе 1:250000, либо выводились на про-зрачную пленку. Последнее изображение также можно было увеличить до указанного масштаба.

Сначала были подготовлены карты масштаба 1:250000, на которые были нанесены основные дренажные слои, важные местные объекты, автомобильные и железные дороги, каналы и т. п. Следующий этап со-стоял в дешифрировании космических снимков, выделении различ-ных геоморфологических структур и форм рельефа и нанесении их на основную карту. В дальнейшем выделенные пространственные объекты анализировались с точки зрения дренажа, типа почвы, толщины по-чвенного слоя, выветривания горных пород и использования земельных ресурсов. При этом использовались также геологические карты и дру-гие дополнительные данные, включая результаты полевых наблюдений.

7.5. Исследование роста городов 149

Результатом этой работы стал набор гидрогеоморфологических карт для всех районов страны.

Как показала практика, многозональные обзорные снимки IRS, по-лученные при одинаковых условиях освещенности земной поверхности, являются источником точной и надежной информации обо всех перечис-ленных факторах. В отсутствие подробных данных о литологических свой-ствах горных пород их идентифицировали по спектральной отражательной способности и особенностям структуры, рельефа и т. п. Особое внимание уделялось зонам разломов и синклинальным впадинам, являющимся ме-стами скопления грунтовых вод в осадочных горных породах. Подобные структуры часто остаются незамеченными при полевых исследованиях в силу локального характера наземной съемки. На снимках IRS легко вы-деляются и другие ландшафтные формы, указывающие на наличие грун-товых вод: скрытые русла, намывные насыпи, аллювиальные конусы и т. д. Кроме того, оказалось, что данные ДЗ можно использовать и для исследо-вания гидрографической палеосети, влияющей на современное распреде-ление грунтовых вод и их возобновление. Серьезное внимание уделялось также классификации почв и исследованию структуры землепользования.

7.5. Исследование роста городов

Развитие мегаполисов и миграция населения из сельской местности в го-рода — это общемировая тенденция. Бессистемное расширение городских территорий является серьезной проблемой, требующей адекватного реше-ния. Благодаря периодичности и обзорности съемки, а также надежности данных дистанционного зондирования этот метод открыл новые возмож-ности для картографирования городских территорий и изучения разви-тия городской инфраструктуры. В этом разделе описывается исследование территории города Дехрадана, которое было выполнено с использовани-ем существующих карт и космических снимков. Более подробный список данных представлен в табл. 7.1.

На ил. 7.6 представлены карты, показывающие использование земли Дехрадана и прилегающих территорий в 1945, 1965, 1988, 1997 и 2001 годах. Эти карты легли в основу исследования динамики расширения террито-

Табл. 7.1. Данные, которые использовались для исследования городской территории [82]

№ Данные Год Масштаб 1 Карта Дехрадана 1945 1:20000 2 Карта Дехрадана 1965 1:20000 3 Лист топографической карты 53J/3 1984 1:50000 4 Лист топографической карты 53F/15 1965 1:50000 5 Снимки IRS LISS II 1988 Цифровые снимки 6 Снимки IRS ID PAN 1997 Цифровые снимки 7 Снимки IKONOS 2001 Цифровые снимки


Табл. 7.2. Площадь земель различного назначения в период с 1945 по 2001 год [82]

Использование земли Площадь, км2

Год 1945 1965 1988 1997 2001 Городская 12,57 27,83 34,96 46,16 50,31 Сельскохозяйственная 39,08 34,77 33,60 30,18 29,04 Лес 15,04 14,10 11,79 11,26 10,35 Пустующая 41,33 31,89 28,81 24,13 22,28 Реки 6,21 5,64 5,07 2,5 2,25 Всего 114,23 114,23 114,23 114,23 114,23

Табл. 7.3. Изменения в использовании земли [82]

Использование земли Изменение площади (1945—2001 гг.), км2

Тип Городская Сельскохо-зяйственная

Лес Пустующая Реки

Городская — — — — —

Сельскохозяйственная 11,38 — — 0,57 —

Лес 1,76 0,56 — 2,37 —

Пустующая 22,15 0,63 — — —

Реки 2,46 0,73 — 0,78 —

рии города в период с 1945 по 2001 год (ил. 7.7). Различные виды земле-пользования в указанный период представлены в табл. 7.2, а изменения, произошедшие в этот период, — в табл. 7.3. Из этой таблицы видно, что основные изменения коснулись пустующих (22 км2) и сельскохозяйствен-ных земель (11 км2). Одним из обнадеживающих результатов роста Дех-радана заключается в расширении изначально очень небольшого участка, занятого лесом. В то же время наблюдается постепенное заселение терри-торий вдоль рек Ришпана Рао и Биндал Рао. Для этих районов характерен высокий риск затопления во время наводнений. Изменения в использо-вании городских земель, произошедшие в период с 1945 по 2001 год, по-казаны на ил. 11.1.

7.6. Борьба с наводнениями

Наводнения почти ежегодно происходят в Индийских штатах Ассам, Би-хар, Утар Прадеш, Северная Бенгалия и др. Ущерб от затопления миллио-нов гектаров земли во время паводка (особенно при разливе Брахмапутры, Ганга и их притоков) оценивается в сотни миллионов рупий. Наводнений нельзя избежать, однако можно принять меры, которые позволят миними-зировать наносимый щерб. К таким мерам относятся строительство дамб,

7.6. Борьба с наводнениями 151

отводных каналов и других защитных сооружений, меры по снижению эрозии почв и регулированию речного русла, устройство лесонасаждений на водоразделах, природоохранные мероприятия, более рациональное ис-пользование почв, зонирование областей затопления, прогноз наводнений, подготовка населения и многое другое. Для реализации этих мер и опреде-ления срезки пика паводка необходимо иметь не только исторические, но и оперативные данные о зонах затопления, продолжительности паводка, геометрии русла реки, местах образования наносов и заторов и т. д. В этом отношении метод дистанционного зондирования имеет явные преимуще-ства перед полевыми исследованиями, которые требуют больших затрат времени и имеют ряд дополнительных ограничений. Картографирование зон затопления считается важнейшей областью применения данных ДЗ, поскольку подготовка необходимых карт масштаба 1:50000 занимает всего неделю после получения космических снимков [66].

Для изучения наводнений используют как визуальные, так и числен-ные методы анализа данных. Численные методы основаны на том, что во-дные поверхности обладают очень низкой яркостью в красном и ближнем инфракрасном диапазоне спектра. Используя это свойство, все пикселы снимка можно разделить на два класса — «вода» и «не вода» — и таким образом очень точно определить границы водной поверхности. В резуль-тате дополнительного анализа «водных» пикселов можно получить более подробную информацию о глубине водной толщи, содержании наносов и других характеристиках.

Картографирование речных пойм с использованием космических снимков

На космических снимках выделяется ряд индикаторов, по которым можно установить возможные места затопления [77]:

1. Возвышенности. 2. Характеристики водных объектов (форма, густота гидрографиче-

ской сети и т. д.). 3. Состояние береговых дамб. 4. Наличие устойчивых песчаных дюн в прибрежной зоне. 5. Конфигурация русла реки. 6. Наличие стреловидных областей. 7. Влажность почв. 8. Различные виды почв. 9. Различные виды растительности. 10. Границы используемых земель. 11. Ведение сельскохозяйственных работ. 12. Защитные сооружения в пойме реки. Кроме того, область затопления можно определить по данным многовре-

менной космической съемки. Для этого рассматривают два инфракрасных снимка, полученные до и после наводнения. В этом спектральном диапа-зоне водная поверхность почти не отражает падающего излучения и прояв-ляется на снимке в виде темной области. Если сформировать композитное


Табл. 7.4. Картографирование мест затопления с помощью многовременных композитных снимков [77]

Объект на сним-ке до наводнения

Объект на снимке во время наводнения

Цвет на компо-зитном снимке

Результат

Поверхность воды

Поверхность воды Черный Реки и другие водные поверхности

Сухая почва Поверхность воды Красный Области затопления Почва Почва Желтый Области, не подвер-

гавшиеся затоплению Сухая почва Влажная почва Оттенки желто-

го и красного Области, на которые повлияло наводнение

изображение, проецируя снимок до наводнения в зеленом цвете, а снимок после наводнения — в красном, то область затопления на композитном снимке будет отображена красным цветом. Кроме того, стоячая вода на та-ком снимке будет очень темной, а сухие почвы — очень светлыми.

Если поступить наоборот и спроецировать снимок до наводнения в красном цвете, а снимок после наводнения в зеленом, то композитный снимок будет обладать следующими свойствами [19]:

1. Водная поверхность, присутствующая на обоих снимках в ИК-дипазоне, на композитном снимке будет отображена черным цветом. Иными словами, черные области композитного снимка соответ-ствуют рекам и другим водным объектам в их обычном состоянии.

2. Зоны затопления, которые на снимке во время наводнения по-крыты водой, а на снимке до наводнения соответствуют сухим почвам, на композитном снимке будут окрашены в насыщенный красный цвет.

3. Области, свободные от воды на обоих снимках, получают одинако-вое количество красного и зеленого света и на композитном снимке будут окрашены в желтый цвет. Таким образом, желтый цвет на композитном снимке соответствует областям, не пострадавшим при наводнении.

4. Области снимков, которые во время наводнения соответствуют влажным почвам, а после наводнения — сухим, на композитном снимке будут окрашены в красный цвет с некоторым добавлением зеленого. В результате эти области могут принимать на композит-ном снимке любой оттенок в диапазоне от желтого до красного.

Определение областей затопления с помощью цветных композитных снимков

Области затопления выделяются еще более четко на псевдоцветных ком-позитных снимках, сформированных на основе данных, полученных в ин-фракрасном диапазоне и двух диапазонах видимой части спектра. Ниже перечислены цветовые комбинации, которые оказались оптимальными для подробного анализа и картографирования мест затопления [77].

7.7. Гидроморфологические исследования I

Вариант А

Снимок в первом видимом диапазоне проецируется в синем цвете, снимок во втором видимом диапазоне — в зеленом, а снимок в ИК-диапазоне — в красном с предварительной фильтрацией интенсивности до уровня 60%. Такая комбинация является оптимальной для изучения затопляемых тер-риторий с точки зрения их сельскохозяйственного использования. На ком-позитном снимке хорошо выделяются морфологические и геологические структуры, а информация о водных объектах достаточно подробно пред-ставлена с помощью цветовой гаммы. Так, области со стоячей водой окра-шены на снимке в синий цвет, а почвы с большим содержанием влаги — в коричневый.

Вариант Б

Снимок во втором видимом диапазоне проецируется как красный с филь-трацией интенсивности до уровня 60%, а снимок в ИК-дипазоне — как зеленый. Считается, что такое представление является оптимальным для разделения областей с различным уровнем затопления или влаж-ности. Стоячая вода на композитном снимке отображается красным цветом, а влажные пойменные почвы — зеленым. Композитные сним-ки этого типа являются основным источником информации для по-строения карт.

Вариант В

Синий диапазон проецируется как синий, зеленый — как зеленый, а ИК-диапазон — как красный с фильтрацией интенсивности до уровня 40%. Такая комбинация является оптимальной для изучения влияния наво-днений на городские территории. Композитные снимки содержат всю ис-ходную информацию о параметрах водных поверхностей, и, в то же время, на них хорошо выделяются различные объекты искусственного проис-хождения. Стоячая вода на композитном снимке окрашена в различные оттенки синего и зеленого цветов, а влажные почвы отображаются корич-невым цветом.

7.7. Гидроморфологические исследования

Любая река является динамической системой. Шероховатость, геометрия, структура и профиль ее русла изменяются под влиянием наносов и раз-личных климатических, геологических, гидрологических и антропогенных факторов. Гидравлика и морфология рек — сложнейший предмет исследо-ваний. По проекции поверхности реки на горизонтальную плоскость мож-но судить о гидродинамических параметрах речного стока и связанных с ними процессах переноса осадков и диссипации энергии. Река начина-ет разветвляться в тех областях, которые характеризуются высоким уров-нем энергии, большим и непостоянным расходом, высоким содержанием


наносов даже при больших перепадах высот. В таких местах возникают многочисленные отмели, из-за которых структура русловой сети приоб-ретает совершенно случайный характер. Образование отмелей ведет к до-полнительным потерям энергии и увеличению общего гидравлического сопротивления, в результате чего русловая сеть становится гидравлически неэффективной.

Одной из самых больших разветвленных рек на Земле является река Кози. В период муссонов ее расход превышает среднегодовой уровень в 10 раз и характеризуется большим содержанием наносов. За период с 1776 по 1950 год русло реки сместилось на 150 км в западном направ-лении. Несмотря на то, что в 1959 году на западном и восточном бе-регах реки был сооружен ряд дамб, а в 1963 году построена плотина в Бхимнагаре, река по-прежнему изменяет свое русло в границах этих защитных сооружений и ее состояние можно рассматривать как неста-бильное. С учетом этого для гидроморфологического исследования был выбран участок реки протяженностью 165 км между Чатрой и Копарией. Исходными данными служили космические снимки и данные гидро-графических наблюдений. Цель исследования заключалась в изучении изменений русловой сети и в определении протяженности латеральной миграции русла для определения интенсивности процесса разветвления реки в различные периоды времени.

В исследовании использовались следующие данные: снимки Landsat 2, MSS, канал 5 (получены 30 марта 1975 года) снимки IRS-IA LISS, канал 4 (получены 5 декабря и 7 апреля 1989 года) топографическая карта масштаба 1:200000 за 1966 год и карты реки Кози за 1956, 1966 и 1993 годы, подготов-ленные в рамках проекта Kosi Project Authority. Кроме того, использовались данные 39 профилей речного русла. По результатам визуального дешиф-рирования космических снимков была составлена карта реки в масштабе 1:200000 [57].

По картам 1956, 1966, 1975, 1989 и 1993 годов были измерены следую-щие параметры (рис. 7.8):

1. LR — общая протяженность участка реки, измеренная вдоль прямой. 2. — суммарная протяженность всех отмелей на участке реки. 3. Lr — протяженность участка реки, измеренная по центральной ли-

нии между берегами. 4. Lctot — суммарная протяженность всех ветвей реки на данном участ-

ке (измеряется по центральной линии ветви). 5. Lctot — протяженность основного русла, измеренная по центральной

линии ветви реки. Далее по этим измерениям вычислялись следующие морфологические

характеристики:

1. Коэффициент извилистости Р - . Lr

2. Коэффициент ветвления BI = (X А)

7.7. Гидроморфологические исследования 155

Коэффициент извилистости (Р)

Коэффициент ветвления (BI)

L>cmax I

Отношение ширины русла к ширине ветви реки (R)

Рис. 7.8. Определение коэффициентов извилистости и ветвления русла реки [28]

3. Коэффициент ветвления В = сш . стаж

Результаты расчета параметров ветвления и извилистости для реки Кози представлены в табл. 7.5. Река считается разветвленной, если значение ко-эффициента BI или В больше единицы. Для реки Кози значения обоих коэффициентов на протяжении всего периода наблюдений были больше 2, причем степень разветвленности реки постоянно возрастала, а макси-мальное разветвление наблюдалось на расстоянии 100 км вниз по течению от плотины в Бирпуре. В то же время, как видно из таблицы, Кози нельзя назвать извилистой рекой, поскольку значения коэффициента Р все время находились в пределах от 1 до 1,3 и не превосходили порогового значения извилистости, равного 1,5.

Табл

. 7.5

. Зн

ачен

ия к

оэф

фиц

иент

ов и

звил

исто

сти

и ве

твле

ния

[56]

Расс

тоя-

ние в

доль

ре

ки, к

м

Коэф

фици

ент

изви

лист

ости

, Р

Коэф

фици

ент

ветв

лени

я, B

I Ко

эффи

циен

т ве

твле

ния,

В

Расс

тоя-

ние в

доль

ре

ки, к

м Го

ды

Расс

тоя-

ние в

доль

ре

ки, к

м 19

56

1966

19

75

1989

19

93

1956

19

66

1975

19

89

1993

19

56

1966

19

75

1989

19

93

10

1,08

1,15

1,07

1,01

1,19

3,18

3,53

3,51

2,20

1,7

3 2,4

8 2,

85

2,93

2,38

2,5

5 20

1,0

5 1,0

3 1,0

7 1,0

1 1,0

1 4,

06

5,66

7,30

6,61

3,61

3,83

4,59

4,95

4,67

3,68

30

1,03

1,07

1,16

1,34

1,08

4,81

12,84

10

,81

6,33

5,48

4,04

7,7

8 6,

50

3,57

3,78

40

1,08

1,17

1,20

1,30

1,17

5,24

9,01

10,56

7,1

8 4,

00

3,76

5,88

5,63

4,28

3,5

4 50

1,0

7 1,3

7 1,2

7 1,1

3 1,1

0 3,1

5 9,2

8 6,6

5 7,4

2 2,5

6 3,0

2 4,

94

4,37

4,92

2,6

5 60

1,0

9 1,0

9 1,0

9 1,1

7 1,0

2 1,0

0 7,3

0 8,1

1 6,8

2 2,

90

1,36

5,09

4,82

4,29

2,

55

70

1,08

1,14

1,11

1,23

1,14

9,59

9,59

7,89

9,75

4,42

6,28

6,

27

5,60

5,87

3,09

80

1,09

1ДЗ

1,06

1,05

1,04

13,24

7,7

8 11

,65

12,63

6,6

6 8,

34

5,30

7,3

3 7,9

3 4,

40

90

1,14

1,06

1,28

1,00

1,03

20,2

3 13

,63

7,40

8,40

4,89

11,88

8,6

7 4,

63

5,51

3,53

100

1,11

1,16

1,02

1,23

1,13

18,99

19

,46

14,05

7,7

0 4,

88

12,77

10

,21

8,94

4,

63

3,62

НО

1,21

1,13

1,03

1,19

1,18

16,45

10

,55

8,17

7,75

3,54

10,51

6,

84

6,34

4,

83

3,20

120

1,31

1,10

1,15

1,25

1,02

15,90

10

,74

9,03

5,58

2,52

8,58

6,38

5,6

5 3,5

1 2,

54

130

1,04

1,27

1,03

1,22

1,05

18,08

6,5

5 8,8

7 4,

46

2,46

12,10

4,

08

5,42

3,01

2,33

14

0 1,0

5 1,2

0 1,1

1 1,2

0 1,1

3 12

,03

1,00

7,81

4,37

4,02

7,67

1,00

4,80

2,7

1 3,0

3 15

0 1,0

7 1Д

1 1,0

6 1,1

5 1,0

6 6,6

5 1,4

5 5,1

2 2,

24

2,00

4,7

7 1,8

19

3,70

2,20

2,

04

160

1,05

1,06

1,13

1,05

1,02

3,50

1,25

1,31

1,57

1,67

1,95

1,682

1,1

8 1,4

3 1,4

8 16

5 1,0

8 1,2

2 1,0

7 1,0

4 1,0

0 2,4

3 1,7

7 1,0

0 1,0

0 1,0

0 2,3

1 1,5

1 1,0

0 1,0

0 1,0

0

7.8. Картографирование пустующих земель I

7.8. Картографирование пустующих земель

Согласно определению Национального комитета по развитию территорий Министерства окружающей среды и лесного хозяйства Индии пустующей называется «земля, которая в настоящий момент времени не используется, но на которой возможно создание растительного покрова при оправданных затратах, а также земля, мало пригодная для использования из-за плохой почвы, недостатка воды или климатических условий» [68]. Образование таких земель обусловлено внутренними и внешними причинами — место-положением, условиями окружающей среды, почвой, а также недостатком экономических и административных возможностей. По мере увеличения численности населения и поголовья домашнего скота производство сель-скохозяйственных культур распространяется и на области с менее благо-приятными природными условиями, что ведет к ускорению эрозии и ис-тощению земли. Большие участки земли подвергаются опустыниванию, засолению, заболачиванию и интенсивному эродированию.

Для Индии с ее стремительно растущей численностью населения вос-становление пустующих земель и их использование в сельском хозяйстве является первостепенной и неотложной задачей. К сожалению, различные оценки общей площади пустующих земель существенно разнятся между собой. Кроме того, до сих пор нет единого определения пустошей, кото-рое можно было бы использовать для таких оценок. В то же время для реализации программы развития подобных территорий необходимо иметь точную и надежную информацию о местоположении, свойствах и площади пустующих земель.

Появление и развитие методов дистанционного зондирования стало настоящим прорывом в этой области. Благодаря широкому охвату терри-тории, повторяемости съемки и надежности получаемых данных дистан-ционное зондирование открыло совершенно новые возможности для кар-тографирования и мониторинга природных ресурсов и, следовательно, для их оптимального использования.

В 1986 году Комиссия по планированию правительства Индии создала специальную группу для разработки классификации пустующих земель. В результате была принята следующая система классификации (NWDB, 1987):

1. Овражистые и приовражные земли. 2. Возвышенности с кустарниковой растительностью либо без нее. 3. Болота и заболоченные земли. 4. Земли с солонцеватой почвой (прибрежные или внутренние терри-

тории). 5. Бывшие сельскохозяйственные земли. 6. Песчаники (пустыня или прибрежная зона). 7. Земли промышленного использования (включая горно-добывающую

промышленность). 8. Малоиспользуемые земли, вырождающиеся леса. 9. Истощенные пастбища. 10. Истощенные земли, занятые под посевы.


11. Бесплодные скалистые области. 12. Области с крутыми откосами. 13. Ледники и области, покрытые снегом. Методика картографирования пустующих земель по данным космиче-

ской съемки со спутника IRS-1A показана на рис. 7.9. Для визуального дешифрирования использовались ортотрансформированные композитные снимки IRS-1A масштаба 1:50000. Для уточнения пространственных ха-рактеристик пустующих земель использовались сезонные данные (с ноября по март, когда растительный покров является максимальным). Для опреде-ления границ пустующих земель различного типа анализировались цвет, тон, текстура, структура, форма, размер и взаимные связи пространствен-ных объектов на снимках. Полученные предварительные результаты про-верялись с помощью полевых исследований. Необходимо также отметить, что дешифровочные признаки в данном случае не являются постоянны-ми и зависят от времени года, масштаба и разрешения снимков. В рас-сматриваемом исследовании некоторые классы пустующих земель (напри-

Рис. 7.9. Методика картографирования пустующих земель [67]

7.9. Региональное планирование 159

мер, засоленные, заболоченные и песчаные территории) выделялись очень четко благодаря их хорошему разделению в спектральной области, ярко выраженной структуре и особенностям местоположения. В то же время дешифрирование овражистых, бывших сельскохозяйственных и некоторых других земель было менее надежным. Сложнее всего определялись широ-ко встречающиеся на территории Индии возвышенности с волнообразным рельефом, поскольку их спектральная отражательная способность близка к отражательной способности залежных и других подобных земель. Тем не менее, территории этого типа также были определены, где это было воз-можно, по данным многовременной космической съемки.

В качестве дополнительных данных использовались топографические карты Индии масштаба 1:50000. Эти карты не только служили основой для картографирования пустующих земель, но и позволяли более точно опреде-лить пространственные границы различных земных покровов, в частности лесных массивов, заболоченных территорий, скалистых областей и земель сельскохозяйственного назначения. Вместе с тем, тематическая информа-ция, содержащаяся на этих картах, является во многом устаревшей, по-скольку они составлялись около 10—15 лет назад. На результирующую кар-ту наносились также границы населенных пунктов, которые определялись по данным переписи населения и картам налоговых округов.

7.9. Региональное планирование

Региональный план развития территории необходимо составлять с учетом всего комплекса проблем, характерных для ее природных ресурсов, релье-фа, структуры сельского хозяйства, экологического состояния, климатиче-ских и социально-экономических условий.

Такой план должен не только соответствовать нуждам и ожиданиям местных жителей, но и являться составной частью многоуровневой нацио-нальной системы планирования, то есть отвечать общим целям развития экономики, роста производительности труда, поддержания экологического баланса, повышения занятости населения и его уровня жизни.

В этом контексте очень важной задачей является оценка природных ресурсов, и как показала практика использования методов дистанционного зондирования в последние три десятилетия, их можно с успехом приме-нять для решения этой задачи.

Учеными Департамента космических программ Индии была разрабо-тана специальная методика использования спутниковых данных IRS-1A и географических информационных систем в интересах регионального планирования. Методика основана на рекомендациях рабочих групп ин-дийской Комиссии по планированию и обеспечивает интеграцию ресурс-ных данных из разных источников с социально-экономическими и демо-графическими данными, собранными Национальным информационным центром в рамках программы DISNIC. Схема обработки данных представ-лена на рис. 7.10.

Одним из наиболее важных предварительных условий, необходи-мых для осуществления планирования, является наличие подробных баз


РЕГИОНАЛЬНОЕ ПЛАНИРОВАНИЕ

ЦЕЛИ

Экономический рост, нужды населения, экологический баланс *

Необходимая информация

Природные ресурсы с кие н демографические данные Почва Сельское хозяйство Пространственный анализ Геология Водохозяйственная система социально-экономических данных Геоморфология Технологии сбора воды Грунтовые воды Использование и возобновление Распределение населения по социальным группам Землепользование запасов грунтовых вод Демографическая статистика Тип земного покрова Животноводство Культурологические данные Осадки Рыболовство Экономический статус Водосборы и водоразделы Разведка полезных ископаемых Наклон, ориентация, высота Промышленное и жилищное строительство Транспортная сеть Энергетическая система Населенные пункты Здравоохранение и обеспечение

санитарных условий

Информация из тематических карт

Интеграция разнородной информации (CLDU)

Нужды населения и действующие программы Классификация регионов: - регионы, отстающие в социальном отношении, - регионы, отстающие в экономическом отношении, - области, испытывающие недостаток элементарных

бытовых удобств

Развитие на основе природных ресурсов - ресурсные регионы

Решения по использованию природных ресурсов: специальные планы и проекты

Демонстрация технологии Внедрение Демонстрация технологии Внедрение Обучение пользователей

и повышение их квалификации

Оценка

Z 3 Z I Обратная связь

Рис. 7.10. Методика картографирования в интересах регионального плани-рования [67]

данных, содержащих информацию о природных ресурсах, социально-экономических условиях, демографической структуре населения и совре-менных технологиях (табл. 7.6).

Дешифрирование космических снимков IRS-1A специалистами в со-ответствующих тематических областях обеспечивает возможность бы-строй оценки использования земель, а также картографирования почв, геологических и геоморфологических структур, грунтовых вод и расти-тельного покрова.

Информация о рельефе местности (данные о наклонах, высотах, па-раметрах водосбора и водоразделах) извлекалась из топографических карт,

7.10. Борьба с природными катастрофами 161

Табл. 7.6. Базы данных для регионального планирования [68]

Природные ресурсы Социально-экономические и демографические данные

Современные технологии

Почвы и земельные участки Геоморфология Геология Гидроморфология Землепользование, типы земных покровов Количество осадков Населенные пункты

Экономические услуги Дороги и транспорт Связь Энергоснабжение Службы распределения Основные поставки (семена удобрения и т.д.) Хранение Рынки сбыта Кооперативы Услуги здравоохранения Образовательные учреж-дения Поставка питьевой воды Обеспечение санитарных условий Демография Уровень доходов Землевладение

В следующих областях: сельское хозяйство, са-доводство, лесное хо-зяйство, рациональное использование земель-ных и водных ресур-сов, включая грунтовые воды, ирригация, рыбо-ловство, животноводство и птицеводство, развитие транспортной сети, жи-лищное строительство, энерго- и электроснаб-жение, здравоохранение и обеспечение санитар-ных условий

а данные об атмосферных осадках и других климатических парамет-рах — из записей метеорологических станций. Источниками социально-экономических и демографических данных служили результаты переписи населения, кадастровые записи, экономические отчеты и базы данных На-ционального информационного центра.

Анализ данных и их интеграция проводились в два этапа. Основное назначение первого этапа состояло в инвентаризации природных ресур-сов и исследовании возможностей их использования для различных видов деятельности. Целью второго этапа было определение отстающих в соци-альном или экономическом развитии регионов, в которых население ис-пытывает недостаток элементарных бытовых удобств.

Затем с помощью ГИС были выделены составные участки территории (Composite Land Development Unit, CLDU), которые анализировались с точки зрения имеющихся ресурсов. При этом рассматривались различные схемы развития и варианты использования земли, а основное внимание уделялось не предыстории, а наличию современных технологий. Предполагается, что в дальнейшем все рассмотренные схемы будут использованы при выборе оптимального варианта регионального плана развития.

7.10. Борьба с природными катастрофами

Термин «природная катастрофа» означает аномальное состояние окружаю-щей среды, отрицательное влияние которого на людей, животных и рас-тительность превосходит некоторый критический уровень [4]. Несмотря на общий характер этого определения, в каждом отдельном случае критиче-

6-3I79


ский уровень может зависеть от множества факторов, в том числе эконо-мических и психологических. Примерами природных катастроф, которые в некоторых местах Земли происходят достаточно регулярно, являются землетрясения, наводнения, циклоны, лавины, оползни, цунами, засухи и лесные пожары. Временной масштаб этих явлений представлен в табл. 7.7. Некоторые природные катастрофы — например, землетрясения, оползни и цунами — связаны с определенными геологическими структурами.

Данные дистанционного зондирования, благодаря охвату и периодич-ности спутниковой съемки, позволяют оперативно оценивать обстановку и служат основой для своевременного прогноза многих природных ката-строф. При разработке превентивных мер эти данные используются для решения следующих задач:

1. Определение и картографирование наиболее опасных мест. 2. Прогноз вероятности возникновения природных катастроф. 3. Мониторинг явлений для определения начала и возможных вариан-

тов развития катастрофических процессов. Космические снимки используют для получения информации о раз-

мерах пострадавшей территории, уровне нанесенного ущерба и нуждах местного населения. Поскольку в период таких событий время становится жизненно важным фактором, данные должны передаваться практически без задержки. Во время наводнений и засух можно использовать снимки, которые обладают невысоким пространственным, но высоким временным разрешением. Данные с геостационарных спутников, которые передаются на Землю каждые полчаса, используют для мониторинга таких непродол-жительных природных катастроф, как циклоны и торнадо. В общем слу-чае, для борьбы с природными катастрофами полезно использовать ком-бинацию различных наборов данных, каждый из которых характеризуется высокой пространственной, временной или спектральной разрешающей способностью. Ниже приводится пример использования данных ДЗ для борьбы с цунами.

Табл. 7.7. Продолжительность природных катастроф [67]

Природные катастрофы Возникновение Продолжительность Землетрясения Более чем внезапно От нескольких секунд до не-

скольких минут Лавины Внезапно Несколько часов Оползни Внезапно От нескольких часов до не-

скольких дней Цунами Внезапно Несколько минут Циклоны Предсказуемо Несколько дней Наводнения Предсказуемо От нескольких дней до не-

скольких недель Лесные пожары Предсказуемо От нескольких часов до не-

скольких дней Засухи Медленное развитие Месяцы

7.10. Борьба с природными катастрофами 163

Цунами представляет собой цуг волн, вызванных внезапным смещением морского дна в результате землетрясения, извержения подводного вулкана, медленной подвижки земной коры или падения астероида. Волны цунами распространяются с огромной скоростью, достигающей иногда 800 км/ч. Амплитуда этих волн в открытом океане невелика, но на мелководье про-исходит их торможение, и они вздымаются вверх на очень большую высоту. Иногда перед приходом цунами можно наблюдать отступление воды вдоль всего морского побережья. Спустя секунды возникает гигантская волна, которая с огромной силой обрушивается на берег. Опасен не только сам этот удар, но и обратные потоки воды, с большой скоростью стекающие обратно в море.

Ранним утром двадцать шестого декабря 2004 года вблизи Андаман-ских островов произошло сильнейшее землетрясение с магнитудой 8,9 по шкале Рихтера. Эпицентр землетрясения находился недалеко от острова Суматра в точке с координатами 3,7° с.ш. 95° в.д. (рис. 7.11). Цунами, возникшее в результате этого землетрясения, стало рекордным по ко-личеству унесенных жизней за всю историю регистрации подобных со-бытий. Погибло 220272 человека, еще 22352 пропали без вести, 1076350 человек в Юго-Восточной Азии и Восточной Африке вынуждены были покинуть места своего проживания. Цунами нанесло ущерб всем при-брежным странам: 173981 человек погибли в Индонезии, 29854 — в Шри Ланке, 10749 — в Индии, 5313 — в Таиланде, 150 — в Сомали, 82 — на Мальдивских островах, 68 — в Малайзии, 59 — в Бирме, 10 — в Танза-нии, 3 — на Сейшельских островах, 2 — в Бангладеш и 1 — в Кении. Цунами привело к большим разрушениям на Мадагаскаре и Маврикии, оно ощущалось в Мозамбике, ЮАР, Австралии и Антарктике. Волны цу-

Рис. 7.11. Эпицентр цунами 26 декабря 2004 года


нами пересекли Атлантический и Тихий океаны и были зарегистрирова-ны в Новой Зеландии и на западном и восточном побережье Северной и Южной Америки.

Большой объем информации о величине и степени разрушений, вы-званных этим цунами, был получен с помощью космических снимков. Полученные данные различались пространственным разрешением, кото-рое обеспечивали разные съемочные системы. На ил. 7.8 показана область разрушений (желтые круги) вокруг города Караикал по данным спутни-ковой съемки LISS IV AWiFS. Ущерб, нанесенный городу Шенаи, можно оценить по снимку IRS-P6 Мх (ил. 7.9). На этом же снимке видно, какие огромные изменения произошли с устьем реки Адайяр. Более подроб-ная картина изменений этого региона видна на снимке, полученном со спутника OrbView-З с разрешением 1 м (ил. 7.10). На этом снимке хорошо видны последние изменения русла реки и структура отложений руслового материала.

ГЛАВА 8

ГЕОГРАФИЧЕСКИЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ


Информация, которую собирали мореплаватели, географы и топографы для составления карт земной поверхности, всегда имела огромное практическое значение. Существуют карты разного типа: если о топографических картах можно говорить как о картах общего назначения, то тематические карты создаются для решения более специальных задач, связанных с различными аспектами человеческой деятельности. Появление аэрофотосъемки и мето-дов дистанционного зондирования позволило создавать тематические карты обширных участков земной поверхности с очень высокой точностью. Однако для работы с большими объемами данных и анализа их пространственных вариаций были необходимы новые инструменты, которые позволяли бы ис-пользовать статистические методы и методы анализа временных рядов.

Такие инструменты были разработаны после того, как в картографии стали применять компьютеры. Потребовалось создать целый набор мощ-ных средств для сбора, хранения и анализа пространственных данных, используемых в различных областях знаний. Этот набор и составляет то, что сегодня называется географической информационной системой (ГИС). Географическая информационная система — не просто средство кодирова-ния, хранения и извлечения данных о свойствах земной поверхности. ГИС позволяет анализировать и обрабатывать эти данные в интерактивном ре-жиме, а также анализировать тенденции и прогнозировать результаты при-нимаемых решений.

8.2. Что такое ГИС

В названии «географическая информационная система» содержатся два понятия: «география» и «информационная система». Слово «география» имеет греческое происхождение и означает «описание Земли». Одной из важнейших задач, стоящих перед географом, является изучение законо-мерностей между определенной территорией и результатами человеческой деятельности. При этом основным источником информации является кар-та — графическое представление того или иного явления, наблюдаемого на небольшом участке земной поверхности или на всей Земле. Второе по-нятие — «информационная система» — можно определить как последо-вательность операций, которая начинается с планирования исследований

166 Глава 8. Географические информационные системы

Рис. 8.1. Упрощенная схема работы информационной системы

и заканчивается использованием полученной информации для принятия тех или иных решений.

ГИС — это информационная система, которая предназначена для ра-боты с данными, имеющими привязку к пространственным или геогра-фическим координатам. Иными словами, ГИС является одновременно и базой пространственных данных, и набором средств, необходимых для их обработки (рис. 8.1).

Вот некоторые определения ГИС, которые можно найти в научной ли-тературе:

1. «Система управления базами данных, обеспечивающая обработку запросов, относящихся к географии» [33].

2. «Компьютеризованная система, предназначенная для сбора, хране-ния, извлечения, анализа и отображения пространственных данных в какой-либо организации» [15].

3. «Мощный набор средств для сбора, хранения, извлечения и отобра-жения пространственной информации о реальном мире» [8].

4. «Объединение компьютерного аппаратного и программного обеспече-ния, географических данных и действий специалистов для эффектив-ного сбора, хранения, обновления, обработки, анализа и отображе-ния любой информации, имеющей географическую привязку» [21].

Последнее определение является одним из наиболее строгих. Очень важно, что в нем содержится требование к квалификации персонала, кото-рый должен иметь все необходимые навыки для работы с географической информационной системой и формировать по запросам пользователей не-обходимые карты, таблицы и графики на основе той информации, которая распределена по различным слоям ГИС. К этому можно добавить, что ГИС является результатом объединения множества различных технологий об-работки данных (рис. 8.2).

8.3. Компоненты ГИС

В самом общем случае для работы географической информационной си-стемы необходимы следующие составляющие:

1. Рабочая станция с установленной операционной системой и пери-ферийными устройствами.

2. Специальное программное обеспечение. 3. Пространственные данные.

8.3. Компоненты ГИС 167

Рис. 8.2. Объединение различных методов и технологий обработки данных в ГИС

4. Система управления данными и средства их анализа. 5. Квалифицированный персонал.

Рабочая станция и операционная система

Различные компоненты рабочей станции ГИС представлены на рис. 8.3. Для записи и хранения данных используются жесткий диск компьюте-ра и магнитные ленты. Оцифровка графической информации и ее ввод в базу данных ГИС осуществляется с помощью устройства, которое назы-вается дигитайзером. Еще одним устройством оцифровки является сканер. Для вывода цифровых данных в графической форме используется плоттер. Монитор, клавиатура и компьютерная мышь относятся к интерфейсным устройствам, с помощью которых оператор управляет системой. Для печа-ти отчетов, таблиц, графиков и других документов используется принтер. Центральный процессор служит для выполнения расчетов и управления различными компонентами компьютера.

Операционную систему можно рассматривать как главную программу, предназначенную для управления файлами, периферийными устройствами и компьютером рабочей станции. С помощью программ, работающих под управлением операционной системы, инструкции и запросы пользователей переводятся с естественного языка на машинный, а результаты компью-терной обработки этих запросов — с машинного языка на естественный.

Специальное программное обеспечение

В состав программного обеспечения ГИС входит набор модулей для оциф-ровки и векторизации изображений, объединения, редактирования, преоб-


разования и анализа данных, передачи их по сети, обработки запросов поль-зователей и вывода результатов этой обработки на внешние устройства.

Пространственные данные

Пространственные данные характеризуются местоположением и непро-странственными признаками (так называемые атрибутивные данные). Про-граммное обеспечение ГИС ориентировано на работу именно с такими данными. Для пространственной привязки данных необходимо выбрать удобную координатную систему, позволяющую использовать их для раз-личных задач в течение длительного времени.

Традиционным способом представления географической информации в ГИС являются тематические слои. Для отображения данных использует-ся также другое представление — в виде отдельных объектов. В обоих слу-чаях все географические объекты сохраняются в базе данных ГИС в виде точек, линий или площадных объектов — полигонов.

Управление данными и процедуры их анализа

Наиболее дорогостоящей частью любого проекта ГИС является ввод и об-новление пространственных и атрибутивных данных, а также установление связей между ними. Для выполнения всех этих операций, включая преоб-разование исходных данных в формат ГИС, требуется время.

К задачам управления данными в ГИС относятся хранение данных, орга-низация их структуры и извлечение нужной информации средствами системы управления базами данных (СУБД). Последняя должна позволять работать сразу нескольким пользователям с несколькими базами данных, предостав-лять возможность их обновления и устранять избыточность информации.

8.4. Географические объекты 169

Кроме того, СУБД должна обеспечивать сохранность и целостность данных, а также независимость данных от способа их представления.

К процедурам анализа данных в ГИС относятся: а) запись данных и их извлечение по запросам пользователей, б) формирование запросов об опре-деленных характеристиках объектов, в) прогнозирование и моделирование физических процессов. Тип выходных данных ГИС зависит от ценовых ограничений, категории пользователей и устройств вывода.

Персонал, работающий с ГИС

Для осуществления любого проекта ГИС необходим квалифицированный персонал, который будет способен спланировать и установить систему, а затем использовать ее для решения задач проекта. Важным требованием является также умение принимать правильные решения по результатам анализа данных. Результат применения ГИС зависит, прежде всего, от уме-ния и опыта персонала, задействованного в данном проекте.

8.4. Географические объекты

Как отмечалось выше, географические объекты представлены в ГИС в виде точек, линий и полигонов. В этом разделе приводятся определения этих, а также и некоторых других часто встречающихся терминов в географи-ческом контексте. Пространственный объект, представляющий некото-рую географическую область, обладает рядом характеристик, или, иначе, атрибутов. Объект нулевой площади и протяженности называется точкой. Точки можно использовать для представления самых разнообразных гео-графических объектов, таких как скважины или, например, метеороло-гические станции. Одним из атрибутов точки являются ее координаты, например широта и долгота.

Пространственный объект, состоящий из последовательности соеди-ненных между собой точек, называется линией. Линия является одномер-ным объектом — в частности, ее ширина равна нулю. Точное местополо-жение можно указать не для всей линии, а только для ее отдельных точек, например, одного из концов. Атрибутом линии может быть, например, количество скважин в некоторой области. Вводят также специальный вид точек — узлы, которые обычно являются местом соединения разных ли-ний либо разных сегментов одной линии. Для представления областей используют полигоны. Различают простые полигоны, состоящие из обла-стей, которые не разделяются по каким-либо признакам, и сложные, об-разованные областями с разными характеристиками. Сегменты границы полигона называются дугами.

Для работы с описанными выше объектами важно четко понимать зна-чение терминов «масштаб» и «разрешение». Масштабом называется отно-шение расстояния на карте или снимке к соответствующему расстоянию на поверхности Земли. Например, масштаб 1:50000 означает, что одна еди-ница длины на карте соответствует пятидесяти тысячам тех же единиц на земной поверхности. Различают мелкомасштабные и крупномасштабные


карты. Чем меньше единиц длины на поверхности соответствуют единице длины на карте, тем крупнее масштаб карты.

При работе с пространственными данными очень важным понятием является разрешение. В словарях можно найти такие определения этого термина: «способность различать отдельные части объекта» и «количество четко отображаемых элементов снимка или телевизионного изображения». Определение, учитывающее особенности пространственных данных и их использования, приведено в статье Тоблера [85]. В этой работе разрешение определяется как «числовая характеристика вместимости геометрической области, деленная на количество наблюдений и нормализованная относи-тельно пространственной размерности». При работе с двумерными геогра-фическими данными, например картой или снимком, область наблюдения часто называют территорией. Для того чтобы определить средний размер объекта на карте, можно воспользоваться следующей формулой:

В частности, если объектом наблюдения является страна площадью 4,8 х 106 км2, которая разделена на 30 штатов, то средний размер объекта будет равен:

Чем меньше средние размеры объекта, который можно определить на карте, тем выше разрешение набора данных.

8.5. Ввод данных в ГИС

Под вводом данных в ГИС понимают все этапы сбора пространственных и атрибутивных данных. Источниками пространственных данных явля-ются карты, аэрофотоснимки, космические снимки, результаты полевых исследований и т. д. (рис. 8.4). Пространственные и атрибутивные данные, представленные в аналоговой форме, сначала преобразуют в стандартный цифровой формат с помощью дигитайзера или сканера, а затем записыва-ют в память компьютера.

Для управления данными используется СУБД ГИС, с помощью кото-рой проводится анализ данных и формируются результаты этого анализа в форматах, необходимых пользователям.

8.6. Выходные данные ГИС

Данные для ГИС собираются из различных источников и изначально мо-гут быть представлены в самых разных форматах. Способы преобразования данных в цифровую форму и структура их организации в ГИС подробно обсуждаются в гл. 9. В отношении конечной продукции ГИС важно под-

Средний размер объекта = I Количество наблюдений Площадь (8.1)

8.6. Выходные данные ГИС 171

Рис. 8.4. Ввод данных в ГИС

черкнуть, что работающий с этой системой оператор должен хорошо знать все варианты представления выходных данных, реализованные в про-граммном обеспечении. Краткое обсуждение различных типов выходных данных ГИС приводится ниже.

Чаще всего выходные данные ГИС предоставляются пользователям в виде карт. Карты, являющиеся двумерными моделями тех или иных ча-стей земной поверхности, различаются по своему типу. Некоторые широко распространенные типы карт перечислены ниже.

Тематические карты служат для отображения пространственных вариа-ций какого-то одного параметра (например, заселенности территорий) или соотношения между различными параметрами (например, карты «земных покровов»).

Картограммы обычно используют для сравнения относительных значе-ний непрерывно распределенных параметров в пределах заданных границ (например, среднегодовой доход на душу населения в зависимости от стра-ны). Для отображения различий между областями на таких картах широко используют цвет и штриховку.

Дасиметрические карты (карты плотности) используют для тех террито-рий, которые являются относительно однородными по изучаемому при-знаку (например, карта территории с одним классом поверхностных объ-ектов). Различия в значении исследуемого параметра на таких картах также отображаются цветом и штриховкой.

Карты изолиний, то есть линий одинаковых значений параметра, позво-ляют наглядно представить информацию о градиентах. Изолинии можно использовать для отображения топографии региона или для представления данных о распределении зон высокого и низкого давления.

Для решения специальных задач используют также следующие карты: Карты точек, на которых пространственные вариации какой-либо ве-

личины, например расселения, характеризуются разным числом одинако-вых точек.

Карты векторов, на которых отображаются направление и величина планируемого или существующего потока (например, транспортные карты,


на которых показаны пункты отправления и доставки, а также объем гру-зов, перемещаемых из одной страны в другую).

Объемные карты рельефа, на которых участок земной поверхности пока-зан так, как он был бы виден при аэрофотосъемке под некоторым углом.

Видеокарты — вид карт, который используется в основном для ото-бражения какого-либо явления в динамике (например, роста численности населения и площади города во времени).

Некоторые пользователи ГИС предпочитают, чтобы результаты анали-за данных были представлены не на карте, а в виде графиков и диаграмм. Наиболее широко используемые типы графиков перечислены ниже.

Столбчатая диаграмма используется для иллюстрации различий в атри-бутивных данных у объектов разного типа (например, эффективность ис-пользования земель в зависимости от времени для городских, пригородных и сельских территорий).

Секторная диаграмма представляет собой разделенный на секторы круг и используется для наглядного представления каких-либо пропорций (на-пример, процентной доли городского, пригородного и сельского населения в стране).

Диаграмма рассеяния применяется для того, чтобы показать, как один атрибутивный параметр зависит от другого (например, урожай от вида удо-брений).

Гистограммы характеризуют распределение значений атрибутивного параметра по различным диапазонам (например, процент учащихся в на-чальной и средней школе, колледжах и высших учебных заведениях).

Иногда пользователям требуется рассчитать такие статистические оцен-ки, как среднее, медиана, дисперсия, стандартное отклонение, максималь-ное и минимальное значения атрибута. Эту информацию им можно предо-ставить в виде таблиц и отчетов.

8.7. Области применения ГИС

Географические информационные системы используются для решения за-дач управления и планирования, связанных с анализом большого количе-ства географических данных, частью которых являются так называемые позиционные данные. Позиционные данные могут характеризовать настоя-щее, прошлое или будущее местоположение объектов. Иными словами, эти данные необходимы для решения задач, связанных с географическим пространством. Вот примеры некоторых из таких задач:

1. Управляющий лесным хозяйством хочет оптимизировать работы по возобновлению строевого леса на основе данных о почвах и текущего резерва леса при наличии определенных технических ограничений.

2. Геолог должен определить место будущего расположения дамбы по результатам анализа сейсмичности и геологических структур в регионе.

3. Специалисту по геоинформатике необходимо определить места рас-положения ретрансляционных станций его компании с учетом осо-бенностей топографии, цен на земельные участки и других данных.

8.7. Области применения ГИС 173

Область применения ГИС безгранична, поскольку эти системы необ-ходимы для решения задач управления и планирования, которые встреча-ются в любой сфере деятельности человека, от гражданского строительства и городского планирования до мониторинга окружающей среды и различ-ных научно-практических исследований.

ГИС используют для изучения как природных, так и антропогенных явлений. В частности, для решения задач городского планирования не-обходимо глубокое понимание связи между расселением и такими элемен-тами инфраструктуры, как дорожные развязки, школы, больницы, посты милиции и т.п. В то же время, предметом изучения геоморфологии, почво-ведения, экологии и других наук являются природные объекты и явления (например, горные породы, распределение почв и движение тектонических плит). ГИС применяют и для совместного исследования антропогенных и природных явлений, в частности для изучения антропогенного влияния на природную среду при строительстве больших промышленных объектов. Можно также упомянуть такие области применения ГИС, как анализ осу-ществимости проектных решений (например, оценка пригодности пло-щадки для строительства) и моделирование эрозии почв.

ГЛАВА 9

ДАННЫЕ В ГИС


Для представления объектов и явлений реального мира в ГИС и компью-терных картографических системах все географические данные преобра-зуются в цифровую форму и сохраняются в базе данных. Интересно, что примерно две трети стоимости внедрения ГИС приходится на расходы, связанные с созданием ее базы данных, от эффективности которой зависит и эффективность всей географической информационной системы.

9.2. Типы данных в ГИС

Географические данные разделяют на пространственные и атрибутивные. Пространственные данные описываются своими координатами (х и у) и характеризуют ориентацию, форму, размеры и взаимное расположение объектов. Атрибутивные, или непространственные, данные содержат ин-формацию о протяженности или площади объектов, численности населе-ния, посевной площади и других подобных характеристиках. Как правило, данные этих двух типов хранятся в ГИС раздельно, а связь между ними устанавливается только на этапе обработки и анализа.

Обычно пространственные данные представлены в виде «твердых» ко-пий (бумажные карты, литооттиски, и пр.) Вместе с тем, многие совре-менные карты создаются сразу в цифровом формате. В ГИС оба вида про-странственных данных обрабатываются по разному.

Атрибутивные данные описывают атрибуты точки, линии или полиго-на. Каждый атрибут содержит характеристику объекта, представленного точкой (например, госпиталь), линией (например, канал) или полигоном (например, лес). В частности, атрибуты можно использовать для описания различных свойств почвы, таких как толщина почвенного слоя, структу-ра почвы, тип эрозии и проницаемость. Атрибутивные данные, которые обычно представлены в табличной форме, также преобразуются в цифро-вой формат ГИС.

9.3. Представление данных

Для представления данных в ГИС используются переменные различного типа:

1. Номинальные переменные. 2. Порядковые переменные.

9.3. Представление данных I7S

3. Интервальные переменные. 4. Переменные отношений.

Номинальные переменные

Номинальные переменные используются для классификации данных в том случае, если последние можно разделить на отдельные группы по какому-либо признаку. Номинальные переменные бывают двух типов.

Булевы, или логические, переменные принимают только два значения {да и нет). Они используются в тех случаях, когда данные необходимо отнести к одной из двух категорий, например, если требуется классифицировать все населенные пункты по наличию или отсутствию в них больницы или разделить все города на те, в которых есть аэропорт, и те, в которых аэро-порта нет.

Категориальные переменные используются для разделения данных на несколько категорий без какого-либо упорядочивания. Например, можно ввести такие категории использования земель, как жилой район, зона от-дыха или зона торгово-промышленного использования. Другим примером категориальной переменной является порода деревьев: Quercus agrifolia, Pi-rns Coulteri, Eucalyptas calophylla и др.

Порядковые переменные

Порядковые переменные используются для описания дискретных классов данных, упорядоченных по какому-либо признаку. Данные можно клас-сифицировать по естественным качественным признакам (например, по состоянию сельскохозяйственных угодий) и по специальным количествен-ным показателям (например, по плотности населения). Примерами поряд-ковых переменных с естественной упорядоченностью являются транспорт-ные потоки разного уровня и ступени образования: начальное, среднее, среднее специальное и высшее.

Интервальные переменные

Интервальные переменные также обладают естественной упорядоченно-стью, но, помимо этого, для них определена и количественная характе-ристика — разность между двумя значениями. Интервальной переменной является, например, разность высот между двумя точками. Значение этой переменной для точек, расположенных на высоте 55 и 65 м точно такое же, как для точек, расположенных на высоте 80 и 90 м. Еще одним примером интервальной переменной является численность какой-либо социально-демографической группы населения.

Переменные отношений

Переменные отношений обладают всеми свойствами интервальных переменных, но отличаются от них наличием нуля — строго опреде-

176 Глава 9. Данные в ГИС

ленной точки начала отсчета. Типичным примером таких переменных является доход на душу населения или, например, доля грунта, прошед-шего через сито.

9.4. Источники данных

Различные источники данных для ГИС, которые обсуждаются в этом раз-деле, показаны на рис. 8.4.

Космические снимки

Важнейшей составляющей базы данных ГИС являются данные дистан-ционного зондирования, представленные в виде космических снимков. Методы космической съемки позволяют регулярно получать изображения больших участков Земли, которые можно использовать в качестве фоново-го слоя для векторных данных. Космические снимки используются в та-ких областях, как анализ антропогенного воздействия на природную сре-ду, оценка пригодности места строительства промышленных предприятий, планирование развития сети скоростных автомагистралей, мониторинг окружающей среды, борьба с природными катастрофами, сельское и лес-ное хозяйство. Космические снимки оказались полезными и для задач планирования городской инфраструктуры.

Результатом анализа и дешифрирования космических снимков являют-ся тематические карты.

Карты

Наиболее важным источником данных для ГИС являются обычные карты, которые были созданы для большей части земной поверхности. Эти карты могут соответствовать разным периодам времени, иметь разный масштаб, размер и формат и, благодаря этому, содержать данные о самых разно-образных объектах и явлениях. Для использования в ГИС карту сначала преобразуют в цифровую форму. В некоторых странах, например США, существует большое количество цифровых карт, которые можно использо-вать в ГИС без предварительной оцифровки.

Аэрофотоснимки и цифровые ортофотоснимки

Еще одним важным источником данных для ГИС являются аэрофото-снимки. Трансформированные аэрофотоснимки, на которых устранены смещения рельефа и радиальные искажения, называются ортофотоснимка-ми. Такие снимки геометрически эквивалентны картам и отображают объ-екты на земной поверхности в их истинных ортографических положениях. Благодаря этому ортофотоснимки можно использовать для измерения рас-стояний, углов и площадей. Однако, в отличие от карт, ортофотоснимки содержат информацию о бесконечном количестве объектов, и поэтому их сначала необходимо преобразовать в тематические карты.

9.5. Типичные наборы данных ГИС 177

Благодаря современным компьютерам с их быстродействием и возмож-ностями хранения больших объемов информации ортофотоснимки стали доступной коммерческой продукцией. Цифровые ортофотоснимки сохра-няют всю информацию, которая содержалась на исходном изображении, и обладают тем преимуществом, что их можно совмещать с используемы-ми в ГИС векторными картами.

Атрибутивные данные

Атрибутивные данные для ГИС обычно содержатся в таблицах, строки которых соответствуют отдельным измерениям, а столбцы — различным параметрам. Такие данные можно включить в состав ГИС в виде реляци-онных таблиц.

Данные геодезической съемки и полевых исследований

Во многих странах существуют государственные организации, которые ве-дут наблюдения и собирают данные о структуре горных пород, составе почв, рельефе, населении и т. д. Все эти данные также можно ввести в ГИС.

Другие источники

Методы тахеометрической съемки и нивелирования, которые традиционно использовались для сбора геодезических данных, сегодня уступили свое место новым технологиям, таким как электронная тахеометрия и система глобального позиционирования на местности (GPS). Эти технологии уже широко используются для сбора как пространственных, так и атрибутив-ных данных. Еще одним полезным источником информации для ГИС яв-ляется Интернет.

Говоря о многочисленных источниках данных, следует помнить, что все они могут иметь определенные ограничения и создавать проблемы при включении их в структуру базы данных ГИС.

9.5. Типичные наборы данных ГИС

Традиционной областью применения ГИС является оптимизация исполь-зования природных ресурсов и планирование развития регионов. Для ре-шения этих задач необходимы самые разнообразные данные.

Данные о природных ресурсах содержат информацию о землепользо-вании, типе сельскохозяйственных культур, посевной площади, водоемах и дренажных системах, составе почв и лесов, грунтовых водах и полезных ископаемых. Демографические данные характеризуют возрастную и соци-альную структуру населения, соотношение полов, структуру занятости, со-отношение городского и сельского населения и миграционные тенденции.

Агроэкономические данные содержат информацию о посевных и оро-шаемых площадях, сельскохозяйственном производстве, поголовье скота, рынках и ценах.


Социально-экономические данные характеризуют развитие промыш-ленности, рыболовства, туризма и других областей, а также ту часть на-селения, на которую распространяется действие различных пенсионных, социальных и иных программ. Данные об инфраструктуре содержат сведе-ния об учреждениях систем образования, здравоохранения и энергетики, о транспортной сети, линиях связи, инженерных коммуникациях и других подобных объектах.

9.6. Сбор данных

Понятие «сбор данных для ГИС» означает все этапы получения данных, перечисленные в разделе 9.5, а также их преобразование в цифровую форму. Для этого необходимо самое разнообразное оборудование и программное обеспечение: интерфейсные устройства, дигитайзер, текстовые редакторы и электронные таблицы, бортовые сканирующие устройства для прямой записи данных космической или аэрофотосъемки, обычные сканеры для преобразования карт и фотоснимков в цифровую форму, а также устрой-ства чтения данных с магнитных лент и компакт-дисков.

Для сбора цифровых данных используют различные методы, выбор ко-торых зависит от местоположения и размеров изучаемой территории, целей исследования и имеющихся технических средств. Например, при плани-ровке участка застройки используется крупномасштабное моделирование местности — в этом случае сбор данных ведется, в основном, с помощью полевых исследований. Если же необходимо изучить географическую об-ласть большого размера, то более подходящим источником данных явля-ются космические и аэрофотоснимки.

Данные космического дистанционного зондирования

Цифровые данные, полученные с помощью искусственных спутников, по-сле небольшой предварительной обработки можно сразу же использовать для создания базы данных ГИС. Каждый набор таких данных представ-ляет собой матрицу изображения, состоящую из пикселов — элементарных ячеек, в каждой из которых содержится число, характеризующее интенсив-ность отраженного излучения в определенном диапазоне длин волн. При этом важно, чтобы эти изображения были правильно соотнесены с гео-графической координатной сеткой. В противном случае невозможно будет определить истинное положение объектов.

Оцифровка карт

Оцифровка карт — относительно недорогой способ получения цифро-вых данных, к тому же не требующий, по сравнению с другими метода-ми, больших затрат времени. Как правило, бумажные топографические карты имеются для большей части территории страны, и с помощью их оцифровки можно получить всю необходимую информацию. Вме-сте с тем, следует помнить, что данные о высоте рельефа, полученные

9.6. Сбор данных I

путем оцифровки изогипс, менее надежны, чем данные точечной гео-дезической съемки.

Оцифрованные изогипсы можно воспроизвести в ГИС, но для их прак-тического использования необходимо выполнить целый ряд процедур по преобразованию данных в формат нерегулярной триангуляционной сети (TIN) или цифровой модели рельефа (ЦМР).

Для оцифровки карт используют устройство, которое называется диги-тайзером. В последнее время роль этих устройств заметно снизилась из-за все более частого использования сканеров и постоянно растущего количе-ства готовых цифровых данных, поставляемых государственными и ком-мерческими организациями.

Дигитайзеры различаются по своему размеру и разрешающей способ-ности, которая обычно составляет 0,025 мм. Они должны отвечать опреде-ленным техническим требованиям к стабильности в работе, точности и по-вторяемости результатов оцифровки и допустимой величине искажений.

Другой способ преобразования карт в цифровой формат заключается в использовании сканера с последующей векторизацией полученных дан-ных. Этот способ часто называют растровой или быстрой оцифровкой. С по-мощью этого метода можно выполнить оцифровку большого количества карт за относительно малое время, причем стоимость такой работы будет сравнима со стоимостью оцифровки традиционными способами. После сканирования карты требуется еще большая работа, связанная с разделе-нием данных на слои, выделением линейных объектов, реконструкцией их недостающих сегментов и т. д. Сначала растровое изображение, которое получается в результате сканирования, преобразуют в векторное. Это не-обходимо для определения топологии слоев (а значит и таких понятий как близость, связность и вложенность), а также для того, чтобы связать объек-ты с их атрибутами. Как и дигитайзеры, сканеры должны соответствовать определенным техническим требованиям к разрешению, точности, разме-рам поля сканирования, выходному формату файлов и функциональным возможностям программного обеспечения.

Фотограмметрия

Фотограмметрические методы сбора данных применяют при большой пло-щади или неровном рельефе изучаемой территории. При этом используют такие инструменты, как аналитические и аналоговые стереоплоттеры с ко-дирующими устройствами и цифровые фотограмметрические станции.

Аналоговый стереоплоттер — это устройство, предназначенное для получения трехмерных данных по аэрофотоснимкам. Стереоплоттеры оснащаются линейными и ротационными кодирующими устройствами, электронный сигнал которых преобразуется в координатные значения то-чек с помощью различных цифраторов. Эти значения передаются затем на компьютер. В этом методе фотограмметрии большая часть операций, включая выбор точек измерений, выполняется оператором вручную.

При использовании аналитического плоттера, измеренные оператором координаты точек используются для автоматического расчета соответству-


ющих фотографических координат на каждой стереопаре. Эта процедура выполняется в режиме реального времени с помощью компьютерной систе-мы стереоплоттера. Затем происходит коррекция положений фотоснимков так, чтобы получить единое стереоскопическое изображение. Процедуру измерения координат на аналитическом плоттере можно запрограммиро-вать нужным образом. Например, можно задать нерегулярную сетку с пе-ременной плотностью точек измерений, которая будет лучше отвечать осо-бенностям данной территории.

В цифровой фотограмметрии вместо аналоговых стереопар использу-ются цифровые изображения, которые можно получить, сканируя с очень высоким разрешением аэрофотоснимки либо используя методы дистанци-онного зондирования. Цифровая фотограмметрическая рабочая станция (ЦФРС) представляет собой комплекс, состоящий из основного оборудо-вания, программного обеспечения и периферийных устройств — цифро-вых камер, пленочных сканеров и плоттеров. ЦФРС предназначена для интерактивных стереоизмерений и оснащена пакетом программ, которые позволяют автоматизировать большую часть фотограмметрических опера-ций. С помощью этой станции оператор может просматривать, проверять и редактировать полученные данные. С появлением цифровых фотограм-метрических технологий впервые появилась возможность получать циф-ровые данные о рельефе, используя космические стереоснимки высокого разрешения.

Полевые исследования

Цифровые топографические данные можно получить и методами прямых измерений, используя для этого, например, электронный тахеометр или глобальную систему определения местоположения (GPS).

С помощью электронного тахеометра можно измерять расстояния и углы и по этим данным вычислять географические координаты и высо-ты точек рельефа, а также разность высот и расстояние между ними — по горизонтали и вдоль прямой. Эти приборы снабжаются встроенной памя-тью или внешним устройством записи для временного хранения данных, которые впоследствии передаются на компьютер.

Глобальная система определения местоположения

Глобальная система определения местоположения (GPS) — это спутнико-вая система наблюдений, предназначенная для определения координат х, у и z любой точки земной поверхности с очень высокой точностью. Суще-ствует два метода измерений с помощью системы GPS: статический и раз-ностный. Первый метод используется для определения координат точек там, где геодезические данные либо отсутствуют, либо являются ненадежными. Статический метод применяется также для точного измерения расстояния между двумя точками с помощью двух или более двухчастотных прием-ников GPS, которые одновременно регистрируют сигналы со спутников в течение приблизительно шести часов. Как правило, этот метод наблю-

9.7. Проверка данных и устранение ошибок 181

дения используется для определения координат при установке националь-ных и международных геодезических сетей, но он совершенно непригоден для сбора подробных топографических данных. В отличие от статического метода, в разностном методе GPS-измерений для определения географи-ческих координат и высот рельефа используются уже существующие кон-трольные точки. У этого метода есть две разновидности: кинематическая GPS-съемка и GPS-съемка в реальном времени.

Разностный метод GPS-измерений является очень эффективным поле-вым методом получения цифровых данных о рельефе при наличии необхо-димого количества контрольных точек и в зоне видимости спутников GPS.

Интернет

Интернет — это обширная компьютерная сеть, объединяющая рабочие станции, которые связаны между собой с помощью различных средств пере-дачи данных — спутниковых и иных радиоканалов, волоконно-оптических сетей, коаксиальных кабелей, кабелей типа «витая пара» и телефонных линий. Для соединения всех этих каналов используются такие коммуни-кационные устройства, как маршрутизаторы, коммутаторы, концентрато-ры и модемы, а передача данных осуществляется с помощью стандартного межсетевого протокола TCP/IP.

В качестве синонима слова «Интернет» иногда используют термин «Веб». Основное назначение Интернета состоит в предоставлении доступа к той информации, которая размещена на веб-страницах многочисленных сайтов. Физически эта информация хранится на веб-серверах, а пользова-тели получают к ней доступ с помощью программ, которые называются веб-обозревателями или веб-браузерами.

Пользователи ГИС могут найти в Интернете целые библиотеки вектор-ных и растровых тематических данных, а также полезные ссылки на другие источники информации. К сожалению, скорость передачи данных через Ин-тернет пока не позволяет воспользоваться этими ресурсами в полной мере.

Добавление атрибутивных данных

Атрибутивные данные (идентификаторы и коды объектов, метки изогипс и т. п.) добавляются к графическим элементам на экране в интерактив-ном режиме после преобразования пространственных данных из растровой формы в векторную.

9.7. Проверка данных и устранение ошибок

Важным этапом обработки данных является их проверка на предмет не-точностей, пропусков и других ошибок. Для поиска ошибок в простран-ственных данных их обычно распечатывают в виде числовых значений или графического изображения на прозрачной пленке или тонком листе бумаги в том же масштабе, что и исходная карта. Распечатку накладывают на ис-ходную карту и визуально определяют ошибки, связанные с пропуском дан-


ных или неправильной пространственной привязкой. Если карта состоит из одного листа, поиск ошибок ограничивается географическими границами данной карты. При анализе нескольких листов карты, а также в том случае, если данные оцифровки необходимо связать с данными, уже сохраненны-ми на компьютере, необходимо решить задачу «сшивки» отдельных листов. Некоторые ошибки в данных обнаруживаются уже при выполнении специ-альных операций, например, при формировании полигонов.

Для проверки атрибутивных данных также используют распечатки. Вместе с тем, гораздо более надежным способом проверки атрибутов явля-ется их анализ с помощью программы, которая выявляет грубые ошибки, такие как подмена чисел текстом или наличие значений вне допустимого диапазона.

Причины ошибок в пространственных и атрибутивных данных рас-сматриваются ниже.

Неполнота или неоднозначность пространственных данных. При ручном вводе данных возможны пропуски точек, линий и отдельных ячеек. При векторизации растровых изображений пропуск точек приводит к разрыву линии, а грубые ошибки оцифровки — к появлению изломов. Некоторые линии могут быть оцифрованы дважды. В этом случае на их пересечении и в узлах возникают разрывы контуров.

Неправильная пространственная привязка данных. Ошибки этого типа могут быть как случайными, так и систематическими. Случайные ошибки определения местоположения связаны, как правило, с недостаточной точ-ностью оцифровки. Причина систематических ошибок заключается в не-верном выборе системы координат либо неправильной работе аппаратного и программного обеспечения.

Избыточность пространственных данных. В результате оцифровки с помо-щью различного оборудования, в частности дигитайзеров и сканеров, каждая линия может быть представлена в виде избыточного набора точек, который, к тому же, занимает слишком большое место в памяти компьютера.

Неправильный масштаб пространственных данных. Причина ошибок этого типа — неправильный выбор масштаба во время оцифровки. По-добные ошибки проявляются, в основном, в процессе пространственной привязки.

Искажение пространственных данных. Искажения могут появляться, на-пример, из-за неоднородности масштаба исходной карты. Такая неодно-родность характерна для аэрофотоснимков, и связана она как с влиянием рельефа, так и с оптическими аберрациями. В свою очередь, печатные карты часто подвержены обычному механическому растяжению в каком-то одном направлении. Кроме того, печатные карты и дневники полевых наблюдений могут содержать случайные ошибки из-за воздействия до-ждя, солнечного света и частого использования. Ошибки могут появляться и в процессе преобразования системы координат.

Для устранения ошибок используют различные функции программ-ного обеспечения ГИС. Как правило, коррекция данных выполняется на экране монитора вручную, с помощью клавиатуры и мыши. В некоторых случаях для повторной оцифровки данных используется дигитайзер.

9.8. Географическая привязка данных I

Преобразованная линия

Т Т Т

1 1 1 j т

./ . Исходная линия

Рис. 9.1. Метод растяжения

Проблемы, связанные с неправильным выбором масштаба, можно устра-нить с помощью обычных поправочных коэффициентов. Вместе с тем, для совмещения топографических и тематических карт этого иногда оказывает-ся недостаточно, и необходимы более сложные математические преобразо-вания, которые сводятся к операциям поворота и линейного перемещения. Этот процесс проиллюстрирован рис. 9.1, где поточечное совмещение двух карт задано в виде множества векторов Т. На практике совмещение двух карт ведется до тех пор, пока длина каждого из векторов не станет равной нулю, то есть пока контрольные точки двух карт не будут совмещены друг с другом. При этом координаты всех остальных точек должны быть пре-образованы соответствующим образом. Этот процесс называется «наложе-нием». Его нельзя применить непосредственно к растровым данным — для исправления ошибки или изменения значения атрибута растровых данных необходимо изменить соответствующее значение в одной из ячеек матрицы изображения.

Более подробное обсуждение ошибок пространственных данных в ГИС приводится в разделе 9.9.

9.8. Географическая привязка данных

Для работы с пространственными данными необходимо задать систему координат. Выбор системы координат позволяет не только указать место-положение объектов на поверхности Земли, но и построить карты, точно передающие свойства этой поверхности на плоскости.

Таким образом, географическая привязка — это та основа, которая ис-пользуется для регистрации и анализа местоположения объектов, опреде-ления их формы и измерения расстояний и площадей. Для географической привязки можно использовать:

1. Географическую систему координат. 2. Прямоугольную систему координат. 3. Бескоординатный способ.

Географическая система координат

В географической системе координат положение объекта определяется дву-мя координатами — широтой и долготой, при этом поверхность Земли счи-тается сферой. Как показано на рис. 9.2, линии одинаковой долготы — ме-ридианы — начинаются на одном полюсе Земли и соединяются на другом,


N

Гринвиче меридиан

Меридиан, проходящий через точку Р

Параллель, проходящая через точку Р на широте ф

Экватор

S

Рис. 9.2. Система географических координат

а линии одинаковой широты пересекают меридианы под прямым углом и расположены параллельно друг другу. Долгота X точки Р равна углу меж-ду меридианом, проходящим через эту точку, и гринвичским, или нулевым, меридианом. Этот угол измеряется в плоскости экватора, а его значения лежат в диапазоне от —180 до 180°. Широта ср точки Р равна углу POP, где О — центр Земли. Широта изменяется в пределах от -90 до 90° и считается положительной для точек Северного полушария и отрицательной для точек Южного полушария.

При использовании географической системы координат предпола-гается, что поверхность Земли — идеальная сфера, что, конечно, явля-ется очень грубым приближением. В действительности, форма Земли не является гладкой и правильной, и ее более точной аппроксимацией служит сжатый у полюсов сфероид. При построении мелкомасштабных карт этими отклонениями от идеальной сферической формы можно пренебречь, однако для правильного отображения небольшого участка Земли на крупномасштабной карте требуется вносить соответствующие поправки.

Неровности земной поверхности можно учесть, используя систему координат четырехуровневой триангуляционной сети (Quaternary Trian-gular Mesh, QTM). В этой системе вместо меридианов и параллелей ис-пользуется сетка, составленная из треугольников, покрывающих одина-ковые площади земной поверхности. Такая сетка обладает определенной гибкостью, поэтому ее можно адаптировать к небольшим неровностям поверхности Земли.

Прямоугольная система координат

Поскольку в ГИС хранятся, в основном, двумерные данные, для работы с ними удобнее всего использовать прямоугольную систему координат. Как правило, поверх карты наносится координатная сетка, линии кото-рой представляют собой картографическую проекцию меридианов и па-

9.8. Географическая привязка данных

84' 72е

64° 56° 40е

32е

24е

16е

8е

0е

8е

16е

72е

80е

<N 1 , г 1 1й Я 1 * 1 го го т Экватор

1 Ю

Рис. 9.3. Зоны универсальной поперечной проекции Меркатора

раллелей. Картографическая проекция — это функция, преобразующая географические координаты точек на поверхности Земли в прямоугольные координаты в плоскости карты. На практике для построения различных карт используют разные проекции, свойства которых наилучшим образом соответствуют задачам картографирования местности.

Для небольших территорий чаще всего используют простейшую ква-дратную сетку. Для картирования больших областей одной из наиболее распространенных проекций является универсальная поперечная проек-ция Меркатора (УППМ). В этой проекции поверхность Земли разделяется на 60 меридиональных зон по шесть градусов каждая (рис. 9.3). Проециро-вание каждой зоны осуществляется на цилиндр, который касается земной поверхности по центральному меридиану зоны. Для того чтобы избежать искажений, которые возникают вблизи полюсов, в каждой зоне проециру-ется только область между 84° с. ш. и 80° ю. ш.

Для повышения точности измерений проекцию слегка видоизменяют так, чтобы заданный масштаб сохранялся вдоль двух стандартных ме-ридианов, расположенных на 180 км восточнее и западнее центрального меридиана зоны. Для компенсации искажений между двумя стандартны-ми меридианами вводится поправочный коэффициент, равный 0,9996, а для компенсации искажений вблизи границ зоны — коэффициент, рав-ный 1,0004.

Универсальная поперечная проекция Меркатора принята в качестве стандартной во многих организациях, занимающихся дистанционным зондированием, топографией и инвентаризацией природных ресурсов. По-скольку эта проекция пользуется наибольшей популярностью, большин-ство коммерческих цифровых данных в США представлены именно в ней. В настоящее время УППМ можно выбрать в качестве рабочей системы координат у большинства GPS-приемников. Таким образом, универсаль-ная поперечная проекция Меркатора является фактическим стандартом в области сбора пространственных данных.


Бескоординатный способ привязки

При этом способе пространственная привязка данных выполняется с по-мощью определенных кодов. Одним из примеров такой привязки являются почтовые индексы, которые могут быть исключительно цифровыми как, на-пример, индекс 267667 (Индия), или буквенно-цифровыми как, например, почтовый индекс DL3 6КТ (Великобритания). Эти две системы кодирования проиллюстрированы на рис. 9.4. Конечно, они предназначены для повыше-ния эффективности работы почты, а не для пространственной привязки дан-ных в ГИС. Тем не менее, у них есть определенные преимущества:

1. Почтовые индексы существуют везде, где работают и живут люди. 2. Каждому индексу соответствует более чем один адрес. 3. Система индексов позволяет сохранять конфиденциальность опре-

деленной информации. Хотя почтовые индексы обычно присваиваются определенным географи-

ческим зонам, это не является общим правилом. Например, отдельные ин-дексы могут быть присвоены правительственным организациям с большим объемом почтовых отправлений или крупным коммерческим компаниям.

У каждого способа пространственной привязки есть свои недостатки. Например, почтовые индексы сложно обновлять, а картографические про-екции не позволяют точно измерять все необходимые геометрические па-раметры. Кроме этих частных, существуют и общие проблемы, связанные с природой самих объектов. Например:

1. Местоположение движущихся людей, животных и автомобилей можно указать только для определенного момента времени.

2. При изменении русла рек или сети дорог приходится не только за-ново выполнять их пространственную привязку, но иногда и пере-определять экономические зоны.

3. Некоторые объекты, например здания, могут быть представлены на картах различного масштаба по-разному, например, в виде точек и в виде полигонов.

Дополнительные трудности могут возникать из-за того, что в различ-ных организациях, поставляющих данные для ГИС, используют разные способы пространственной привязки. В этом случае требуется не только

(а) Числовые индексы (б) Буквенно-числовые индексы

Рис. 9.4. Бескоординатный способ привязки

9.9. Ошибки в пространственных данных 187

выбрать стандартный способ представления данных, но и периодически выполнять процедуру преобразования тех данных, способ представления которых отличается от выбранного. К счастью, в большинстве ГИС име-ются все необходимые средства для интеграции и преобразования данных из различных источников.

9.9. Ошибки в пространственных данных

Для того чтобы продукция ГИС отвечала высоким требованиям к качеству, необходимо минимизировать количество ошибок, которые могут содер-жаться в исходных данных и появляться в процессе их обработки. Поэтому очень важно, чтобы пользователи ГИС документировали все ограничения и требования, относящиеся к источникам данных и конечному результату.

Ошибки и качество данных

По существу, понятие качества означает просто отсутствие определенных про-блем, связанных с ошибками в данных. Для определения источников ошибок и способов их устранения полезно проанализировать такие характеристики данных, как их точность, погрешность измерения и несмещенность.

Описание объектов в ГИС зависит от модели их представления, а также от разрешения и степени генерализации исходных данных. Наборы дан-ных, предназначенные для использования в ГИС, должны быть полными, непротиворечивыми и совместимыми между собой.

Ошибки, точность и погрешности измерения

Ошибки в наборе данных характеризуются величиной случайного отклоне-ния. Точность, или достоверность, данных определяется степенью близости измеренных значений фактическим [12, 13]. Погрешность измерений харак-теризуется разбросом значений одной и той же величины в нескольких из-мерениях. Очевидно, что данные ГИС могут быть вполне достоверными, но при этом иметь очень большую погрешность, и наоборот. Так, например, погрешность сохранения данных на жестком диске компьютера — практи-чески нулевая, но сами данные могут быть сколь угодно неточными.

Смещение

В ГИС под смещением понимают систематическое отклонение измеренных значений от истинных. Ошибки этого типа наблюдаются, как правило, во всем наборе данных. В частности, систематическое смещение может воз-никать при плохой калибровке дигитайзера.

Разрешение

Определение разрешения, как одной из важнейших характеристик про-странственных данных, было приведено в гл. 8. Разрешение зависит от


масштаба исходной карты, размеров точечных объектов, ширины линий и точности оцифровки.

Генерализация

Генерализация — это упрощенное представление физических объектов на карте или в цифровой модели. Уровень генерализации зависит от масштаба карты и технических возможностей тех средств, которые используются для формирования данных. В результате генерализации возникают позицион-ные ошибки, связанные, например, с представлением площадных объектов в виде точек, увеличением толщины линий или относительным смещени-ем близлежащих структур.

Полнота, совместимость, целостность и применимость данных

Набор данных ГИС, в том числе и его атрибутивная часть, должен обладать как пространственной, так и временной полнотой. Кроме того, различные наборы данных должны быть совместимы. Так, например, при наложении двух карт их масштабы должны быть одинаковыми, иначе результат такого наложения будет совершенно бессмысленным. Для обеспечения совмести-мости очень важно использовать одни и те же методы получения, записи и коррекции данных. При оценке качества каждого отдельного набора дан-ных следует обращать внимание на его непротиворечивость. Противоречия в данных могут возникать, например, при использовании разных источ-ников информации или оцифровке карт разными людьми. Пригодность данных для решения той или иной задачи определяется теми операциями обработки и анализа, которые должны применяться к этим данным. Так, данные о высотах рельефа абсолютно неприменимы для решения задачи интерполяции с помощью полигонов Тиссена, поскольку в этом методе предполагается наличие резких скачков функции, которые отсутствуют в непрерывной модели рельефа.

Источники ошибок

Ошибки в в данных ГИС можно разделить на несколько категорий: 1. Концептуальные ошибки. 2. Ошибки, связанные с источником данных. 3. Ошибки кодирования данных. 4. Ошибки, связанные с коррекцией и преобразованием данных. 5. Ошибки, возникающие на этапе обработки и анализа данных. 6. Ошибки вывода данных. Концептуальные ошибки. Ошибки этого типа возникают при интер-

претации и моделировании пространственных объектов. Объекты могут по-разному восприниматься разными людьми, и это будет проявляться в данных. Какова бы ни была модель, лежащая в основе ГИС, она являет-ся лишь упрощенным представлением реального мира, и, следовательно,

9.9. Ошибки в пространственных данных 185

в ней содержатся ошибки, связанные с генерализацией объектов, неполно-той и частичной противоречивостью данных.

Ошибки, связанные с источниками данных. Источники пространствен-ных и атрибутивных данных ГИС обсуждались в разделе 9.6. С каждым таким источником связан свой тип ошибок. Так, при полевых исследо-ваниях возникают, в основном, инструментальные ошибки и ошибки, связанные с человеческим фактором. В данных дистанционного зонди-рования и на аэрофотоснимках могут содержаться ошибки, связанные с неправильной пространственной привязкой или неверным дешифри-рованием. Помимо этого, источником ошибок служит изменчивость не-которых объектов во времени.

В наиболее часто используемом источнике данных — картах — содер-жатся как позиционные, так и тематические ошибки. Как правило, они возникают из-за технических сбоев, неправильных действий оператора и несовершенства существующих методов картографии.

Ошибки кодирования данных. Кодированием данных называется про-цесс их преобразования в формат ГИС. Кодирование данных является од-ним из основных источников ошибок. Оцифровка карт также относится к процедурам кодирования. Несмотря на автоматизацию оцифровки, она по-прежнему включает значительную часть ручного труда, что налагает соответствующие ограничения и является одним из главных источников ошибок. Так, преобразование плавной кривой на карте в ее цифровое представление связано с выбором точек оцифровки. В результате бесконеч-ное множество точек преобразуется в относительно небольшое число узлов, и кривая принимает вид ломанной, показанной на рис. 9.5.

Ошибки могут возникать также из-за неточного совмещения листов карты или из-за недостаточной разрешающей способности растровых ска-неров, которые применяются для автоматической оцифровки.

Ошибки, связанные с редактированием и преобразованием данных. Данные, полученные в результате ручной и автоматической оцифровки, неизбежно со-держат ошибки, которые, конечно же, необходимо устранить. Искать ошибки сложно, однако от многих из них можно избавиться при тщательной про-верке данных. На рис. 9.6 показаны распространенные ошибки оцифровки и результат их устранения с помощью автоматизированных функций, реа-лизованных в ряде векторных ГИС. Как видно из рисунка, окончательный результат во многом зависит от выбранных допусков.

Узел

Исходная кривая Промах

Рис. 9.5. Оцифровка кривой


Г Пропуск остается

Пропуск устранен

(б) Слишком большое пороговое значение

Рис. 9.6. Ошибки оцифровки и результат их устранения в векторной ГИС

При использовании автоматизированных методов поиска ошибок в растровых ГИС возникают проблемы, связанные с шумом, или, ина-че, ошибочной классификацией. Шум может быть регулярным и случай-ным. Случайный шум обнаруживается гораздо сложнее. Для устранения шума используют фильтрацию, результатом которой является повторная классификация точек растра. При этом, очень важно выбрать правильный фильтр, не затрагивающий значащую информацию.

После редактирования растровые данные могут быть преобразованы в векторные, а векторные в растровые. При преобразовании растровых данных в векторные возникают топологические неоднозначности (рис. 9.7). При обратном преобразовании большое значение с точки зрения ошибок имеют размеры точки растра и метод растрирования. Так, из-за генера-лизации данных могут появиться ошибки, связанные с классификацией точек вдоль контура векторного полигона, в результате чего он будет иметь зубчатый вид на растровом изображении. Помимо топологических ошибок, преобразование векторных карт в растровые ведет к потере небольших по-лигонов и появлению искажений, вызванных случайным смещением и по-воротом растра.

Иногда преобразование данных необходимо для их передачи на другую систему. В подобных случаях перевод базы данных ГИС из одного про-граммного пакета в другой может привести к появлению так называемых технических ошибок.

Обработка и анализ ошибок. Прежде чем приступать к обработке и ана-лизу данных в ГИС, необходимо убедиться в том, что:

1. Данные соответствуют цели исследования. 2. Используемые наборы данных совместимы между собой. 3. Выбрана правильная методика анализа данных.

9.11. Структуры пространственных данных 187

Исходная Векторная карта, Растровая карта, векторная карга преобразованная в растровую преобразованная в векторную

Рис. 9.7. Топологические неоднозначности при преобразовании данных

В процессе обработки данных в ГИС ошибки чаще всего возникают при выполнении таких операций, как классификация данных, объединение или разделение площадных объектов, наложение нескольких слоев карты. Так, при наложении двух полигонов вдоль их границ могут появляться так называемые осколки — небольшие полигоны, возникающие из-за не-полного совмещения контуров двух карт (рис. 9.8). Причиной образования «осколков» могут быть ошибки, связанные с разным временем оцифровки карт, а также ошибки в исходных данных.

Следует также заметить, что при наложении слоев карты ошибки по-зиционирования иногда приводят к ошибкам в значениях атрибутов.

Ошибки при выводе данных. Неточности в выходных данных ГИС явля-ются неизбежным следствием тех погрешностей, которые содержатся в ее базе данных, и ошибок, возникающих при обработке и анализе данных.

Рис. 9.8. Полигоны-осколки, возникающие при векторном наложении


Степень этих неточностей зависит от того, насколько тщательно проводи-лась работа на каждом этапе создания базы данных ГИС — от ее проекти-рования до анализа данных.

9.10. Пространственные модели

Цифровые географические данные являются представлением объектов и явлений реального мира в формате ГИС и картографических программ. Для эффективного использования этих данных они должны быть органи-зованы в географическую базу данных.

В отличие от традиционных карт, которые являются просто статичны-ми «снимками» земной поверхности, географическую базу данных можно использовать для выполнения различных операций, связанных с сорти-ровкой, обработкой, анализом и отображением пространственных данных, в том числе в динамике.

Способы представления данных в ГИС называются моделями. Модели данных связывают физическое описание объектов с их цифровым представ-лением в ГИС. Процесс создания модели состоит из следующих этапов:

1. Идентификация пространственных объектов в контексте решаемой задачи и определение способа их представления в концептуальной модели.

2. Выбор растрового или векторного типа представления концепту-альной модели.

3. Выбор структуры пространственных данных для хранения модели на компьютере.

Структура пространственных данных в модели — это физический спо-соб кодирования параметров объектов, который используется для их хра-нения и анализа.

Следует различать объекты и свойства. Объекты (например, здания, до-роги, города и лесные массивы) всегда дискретны, а их местоположение точно определено. Свойства, к которым относят топографию, население, температуру и уровни выпадения осадков, обычно распределены непре-рывным образом по большой площади. С учетом этих различий для опи-сания объектов реального мира в географической базе данных используют модели двух типов (рис. 9.9):

1. Объектная модель. 2. Полевая модель.

Объектная модель данных

В объектной модели географическое пространство заполнено отдельны-ми хорошо идентифицируемыми объектами. Каждый пространственный объект имеет четкие границы, а его свойства можно описать с помощью одного или нескольких параметров, которые называются атрибутами. Про-странственные объекты разделяются на два типа:

1. Четкие объекты. 2. Нечеткие объекты.

9.10. Пространственные модели 193

Реальный мир

Примерами четких пространственных объектов являются здания, до-роги и земельные участки. Нечеткими называют те объекты, граница ко-торых определена недостаточно точно. Свойства нечетких объектов плавно изменяются при пересечении предполагаемой границы. К этой категории объектов обычно принадлежат ландшафты, месторождения полезных ис-копаемых, почвы, леса и ареалы.

Для построения объектной модели используют результаты полевых ис-следований, а также данные, полученные с помощью фотограмметриче-ских методов, методов аэрофотосъемки, дистанционного зондирования и оцифровки карт. Представление пространственных объектов в модели зависит от географического масштаба цифровой записи и типа объекта. В общем случае объект может быть представлен в виде точки, линии или полигона (рис. 9.10).

Полевая модель

В полевой модели географическое пространство заполнено данными, ко-торые непрерывно распределены в пространстве и не имеют четко опреде-ленных границ. Такие распределения называются полями. Для получения

7 - 3! 79


Линия электропередачи Лес

Здания 4

Точки

Рис. 9.10. Представление четких объектов

данных этого типа используют аэрофотосъемку, методы дистанционного зондирования, карты и полевые измерения в ряде выборочных точек, на-пример узлов нерегулярной триангуляционной сети. Набор полевых данных можно сформировать также косвенными методами — путем интерполяции, повторной классификации и повторной выборки исходных измерений. Примером данных, полученных в результате расчетов, являются изогипсы и цифровые модели рельефа. При отображении пространственных явлений их представляют в виде поверхностей, для построения которых используют регулярную или нерегулярную мозаику.

Поскольку объектные базы данных обычно реализованы в виде коор-динатных списков (векторов), их называют векторными моделями данных. В базах данных полевых моделей основными элементами являются ячейки мозаики. Поскольку такая структура чаще всего представлена в виде ко-нечной сетки квадратных или прямоугольных ячеек, соответствующие БД называют растровыми моделями данных.

9.11. Структуры пространственных данных

В структуре данных содержится информация, необходимая для представ-ления модели в цифровой форме. Различные структуры данных, которые используются в ГИС, можно разделить на растровые и векторные.

Структуры растровых данных

В «мире» растровых изображений для кодирования объектов используется несколько различных методов. Наиболее простой способ кодирования рас-трового изображения (рис. 9.11, а) состоит в том, что в файл (рис. 9.11, в) записываются числовые значения ячеек растра (рис. 9.11, б). Первая строка растрового файла представляет собой заголовок с информацией о разме-ре растра и максимальном значении ячейки. В примере, показанном на


0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

ю, 10, 1, о, о, о, о, о, о, о, о, о, о, о, о, о, о, о, о, О, 0, 0, 1, 1, 1, 1, 1, О, 0, 0, 0, 1, 1, 1, 1, О, О, О, О, 1, 1, 1, 1, О, О, О, 0, 0, 1, 1, 1, О, О, О, О, 1, 1, 1, 1, О, О, О, 0, 1, 1, 1, о, О, О, О, О, О, О, О, О, О, О, О, О, О, О, О, О,

(в) Структура файла

О, О, О, О, О, О, о, о,

о, о,

о, о,

о, о,

о, о,

о, о,

о, о,

(а) Модель объекта (б) Значения ячеек

Рис. 9.11. Растровая структура данных

рис. 9.11, в, заголовок содержит числа 10, 10 и 1. Они означают, что изобра-жение состоит из 10 строк и 10 столбцов, а максимальное значение ячейки равно 1. Как видно из рисунка, число 0 соответствует пустым ячейкам, а число 1 — ячейкам объекта.

В структуре растровых данных различные объекты (строения, водое-мы, дороги) хранятся в отдельных файлах, представляющих разные слои пространственных данных. Однако если объекты не перекрываются в про-странстве (представлены разными ячейками растровой модели), их можно хранить в одном слое, но при этом назначить каждой ячейке код объекта, которому она принадлежит (рис. 9.12).

На рисунке 9.12 присутствует четыре категории земельных участков: поле, лес, водоем и территория жилой застройки (рис. 9.12, а), закодиро-ванные числами 1, 2, 3 и 4 соответственно (рис. 9.12, б). Структура файла для этого примера показана на рис. 9.12, в. В первой строке файла содер-жатся значения 10, 10 и 4. Это означает, что изображение состоит из 10 строк по 10 пикселов каждая, и на нем присутствует четыре разных объ-екта. Поскольку приходится хранить значения всех пикселов изображения, размер набора растровых данных не зависит от количества представленных

2 2 2 2 2 1 2 2 2 2 2 1 2 2 2 2 2 1 2 2 2 3 3 1 3 3 3 3 3 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1

(а) Модель объектов Пахотные

"земли

10, 10, 4, 2, 2 , 2 , 2 , 2 , 1

2, 2 , 2 , 2 , 2 , 1

2 , 2 , 2 , 2 , 2 , 1

2, 2, 2, 3, 3, 1 3, 3, 3, 3, 3, 1 3, 3, 3, 3, 3, 3 3, 3, 3, 3, 3, 3 3, з, 4, 4, 4, 4 4, 4, 4, 4, 4, 4

(б) Значения ячеек

4, 4, 4, 4, 1, 1

(в) Структура файла

Рис. 9.12. Коды объектов ячеек


в нем объектов. Для уменьшения объема памяти, необходимого для хране-ния данных, применяют различные методы сжатия.

Структура векторных данных

Простейшей структурой векторных данных является файл со списком ко-ординат (х, у) точечных объектов либо точек, по которым строятся линии или полигоны.

На рис. 9.13, а показана простая векторная структура, в которой коор-динаты точек используются для описания земельного участка. Ограниче-ния этого подхода проявляются при обработке сложных пространствен-ных объектов. Например, если разделить участок на меньшие участки 1, 2 и 3, как показано на рис. 9.13, б, то их можно будет представить в виде прилежащих друг к другу полигонов. В этом случае использование структуры, показанной на рис. 9.13, а, приводит к дублированию дан-ных. При значительном числе объектов эта проблема становится весь-ма серьезной. Для ее решения составляют нумерованный каталог точек с указанием их координат, а объекты задают номерами точек из этого каталога (рис. 9.13, б).

На рис. 9.14 показана еще более сложная ситуация. Здесь изображены четыре павильона с информационной стойкой в центре. Простая вектор-ная структура позволяет воссоздать план территории, но не передает ин-формацию о том, что стойка окружена павильонами.

(*4> Л) Файл типа «спагетти»

X У *м Ух

Уг Уу

ДС4, У4 У\

(*i, У.) (*2, Уг) (а) Простая структура данных

6 у6) 5 (х5, у5) 4 (х4, у4) • <

Участок 3

й L Я

> i

Участок 2

L к 1 8 л) '

Участок 1 < 1 1 <*„ Уг) 2 (*2, Уг)

(б) Каталог точек

Рис. 9.13. Структура векторных данных

Файл каталога точек 1 *., Л 2 х,, у,

8

Файл полигонов Иденти-фикатор Точка

Участок 1 1, 2, 3, 7 Участок 2 3, 4, 5, 8 Участок 3 5, 6, 7, 8


Для представления точек, линий и полигонов, показанных на рис. 9.14, а также соседних объектов, следует использовать топологическую струк-туру данных, в которой будет содержаться вся необходимая информация. Пример такой структуры показан на рис. 9.14. Заметим, что топологическая структура описывает, по существу, не физическую форму объектов, а су-ществующие между ними связи. Для ее определения необходимо, чтобы были выполнены определенные требования к пространственным объектам (табл. 9.1), а также ряд фундаментальных условий:

1. Узлы и сегменты линий не должны дублироваться. 2. Должна быть возможность включения узлов и сегментов в разные

полигоны. 3. У каждого полигона должен быть уникальный идентификатор. 4. Полигоны, окруженные другими полигонами, должны воспроизво-

диться корректно.

9.12. Моделирование поверхности

Наряду с пространственными объектами, к которым относятся здания, дороги, леса и водоемы, в базе данных ГИС должны быть представлены и различные пространственные свойства — например, высота рельефа, плотность населения, степень загрязнения окружающей среды или уровень осадков. Пространственные вариации таких свойств удобно представлять с помощью цифровой модели рельефа (ЦМР).

ин *(м) УЫ) 1 0 0 2 10 0 3 20 0 4 20 10

И 15 10 12 10 15

Файл полигонов ин Список

сегментов 101 4 /, My /, н 102 в, С, к N, J 103 А Е, I , О, К 104 Л G, /, />, L

Файл сегментов

ин Пер-вый узел

По-следний

узел

Левый поли-

гон

Правый полигон Длина,

м А 1 2 101 Внешний 10 С 2 3 102 Внешний 10 С 3 4 102 Внешний 10 D 4 5 103 Внешний Ю

О 11 12 105 103 7,07 Р 12 9 105 104 7,07

Файл атрибутов полигонов

ИН VAR1 (Название)

VAR2 (Площадь,

M2) 101 Punjab stall 87,5 102 Rajasthan stall 87,5 103 Maharashtra stall 87,5 104 Kerala stall 87,5 105 W. Bengal stall 50,0

Рис. 9. 14. Топологическая структура данных


Табл. 9.1. Топологические требования к пространственным объектам

Объект Требование Точка Указание координат точки относительно других пространственных

объектов Линия Упорядоченный набор точек (дуга, сегмент или цепочка) с заданной

начальной и конечной точками, определяющими направление линии Полигон Сведения о точках и линиях, образующих границу полигона, а так-

же информация о последовательности их соединения

Цифровая модель рельефа — это набор точек с координатами х, у, z, моделирующих топографическую поверхность. Точность ЦМР зависит от количества и расположения таких точек. Для создания ЦМР использу-ют различные источники данных: топографические карты, космические снимки и данные геодезической съемки. Цифровые модели рельефа могут быть растровыми и векторными.

Растровые модели

Растровая ЦМР представляет собой матрицу, в каждой ячейке которой хранится единственное значение высоты, соответствующее области, кото-рую покрывает данная ячейка. Точность моделирования в этом случае за-висит от разрешения матрицы и сложности рельефа (рис. 9.15, а)

Векторные модели

Векторная ЦМР отличается от растровой тем, что значения высоты в этой модели содержатся в узлах равномерной сетки (рис. 9.15, б). Если данные распределены неравномерно, для построения ЦМР чаще всего использу-ют нерегулярную триангуляционную сеть (рис. 9.15, в), образованную не-равносторонними треугольниками с вершинами в точках измерений. Узлы нерегулярной триангуляционной сети (TIN) соответствуют горным пикам, впадинам и перевалам, а стороны треугольников — хребтам и долинам. Для каждого треугольника можно определить его площадь, наклон, и ори-ентацию. Значения этих параметров сохраняются в качестве атрибутов TIN и используются при последующем анализе данных.

Модель TIN обладает следующими свойствами: 1. Для хранения данных не требуется большого объема памяти. 2. Плоский рельеф можно смоделировать с помощью меньшего коли-

чества точек, чем в других моделях. Эффективность данной модели с точки зрения хранения данных

объясняется тем, что в ней используются только те точки, которые зна-чимы для построения поверхности. Эти точки автоматически выбирают-ся с помощью специальной процедуры пространственного анализа, при этом значимыми точками считаются только те, которые нельзя получить путем интерполяции. Именно они и берутся в качестве узлов триангу-ляционной сети.

9.13. Моделирование сетей 199

(о) Растровая ГИС (б) Векторная ГИС (*) Векторная ГИС на основе НТС

Рис. 9.15. Моделирование поверхностей

9.13. Моделирование сетей

Сетью называется группа взаимосвязанных линейных объектов, которые служат для транспортировки людей или товаров либо используются для передачи информации. Примерами сетей являются автомобильные и же-лезные дороги, а также линии телефонной связи. Поскольку для пред-ставления сетей в ГИС используются абстрактные модели, для их анали-за не подходят ни векторные, ни растровые формы данных. На рис. 9.16 показана модель сети, построенная из тех же элементов (узлов и линий), что и любая векторная модель, но с добавлением специальных атрибутов. Атрибуты, применяемые для представления различных компонентов сетей (дуги, узлы, центры, соединения), подробно описаны в табл. 9.2.

Сети характеризуются следующими параметрами: 1. Импеданс. 2. Баланс потоков на входе и выходе. Под импедансом здесь понимают затраты на движение по сети, останов-

ку, поворот или посещение сервисного центра. Затраты могут выражаться через время перехода между узлами, а в случае транспортных потоков — че-рез время в пути, количество топлива и оплату труда персонала. Импеданс сегментов сети зависит от ее загруженности, системы управления движе-нием и топографии. Различные типы импеданса описаны в табл. 9.3.

Рис. 9.16. Векторная модель сети


Табл. 9.2. Определение атрибутов моделей сетей

Атрибут Что представляет Дуга Сетевые связи: шоссе, железные дороги, ЛЭП, кабели, трубопро-

воды, реки, каналы Узел Конечные точки сетевых связей: остановки, терминалы, пересече-

ния транспортных артерий, слияние рек Остановка Точки: автобусные остановки, точки загрузки-разгрузки в сетях

доставки Центр Определенные места в сети: торговые центры, аэропорты, больни-

цы, города (на мелкомасштабных картах) Поворот Переход между сетевыми каналами через узел. Повороты против

направления движения и против течения требуют больше време-ни, а на односторонних магистралях такие развороты запрещены

Баланс входных и выходных потоков (спроса и предложения) также яв-ляется важным параметром сетевого анализа. Входной поток — это количе-ство материалов в центре распределения, которое должно соответствовать потребностям в конечных точках различных сегментов сети. Например, число баллонов со сжиженным газом, необходимое населенному пункту, представляет собой спрос, а доступное их число на складе компании — предложение. Для анализа входных и выходных потоков очень важно за-дать правильную топологию.

9.14. База данных ГИС и система управления базами данных

Большая часть информации, поступающей в ГИС из различных источ-ников, хранится в базах данных информационной системы. База данных (БД) является естественным и надежным способом организации и обра-ботки данных, однако для ее внедрения требуются дополнительные усилия и ресурсы, поэтому эффективность баз данных ГИС во многом зависит от этапа их разработки.

Табл. 9.3. Атрибуты импеданса

Атрибут Знак Одностороннее движение — •

Двустороннее движение -о* Узкая улица (медленное движение) Широкая улица (быстрое движение) Перекресток со светофором • Перекресток без поворота направо Гараж Склад ш

9.14. База данных ГИС и система управления базами данных 201

Прежде чем приступать к изучению компьютерных методов хранения дан-ных, важно получить общее представление об их организации, позволяющей вводить и отображать эти данные с помощью графического интерфейса. Об-щее представление о структуре данных необходимо также и для понимания принципов работы системы. Поскольку в ГИС все графические объекты (точ-ки, линии, полигоны) имеют пространственную привязку, структуру тради-ционных баз данных приходится адаптировать так, чтобы работа с простран-ственными и атрибутивными данными была максимально эффективной.

Базы данных ГИС — это не только способ управления атрибутами про-странственных объектов, но и инструмент анализа данных, позволяющий из-влекать из них необходимую информацию. Для этого в базе данных предусмо-трены средства сортировки, объединения и преобразования данных, а также средства выполнения статистических расчетов. Благодаря картографическим функциям ГИС результаты такого анализа можно наносить на карту.

Существует множество определений баз данных, но если следовать одно-му из самых простых, то БД — это просто набор данных, структурирован-ный так, чтобы их можно было быстро извлекать для принятия решений.

База данных ГИС

Базой данных называют набор файлов, структура которых обеспечивает хранение, извлечение и организацию данных. Существует три способа хра-нения данных в БД:

1. Простые списки. 2. Упорядоченные файлы последовательного доступа. 3. Индексированные файлы. Простые списки. Простейшим форматом файла БД является обычный

список элементов. Новые элементы просто добавляются к концу списка. В такие файлы удобно добавлять данные, но их извлечение из файлов этого формата крайне неэффективно. Так, поиск в списке из п элемен-тов потребует в среднем (п + 1)/2 операций. Если чтение карточки с ин-формацией занимает 1 с, то поиск в подборке из 200000 карточке займет (200000 — 1)/2 с, или 27 ч. Таким образом, очевидна необходимость в более эффективной организации базы данных.

Упорядоченные файлы последовательного доступа. В упорядоченных файлах элементы данных хранятся в алфавитном порядке, как в телефон-ном справочнике. Традиционно поиск в таких файлах ведется методом декомпозиции. Поиск начинается не с начала, а с записи в середине файла. Если искомое значение не найдено, поисковая программа определяет, в ка-кой половине файла оно должно быть — до или после проверенной записи. Так повторяется до тех пор, пока искомый элемент не будет найден.

Часто для поиска в упорядоченных файлах используется дихотомиче-ский метод. Такой алгоритм требует log2 (п + 1) операций. Таким образом, в рассмотренном выше примере с 200000 элементами на поиск вместо 27 ч уйдет всего 2 ч.

В отличие от обычных списков при записи данных в упорядочен-ный файл необходимо создать место для новых элементов. Вместе


с тем, этот формат файлов обеспечивает более быстрый поиск нужной информации.

Индексированные файлы. Как упоминалось ранее, отдельные простран-ственные элементы базы данных (точки, линии и полигоны) характери-зуются не только именем и идентификационным номером, но и набором атрибутов. Как правило, при поиске требуется найти объекты, атрибуты которых удовлетворяют определенным критериям. Например, требуется найти все территории с истощенной почвой на склонах с уклоном менее 20%. В большинстве случаев объект связан не с одним, а с несколькими атрибутами. Поэтому эффективный метод поиска должен учитывать на-личие между атрибутами перекрестных ссылок.

Существует два способа ускорения доступа к данным в индексирован-ных файлах. Если элементы данных упорядочены в файле по своим значе-ниям, такой файл называется файлом с неплотным индексом (табл. 9.4, а). При другом способе организации записей в основном файле для их поиска используют заданные свойства, сохраненные в другом файле, который на-зывается инвертированным файлом (табл. 9.4, б).

Для реализации второго подхода можно создать файл, упорядоченный по значениям свойства. Такой файл называется инвертированным индексом (табл. 9.4, в). Индексированные файлы ускоряют доступ к БД, однако при их использовании могут возникнуть сложности, связанные с частым добав-лением и удалением записей. При добавлении записей в файл с неплотным индексом необходимо обновлять и основной файл, и файл индекса. При использовании инвертированного индекса запись в основной файл можно добавить в любую позицию (например, в конец файла), а после этого обно-вить только файл индекса. Тем не менее, для обновления больших файлов все равно требуется немало ресурсов, особенно в интерактивной среде. Дру-гой недостаток индексированных файлов в том, что в них доступ к данным осуществляется только по ключу, содержащемуся в файле индекса. Альтер-нативой, при этом, является только последовательный перебор записей.

Система управления базами данных

Система управления базами данных (СУБД) — это программа, предназна-ченная для управления большими объемами данных. Основное назначение СУБД — позволить пользователям работать с данными, не задумываясь о том, как реализовано их хранение на компьютере. В СУБД должны быть предусмотрены возможности для определения данных, атрибутов и связей, а также средства защиты информации. Кроме того, СУБД должна иметь пользовательский интерфейс для работы с данными и другими программа-ми. В общем случае СУБД должна обладать следующими функциями:

1. Управление файлами. 2. Добавление, обновление и удаление записей. 3. Анализ данных. 4. Защита конфиденциальности и целостности данных. 5. Поддержка средств разработки приложений. Схема использования СУБД показана на рис. 9.17.


Табл. 9.4. Индексированные файлы

а) Файлы прямого доступа Индекс

Файл Ключ № записи

Файл

А 1 А В п + 1 А С (п + 1) + 1

с,

б) Инвертированный файл № почвенного

профиля Атрибуты № почвенного

профиля SG DR DP РН ER 1 А Хороший Большая 5 Да 2 В Хороший Большая 6 Нет 3 С Плохой Малая 7 Нет 4 D Плохой Большая 4 Да 5 Е Хороший Малая 5 Да

SG — тип почвы; DR — дренаж; DP — толщина; ER — эрозия

в) Инвертированный индекс Свойства Профили (порядковый номер в исходном файле)

Хороший дренаж 1 2 5 Плохой дренаж 3 4 Высокая глубина 1 2 Малая глубина 3 4 5 Наличие эрозии (Да) 1 5 РН(<5) 1 5

Структура БД имеет то же значение для СУБД, что и модель данных (растровая или векторная) для ГИС. Выделяют три основных типа струк-тур БД, которые, помимо всего прочего, моделируют логические связи ре-ального мира:

1. Структура иерархической БД. 2. Структура сетевой БД. 3. Структура реляционной БД. Следует также упомянуть объектно-ориентированные базы данных —

развивающееся направление в ГИС, в котором активно ведутся исследо-вания. Тем не менее, из всех перечисленных выше структур БД наиболее широко используется реляционная структура.


Рис. 9.17. Система управления базами данных (СУБД)

Иерархические базы данных

Данные могут быть организованы в многоуровневую древовидную струк-туру со связями между уровнями, определенными по типу «родитель — по-томок» или «один ко многим». Такая структура БД называется иерархиче-ской. Доступ на каждый уровень иерархии осуществляется по клюну или критерию, при этом ключи обычно соответствуют связанным атрибутам.

Принцип построения иерархической базы данных проиллюстрирован на рис. 9.18. Здесь карта М содержит два полигона: I и II. Каждый полигон состоит из линий, а каждая линия содержит пару точек.

Основное преимущество иерархических БД в их простоте и открытости доступа по ключам. Кроме того, такая структура легко расширяется путем добавления атрибутов и новых решающих правил. Эффективность извле-чения данных из иерархической БД зависит от того, насколько удачно при ее разработке была учтена структура возможных запросов.

Один из самых серьезных недостатков иерархических БД заключается в дублировании данных. Так, на рис. 9.18 видно, что каждая пара точек ду-блируется, а для линии /3 координаты с и d повторяются четыре раза. Это вызывает сильную избыточность данных в больших БД. Еще одним недо-статком иерархических БД является то, доступ к записям возможен лишь в направлении вверх или вниз по уровням иерархии.

Сетевые базы данных

Типичной для баз данных ГИС является ситуация, когда каждый объект может иметь множество атрибутов, а отдельный атрибут может быть связан

в h с и е

4

А Ц D h F

(а) Простая полигональная карта

Ж /з Ц ЖГЖ

A B B С

X X • пп. F D D С С DD А С ЕЕ F

(б) Иерархическая структура данных

Рис. 9.18. Иерархическая структура векторных данных

- Карта

- Полигоны

- Линии

- Точки


с несколькими объектами. Чтобы реализовать такую модель, для каждого элемента необходимо определить программную структуру — указатель, ко-торый должен ссылаться на все элементы данных, с которыми связан этот элемент (рис. 9.19). Таким образом, все элементы данных оказываются свя-занными напрямую, без использования связей типа «родитель—потомок». Такая структура данных называется сетевой.

Иногда для снижения избыточности данных и количества связей ис-пользуют компактные сетевые структуры, которые называются кольцевы-ми структурами с указателем. В этом случае каждый объект представлен в единственном экземпляре. Это существенно упрощает структуру базы данных, что хорошо видно из сравнения рис. 9.19 и 9.20.

Реляционные базы данных

В реляционных базах данных информация хранится в двухмерных табли-цах, содержащих записи для одного типа объектов (рис. 9.21). Таблицы связаны общим данными, которые называются ключом. При этом, легко выполнять запросы как к одной таблице, так и к группе таблиц. Например, первая таблица может содержать записи типа landtitle (название участка), а вторая и третья — записи об объектах parcel (участок) и owner (владелец) соответственно. Данные организованы в столбцы и строки, столбцы со-ответствуют атрибутам объектов. У каждого столбца имеется уникальное имя, данные в каждом столбце должны иметь одинаковый тип. К типам относятся целые числа, даты, телефонные номера и текстовые данные. По-рядок столбцов в таблице значения не имеет. В каждой ячейке допускается не более одного значения. Совокупность значений атрибутов в строке на-зывается кортежем. Строки должны быть уникальными. Для неизвестных значений допускается указывать null в ячейках таблицы.

Сетевая структура БД эффективна, если заранее известны связи между элементами данных, благодаря чему удается избежать избыточности. Сете-вые БД обладают также большими возможностями для настройки параме-тров поиска по сравнению с иерархическими базами данных. Недостатком сетевой структуры является большое число указателей в крупных БД, где они могут занимать значительную часть базы данных. Кроме того, при каждом изменении БД необходимо обновлять указатели. Создание и об-новление указателей отнимает значительную часть ресурсов СУБД.

Рис. 9.19. Сетевая структура данных


Рис. 9.20. Кольцевая структура с указателем

Производители реляционных СУБД зачастую используют разные термины для обозначения идентичных функций. Чтобы избежать тер-минологической путаницы, в табл. 9.5 приведены традиционные терми-ны и их аналоги, принятые в реляционных базах данных. Структура таблиц в реляционных БД позволяет обрабатывать самые разные запро-сы к данным. Тем не менее, реляционная структура используется в ГИС в основном для организации атрибутивной информации, а не сложных многомерных пространственных данных. В большинстве реляционных СУБД существует возможность обработки запросов с помощью меню и значков. Для этой цели разработан также структурный язык запросов

Таблица LAND TITLE

(Название участка) —

набор атрибутов 1

Номер ИН участка

Дата регистрации Область

001 03420 16.10.1986 Civil lines 002 19286 05.08.1972 Ram Nagar 003 06072 23.11.1996 Rajputana 004 30123 02.11.1969 Rekabganj

Таблица PARCEL

(Участок) — набор атрибутов 2

Атрибут

ИН участка

Размер участка, м2 Категория Регистраци-

онный № 03420 150 В 86-12032 19286 185 А 72-3306 06072 200 В 96-1985 30123 160 С 69-2066

Таблица OWNER

(Владелец) — набор атрибутов 3

ИН участка Имя Почтовый адрес №

телефона 03420 A. Chandra 213, Saraswati

Kunj, Roorkee 271519

19286 S. Ghosh 215, Niti Nagar, Lucknow

275329

06072 P. Gaig 97, Vigyan Kunj, Meerut

275060

30123 P. Bhargava 206, Amod Kunj, Dehradun

276011

Рис. 9.21 Таблицы реляционной БД, соответствующие трем уровням пред-ставления данных


Табл. 9.5. Терминология реляционных СУБД [18]

Письменная форма Электронная таблица РСУБД Таблица Файл Отношение Строка Запись Тип Столбец Поле Атрибут Число столбцов Число полей Степень Число строк Число записей Количество элементов от-

ношения Уникальный ключ Первичный ключ

Допустимые значения Индекс Домен

(Structured Query Language, SQL), отличающийся простой и функцио-нальной завершенностью.

К недостаткам реляционных баз данных относятся: 1. Невозможность использования географических понятий (например,

пространственных связей и расстояния). 2. Частичная избыточность, невысокая скорость обработки запросов,

сложность в реализации. 3. Трудности при работе со сложными объектами ГИС, ограничен-

ность в выборе типов данных, сложности при работе со значениями времени.

Объектно-ориентированные базы данных

Объектно-ориентированный подход к построению баз данных берет свое на-чало из языков программирования. В настоящее время он в основном приме-няется для снижения избыточности данных и решения задач последователь-ного поиска в реляционных БД. В ГИС объектно-ориентированный подход используется для анализа сложных пространственных объектов и устранения проблем с обновлением БД после таких операций, как наложение полигонов.

Объектно-ориентированная структура БД, для разработки которой ис-пользуются методы языков объектно-ориентированного программирова-ния (ООП), сочетает скорость иерархической с гибкостью реляционной БД благодаря представлению данных в виде аналогов реальных объектов. В реляционной БД объект определяется ее записями и логическими связя-ми между атрибутами и их значениями.

В объектно-ориентированной БД данные определяются уникальными объектами, которые группируются в классы по естественным признакам. Для описания объекта можно использовать его атрибуты (совокупность которых называется состоянием) или набор методов — процедур, опреде-ляющих поведение объекта. Эти данные содержатся в объекте, у которого имеется уникальный в пределах БД идентификатор.

Для извлечения содержащихся в объекте данных необходимо сформи-ровать запрос (сообщение), вызывающий один из методов объекта. Тип со-общений зависит от того, как определен объект. Отклик объекта на сооб-


щение зависит от его состояния. Одно и то же сообщение вызывает разный отклик не только у разных объектов, но и у одного объекта в разных кон-текстах. Это свойство называется полиморфизмом.

Данные, используемые в объектно-ориентированных БД, должны быть уникальными объектами. Следовательно, такие БД очень эффективны по сравнению с сетевыми и иерархическими БД при хранении иерархических взаимосвязанных данных. Однако создание такой БД, по-видимому, займет много времени, поскольку придется явно определять множество атрибутов объекта, а также связи между объектами. Но по завершении этой работы получится структура, весьма эффективная в плане обработки запросов, особенно адресованных конкретным объектам.

Выбор оптимальной структуры БД

Очевидно, что с точки зрения географических информационных систем у каждого типа БД есть свои преимущества. Иерархическая структура по-зволяет без труда делить большие базы данных на части, которыми гораз-до проще управлять. В сетевых БД содержится мало избыточных данных и реализованы направленные жесткие связи между объектами, которые су-щественно ускоряют поиск информации. В объектно-ориентированные БД можно встраивать дополнительные связи и функциональные возможности, однако для этого требуются сложные инструменты программирования, и, к тому же, такие БД более требовательны к вычислительным ресурсам. Реляционные БД отличаются открытостью и широкими возможностями для адаптации, но страдают от чрезмерного размера, избыточности данных и медленного поиска. В силу этих причин все перечисленные структуры зачастую используются совместно.

Иерархический подход часто позволяет разделить пространственные данные на более удобные для картографирования тематические или тер-риториальные категории. Сетевая структура идеальна для хранения топо-логически связанных векторных линий и полигонов. Реляционный подход эффективен для извлечения объектов с заданными атрибутами и для ра-боты с самими атрибутами. Объектно-ориентированные структуры удобны в тех случаях, когда у объектов есть общие атрибуты либо требуется учесть особый характер взаимодействия объектов.

ГЛАВА 10

АНАЛИЗ ПРОСТРАНСТВЕННЫХ ДАННЫХ


После создания базы данных ГИС наступает этап анализа данных, ориен-тированный на решение определенной задачи. Одной из основных целей такого анализа является изучение пространственных структур и определе-ние их взаимных связей и атрибутивных характеристик.

В большинстве ГИС реализован широкий набор функций, которые позволяют измерять пространственные параметры, создавать выборки на основе значений атрибутов, выполнять различные операции со слоя-ми и анализировать модели рельефа и модели транспортных сетей. В этой главе приводится краткое описание этих функций и примеры их практи-ческого использования.

10.2. Основные термины

Компании, выпускающие программное обеспечение ГИС, зачастую описы-вают одни и те же функции совершенно по-разному. Чтобы избежать пута-ницы, приведем основные термины, которые используются в этой главе.

Объект — отдельная точка, линия или полигон в базе данных ГИС. Атрибут — характеристика объекта. В векторных данных значения

атрибутов (например, название дороги или среднее количество осадков для некоторой территории) хранятся в базе данных. В растровых данных атрибут — это числовое значение ячейки растра, например 1 для железных дорог или 2 для дорог другого типа.

Физический объект — объект реального мира, информация о котором хранится в базе данных ГИС.

Слой данных — набор данных для некоторой географической области. Как правило, слой содержит данные, относящиеся только к одному типу объектов (точки, линии или полигоны).

Изображение — растровые данные в ГИС (например, формата tiff, jpeg, bmp, img)

Ячейка — отдельный пиксел растра. Функция или операция — процедура анализа данных в ГИС. Алгоритм — последовательность действий, необходимая для решения

поставленной задачи с помощью компьютера.

210 Глава 10. Анализ пространственных данных

10.3. Измерение расстояния, периметра и площади

Измерение длины, периметра и площади — типичная задача, выполняемая средствами ГИС. Результаты таких измерений являются всегда прибли-женными, поскольку, например, в векторной ГИС любая плавная линия описывается прямолинейными отрезками, а в растровой ГИС все физиче-ские объекты заменяются набором ячеек (пикселов).

При работе с растровыми данными кратчайшее растояние между двумя точками А и В можно измерить одним из следующих способов:

1. Провести прямую между точками А и В и вычислить длину гипо-тенузы А В прямоугольного треугольника ABC, воспользовавшись теоремой Пифагора (рис. 10.1):

АВ = JAC2+CB2 = >/42 + 42 = 5,7 .

2. Сложить длины сторон ячеек растра Аа, ab, be,..., gB:

АВ = (Aa)+(ab)+ ...+ (fg)+(gB) = 1+1+1+1+1+1+1+1 = 8.

3. Начертить концентрические окружности с равным шагом и цен-тром в точке А, а затем измерить радиусы таких окружностей:

АВ = >/42 + 42 = 5,66 - 5 , 7 ,

АР = >/22 + 32 = 3,61 - 3,6,

AQ = >1А2 + 22 = 4,47 - 4,5.

Периметр на растре определяется как число сторон ячеек растра, со-ставляющих границу объекта. Так, в примере, показанном на рис. 10.2, пе-риметр Р выделенного объекта равен:

Р = сторона 1 + сторона 2 + ... + сторона 13 + сторона 14 = 14.

Аналогичным образом, площадь объекта S определяется как количе-ство ячеек внутри границы. В рассматриваемом примере S=7.

в 4 4.5 5.0

3 3 . 6 / К 2 , К d

з > -е

< 5

/ ' ' 2 С

3 4

Рис. 10.1. Измерение расстояния по растровым данным

10.3. Измерение расстояния, периметра и площади 211

9 8 10

11 12

13 з 4 5

1 5

Рис. 10.2. Измерение периметра и площади

Если длина стороны ячейки задана в метрах и равна, например, 10 м, то в предыдущем примере будут получены следующие значения:

АВ = 5,7 х 10 = 57 м,

Р = 14 х 10 = 140 м,

5 = 7 х (10 х 10) = 700 м2.

Результаты измерения периметра и площади объекта в растровых дан-ных зависят от положения начальной точки и ориентации растра. Эта про-блема решается ориентированием растра с севера на юг и выбором наибо-лее подходящей начальной точки.

Измерение расстояния, периметра и площади при использовании вектор-ных данных существенно проще, а его результаты являются более точными. В примере, показанном на рис. 10.3 длина отрезка АВ вычисляется как

АВ = J(xk-x.)2+(yk-ye)2 , (Ю.1)

где (ха, у) и (хь, у) — координаты точек А и В соответственно. Для вычисления площади объекта его разделяют на несколько про-

стых геометрических фигур, а затем суммируют их площади. Другой

у Е (хе, у,)

D (xdJ yd)

С (хс, ус) —>• у

Рис. 10.3. Вычисление площади объекта по заданным координатам его то-чек [12]


способ заключается в непосредственном использовании следующей формулы [12]:

Периметр объекта вычисляется суммированием длин всех сегментов гра-ницы. Чтобы не повторять однажды выполненных измерений, их результаты сохраняют в базе данных ГИС в виде значений соответствующих атрибутов.

10.4. Запросы

Обработка запросов пользователей к базе данных ГИС является одной из важнейших функций информационной системы. Для формирования неко-торых запросов необходимо вводить информацию, полученную в результа-те предыдущего анализа данных. Приведем несколько типичных примеров запросов к базе данных ГИС:

1. Каково кратчайшее расстояние между двумя точками? 2. По какому из маршрутов между двумя точками время движения

будет минимальным? 3. Какова общая площадь лесного массива? 4. Сколько магазинов находится на расстоянии не более 500 м от за-

данной точки? 5. Каково расстояние от заданной точки до ближайшей гостиницы? Запросы используются также для проверки качества данных и резуль-

татов их анализа в ГИС. Запросы можно разделить на две категории: 1. Пространственные запросы. 2. Непространственные запросы. Для обработки запросов первого типа необходим пространственный

анализ данных, при непространственных запросах используются только атрибуты объектов. Например, запрос о том, сколько на данной террито-рии имеется больниц с кардиологическим отделением, является непро-странственным, поскольку для его обработки не требуется анализировать расположение больниц, а для формирования ответа достаточно использо-вать средства самой базы данных.

Иногда необходимо определить объекты, которые должны соответство-вать не одному, а нескольким пространственным и атрибутивным крите-риям. Например, пользователь хочет узнать, где расположены больницы, в состав которых входит более 10 палат интенсивной терапии. В этом слу-чае можно сформировать комбинированный запрос с помощью логических операторов AND, NOT, OR и XOR.

10.5. Реклассификация

Реклассификация растров является специальной формой запроса, в результа-те которого формируется новое изображение, содержащее классификацион-

Площадь ABCDEA = -[xa(yb - уе) + xb(yc - уа) + xc(yd - уь) +

^-xd(ye-yc)^xe(ya-yd)].

1

(Ю.2)

10.6. Буферные зоны и функции анализа окрестности 213

Табл. 10.1. Повторная классификация данных землепользования

Землепользование Старое значение ячейки

Новое значение (булево)

Новое значение (весовой коэффициент)

Заболоченная территория

8 0 1

Водоемы 9 0 2 Сельскохозяй-ственные земли

10 1 5

Леса 11 0 4 Промышленная территория

12 0 3

ные коды различных объектов. Рассмотрим следующий пример. Пусть зна-чение ячейки растра, принадлежащей объекту определенного класса, равно 10 (рис. 10.4, а). В результате реклассификации всем ячейкам со значением 10 может быть присвоено новое значение, например 1, а остальным ячейкам, принадлежащим к самым разнообразным классам, значение 0. В результа-те мы получим новое изображение, на котором будет выделен только один класс объектов (рис. 10.4, б). Такое изображение иногда называют булевым.

Другим примером реклассификации является создание нового изобра-жения, у которого ячейкам растра присвоены значения неких весовых ко-эффициентов, рассчитанных на основе определенного критерия. Пример такой реклассификации представлен в табл. 10.1.

10.6. Буферные зоны и функции анализа окрестности

Функция буферизации в ГИС является одной из функций анализа окрест-ности и используется для создания области интереса вокруг объекта или группы объектов.

В результате создания буферной зоны соседние пространственные объекты могут определенным образом влиять друг на друга. Еще одной

и 11 11 11 11 9 9 9 9 9

и 11 10 10 10 9 9 9 9 9

и 11 10 10 10 11 11 10 10

12 12 12 10 10 10 И 11 10

12 12 12 12 10 11 11 11 10

12 8 8 8 8 10 11 11 10

12 8 8 9 9 9 9 11 11

12 12 10 10 10 10 9 11 11

12 12 10 10 10 10 10 11 11

12 12 10 10 10 10 10 И 11

(а) Старое значение ячейки

0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 1 1 0 0 0 1 1 0 0 0 1 1 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0

(б) Новое значение ячейки

Рис. 10.4. Реклассификация


функцией этой категории является фильтрация, в результате которой значения ячеек растра пересчитываются с учетом свойств соседних яче-ек. При построении буферной зоны точки вокруг нее создается кру-говая зона определенного радиуса (рис. 10.5, а). При построении бу-ферной зоны линий и полигонов создаются новые площадные объекты (рис. 10.5, б и в).

Функция буферизации используется для ответов на запросы, относя-щиеся к взаимному расположению объектов, например: «Какие гости-ницы расположены на расстоянии не более 500 м от места проведения конференции?» или «Какие гостиницы находятся на расстоянии не бо-лее 500 м от главной автомобильной трассы?». Другим способом полу-чения необходимой информации в этих случаях является вычисление соответствующих расстояний до гостиниц с последующим определени-ем тех из них, которые находятся в пределах заданной зоны. Поскольку существует несколько способов получения ответа на один и тот же за-прос, всегда необходимо выбирать тот из них, который займет меньше времени. При этом, следует учитывать то обстоятельство, что в различ-ных ГИС обработка запросов может выполняться с помощью разных вычислительных операций.

На рис. 10.5 показаны только простейшие операции буферизации. Раз-меры буферной зоны могут быть постоянными или переменными, изме-няющимися в зависимости от атрибутов объекта. Например, при анализе сети автомобильных дорог главные дороги могут иметь более широкую буферную зону, чем второстепенные.

При работе с векторными данными буферные зоны зачастую можно создать с помощью одной единственной команды. При использовании рас-тровых данных понадобится вычислить степень близости между объектами (см. разд. 10.3, п. 3), создавая при этом новый растровый слой, в котором атрибутами ячеек являются результаты расчета расстояния.

а) Буферизация точки

б) Буферизация линии

в) Буферизация полигона

Рис. 10.5. Буферизация различных объектов

10.6. Буферные зоны и функции анализа окрестности 2

Особенностью функций анализа окрестности в растровых данных является то, что они изменяют значения ячеек растра в зависимости от свойств соседних ячеек. Одной из функций этого типа является филь-трация. Общим для всех фильтров является то, что они охватывают не-сколько ячеек растра, а размер и форма фильтра (например, квадратная или круговая) задаются оператором. От размера фильтра зависит ко-личество ячеек, которые будут вовлечены в процесс фильтрации. Сама процедура фильтрации заключается в том, что фильтр перемещается по ячейкам растра, и в каждом его положении происходит пересчет значе-ния центральной ячейки. На рис. 10.6 показан пример использования фильтра размером 3 x 3 для пересчета значения ячейки dc, которое до этого равнялось 4.

Новое значение ячейки dc зависит от фильтрующей функции (см. табл. 10.2). Фильтрацию часто применяют к классифицированным кос-мическим снимкам для подавления шума, который возникает из-за про-странственной изменчивости спектральных характеристик определенного класса объектов (например, растительного покрова) или из-за ошибок ре-гистрации данных съемочной системой.

В области цифровой обработки сигналов фильтры, которые исполь-зуются для подавления шума, называют фильтрами пропускания низких частот, а фильтры, которые применяются для подчеркивания резких контуров, — фильтрами пропускания высоких частот или фильтрами уси-ления границ.

Еще одним способом выявления пространственных структур явля-ются текстурные преобразования. В частности, для повышения одно-родности какой-либо области снимка можно использовать текстурный фильтр. Обычно для построения такого фильтра рассчитывают стан-дартное отклонение для области размером 3 x 3 вокруг центральной ячейки. Если значения атрибутов в этой области близки друг к другу, величина стандартного отклонения будет небольшой. В этом случае го-ворят, что окрестность центральной ячейки обладает плавной текстурой. При большом разбросе значений говорят о грубой текстуре окрестности. Поскольку текстура однородного объекта должна равняться нулю, тек-стурные фильтры удобно использовать для определения границ смеж-ных областей.

a b t d е f а 4 4 4 4 4 4

Фильтр

е 2

/ 2

Рис. 10.6. Фильтрация в растровых данных


Табл. 10.2. Различные типы пространственных фильтров

Тип фильтра Центральная ячейка

Исходное значение

Новое значение

Минимальный фильтр dc 4 1 Максимальный фильтр dc 4 4 Фильтр «среднего значения» dc 4 2,67 Модельный фильтр1 dc 4 4 Фильтр «числа классов»2 dc 4 4

1 Наиболее часто встречающееся значение. 2 Количество различных классов в окрестности.

При изучении рельефа часто используют преобразование наклона, в ре-зультате которого слой, содержащий значения высот, преобразуется в слой данных о наклоне поверхности. Для определения наклона в каждой точке вычисляется первая производная исходных данных. Еще одним параме-тром наклонной поверхности является экспозиция, которая определяется как азимут проекции нормали на горизонтальную плоскость. Поскольку для классификации экспозиции используются фиксированные интервалы значений, результирующий слой содержит только порядковые переменные. Данные о наклоне чаще всего подразделяют на восемь категорий, каждая из которых соответствует 45-градусному сектору круга в горизонтальной плоскости (одна восьмая диапазона экспозиции).

Функции анализа окрестности используются также для анализа данных вдоль заданной линии. Как правило, при этом строится график профиля или сечения набора данных. В частности, профили используют для определения взаимной видимости двух точек при сложном рельефе и для изучения накло-на рельефа между двумя точками при строительстве дорог и каналов.

10.7. Объединение данных, картографическое наложение

Картографическое наложение, или оверлей, является часто используемой функ-цией, которая применяется в тех случаях, когда требуется объединить не-сколько тематических слоев ГИС, относящихся к одной и той же территории. В качестве примера рассмотрим ситуацию, когда необходимо узнать местопо-ложение всех больниц в каком-нибудь регионе. Для этого следует наложить слой, на который нанесены больницы, на слой дорожной сети региона. Заме-тим, что при таком наложении не генерируется никаких новых данных. Еще одним примером объединения данных является наложение векторного слоя на растровое изображение — отсканированную топографическую карту.

В результате наложения слоев и объединения данных создается новый слой, который необходим, в частности, для выполнения операций буфериза-ции и обработки пространственных запросов, например запроса о том, какие больницы расположены на расстоянии не более 500 м от скоростной трассы.

Рассмотрим теперь более подробно способы реализации наложений векторных и растровых данных в ГИС.

10.7. Объединение данных, картографическое наложение 217

Наложение векторных слоев

При наложении тематических векторных слоев важную роль играет опреде-ление области пересечения полигональных объектов. В результате наложения создаются новые полигоны, а лишние границы удаляются (рис. 10.7). При нало-жении векторных карт следует учитывать как геометрию объектов, так и топо-логические отношения между ними. В частности, это означает, что все грани-цы полигонов в объединяемых слоях должны быть замкнуты. Для определения топологии нового слоя, который создается в результате наложения, необходимо рассчитать все точки пересечения линий и полигонов из исходных слоев.

Существует три основных типа векторных наложений (рис. 10.8): 1. Точки на полигоны. 2. Линии на полигоны. 3. Полигоны на полигоны.

Наложение точек на полигоны

Этот вид наложения используется в тех случаях, когда требуется опре-делить взаимное расположение точечных и полигональных объектов. На рис. 10.8, а показаны два тематических слоя, один из которых содержит точки, указывающие местоположение артезианских скважин, а второй — полигоны, соответствующие различным видам почв. В результате наложе-ния этих двух слоев создается новый слой, на котором видно, какому типу почв соответствует та или иная скважина. Эту информацию можно пред-ставить в виде цифровой карты артезианских скважин с дополнительными атрибутами, описывающими свойства почвы.

Наложение линий на полигоны

Типичным запросом, для обработки которого может потребоваться дан-ный вид наложения, является запрос о том, на каких почвах расположены различные участки дороги. На рис. 10.8, б представлены слои, содержа-щие данные о дорогах и почвах. В результате наложения двух слоев вся дорожная сеть разделяется на более мелкие участки, соответствующие от-дельным видам почвенного покрова. Для каждого такого участка создается отдельная запись в базе данных ГИС, в результате чего новый слой имеет более сложную топологию, чем два исходных.


Карта точек Карта полигонов Карта точек

Таблица атрибутов точек ИН точки Тип почвы

1 Песчаник 2 Песчаник 3 Глинозем

Карта линий

а) Наложение точек на полигоны

Карта полигонов Карта линий

Песчаники ч / J 3(

-Jf \ \

'Ъ

Таблица атрибутов линий Старый Новый Тип почвы

ИН ИН 1 1 Песчаник 1 2 Глинозем 2 3 Песчаник 2 4 Глинозем 3 5 Глинозем

б) Наложение линий на полигоны

Карта городской территории Карта полигонов

Песчаники

Глинозем

Объединение

Рис. 10.8. Операции векторного наложения

Наложение полигонов на полигоны

Наложение этого вида, представленное на рис. 10.8, в, используют для обработки следующих типичных запросов: 1) определить границы раз-личных почв, а также те области, которые находятся в пределах город-

10.7. Объединение данных, картографическое наложение 219

ской территории; 2) определить границу городской территории и участ-ки с глинистой почвой внутри города; 3) определить границы песчаных почв в пределах городской территории. Для решения первой задачи ис-пользуется логический оператор OR (объединение), для решения вто-рой — оператор NOT (исключение), а для решения третьей — оператор AND (пересечение).

Наложение растровых слоев

В растре одна ячейка соответствует точечному объекту, ряд ячеек — ли-нии, а группа ячеек — полигону. При наложении растровых слоев к их ячейкам применяют операции сложения, вычитания, умножения или де-ления. Это означает, что всем точечным, линейным и площадным объек-там в исходных слоях должны быть присвоены соответствующие кодовые значения. Так, в примере, представленном на рис. 10.9, артезианским сква-жинам можно присвоить значение 1, а коллекторам — значение 2. Объ-екты в слоях, содержащих данные о землепользовании, можно обозначить следующим образом: пшеничное поле — 3, лес — 4, глинистые почвы — 5, городская территория — 6. При этом, ячейкам, которые не представляют интереса, можно присвоить во всех слоях значение 0. Процесс наложе-ния тематических слоев показан на рис. 10.9, а его результаты приведены в табл. 10.3. Заметим, однако, что если присвоить одинаковые числовые коды объектам в разных тематических слоях, результаты наложения будут другими. Укажем также на некоторые очевидные преимущества использо-вания растровых данных при наложении:

1. Возможность использования математических операций над изобра-жениями.

2. Различные варианты объединения данных и их анализа. 3. Возможность использования карт в качестве переменных при запи-

си формул для построения пространственных моделей. Результаты наложения растровых слоев зависят от разрешения и масшта-

ба данных. Разрешение результирующего слоя всегда равно максимальному разрешению среди всех исходных слоев. Например, если объединяются два набора данных с разрешением 10 и 40 м, то разрешение результирующего слоя будет равно 10 м. В этом случае для получения корректного результата лучше объединить ячейки первого слоя так, чтобы его разрешение стало равно разрешению второго слоя. Особое внимание следует обращать на интерпретируемость результатов наложения. Если для представления дан-ных в исходных слоях используются разные переменные — например, но-минальные, порядковые и интервальные (см. гл. 9) — результат наложения таких слоев будет, скорее всего, абсолютно бессмысленным.

10.8. Пространственная интерполяция

Интерполяцией называется процесс получения оценки значений атрибутов в точках, расположенных между точками измерений. Если оценка дается для точек, расположенных вне области измерений, говорят об экстрапо-


Артезианская скважина~

Коллектор -

Глинозем -

Глинозем-

Пшеничное поле '

Скважина на пшеничном поле

0 0 0 J — mm 0

0 0 0 0 + я И 0 0

0 0 0 + щ 3 0 0

0 0 0 0 0 0 0 0

0

0 У ' 0

0 0 0 0

Скважина за пределами поля

Карта скважин Карта пшеничного поля (а) Город

Результирующая карта Коллектор на

X 0 л 0 0

0

0 0 0

0 0 0 0

0 0

0 0

0 0 J) 0

0 0 0 0 0 0 0 0

территории города Коллектор за

/ г территорией города

_ Территория города без коллектора

Карта коллекторов Карта городской территории (б) Лес

0 0

0 0 0 0

0

0 0 0

Карта почв

0 0

0 0 0 0

0

0 0 0

0

0 0

0 0

0 0 0 0

Результирующая карта Лесная зона

^ на глиноземе

Лесная зона с другой почвой

Лес

Карта лесного покрова (В)

Результирующая карта

0

0 0

0 0

0 0 0 0

ш ш

Лесная зона на глиноземе

0 — " 0

0

0 0 Карта почв Карта лесного покрова Результирующая карта

Лес (г)

Глинозем -

0 0

0 0 0 0

0

0 0 0

0 0 0 0

0 0 0 0 0 0

0 0 0 0

0 0 0 0 0 0 0

Лесная зона на глиноземе

Другие зоны

Карта почв Карта лесного покрова (д)


Рис. 10.9. Различные типы наложений в растровой модели данных

10.8. Пространственная интерполяция 221

ляции. Назначение интерполяции в ГИС состоит в том, чтобы заполнить промежутки между известными точками измерений и таким образом смо-делировать непрерывное пространственное распределение атрибута. Ин-терполяция необходима в следующих ситуациях:

1. При трансформации растровых изображений. 2. При преобразованиях моделей рельефа местности. 3. При моделировании непрерывной поверхности с помощью набора

отдельных точек.

Табл. 10.3. Объяснение операций, показанных на рис. 10.9.

а) Операция, эквивалентная наложению точек на полигон (рис. 10.9, а)

Скважина 1) Скважина = 1

Скважина 2) Объект вне исследования = 0

Поле 1) Поле = 3

Поле 2) Нет объектов вне исследования = 0


1) Поле со скважиной = 4 Результирующая карта

2) Поле = 3 Результирующая карта 3) Скважина = 1 Результирующая карта

4) Не поле и не скважина = 0

б) Операция, эквивалентная наложению линий на полигон (рис. 10.9, б)

Карта коллекторов 1) Коллектор = 2

Карта коллекторов 2) Объект вне исследования = 0

Карта города 1) Городская территория = 6

Карта города 2) Объект вне исследования = 0


1) Коллектор в городе = 8


2) Коллектор вне города = 2 Результирующая карта 3) Городская территория с коллектором = 6 Результирующая карта

4) Не городская территория и не коллектор = 0

в) Операция, эквивалентная наложению линий на полигон (рис. 10.9, в)

Карта почв 1) Глинозем = 5

Карта почв 2) Объект вне исследования = 0

Карта лесного покрова

1) Лес = 4 Карта лесного покрова 2) Объект вне исследования = 0


1) Лес с глиноземом = 9 Результирующая карта

2) Лес на другой почве = 4 Результирующая карта 3) Глинозем вне леса = 5 Результирующая карта

4) Не лес и не глинозем = 0


г) Операция сложения (рис. 10.9, г)




1) Лес = 1 Карта лесного покрова 2) Объект вне исследования = 0


1) Лес с глиноземом = 2 Результирующая карта 2) Лес или открытый глинозем = 1 Результирующая карта

3) Не лес и не глинозем = 0

д) Операция умножения (рис. 10.9, д)




1) Лес = 1 Карта лесного покрова 2) Объект вне исследования = 0 Результирующая карта

1) Лес с глиноземом = 1 Результирующая карта 2) Другие зоны = 0

Кроме того, интерполяция обычно применяется при построении изо-гипс по отдельным точкам цифровой модели рельефа, созданной по данным геодезической съемки или фотограмметрии. В большинстве программных пакетов ГИС реализовано несколько методов интерполяции.

Классификация методов интерполяции

Методы интерполяции можно классифицировать разными способами. Локальные и глобальные методы. Если ко всем точкам измерений при-

меняется одна и та же функция, такой метод интерполяции называют глобальным. Если интерполяция применяется последовательно для не-больших групп точек исходного набора данных, то говорят о локальной интерполяции. В дальнейшем локальные поверхности, полученные таким способом, совмещают для формирования модели рельефа всей изучаемой области. Поверхности, полученные в результате глобальной интерполяции, как правило, являются более гладкими.

Точные и приближенные методы. При использовании точных методов интерполяции результирующая функция принимает в точках измерений те же значения, которые были до интерполяции. При использовании прибли-женных методов исходные и результирующие значения в точках измерений могут различаться. Точные методы применяют в тех случаях, когда измере-ния имеют очень высокую степень надежности. При наличии в исходных данных неопределенности используют приближенные методы.

Гладкие и негладкие методы. Гладкие и негладкие методы интерполя-ции различаются степенью гладкости результирующей функции (поверх-ности). Гладкие методы применяют для моделирования рельефа холми-


стой местности, а негладкие — для представления крутых склонов, хребтов и долин. Если в изучаемой области представлены разные формы рельефа, при интерполяции необходимо использовать оба метода.

Детерминистические и вероятностные методы. Детерминистические ме-тоды используются при наличии хорошей математической модели рельефа. Поскольку такая модель существует лишь в редких случаях, чаще исполь-зуют вероятностные методы, которые позволяют учесть случайные вариа-ции формы поверхности.

Следует помнить, что значения, получаемые в результате интерполя-ции, являются оценочными. Поэтому при моделировании реальных объ-ектов необходимо четко понимать те ограничения, которые есть у каж-дого метода интерполяции. В следующих разделах мы кратко обсудим такие часто используемые методы интерполяции, как метод полигонов Тиссена, метод нерегулярной триангуляционной сети и метод скользя-щего среднего.

Метод полигонов Тиссена

Этот метод, названный по имени его создателя — климатолога Тиссена, относится к категории точных методов интерполяции. В силу его локаль-ной природы глобальные характеристики набора данных не изменяются. Метод Тиссена является также методом негладкой интерполяции, посколь-ку на границах полигонов возникают скачки функции.

По исходному набору данных можно построить сеть треугольников с вершинами в точках измерений (рис. 10.12). Для построения такой сети чаще всего используют метод триангуляции Делоне. Вершины треугольни-ков являются опорными точками для так называемых смежных областей, или, иначе, полигонов Тиссена—Вороного. Рассмотрим плоскость, проходя-щую через точки А, В и С. Треугольник А ВС можно разделить на три смеж-ные области Vv V2 и Vv проведя перпендикуляры через середины отрезков АВ, ВС и АС. Расстояние от произвольной точки такой области до опорной точки той же области всегда меньше расстояния до опорной точки любой соседней области. Например, если точка принадлежит области Vv то к точ-ке В она будет всегда ближе, чем к точкам А и С.

ПОЛИГОН Ти/VAua

Рис. 10.12. Триангуляция Делоне


Полигоны Тиссена используются для интерполяции при небольшом числе исходных точек, при этом предполагается, что значение в каждой точке измерений является абсолютно точным. Типичной задачей, в кото-рой могут применяться полигоны Тиссена, является определение влияния торговых или промышленных центров на соседние объекты. Этот метод интерполяции используют также при анализе пространственных вариаций растительности.

Нерегулярная триангуляционная сеть

Поверхность в модели нерегулярной триангуляционной сети (Triangulated Irregular Network, TIN) представлена мозаикой непересекающихся треу-гольных граней, образованных путем соединения нерегулярно располо-женных точек измерения высот (рис. 10.13). Для упрощения математи-ческих выкладок в большинстве моделей TIN рассматриваются только плоские треугольные грани. Стороны таких треугольников называются ребрами, а вершины — узлами. В модели TIN ребра соответствуют хреб-там, ущельям и руслам рек, а узлы — горным пикам, впадинам и пере-валам.

Отличие модели TIN от цифровой модели рельефа (ЦМР) состоит в следующем:

1. В TIN каждая точка имеет три координаты (х, у, Л), где h — высота, в то время как в наборе данных ЦМР координаты точки (х, у), как правило, не указываются в явном виде.

2. Модель TIN может содержать явные топографические связи между точками и соседними треугольниками.

В моделях TIN важную роль играет топология. При использовании триангуляционных методов исходный набор данных можно преобразо-вать в различные модели TIN (рис. 10.14). Карты изолиний, построен-ные по этим моделям, также будут отличаться. Для того чтобы выбрать единственную модель для данного набора данных, необходимо ввести определенную процедуру, учитывающую топологические отношения между объектами.

Метод TIN является точным методом интерполяции, в котором для расчета значений высот в промежуточных точках используются линейные и тригонометрические зависимости.

Плоская Узел

Рис. 10.13. Нерегулярная триангуляционная сеть (TIN)

И л . 7 . 3 . Композитный снимок с эталонны-ми областями [70]

Ил. 7.1. Композитный снимок IRS-1C LISS

Ил. 7.2. Панхроматический снимок IRS-1C PAN

Условные обозначения

Класс Редкий лес Умеренный лес Густой лес Залежные земли Кустарники Пустующие земли Мелкие водоемы Влажные песчаники Сухие песчаники Области застройки Глубокие водоемы

Ил. 7.4. Снимок, классифицированный с использованием критерия мини-мального расстояния [70]


Класс Редкий лес Умеренный лес Густой лес Залежные земли Кустарники Пустующие земли Мелкие водоемы Влажные песчаники Сухие песчаники Области застройки Глубокие водоемы

Ил. 7.5. Снимок, классифицированный с использованием критерия макси-мального правдоподобия [70]

а) 1945 г. в) 1988 г.

• • •


Городская территория Щ

C/х территория

Лес

Пустующие земли

Река

Главные дороги

Другие дороги

Железная дорога

7.6. Карты использования земель города Дехрадан и его окрестностей [82]


Территория в 1945 г. •





Ил. 7.7. Рост города Дехрадан [82]

IRS

-P6

AW

iFS

(изо

браж

ение

от

21 д

ек.

2004

г.)

IRS

-P6

AW

iFS

(изо

браж

ение

от

26 д

ек.

2004

г.)

Ил.

7.8

. Т

ерри

тори

я, п

остр

адав

шая

от

цуна

ми

(г.

Кар

аика

л,

Инд

ия)

1RS-

P6 L

4 M

X (

изоб

раж

ение

от

12 я

нвар

я 20

04 г

.) IR

S-P6

L4

MX

(из

обра

жен

ие о

т 27

дек

аб.

2004

г.)

Ил.

7.9

. Те

ррит

ория

, по

стра

давш

ая о

т цу

нам

и (г

. Ш

енаи

, И

ндия

)

(а)

Orb

Vie

w-З

(из

обра

жен

ие о

т 11

дек

. 20

04 г

.) (Ь

) O

rbV

iew

-З (

изоб

раж

ение

от

28 д

ек.

2004

г.)

Ил.

7.1

0.

Тер

рито

рия,

по

стра

давш

ая

от ц

унам

и вб

лизи

г.

Шен

аи

по с

ним

кам

со с

путн

ика

Orb

Vie

w-З

(с

разр

ешен

ия

OR

BIM

AG

E)

а) Цифровая модель рельефа

б) Наклон в) Экспозиция

Ил. 10.1. ЦМР и результаты ее анализа

Ил. 10.3. Каркасная модель рельефа, показанная на ил. 10.21, с наложен-ным на нее ортотрансформированным космическим снимком (Heywood, et al, 2000)

Ил. 10.2. Каркасное представление рельефа (Heywood, et a I, 2000)


Лес —> город

Пустошь город

Лес -> с /х •

Пустошь —> с /х

Лес пустошь

Река город

С/х город

Река -> с /х

С/х пустошь

Река —> пустошь

Ил. 11.1. Изменения в землепользовании


Высокая пригодность

Малопригодные

Пригодные

Непригодные

Умеренно пригодные

Существующая городская и речная территория

Масштаб: 1:70,000 1 0.5 0 1 2

Ил. 11.2. Уровни пригодности земли для дальнейшего использования

И л . 1 1 . 5 . Опасные участки дорог

И л . 1 1 . 6 . Классифицированное изо-бражение посевных площадей

И л . 1 1 . 7 . Основные сельскохозяйствен-ные культуры на орошаемой площади

Ил. 11.3. Количество ДТП в зависимости от категории автотранспортного средства

Ил. 11.4. ДТП на шоссе Райпур

M A J O R C R O P S IN IRRIGATED C O M M A N D

Ил. 11.8. Основные сельскохозяйственные культуры на орошаемой площади

GROSS IRRIGATION REQUIREMENT FOR MANOHARRUR COMMAND

ill j „,:

I wheat I sugarcane

jan feb maraprmayjun jul augseptoct novdec

Duration >

Ил. 11.9. Суммарные потребности в во-допотреблении для различных посевов

Variation in Water Demand and Supply in Manoharpur

• water supply I water demand

jan feb maraprmayjun jul augseptoct novdec

duaration >

Ил. 11.10. Вариации в потребности и подаче воды

** 1 TOURISM GIS FOR UTTARANCHAL STATE ArcMap A ic ln fo

File Edit View Insert Selection lools Window Help

tp * о н # ф м & О -J.

и в ®

OVERLAY - Micro.. Ml) TOURISM GIS F... Ц?1 E? ® Ш} Щ 4:33 PM

E ^ TOURIST PLACES A В 0 Visiting Places

В 0 Major Peaks

- 0 Places of religious impo f

-f El 0 Air port

-f В 0 Cities

Ei 0 District Headquarters

В 0 National parks +

В 0 Glaciers

8 0 Roads

В 0 Rivers

В6ННЯ9ННН Щ Display I Source j

Drawing • ^ • "" A

Tarida

Ил. 11.11. Общий вид туристической ГИС для штата Уттаранчал (Индия)

, j n l xj Add Layer Zoom Selection queries Graph tools About

Click on Checkbox to hide Die layer Г World PoHical Map Г GSHAP Map ol World Г World Tectonic Plates Г Seismic Hazard Layer Г" Indian Seismic zones Map

Ил. 11.12.

Ил. 11.13.

Выбор круговой области

Окно запроса с картой глобальной оценки сейсмической опасности

Click on Checkbox to M e tlie layer Г World Poftical Map Г bSHAPMapot Worfd Г World Tectonic Plates

Enter Ground Acceteration Limit in m/s2 like 0 (Ml. 2

New Acceleration Limit grv-en below 0.0-0.2,0.2-0.4.0.4-0 8,0.8-16, 1.6-2.4. 24-3.2, 3.2-4.0.4.0-4.8.

ra [ = = • н е т Low Mode ra t e H igh

(а) И ю л ь (б) Август 1999 г. 1999 г.

Ил. 11.14. Сезонное накопление воды в регионе

(а) И ю л ь 1999 г.

Ил. 11.15. Уровн вых вод

(б) Август 1999 г.

горизонта грунто-


(а) Июнь 1999 г. (б) И ю л ь 1999 г. (в) Август 1999 г.

Ил. 11.16. Поверхностный сток

i fTlfff l i

u. ti^gjg^^i»*

(а) Июнь 1998 г. (б) И ю л ь 1998 г. (в) Август 1998 г.

< 54 м3/сутки

64—108 мУсутки

J 108-162 м 3 / с у т к и

Р 162—216 м 3 / с у т к и


гашЕйУР Л »

2 , 7 0 — 3 , 2 4 м 3 / с у т к и

2 , 1 6 — 2 , 7 0 м ' / с у т к и

1 , 6 2 — 2 , 1 6 м 3 / с у т к и

] 1 , 0 0 - 1 , 6 2 м У с у т к и

3 < 1 , 0 0 м 3 / с у т к и

(г) И ю н ь 1999 г. (д) И ю л ь 1999 г. (е) Август 1999 г.

Ил. 11.17. Грунтовый сток

(а) Наклон ( б ) Исполь louamic i c m j i i i

Ил. 11.18. Тематические карты

Ил. 11.19. Расгроная ЦМ Р территории

, 9 Водный объект == 1 |

О Тип почвы >= 1 j

Ц Речные мосты J езэ Характеристики местности — ? Наклон поверхности <= 11

? Землепользование >= 3 J

? Глубина водного объекта - = 1 |

(а) Речные мосты

, 9 Водный объект == 2 !

j , 9 Тип почвы >= 2 j

j j Наклон поверхности <= 31

. 9 Землепользование >= 3 j

• Наземные мосты J — — с=з Характеристики местности г

'' 9 Речные мосты == FALSE i

(б) Наземные мосты

Ил. 11.20. База знаний для выбора мест возможного строительства мостов

О Землепользование == 5 J

^ О Линии электропередач == 01

ЦЦ Вертолетные площадки |— ста Характеристики местности

^ ? Наклон поверхности <= 51

О Тип почвы >= 2 j

Ил. 11.21. База знаний для выбора мест строительства взлетно-посадочных площадок для вертолетов

(а) Мсста. пригодные для строи- (б) Места, пригодные дли строи-тельства речных моего» тельстиа пачемпых моего»

(в) Места, п р ш одпые для наведения иеремра»

И л . 1 1 . 2 2 . К а р т ы м е с т н о ч м о ж н о г о с т р о и т е л ь с тва м н е гон и о б у с т р о й с т в а п е р е п р а н


Рис. 10.14. Различные триангуляционные сети, построенные по одним и тем же точкам

Метод скользящего среднего

Метод скользящего среднего заключается в вычислении значения атрибута в точке по набору значений в соседних точках, расположенных в пределах заданного пространственного окна. В процессе интерполяции окно пере-мещается по исследуемой области, и в каждом его положении вычисляется новое значение атрибута центральной точки. Исходные значения атрибутов в точках измерения не сохраняются.

Метод скользящего среднего является, пожалуй, наиболее типичным методом интерполяции в ГИС. Чаще всего используют круговой фильтр. В этом случае попадание точки в окно фильтра не зависит от направления (рис. 10.15, а). Однако при использовании в ГИС растровых данных лучше использовать квадратные фильтры, поскольку это существенно упрощает вычисления (рис. 10.15, б). Для увеличения вклада от более близких точек в пределах окна фильтра можно применить весовую функцию.

Метод скользящего среднего хорошо использовать для тех наборов дан-ных, которые достаточно хорошо описывают глобальные структуры релье-фа, но могут содержать существенные ошибки в каждой отдельной точке. Этот метод применялся для интерполяции социально-экономических дан-ных, результатов социологических опросов, полевых измерений кислот-ности почв и др.

Круговой фильтр

Точка — результат

интерполяции

Квадратный фильтр 7 Г Известная точка

/ +

щш 1

В +

В + +

+

Точка — - результат интерполяции

а) Круговой фильтр б) Квадратный фильтр

Рис. 10.15. Использование фильтров в методе скользящего среднего 8—3179


10.9. Анализ поверхностей

Для моделирования реальной поверхности необходимо иметь большое число точек измерений, которые должны равномерно располагаться на исследуемой территории. При недостатке данных используют различные методы интерполяции. Поскольку при локальной интерполяции наруша-ются требования к гладкости, чаще применяют методы глобальной ин-терполяции, основанные на моделировании поверхности с помощью из-вестных функций.

Как правило, в качестве интерполяционных функций используют по-линомы первой, второй и третьей степени:

Z = а + Ьх + су + dx2 + еху + fy2 + gx3 + hx2y + ixy2 + fy2, (10.4)

где z — искомая высота рельефа в точке с координатами (х, у), а а, Ъ, с,..., j — коэффициенты полиномов. Значения коэффициентов определяют по известным значениям высот из системы линейных уравнений, для реше-ния которой используют метод наименьших квадратов.

Оптимальным локальным методом интерполяции, который широко применяется для создания ЦМР, является кригинг, названый так в честь его автора Д. Крига. Этот метод легко модифицируется, и его можно использовать для интерполяции данных любого типа. Существуют не-сколько вариантов этого метода: простой кригинг, стандартный кригинг, универсальный кригинг, блочный кригинг и ко-кригинг. В каждом из них используется свой собственный критерий оценки значений атрибута в промежуточных точках. Иными словами, кригинг — это общее на-звание целого семейства линейных регрессионных алгоритмов. При ис-пользовании метода ко-кригинга для оценки значения атрибута можно использовать значения другого атрибута, если между этими двумя се-мействами атрибутов есть пространственная зависимость. В частности, этот подход применяется при высокой стоимости измерений какого-либо параметра. В этом случае проводят менее затратные измерения другого параметра, а затем вычисляют значения нужного атрибута методом ко-кригинга.

Создание наборов данных для новой ЦМР

Потребность в новой цифровой модели рельефа возникает, если старые данные перестают удовлетворять требованиям к качеству и разрешению или если появляется новый источник информации. Наиболее быстрый способ создания модели с более высоким разрешением заключается в том, чтобы обновить уже существующую модель, добавив в нее новые данные. Если при обновлении ЦМР используется интерполяция, очень важно по-

z = а + Ьх + су, (10.3)

Z = а + Ьх + су + dx2 + еху + fy2, (Ю.4)

10.9. Анализ поверхностей 227

нимать, что выбор того или иного интерполяционного метода зависит от географических размеров цифровой модели. Если ЦМР охватывает не-большую область, можно применять как глобальные, так и локальные методы интерполяции, однако для создания больших национальных ЦМР многие глобальные методы (например, кригинг) становятся практи-чески неприменимыми из-за гигантского количества точек, которые не-обходимо одновременно обрабатывать. Для построения цифровой модели рельефа Австралии использовался итерационный конечно-разностный алгоритм интерполяции Хатчинсона [35]. Этот метод сравним по своей вычислительной эффективности с локальными методами интерполяции и, одновременно, обладает всеми основными преимуществами глобаль-ных методов.

Расчет топографических атрибутов и извлечение пространственных объектов

Топографические атрибуты, являющиеся цифровой формой описания ре-льефа, можно разделить на две категории [57]:

1. Основные. 2. Дополнительные (вторичные). Основные атрибуты — это топографические параметры, значения кото-

рых можно получить или рассчитать непосредственно из цифровой модели рельефа. В частности, к таким параметрам относятся высота и наклон. До-полнительными атрибутами называются параметры, являющиеся комбина-цией основных параметров с другими признаками, которые характеризуют пространственные вариации какого-то определенного распределения (на-пример, распределения влажности почв).

Непосредственно по ЦМР можно вычислить значения следующих основных атрибутов:

1. Высоту (относительная высота или высота над уровнем моря). 2. Наклон (градиент поверхности). 3. Экспозицию (азимут, задающий направление максимального на-

клона в данной точке). 4. Удельную водосборную площадь (площадь водосбора, соответству-

ющая единице длины изогипсы). 5. Длину пути водного потока (максимальное расстояние, которое во-

дный поток проходит до некоторой точки водосборного бассейна). 6. Кривизну профиля (кривизна профиля наклона). 7. Кривизну в плоскости (кривизна изогипсы). Из ЦМР можно получить также значения атрибутов, необходимых для

геоморфологического анализа. В частности, к таким атрибутам относятся локальные параметры рельефа, густота гидрографической сети и стати-стические оценки наклона и геодезической выпуклости. Расчет значений топографических и геоморфологических атрибутов является обычной про-межуточной задачей при моделировании рельефа.

Традиционно цифровые модели рельефа использовались для изучения водосборных бассейнов и других задач гидрологии. В настоящее время


сфера применения ЦМР существенно расширилась, прежде всего, благода-ря использованию ГИС в самых разнообразных областях науки и техники. В общем случае из ЦМР можно выделить объекты трех типов:

1. Характерные точечные объекты. 2. Линейные или сетевые объекты. 3. Площадные объекты. Характерные точечные объекты. К характерным точечным объектам

относятся горные пики, впадины, перевалы и седловины. Для извле-чения этих точек из ЦМР необходимо проанализировать разность вы-сот в некоторой окрестности. Локальные максимумы высоты в ЦМР соответствуют пикам, а локальные минимумы — впадинам, перевалам и седловинам.

Линейные или сетевые объекты. В настоящее время для выделения ли-нейных объектов из ЦМР чаще всего используют гидрологический метод [51]. В этом методе сначала по значениям высот исходной модели опреде-

18 17 16 18 19 20 22 20 15 14 15 16 15 16 16 16 13 12 14 12 13 9 12 13 11 10 11 10 12 8 10 8 9 8 7 8 7 7 7 8 9 7 5 7 6 5 6 7 9 7 6 2 1 4 5 7 7 5 1 1 1 14 5 5

Определение направления потока

а) ЦМР со значениями высот

Л У А ч У А У У Ч У ч У ч У А А Л У ч У ч 1 А У Л Л У ч У У У А Л Л У А ч У А А ч ч У А А А Ч Л У >> У А А А 0 0 -< <<

Определение площади водосбора для каждой ячейки

(б) Диаграмма направления потока

1 1 1 1 1 1 1 1 1 4 1 1 4 1 2 2 1 6 1 3 1 8 3 1 8 1 5 1 13 1 1 2 10 1 7 14 3 1 3 14 1 1 25 2 1 1 1 15 43 3 2 1 2 3 0 49 3 2

в) Водосборный бассейн

Рассмотрение

N V > f f

> f 1 J У

г) Результирующая гидрографическая сеть

Рис. 10.16. Гидрологический метод выделения гидрографической сети из данных ЦМР

10.9. Анализ поверхностей 1

ляют направления потока во всех ячейках (рис. 10.16, а и б), а затем рас-считывают новую цифровую модель, характеризующую площадь водосбора в каждой ячейке (рис. 10.16, в) [49].

На полученной модели водосборного бассейна определяют ячейку с максимальным значением и соединяют ее со всеми соседними ячейка-ми, у которых величина площади водосбора больше заданной. Затем эту процедуру повторяют для всех присоединенных ячеек и так до тех пор, пока не останутся только те ячейки, у которых площадь водосбора мень-ше установленного порогового значения. В результате на ЦМР выделяется гидрографическая сеть (рис. 10.16, г), которую в дальнейшем можно ис-пользовать, например, для выделения хребтов. Пропуски в структуре гид-рографической сети устраняют путем интерполяции. Если какая-то часть гидрографической сети или хребет представлены несколькими близлежа-щими линиями, эти линии объединяют в одну.

Площадные объекты. Выделенные русла рек и хребты используют в дальнейшем для определения границ таких площадных объектов, как водосборные бассейны. Для этого применяют рекурсивные алгоритмы, аналогичные описанному выше, с помощью которых определяют при-надлежность ячеек к той или иной части гидрографической сети или хребту.

Вычисление наклона и экспозиции

В растровой ЦМР для вычисления наклона поверхности и экспозиции ис-пользуется окно размером 3 x 3 ячейки, с помощью которого определяют коэффициенты полинома (10.3), после чего наклон S и экспозицию А мож-но вычислить, используя следующие формулы:

Наклон и экспозиция при использовании векторных данных вычисля-ются на этапе создания нерегулярной триангуляционной сети. Примеры карт этих параметров представлены на ил. 1. Для анализа и классифика-ции различных структур рельефа могут также применяться карты скоро-сти изменения наклона и кривизны поверхности.

Анализ видимости

Цифровую модель рельефа можно использовать для определения обла-стей, находящихся в зоне прямой видимости из определенной точки зем-ной поверхности. Пример такого анализа показан на рис. 10.17. В этом примере Р является точкой наблюдения, из которой видны все точки F Если точка Рп находится между точками Ри Р% ниже линии РР\ она будет видна из точки Р\ Но если точка Рп лежит за точкой Р\ то она будет не видна из точки Р.

S=b2 + с\ (10.6)

(Ю.7)

9—3179


Рис. 10.17. Анализ видимости по данным ЦМР

Поскольку в растровой ГИС точки эквивалентны пикселам, можно сформировать матрицу видимости К присвоив каждому пикселу одно из двух значений:

V..= 1, если точка ij видна из точки наблюдения,

V.. = 0, если точка ij не видна из точки наблюдения.

Множество пикселов, видимых из точки наблюдения, называется ее об-ластью видимости, а вычисление матриц видимости и их интерпретация — определением области видимости.

Методы определения области видимости на основе растровых и век-торных данных мало чем отличаются друг от друга, и в обоих случаях ко-нечным результатом такого анализа является карта видимости. Во многих программных реализациях ГИС предусмотрены дополнительные возмож-ности. Например, пользователь может задать высоту точки наблюдения от-носительно поверхности и таким образом выбрать в качестве точки наблю-дения высотный промышленный объект.

В некоторых ГИС существует также возможность учета дополнительных преград между природными объектами и средства визуализации, моделиру-ющие полет над поверхностью. Следует также добавить, что на поверхности, построенные по цифровой модели рельефа, можно наносить данные из дру-гих источников и, в частности, накладывать на них космические снимки.

10.10. Анализ сетей

В области ГИС сетью называется множество взаимосвязанных линейных объектов, вдоль которых могут перемещаться какие-либо ресурсы. Типич-ными примерами сетей являются сеть автомобильных дорог, железнодо-рожная сеть, речная сеть, а также телефонная сеть и городские системы водоснабжения и канализации. Перечислим некоторые задачи, для реше-ния которых требуется анализ сетей [49]:

10.10. Анализ сетей 231

1. Поиск оптимального пути (например, наиболее короткого либо наименее затратного) между заданными узлами сети (поиск пути).

2. Приписывание определенных частей сети к пункту обслуживания (аллокация).

3. Поиск всех частей сети, связанных с движением объектов опреде-ленного типа, например, городского транспорта (трассировке!).

4. Оценка влияния объектов на их окружение и определение затрат, необходимых для достижения объекта (метод гравитационного моде-лирования). Этот метод широко используется для решения экономи-ческих, географических и технических задач, а также задач город-ского планирования.

5. Вычисление матрицы расстояний между различными точками сети. 6. Определение местоположения существующих и планируемых пун-

ктов обслуживания и одновременное приписывание к ним соответ-ствующих частей сети (моделирование по типу «идентификация — аллокация»).

Рассмотрим некоторые из этих задач более подробно.

Задача поиска оптимального пути

Оптимальным может быть кратчайший путь или путь, занимающий ми-нимальное время. Для расчета оптимального пути по растровым данным используется анализ соседних ячеек, а различные помехи моделируются путем присвоения соответствующим ячейкам больших стоимостных зна-чений. Для выбора оптимального пути используют критерий наименьшей стоимости. Существенно возрастает количество возможностей для анализа различных маршрутов при использовании векторных данных. В частности, они позволяют учитывать транспортные пробки и другие ограничения по-добного рода.

Трассировка маршрута

Трассировка используется для анализа однонаправленных потоков, кото-рые характерны, например, для кабельных телевизионных сетей и систем водоснабжения. Для выполнения трассировки очень важно знать направ-ление потока, которое можно задать на этапе оцифровки, просто следя за тем, чтобы ее порядок совпадал с направлением потока. В результате, при трассировке маршрута всегда будет выдерживаться направление либо по потоку, либо против него.

Задача коммивояжера

В этой задаче необходимо найти наиболее быстрый маршрут коммивояже-ра, придерживаясь которого, он сможет за день посетить определенное ко-личество клиентов. Аналогичная задача возникает, например, при вывозе мусора и разноске почты. Для решения этой задачи необходимо проанали-зировать порядок посещения пунктов остановки и маршруты между этими


пунктами. Чтобы упростить задачу, сначала последовательно рассматри-вают пути между всевозможными парами пунктов и выбирают те, кото-рым соответствует наименьший сетевой импеданс. После этого перебирают все возможные варианты маршрутов от начального пункта к конечному и устанавливают порядок посещения, соответствующий минимальному суммарному импедансу.

Модель «идентификация — аллокация»

Одной из задач анализа сетей является аллокация ресурсов на основе моделирования входных и выходных потоков (спроса и предложения). Обычно в такой модели отдельные участки сети приписывают к бли-жайшему центру поставок, который определяется с учетом значений сетевого импеданса. Максимальную зону обслуживания центра можно определить, анализируя спрос вдоль примыкающих к нему участков сети. В результате анализа могут обнаружиться такие участки сети, которые не попадают в зону обслуживания существующих центров. Для решения этой проблемы можно либо снизить поставки по другим маршрутам, либо организовать новый центр, предварительно определив его оптимальное местоположение.

10.11. Методы визуализации рельефа

Визуализация цифровой модели рельефа в ГИС используется для: 1. Представления географической информации. 2. Анализа данных и проверки гипотез. Существует множество разнообразных методов визуализации, которые,

как правило, можно классифицировать по размерности графической моде-ли представления данных.

Двумерное представление рельефа

Традиционным графическим способом представления рельефа являются изогипсы — линии постоянной высоты. Основной недостаток этого способа заключается в том, что малоопытному пользователю бывает очень сложно представить себе трехмерный рельеф по его двумерному представлению.

По этой причине был разработан ряд методов, в которых по-прежнему ис-пользовались изогипсы, но одновременно создавался эффект трехмерности.

Метод затенения изогипс. В этом методе толщина изогипс выбирается в зависимости от яркости освещения. В ГИС этот метод практически не используется.

Аналитический метод затенения. Этот метод теневой отмывки релье-фа основан на анализе взаимной ориентации направления излучения от источника света и нормали к поверхности каждой грани нерегулярной триангуляционной сети (рис. 10.18). Аналогичный метод используется и для визуализации ЦМР (рис. 10.19). Аналитический метод затенения относится к категории качественных методов, поэтому по результиру-

10.11. Методы визуализации рельефа 2

Вектор направления падения света

z )

X

0,0 < Освещенность = (L х N) < 1,0

Рис. 10.18. Принцип теневой отмывки рельефа [49]

ющему двумерному изображению нельзя восстановить значения высот рельефа.

Представление рельефа условной размерности 2,5

Для создания ощущения трехмерности пространства на двумерном изо-бражении можно использовать различные графические приемы. В дан-ном методе для этого используется изометрия — метод проецирования, характеризующийся одинаковым масштабом по всем трем координатным осям. Хотя этот метод визуализации очень легко реализуется в числен-ном виде, он не дает настоящего ощущения глубины пространства. Клас-сической областью применения этого метода являются каркасные изо-бражения (ил. 10.2). Изображение становится более реалистичным, если на изометрическую проекцию поверхности наложить слой атрибутивных данных (ил. 10.3). Следует отметить, что по мере развития компьютерных технологий и трехмерных методов визуализации изометрия постепенно утрачивает свое значение.

Рис. 10.19. Изображение с теневой отмывкой рельефа [49]


Трехмерные методы представления рельефа

В трехмерных моделях рельефа координаты точек х, у и z образуют жест-кую структуру, для визуализации которой используют перспективные проекции. Трехмерное моделирование является одним из самых больших достижений ГИС-технологий, которое позволяет применять к объектам и их свойствам полный набор пространственных операций, ограниченных только параметрами самой модели [49]. Для разработки трехмерных моде-лей используются сложные теоретические методы, а их реализация требует больших вычислительных ресурсов. Как правило, для такого моделирова-ния используют целую совокупность графических методов, включая гео-метрические преобразования, теневую отмывку рельефа, учет атмосферно-го влияния и т. п.

Динамическая визуализация рельефа

Для динамической визуализации рельефа создают последовательность ка-дров, «снятых» из одной точки наблюдения, которые затем можно просма-тривать как кинофильм. Динамический просмотр позволяет наблюдать из-менения, которые происходят с объектом во времени. Наиболее развитые системы динамической визуализации позволяют также перемещать точку наблюдения и создавать эффект полета над территорией.

ГЛАВА 11

ПРИМЕНЕНИЕ ГИС


В этой главе рассматриваются основные принципы разработки проекта ГИС, который необходим для успешного применения географической ин-формационной системы в любой предметной области. При разработке про-екта следует точно определить характер решаемой задачи, требования к си-стеме, тип, объем и модель данных, а также методы их анализа. Помимо прочего, к задачам управления проектом относятся также обеспечение его своевременной сдачи и контроль качества.

В этой главе описывается общий подход к разработке и внедрению гео-графических информационных систем, который иллюстрируется несколь-кими примерами. Следует отметить, что каждый проект является уни-кальным, поэтому при его реализации необходимо учитывать не только доступные технические средства, но и структуру того учреждения, в кото-ром проект реализуется. В общем случае, разработка проекта ГИС состоит из следующих этапов:

1. Постановка задачи. 2. Разработка модели данных. 3. Управление проектом. 4. Определение проблем внедрения. 5. Оценка качества проекта. Подробное обсуждение всех перечисленных аспектов выходит за рамки

этой книги, поэтому здесь мы рассмотрим только основные этапы разра-ботки и реализации ГИС-проектов.

11.2. Постановка задачи

Для того чтобы использовать ГИС в какой-то определенной тематической области, необходимо, прежде всего, сформулировать задачу, которая долж-на решаться средствами ГИС. Для этого используют следующие методы.

Общая схема проекта. В такой схеме должны быть представлены основ-ные элементы проекта ГИС, существующие между ними связи, а также действия, необходимые для организации взаимодействия между различны-ми участниками проекта (например, между обладателями и приобретате-лями прав собственности). Для обозначения различных действий в такой схеме используют условные обозначения. Например, скрещенные шпаги могут обозначать конфликтные ситуации, значок с изображением глаза — стороннего наблюдателя, а облачка с текстом — определенные мнения. Це-

236 Глава 11. Применение ГИС

лью создания такой схемы является выработка компромиссного решения, в котором будут учтены мнения всех вовлеченных в проект сторон.

Формулировка общей задачи. Мнения различных пользователей ГИС относительно целей и реализации данного проекта могут не совпадать. По-этому разработчик системы должен сначала проанализировать все точки зрения и сформулировать общую часть задачи. Это позволит пользовате-лям понять принципы разработки ГИС для данного проекта, а разработ-чику учесть их требования.

Гибкий подход. Предложенный Чеклендом [14] гибкий подход ориенти-рован, прежде всего, на решение неструктурированных проблем. Проблема является структурированной, если известно точное место ее возникнове-ния. В противном случае проблема называется неструктурированной. Гиб-кий подход является контекстуальным и зависит от взгляда того или иного участника проекта на проблему.

11.3. Создание модели данных

Значение термина «модель данных» зависит от контекста. В контексте разработки ГИС можно выделить концептуальную модель и физическую модель. Концептуальная модель является, по существу, схемой представ-ления пространственных данных и связанных с ними процессов для решения поставленной задачи. Реализация концептуальной модели на компьютере описывается физической моделью, которая содержит инфор-мацию об используемой пространственной модели данных, их структуре и схеме анализа.

Для создания концептуальной модели необходимо четко определить ее элементы — объекты, их состояние и взаимные отношения, а затем соста-вить блок-схему, иллюстрирующую этапы решения задачи и существую-щие требования, включая требования к исходным и выходным данным.

В физической модели необходимо также учитывать реализацию про-странственных объектов, их атрибутов и взаимных отношений в числовой форме на компьютере. Поскольку основное внимание, при этом, уделяется разработке модели связей между пространственными объектами, вместо термина «физическая модель» очень часто используют его синоним — схе-ма анализа. Чаще всего, для создания такой схемы используют картогра-фическое моделирование, включающее методы обработки географических данных, в которых переменными величинами в алгебраических выражени-ях служат целые карты, а к их элементам применяют операции сложения, вычитания, умножения и деления. Результатом этих операций являются новые карты. Например, если а обозначает карту автомобильных дорог, a b — карту железнодорожной сети, то к этим двум картам можно приме-нить операцию

а + Ь = с , (11.1)

где с — новая карта транспортной сети, а знак плюс (+) означает простран-ственное наложение (объединение) карт а и Ь.

11.5. Проблемы внедрения 237

Процесс создания картографической модели состоит из следующих этапов:

1. Определение слоев карты (наборов данных). 2. Описание процесса решения задачи по имеющимся данным в виде

блок-схемы. 3. Указание в блок-схеме всех команд, необходимых для выполнения

каждой операции в ГИС [8].

11.4. Управление проектом

Решение поставленной задачи во многом зависит от того, насколько эф-фективным будет управление проектом. После создания модели данных наступает этап внедрения ГИС, который подразумевает и интеграцию этой системы в существующую информационную среду предприятия. Для управления проектом используют, в основном, два подхода, один из которых основан на жизненном цикле системы, другой — на маке-тировании.

Линейный подход, основанный на понятии жизненного цикла системы, используется для создания структурированной среды управления ГИС-проектом. В этом методе, который называют также водопадной моделью [76] результаты первого этапа разработки проекта являются входными данны-ми для второго и т. д.

Хотя этот подход в настоящее время широко применяется для разра-ботки проектов в области информационных технологий, у него есть ряд ограничений, связанных с тем, что разработчикам зачастую не удается учесть особенности отрасли, для которой разрабатывается данная систе-ма. Линейность подхода служит определенным ограничением в тех случа-ях, когда требуется внести изменения, связанные с тематической областью и характером решаемой задачи. Считается, что этот подход лучше всего использовать не для узкоспециальных прикладных проектов, а для разра-ботки иерархических и централизованных информационных систем.

При использовании другого метода управления проектом — макетиро-вания — основные требования к системе определяются заказчиком с помо-щью общей схемы проекта или в результате формулировки общей задачи. После этого сразу же создается макет системы, в котором учитываются основные требования пользователя. После тестирования макета, заказчик доопределяет требования к системе. Этот подход также имеет свои недо-статки, связанные с трудностями управления этапом макетирования, из-менением привлекаемых ресурсов после завершения первого этапа и нео-пределенностью момента завершения разработки.

11.5. Проблемы внедрения

В процессе разработки ГИС всегда встречаются проблемы, которые не-возможно предвидеть заранее. Например, исходные данные могут быть предоставлены в непредусмотренном формате, или пользователи могут изменить свои требования в ходе проекта. Кроме того, часто возникают


проблемы, связанные с недостатком понимания заказчиками тех техни-ческих вопросов, которые относятся к структуре данных и программной реализации ГИС.

При неверном формате исходных данных у разработчика есть два вы-хода: либо найти другого поставщика данных, либо преобразовать данные в нужный формат. В тех ситуациях, когда пользователи не очень хоро-шо представляют себе, какие модели, структуры данных и методы анали-за лучше всего подходят для их проекта, самым простым выходом может оказаться привлечение независимого эксперта. Наконец, проблема не-предвиденных изменений со стороны пользователей решается с помощью специальной процедуры опроса и учета их замечаний на каждом этапе разработки проекта.

11.6. Тестирование

Выходные данные ГИС должны соответствовать целям проекта, в них не должно быть ошибок. Таким образом, при разработке проекта необходимо предусмотреть этап тестирования самой ГИС и выходных данных. Вместе с тем, если выходными данными ГИС являются не точные, а прогности-ческие значения, то выполнить их проверку бывает нелегко. В некоторых случаях, более эффективным методом разработки проекта является маке-тирование, поскольку при этом подходе, тестирование и анализ данных происходят автоматически.

Чтобы обеспечить соответствие реализации ГИС всем исходным требо-ваниям необходимо следующее:

1. Постоянная связь со всеми участниками разработки ГИС и обсуж-дение с ними соответствия системы целям проекта.

2. Проверка соответствия выходных данных ГИС реальным наблю-дениям.

3. Адаптация проекта на различных этапах — от создания общей схе-мы до разработки модели данных и внедрения ГИС.

11.7. Примеры использования

В этом разделе рассматриваются примеры использования ГИС в различных тематических областях. Следует обратить внимание на то, что в разных об-ластях используются разные исходные данные, методы анализа и форматы выходных данных. Ниже представлен список задач, которые были решены с использованием ГИС.

1. Планирование развития городской инфраструктуры. 2. Анализ опасности дорожно-транспортных происшествий. 3. Анализ водных ресурсов. 4. Создание туристической информационной системы. 5. Создание информационной системы и базы данных землетрясе-

ний. 6. Задача дренирования на чайных плантациях. 7. Создание базы знаний для военных целей.

11.7. Примеры использования 239

Следует отметить, что в настоящей главе изложены только общие прин-ципы использования ГИС; методы и процедура анализа данных в каждом конкретном случае будут зависеть от исследователя и решаемой им задачи.

Планирование развития городской инфраструктуры

Рост городов, обусловленный миграцией сельского населения, является очень динамичным явлением. Поэтому для успешного планирования го-родской инфраструктуры требуются точные данные, отражающие наиболее современную обстановку. В этом разделе мы рассмотрим пример исполь-зования ГИС и данных дистанционного зондирования для планирования инфраструктуры города Дехрадан, бурное развитие которого началось по-сле того, как он стал столицей индийского штата Уттаранчал. Цель иссле-дования состояла в том, чтобы проанализировать основные направления и динамику расширения территории города и выявить зоны, оптималь-ные для дальнейшего развития городской инфраструктуры [82]. Сведения о данных и программном обеспечении, которые использовались в этом ис-следовании, представлены в табл. 11.1 и 11.2.

Методика исследования представлена в виде блок-схем на рис. 11.1 и 11.2. В результате анализа исходных карт было выделено несколько классов объ-ектов: городская территория, сельскохозяйственные земли, лес, неисполь-зуемые земли, речное русло, основные и второстепенные автомобильные дороги и железнодорожная линия. Эти же классы объектов были дешифри-рованы на космических снимках, полученных в 1988, 1997 и 2001 годах, по-

Табл. 11.1. Исходные данные [82]

№ Данные Год Масштаб 1 Карта г. Дехрадан 1945 1:20000 2 Карта г. Дехрадан 1965 1:20000 3 Лист топографической карты Индии 53J/3 1984 1:50000 4 Лист топографической карты Индии 53F/15 1965 1:50000 5 Материалы Д33 со спутника IRS LISS II 1988 6 Материалы Д33 со спутника IRS ID PAN 1997 7 Материалы Д33 со спутника IKONOS 2001

Табл. 11.2. Программное обеспечение [82]

№ Программа Использование 1 ERDAS Imagine 8.5 Для совмещения карт и их оцифровки на экране

монитора 2 ESRI ArcGIS Для регистрации изменений, анализа пригодности

и создания карт 3 Adobe Photoshop Для сканирования и растеризации карт 4 MS Excel Для численного анализа таблиц атрибутов


Рис. 11.1. Схема анализа развития городской территории [82]

еле чего были составлены тематические карты землепользования (ил. 7.6). Затем эти карты были отсканированы и обработаны с помощью программы Adobe Photoshop. Для совмещения карт использовали программный пакет ERDAS Imagine 8.5, а для подготовки таблиц с атрибутивными данными — электронные таблицы MS Excel. Для анализа временных изменений в зем-лепользовании, определения пригодности земель и подготовки результи-рующих карт использовали программный комплекс ESRI ArcGIS.

Расширение городской территории в период с 1945 по 2001 год показано на ил. 7.7, а тенденции в структуре землепользования — на ил. 11.1. Коли-чественные изменения этой структуры представлены в табл. 7.3.

При определении мест, подходящих для дальнейшего развития города, необходимо учитывать следующие факторы:

1. Территория должна быть свободной или малоиспользуемой. 2. Территория должна находиться на таком расстоянии от реки, кото-

рое исключало бы ее затопление во время наводнений. 3. Должна быть возможность для проведения всех необходимых ком-

муникаций.


Рис. 11.2. Схема анализа пригодности земель [82]

4. Рельеф должен быть более или менее плоским. 5. Территория должна быть в достаточной степени обеспечена водой. При создании карты пригодности земель все перечисленные факторы

можно учесть, присвоив исходным тематическим картам определенные ве-совые коэффициенты. В данном случае картам «земных покровов», доступ-ности территории, наклона рельефа и опасности наводнений были присво-ены весовые коэффициенты 10, 9, 6, 4 и 4 соответственно, после чего эти карты были преобразованы в растровый цифровой формат и совмещены друг с другом. При этом значение каждого пиксела результирующей карты (ил. 11.2) рассчитывалось как взвешенная сумма соответствующих пиксе-лов исходных тематических карт.

Таким образом, пригодность земли оценивалась по следующей фор-муле: балл пригодности = 10*(значение на карте землепользования) + 9*(доступность территории) -I- 6*(наклон рельефа) -I- 4*(опасность наводне-ния) + 4*(запасы грунтовых вод).


Табл. 11.3. Классы пригодности земли для развития городской территории [82]

№ Класс пригодности Балл пригодности Площадь, км2 Площадь, % 1 1-й 270-315 22,41 36,35 2 2-й 225-270 30,21 48,97 3 3-й 180-225 5,94 9,63 4 4-й 135-180 2,90 4,71 5 Непригодна 90-135 0,21 0,34

Всего 61,67 100

Весь диапазон полученных значений был разделен на пять категорий. При этом с результирующей карты были удалены территории, относящиеся к уже существующей городской инфраструктуре, и русло реки. Классы при-годности земли для дальнейшего развития города представлены в табл. 11.3.

Как видно из таблицы, примерно 85% всей доступной территории пло-щадью 61,67 кв. км можно оценить как вполне пригодные земли для даль-нейшего развития города.

Анализ опасности дорожно-транспортных происшествий

Для снижения опасности дорожно-транспортных происшествий (ДТП) необходимо постоянно модернизировать существующую дорожную сеть и принимать дополнительные меры для управления транспортными по-токами и обеспечения безопасности дорожного движения.

Для анализа опасности ДТП в городе Дехрадан была создана база данных ГИС на основе топографической карты 1984 года, карты города 1965 года и космических снимков со спутника IKONOS за 2001 год, кото-рые использовались, в частности, для обновления данных о сети автомо-бильных дорог, выделенной на карте 1984 года. Информация о дорожно-транспортных происшествиях за 5-летний период была предоставлена полицией города Дехрадан. Методика обработки данных в этом исследо-вании представлена на рис. 11.3. В процессе исследования анализирова-лись следующие факторы:

1. Анализ ДТП: - годовые вариации ДТП, - месячные вариации ДТП, - зависимость ДТП от категории автотранспортного средства, - временной анализ по категориям, - зависимость ДТП от пола водителя, % - категория ДТП, - зависимость ДТП от типа дороги.

2. Определение наиболее опасных мест. На ил. 11.3 представлена гистограмма, характеризующая количество

ДТП в зависимости от категории автотранспортного средства в различ-ные периоды времени. Сводная информация по ДТП различных катего-


Рис. 11.3. Схема анализа опасности ДТП [87]

рий, произошедших на одной из дорог города, представлена на ил. 11.4. Для определения наиболее опасных участков использовались два показате-ля: частота и индекс тяжести ДТП. Полученные данные можно использо-вать для принятия немедленных административных решений по повыше-нию безопасности автомобильного движения в различных частях города.

Анализ водных ресурсов

Выращивание сельскохозяйственных культур невозможно без точной оцен-ки запасов воды и оптимизации использования водных ресурсов. Совре-менные технологии ГИС используются в этой области для определения эффективности существующих ирригационных систем и пространственно-временного анализа состояния посевов по данным космической съемки и полевых наблюдений.

В ходе исследования, которое проводилось в округе Бахударабад (штат Уттаранчал), комбинированные космические снимки применялись также для классификации посевов. Этапы исследования, методика классифика-ции и схема использования ГИС представлены на рис. 11.4, 11.5 и 11.6 [78].

Исходными данными служили топологическая карта и данные косми-ческой съемки IRS LISS-III и IRS PAN. Для выделения пространственных объектов использовались комбинированные изображения, в процессе фор-мирования которых применялись различные преобразования, включаю-щие расчет вегетационного индекса. Гидрологические данные были предо-ставлены местными органами управления.

Как показал анализ космических снимков, основными сельскохозяй-ственными культурами в регионе являются сахарный тростник и пшени-


Рис. 11.4. Схема анализа водных ресурсов [78]

ца. Другими классами объектов стали заболоченные земли, песчаники, городская территория и водоемы.

Результаты классификации исходных комбинированных снимков оро-шаемой территории показаны на ил. 11.6 и 11.7.

Величина водопотребления на орошение определялась в результате ГИС-анализа таких факторов, как суммарное испарение, общая норма орошения, норма орошения для данной культуры и месячная норма водопотребления.

Определяли также суммарную норму орошения для различных культур в пределах отдельных областей. Результаты оценки величины водопотре-бления для одной из областей показаны на ил. 11.9, а вариации в потреб-

Рис. 11.5. Методика классификации [78]


Рис. 11.6. Схема использования ГИС [78]

ности и подаче воды для орошения той же области — на ил. 11.10. В заклю-чение, для всех областей были рассчитаны коэффициенты эффективности орошения. В результате анализа было показано, что большинство каналов ирригационной системы, за исключением канала Кхерли, вполне успешно справляются с возложенной на них задачей.

Туристическая информационная система

Развитие туристической отрасли напрямую зависит от того, насколько сво-евременно будет предоставлена туристам та информация, на основе кото-рой они смогут планировать свои поездки.

Штат Уттаранчал является одним из наиболее красивых и посещаемых мест в Индии. Для управления данными, относящимися к достопримечатель-ностям этого штата, была создана специальная географическая информаци-онная система, при разработке которой использовались различные топогра-фические и туристические карты, географический атлас штата Уттаранчал, изданный Национальным картографическим агентством (NATMO), а также данные из Интернета и печатных источников [88]. Методика разработки про-екта представлена на рис. 11.7. Для того чтобы можно было проводить из-мерения, исходные карты необходимо было привести к единому масштабу, поэтому первый этап заключался в оцифровке всех имеющихся карт — адми-нистративной, физической, транспортной и др. После этого все карты были совмещены друг с другом с помощью программы ERDAS Imagine.

Общий вид туристической ГИС, разработанной для штата Уттаранчал, показан на ил. 11.11. В частности, в этой системе реализованы следующие функции:

1. Поиск определенного объекта. 2. Навигация по карте для отображения определенной территории.


3. Масштабирование для увеличения или уменьшения изображения. 4. Измерение расстояний. 5. Буферизация объектов. 6. Генерация ссылок на атрибуты, относящиеся к данной точке про-

странства. 7. Идентификация объекта с отображением всех его атрибутов. Следует также отметить удобный для пользователя графический интер-

фейс этой системы.

База данных землетрясений и сейсмологическая информационная система

Одним из наиболее опасных и разрушительных видов природных катастроф являются землетрясения. Для оценки сейсмической опасности используют-ся каталоги землетрясений, в которых собрана информация об их механиз-мах и других параметрах. Использование ГИС-технологий для обработки

Рис. 11.7. Схема разработки проекта туристической ГИС [88]


большого объема мировых данных должно помочь пользователям быстро оценивать различные сценарии развития сейсмической обстановки.

Использование ГИС для обработки данных сейсмичности рассматри-валось в работе Джаганиваша [38]. Входными данными для ГИС служили оцифрованная карта мира, карта глобальной оценки сейсмической опас-ности (GSHAP), карта тектонических плит, карта сейсмического зониро-вания Индии и каталог землетрясений. В исследовании использовались программы ArcGIS 8.3, ERDAS Imagine 8.6, Visual Basic 6.0 и MS Access. Методика работы проиллюстрирована на рис. 11.8, а интерфейс информа-ционной системы показан на ил. 11.12. Круг на этой иллюстрации указы-вает область, в пределах которой можно получить необходимую информа-цию — например, о сейсмической опасности. На ил. 11.13 показан пример ответа на соответствующий запрос пользователя.

Разработанная система обработки данных каталогов землетрясений предназначена, прежде всего, для анализа пространственных и временных характеристик сейсмичности.

Задача дренирования чайных плантаций

Дренирование, назначение которого состоит в удалении избытка влаги от корневищ растений, является важной составляющей выращивания сель-скохозяйственных культур. Проблема дренирования на чайных планта-циях может решаться совершенно по-разному из-за различий в физиче-ских условиях — рельефа местности, состава почв и условий орошения. Для правильной организации дренирования необходимо иметь очень точ-ную информацию о проницаемости почв, расходовании воды, горизонте грунтовых вод и особенностях рельефа.

Проблемы с дренированием могут возникать из-за плохой проницаемости нижних горизонтов, просачивания воды из верхних слоев почвы, присутствия источников воды на небольшой глубине и наличия глинистого слоя. Поскольку на всех этапах выращивания чая необходимо поддерживать оптимальный уро-вень влаги, любые отклонения от этого уровня сказываются непосредственно на урожае. Для изучения параметров, влияющих на дренирование почв, было проведено исследование чайной провинции Хелем в штате Ассам [59].

Согласно данным пьезометрической съемки во время сезона дождей во всей области чайных плантаций наблюдалось значительное повышение горизонта грунтовых вод. Основная масса осадков удалялась через основ-ные дренажные каналы в реку Балом, однако возможностей существующей дренажной системы было явно недостаточно. Для того чтобы получить ис-ходные данные для гидравлических расчетов, исследование, проводившее-ся с помощью ГИС, было разделено на следующие этапы:

1. Создание ЦМР местности. 2. Анализ форм рельефа с помощью карты наклонов. 3. Определение направления потоков воды по векторной карте наклонов. 4. Построение профилей и определение вариаций уровня поверхности. 5. Классификация зон скопления воды. 6. Расчет поверхностного и грунтового стока.


7. Расчет параметров дренажных каналов. 8. Проверка соответствия параметров реки Балом задачам дрени-

рования. Методика исследования проиллюстрирована рис. 11.9. С помощью про-

граммного пакета MGE и программы гидрологического моделирования

Рис. 11.8. Схема разработки базы данных землетрясений и сейсмологиче-ской информационной системы [38]


НЕС-6 была проведена классификация сезонного накопления воды в ре-гионе (ил. 11.14) и определены уровни горизонта грунтовых вод для раз-личных периодов времени (ил. 11.15). Кроме того, были проанализированы поверхностный и грунтовый стоки (ил. 11.16 и 11.17).

Как показали результаты исследования, накопление воды происходит в силу различных причин, а существующая дренажная система требует усовершенствования.

База знаний для военного использования

Из истории военного искусства известно, что победу часто можно одержать малыми силами благодаря умелому использованию особенностей рельефа. Современные боевые действия характеризуются быстрым перемещением войск, поэтому точный и своевременный анализ свойств местности стано-вится особенно важным.

Традиционные бумажные карты уступили свое место цифровым, а для получения информации о рельефе все чаще используют данные косми-ческого зондирования, географические информационные системы и базы знаний, разрабатываемые на основе экспертных оценок.

В качестве примера рассмотрим базу знаний, разработанную Байджа-лом [3] для области, расположенной к югу от Сахаранпура в штате Уттар Прадеш. В этой системе предусмотрены следующие возможности:

1. Определение мест для строительства наземных и речных мостов. 2. Определение мест, пригодных для переправ.

Рис. 11.9. Схема исследования проблемы дренирования чайных плантаций [59]

10-3179


Табл. 11.4. Значения пикселов растровых изображений [3]

Объект Значение пиксела Река Дорога (1-й категории) Песчаник Глубина русла (подходящая) 1 Наклон (<5%) Высоковольтная линия Область застройки Канал Дорога (2-й категории) Мелкий песок 2 Глубина русла (неподходящая) Наклон (от 5 до 10%) Озера Глинозем 3 Наклон (> 10%) С/х земли 4

3. Выбор мест для создания взлетно-посадочных площадок для вер-толетов.

4. Определение наиболее важных с тактической точки зрения дорог, под-готовка карт возможного передвижения механизированных частей.

5. Изучение поведения различных параметров в зависимости от во-енной цели.

Исходные данные для этого исследования были получены из топогра-фических карт. С помощью программного пакета ERDAS Imagine были созданы тематические слои водоемов и рек, дорог, линий электроснабже-ния, а также цифровая модель рельефа, карты наклона и землепользования. Для создания тематических слоев почвенного покрова и глубины речного русла использовались также дополнительные данные оценочного характера. Некоторые тематические слои представлены на ил. 11.18. Растровая ЦМР региона показана на ил. 11.19. Значения пикселов, соответствующие различ-ным типам землепользования, почвам и т. п., представлены в табл. 11.4.

Правила, используемые в базе знаний для идентификации мест возмож-ного строительства наземных и речных мостов, показаны на ил. 11.20, а пра-вила определения местоположения взлетно-посадочных площадок для верто-летов — на ил. 11.21, результаты анализа — на ил. 11.22. Как показало данное исследование, использование компьютерной базы знаний и ГИС-технологий позволяет получить ту информацию о местности, которая необходима для планирования действий войсковых подразделений в современных условиях.

ГЛАВА 12

ТЕНДЕНЦИИ РАЗВИТИЯ ГИС


По мере того как различные страны развивают свои космические про-граммы, растет и объем данных, передаваемых со спутников с разным пространственным и спектральным разрешением. Однако, несмотря на успешное использование этих данных в разнообразных областях чело-веческой деятельности, существует одна проблема, которую до сих пор нельзя считать окончательно решенной. Речь идет об использовании смешанных пикселов при классификации объектов на космических снимках. Краткое обсуждение этой проблемы и путей ее решения при-водится ниже.

Область применения географических информационных систем посто-янно расширяется; в последнее время они стали важным инструментом, помогающим принимать управленческие и политические решения. Нет со-мнения, что эта тенденция сохраниться и в будущем, поэтому в этой гла-ве мы приводим также краткий обзор новейших достижений в развитии ГИС-технологий.

12.2. Новые методы обработки данных дистанционного зондирования

Одной из серьезных проблем, возникающих при классификации данных дистанционного зондирования, является проблема смешанных пикселов. Поскольку разрешение первых космических снимков было невысоким, считалось, что проблема смешанных пикселов исчезнет, как только удаст-ся добиться более высокого разрешения. Однако оказалось, что это не так. При низком разрешении высокая вероятность вкладов от объектов раз-ных классов в один и тот же смешанный пиксел сочетается с относитель-но небольшим их количеством. При более высоком разрешении количе-ство классов, представленных в каждом пикселе, уменьшается, но, вместе с тем, увеличивается число самих смешанных пикселов. Таким образом, хотя характер влияния смешанных пикселов изменился, сама проблема никуда не исчезла.

Независимо от природы смешанных пикселов они всегда являются источником ошибок при классификации снимков. Рассмотрим пример территории, на которой расположены объекты двух условных классов: «вода» и «земля» (рис. 12.1). Как видно из рисунка, «чистыми» являются

248 Глава 12. Тенденции развития ГИС

;ПИК« щшшшм

Пиксел 2

шш р з ^

Пиксел 4

Вода

а) Фактические классы б) Результат жесткой классификации земных покровов

(i) Вода 00 Земля

0 1 в) Изображение с учетом смешанных пикселов

Рис. 12.1. Анализ смешанных пикселов

только два пиксела: пиксел 1, относящийся полностью к воде, и пик-сел 4, относящийся полностью к земле. Два остальных пиксела являют-ся смешанными.

Поскольку смешанные пикселы нельзя отнести ни к одному из слагаю-щих их классов, при классификации снимков возникают ошибки. Так, при обычном методе четкой классификации каждый пиксел может относиться только к одному классу, и в рассматриваемом примере пиксел 2 будет от-несен к классу «вода», а пиксел 3 — к классу «земля» (см. рис. 12.1, б). Естественно, что в результате такой классификации может быть потеряна существенная часть полезной информации.

При использовании методов четкой классификации оценка площа-ди того или иного объекта может оказаться как заниженной, так и за-вышенной. Поскольку результирующие карты могут использоваться в са-мых разнообразных программах, включая ГИС, очевидно, что в процессе классификации необходимо каким-то образом учесть наличие смешан-ных пикселов. Такие методы получили название нечеткой, или «мягкой», классификации. В результате их применения каждому пикселу приписы-ваются определенные уровни принадлежности к разным классам, по ко-

12.2. Новые методы обработки данных дистанционного зондирования 253

торым можно строить вероятностные карты реализации различных клас-сов (см. рис. 12.1, в). Результаты нечеткой классификации в значительной мере зависят от действительной распространенности класса объектов на поверхности Земли.

В основе нечеткой классификации лежат методы спектрального анали-за, теория нечетких множеств и алгоритмы искусственных нейронных се-тей. Ниже мы рассмотрим некоторые наиболее распространенные методы такой классификации.

Линейная модель смешанных пикселов

При использовании линейной модели смешанных пикселов (Linear Mixture Model, LMM) [75] значение спектральной характеристики каждого пиксе-ла является взвешенной суммой средних значений спектральных харак-теристик наземных объектов, относящихся к разным классам. При этом, весовые коэффициенты в сумме определяются распространенностью соот-ветствующих объектов на земной поверхности [84]. Линейная модель опи-сывается следующей формулой:

X i = t f j M u + e i > 02.1) У=1

где Mtj — элемент спектральной матрицы чистых компонент, характеризую-щий среднее значение спектральной характеристики для у-го класса в /-м спектральном диапазоне, f} — доля у-го класса в пикселе, a ei — смеще-ние значения наблюдаемой характеристики от модельного в /-м диапазоне. Следует отметить, что весовые коэффициенты классов являются неотрица-тельными (J > 0 для всех Д а их сумма равна единице:

Е / у = 1 . (12.2) j=1

Для того чтобы получить спектральную матрицу чистых компонент М, необходимо вычислить средние спектральные характеристики классов, со-стоящих из чистых пикселов. Значения элементов этой матрицы можно получить из лабораторных и полевых наблюдений, а также методом глав-ных компонент.

Методы нечеткой классификации

Методы нечеткой классификации данных ДЗ широко используются в тех ситуациях, когда изучаемый географический объект изначально является не вполне определенным [90]. В настоящее время широко применяются два метода: метод С-средних и метод С-средних с регуляризацией. Рассмо-трим эти методы более подробно.

Метод С-средних. Это итерационный алгоритм нечеткой кластериза-ции, который используется для разделения смешанных пикселов. Идея метода заключается в описании сходства пиксела с каждым кластером с помощью функции уровней принадлежности, принимающей значения от


нуля до единицы. Значения функции, близкие к единице, означают высо-кую степень сходства пиксела с кластером [6]. Назначение такой функции состоит в нечетком С-разбиении (U) исходного набора данных. Очевид-но, что сумма значений функции уровней принадлежности для каждого пиксела должна равняться единице. В результате задачу разбиения можно сформулировать как задачу минимизации функции:

= Х Х С ^ Г Ц х , - v j 2 (12.3) /=1 У=1 А

при следующих дополнительных ограничениях:

с =1 для любого /,

с ^Цр > 1 для любого у, (12.4)

О < |1.. < 1 для любых / и j,

где х — вектор спектральных характеристик пиксела многозонального снимка, V — множество векторов, характеризующих центры класте-ров; v., — коэффициенты, определяющие уровень принадлежности пиксела к тому или иному классу (элементы матрицы С-разбиения); с и N количество классов и пикселов соответственно; т — показатель степени, характеризующий степень нечеткости (1 < m < «0; Цх, - vy|| — квадратичное расстояние (d^ между и v, определяемое следующей формулой:

d l = I*/ - V X = - - v;> > (12.5)

где А — матрица весовых коэффициентов. Параметрами функции Jm являются т и А. От показателя степени т

зависит относительный вес каждого элемента d З н а ч е н и е т = 1 соот-ветствует четкой классификации, при т, стремящимся к бесконечности, классификация становится полностью нечеткой. Каждому т соответству-ет отдельное решение при прочих фиксированных параметрах. Посколь-ку на сегодняшний день не существует каких-либо теоретических или практических рекомендаций по выбору оптимального значения т, для определения этого показателя предлагается использовать тестовые набо-ры данных [6].

Еще одним важным параметром функции Jm является матрица весо-вых коэффициентов А, характеризующая форму кластеров и определяю-щая норму в формуле (12.3). В настоящее время в основном используются следующие матрицы [5]:

А = / — евклидова норма, (12.6)

А = Djl — диагональная норма, (12.7)


А = С:1 — норма Махаланобиса, (12.8)

где / — единичная матрица, a D — диагональная матрица, элементами ко-торой являются собственные значения ковариационной матрицы С:

C j ^ t i X t - C j X v - C j y , (12.9)

где

C j = t (12.10)

При выборе диагональной нормы масштаб по координатным осям за-дается собственными значениями ковариационной матрицы. Евклидова норма позволяет использовать уже накопленный опыт работы с данными. Следует также отметить, что норму необходимо выбирать до начала клас-сификации методом С-средних.

После определения всех параметров в выражении (12.3) запускается итерационная процедура для получения нечеткого С-разбиения. При этом, для переопределения центров классов используется следующая формула:

, (12.11)

I X /=1

а элементы матрицы уровней принадлежности к классам определя-ются как

^ = , Л./*»-»' <12л2>

£ f где d l ^ d ) . (12.13)

j=i Значения уровней принадлежности пикселов характеризуют доли

различных классов, которые, в свою очередь, можно рассматривать как результаты нечеткой классификации данного пиксела. В общем случае алгоритм классификации по методу С-средних можно представить сле-дующим образом:

Шаг 1. Задать значения т и с , выбрать Л-норму и максимальное коли-чество итераций.

Шаг 2. Задать исходные значения элементов матрицы U одним из сле-дующих трех способов. Первый способ заключается в том, что элементы матрицы генерируются датчиком случайных чисел на интервале [0—1] для всех классов (случайные нечеткие исходные данные). При втором спосо-бе значение 1 присваивается случайно выбранному классу, а остальным


классам присваивается значение 0 (случайные исходные данные). Наконец третий способ состоит в том, чтобы всем элементам матрицы присвоить одинаковое значение (1 /с ± а), где а — малое случайное число.

Повторять в цикле: Шаг 3. Ввести данные из файла изображения. Шаг 4. Вычислить вектор центров кластеров v по формуле (12.11). Шаг 5. Вычислить расстояние по формуле (12.6). Шаг 6. Вычислить значения элементов матрицы U для следующей ите-

рации U+1 с помощью выражения (12.12). Пока не будет выполнено условие (||</+1 — U\\ < е), где е — заданное

предельное значение невязки. Шаг 7. Записать матрицу U9 характеризующую доли различных клас-

сов, в файл. Метод С-средних с регуляризацией. Основная идея данного метода за-

ключается в снятии тех ограничений, которые присущи обычному мето-ду С-средних (см. формулу 12.5). Для этого в целевую функцию метода С-средних добавляют дополнительный, регуляризирующий член (второе слагаемое в формуле (12.14)). В результате значения |ы/у стремятся стать как можно больше, поэтому пикселам с высоким уровнем принадлежно-сти к определенному кластеру будут соответствовать большие значения ц,.., а менее выраженные пикселы будут иметь низкие значения ц. во всех кластерах. Алгоритм С-средних с регуляризацией также является итераци-онным, при этом уровни принадлежности пиксела к классу вычисляются путем минимизации следующей целевой функции [41]:

Jm(u,v) = tt^r Ik - v y £ + X л У £ < / - < 1 2 1 4 >

/=1 j=\ y=1 /=1 при дополнительных условиях: max |i для любого /,

N

> 0 для любого j, (12.15) /=1

О < < 1 для любых / и у,

где т1 — параметр, зависящий от распределения пикселов в кластере у. Предполагается, что r\j пропорционален среднему значению расстояния между элементами кластера. Если кластеры имеют схожие распределе-ния, можно выбрать одно и то же значение этого параметра для всех кластеров [53].

В общем случае для вычисления величины r\j9 зависящей от формы и среднего размера кластера, используют следующую формулу:

Л J = K M N , (12.16) I K /=1


где К — константа, которую обычно полагают равной 1. Элементы матрицы уровней принадлежности к классам ц,.. определяют как

^ = z l l / M ' ( 1 2 Л ? )

К . Центры кластеров пересчитываются аналогично тому, как это дела-

ется в алгоритме С-средних, а сам алгоритм классификации по методу С-средних с регуляризацией можно представить следующим образом:

Шаг 1. Задать значения т и с , выбрать Л-норму и максимальное коли-чество итераций.

Шаг 2. Задать исходные значения элементов матрицы U точно так же, как и в обычном методе С-средних.

Шаг 3. Используя формулу (12.16), вычислить величины Tiy. Повторять в цикле: Шаг 4. Ввести данные из файла изображения. Шаг 5. Вычислить вектор центров кластеров v по формуле (12.11). Шаг 6. Вычислить расстояние по фомуле (12.5), используя соответству-

ющую Л-норму. Шаг 7. Вычислить значения элементов матрицы U для следующей ите-

рации Ui+1 с помощью выражения (12.17). Пока не будет выполнено условие (|| Ui+1 — Щ\ < е), где е — заданное

предельное значение невязки. Шаг 8. Вычислить окончательное значение r\j по формуле (12.16), ис-

пользуя результирующую матрицу Ui+1. Шаг 9. Вычислить значения элементов матрицы U по формуле (12.16),

используя результирующие значения т . Шаг 10. Записать матрицу U, характеризующую доли различных клас-

сов (от 0 до 1), в файл. Следует отметить, что величина т в обычном методе С-средних и в ме-

тоде С-средних с регуляризацией интерпретируется по-разному [42]. В по-следнем случае она играет роль показателя, определяющего, насколько бы-стро теряется свойство принадлежности к кластеру. В обоих алгоритмах значение т = 1 соответствует четкой классификации, а при т, стремя-щимся к бесконечности, классификация становится полностью нечеткой. Однако в обычном методе С-средних увеличение т соответствует большей схожести данного пиксела со всеми кластерами, а в методе С-средних с ре-гуляризацией — увеличению вероятности того, что все пикселы набора данных принадлежат заданному кластеру.

Нейросетевые методы классификации

Еще одну группу методов нечеткой классификации составляют мето-ды, основанные на искусственных нейронных сетях, которые позволя-ют устанавливать связь между наблюдениями и результатами их анализа без создания математических моделей. Иными словами, в отличие от


параметрического подхода, в нейронных сетях не предполагается, что данные должны подчиняться какому-то определенному распределению. Нейронная сеть состоит из нескольких связанных слоев, каждый из ко-торых содержит некоторое количество элементов, моделирующих био-логический нейрон. Связи между слоями определяются синаптическими весами, которые подбираются в интерактивном процессе обучения [74]. Процесс обучения может быть как контролируемым, так и неконтроли-руемым в зависимости от того, требуется ли для этого процесса наличие обучающей выборки.

Типичная нейронная сеть с контролируемым обучением состоит из трех слоев: слой входных данных, скрытый слой и выходной слой (рис. 12.2). В нашем случае первый слой содержит многозональные данные дистанци-онного зондирования, а количество его элементов равно числу спектраль-ных диапазонов, используемых для классификации. Анализ входных дан-ных происходит в скрытом и в выходном слоях нейронной сети. Результаты анализа содержатся в выходном слое, количество элементов которого равно количеству классов. Таким образом, число элементов входного и выходно-го слоев определяется задачей исследования. Наиболее важным для данной нейронной сети является выбор числа скрытых слоев и их элементов. Если количество элементов окажется недостаточным, это может привести к не-верной классификации, и, наоборот, если задать слишком большое число элементов, время, затраченное на расчеты, неоправданно возрастет. В по-следнем случае могут также возникнуть ошибки, связанные с «избыточ-ным обучением» сети. Оптимальное количество элементов в скрытом слое обычно определяют методом проб и ошибок или с помощью эмпириче-ских соотношений [40].

Рис. 12.2. Типичная архитектура нейронной сети с контролируемым обуче-нием


Алгоритм обратного распространения ошибок

По существу, алгоритм обратного распространения ошибок является обоб-щенным алгоритмом наименьших квадратов и используется для поиска та-ких значений синаптических весов, которые минимизируют среднеквадра-тичное отклонение между выходом нейронной сети и известным целевым результатом. Схема алгоритма показана на рис. 12.2. Вход каждого элемента скрытого слоя рассчитывается путем суммирования произведений исходных обучающих данных на соответствующие веса согласно следующей формуле:

(12.18) /

Здесь х — вектор исходных данных (спектральные характеристики пикселов) для /-го элемента входного слоя, Wis — матрица весов, индекс / обозначает элемент входного слоя, а индекс s — элемент скрытого слоя. Значения, рассчитанные по формуле (12.18), используются для вычисле-ния функции активизации, которая после умножения на матрицу Wsj дает результирующие значения элементов выходного слоя. Следует отметить, что точность классификации может существенно зависеть от вида функ-ции активизации [64]. В современной практике широко используют сигмо-идальную функцию, которая записывается как

Os = 1 / [1 + exp^ '* ] . (12.19)

Здесь Os — выход s-го элемента скрытого слоя, а X — параметр, опреде-ляющий связь между элементами скрытого и внешнего слоев. Все выходы элементов скрытого слоя умножаются на веса и суммируются. В результате выход сети для у-го элемента определяется как

Oj = 0SWSP (12.20)

где О. — выход сети для у-го элемента (то есть класс объекта), a Wsj — вес синаптической связи между элементом s скрытого слоя и элементом у вы-ходного слоя.

Для настройки весов используется итерационная процедура, заключа-ющаяся в минимизации ошибки сети, которая определяется следующим образом:

£ = 0 , 5 £ ( 7 } - 0 , ) 2 . (12.21) у=1

Здесь Т. — целевой вектор, О. — выход сети, а с — количество клас-сов. Целевой вектор определяется принадлежностью пикселов обучающей выборки различным классам, номера которых представлены в двоичной форме. Так, на рис. 12.3 показан пример, в котором класс с номером 3 ко-дируется значениями 0, 0, 1, 0, 0 пяти элементов выходного слоя. Полный набор двоичных представлений классов, соответствующих всем пикселам обучающей выборки и составляет целевой вектор.


Данные ДЗ Код принадлежности

к классу

Канал 1 -

Канал 2 •

Канал 3 •

Канал 4 -

Слой входных данных Слой входных данных Выходной слой

Рис. 12.3. Получение кода принадлежности к классу в алгоритме обратного распространения ошибок с обучением по чистым пикселам

Полученное значение ошибки сети сравнивается с заданным порого-вым значением Еи которое обычно составляет порядка 0,001. Если Е < El, процесс обучения прекращается, в противном случае значение Е переда-ется элементам скрытого и входного слоев. Для настройки весов требуется несколько итераций, число которых зависит от набора данных.

Рассмотрим процесс настройки весов и обратного распространения ошибки более подробно.

Сначала вычисляется вектор ошибки сети на элементах выходного слоя:

Ej = 0/1 - 0)Е

и вектор ошибки на элементах скрытого слоя:

(12.22)

(12.23) 2?f =О,(1-О,)£0А У=1 Затем рассчитывается суммарная ошибка для весов синаптических свя-

зей между выходным и скрытым слоями:

Е = ОЕ SJ S J

(12.24)

и ошибка для весов синаптических связей между скрытым и входным слоями:

Е = FxE, is misу (12.25)

где Fm — множитель, задающий момент связи между элементами скрытого и входного слоев.


После вычисления векторов ошибок выполняется обновление весов для следующей итерации. Новые веса связей между выходным и скрытым слоями определяются как

(^)„ов = ( ^ ) с Т а р + ^ 02.26)

а новые веса связей между входным и скрытым слоем как

ТО„о. = ТОстар + (12.27)

Параметр усиления X обновляется в соответствии с формулой

(Чов = (Чхар + LRES, (12.28)

где Lr — так называемый темп обучения, определяющий время всего процесса.

Итерации повторяются до тех пор, пока не будет достигнуто поро-говое значение ошибки сети, после чего процесс обучения считается законченным. Найденные значения весов можно подставить в форму-лы (12.18)—(12.20) и рассчитать выход нейронной сети для тех пикселов снимка, которые еще не классифицированы. Выходы сети называют так-же уровнями активизации. При четкой классификации каждый пиксел приписывается к классу с наиболее высоким уровнем активизации, при нечеткой классификации выход сети для пиксела содержит все норма-лизованные уровни активизации в диапазоне от 0 до 1 [26]. В общем виде алгоритм обратного распространения ошибок можно представить следующим образом:

Шаг 1. Задать параметры сети: пороговое значение ошибки EL, темп обучения Lr, множитель Fm, параметр усиления X, количество итера-ций. Выбрать случайным образом веса синаптических связей между слоями.

Шаг 2. Задать количество элементов в каждом слое (входном, скрытом и выходном).

Повторить Nt раз шаги 1—13. Шаг 3. Определить целевой вектор для выбранного пиксела. Шаг 4. Вычислить значение nets для выбранного пиксела, используя

формулу (12.18). Шаг 5. Вычислить значение Os по формуле (12.19). Шаг 6. Вычислить выход сети Oj с помощью формулы (12.20). Шаг 7. Вычислить значение ошибки сети Е по формуле (12.21). Шаг 8. Сравнить значение ошибки сети с пороговым значением. Шаг 9. Если Е < EL, перейти к шагу 14, в противном случае перейти

к шагу 10. Шаг 10. Обновить вектор весов синаптических связей между входным

и скрытым слоями, используя формулы (12.22), (12.24) и (12.26). Шаг И. Обновить вектор весов синаптических связей между скрытым

и выходным слоями, используя формулы (12.23), (12.25) и (12.27).


Шаг 12. Обновить параметр усиления X с помощью формулы (12.28). Шаг 13. Вернуться к шагу 4. Шаг 14. Сохранить результирующие весовые векторы и параметр уси-

ления в файл. Шаг 15. Выполнить шаги 5 и 6 с результирующими весами для класси-

фикации всего снимка.

Нейронные сети с конкурентным обучением и последующим применением алгоритма квантования данных

Конкурентное обучение — это процесс, в котором элементы выходного слоя нейронной сети «соревнуются» между собой за право генерации вы-хода сети для заданного набора пикселов [50]. По этой причине выходной слой иногда называют конкурентным. Для обучения группированию ис-ходных данных в кластеры используется правило победителя WTA (Winner Takes it All). Нейронная сеть с конкурентным обучением (Competitive Learn-ing Neural Network, CLNN) является двухслойной: в первом слое содержит-ся п элементов, во втором — с (рис. 12.4).

Поскольку общая задача классификации состоит в том, чтобы отнести каждый пиксел исходных данных к оцределенному элементу выходного слоя, необходимо задать правило обновления весов, характеризующих эти элементы. Элемент с номером j на выходе сети полностью описы-вается весовым вектором Wj = W2j ...W^), где n — число элементов входного слоя.

Каждый весовой вектор имеет ту же размерность, что и вектор исхо-дных данных. Для оценки степени близости этих двух векторов для каж-дого элемента сети используют следующую формулу [55]:

где Ds — евклидово расстояние между вектором исходных данных х (то есть вектором спектральных характеристик) и вектором W.. Формула (12.29) ис-

(12.29)

Канал 1

Канал 4 ^

Канал 2

Канал 3

Слой входных данных (i) Выходной слой (j)

Рис. 12.4. Типичная архитектура нейронной сети в алгоритме CLNN


пользуется для выбора «победителя» — элемента выходного слоя, для кото-рого расстояние Ds является наименьшим.

Веса для элемента-победителя обновляются на каждой итерации так, чтобы весовой вектор был как можно ближе к вектору исходных данных, при этом веса остальных элементов должны оставаться неизменными. Ма-тематически это условие формулируется следующим образом:

(*П)„„ = ТО* + 1 - о п ы , (12.30) /=1

где (W^ — веса, определяющие положение элемента-победителя, a LR(t) — функция с заданным исходным значением, которая называется темпом обучения. Исходное значение этой функции изменяется с каждой итерацией согласно следующей формуле:

+1) = ^ . (12.31)

Таким образом, в результате процедуры обновления весовой вектор элемента-победителя смещается в сторону тех пикселов обучающей выбор-ки, которые попадают в зону его «притяжения». Процесс обучения прекра-щается, как только величина невязки между двумя векторами становится меньше заданного значения Еь:

E L b \ (12-32)

Результирующие веса характеризуют центры кластеров подобно тому, как это происходит в алгоритме четкой кластеризации по методу С-средних. Расстояние между каждым пикселом и результирующим ве-сом используется для того, чтобы сгруппировать пикселы по заданным кластерам.

Полученная информация о принадлежности пикселов к кластерам ис-пользуется затем в качестве целевого выхода в алгоритме квантования дан-ных (LVQ). Таким образом, механизм неконтролируемого обучения CLNN используется для решения задачи обучения «с учителем», в которой для каждого пиксела снимка уже известен кластер, к которому тот принад-лежит. Иными словами, в алгоритме LVQ ранее полученная информация о кластерах используется в качестве обучающей выборки.

В основе алгоритма LVQ также лежит правило «победитель получает все». Однако, поскольку в данном случае целевой выход сети уже изве-стен, задача состоит в том, чтобы настроить веса элемента-победителя так, чтобы при совпадении выхода сети на элементе-победителе с це-левым выходом весовой вектор смещался в сторону вектора исходных спектральных характеристик.

(И9„о. = (^Лтар + w n u - х). (12.33)

В противном случае весовой вектор должен смещаться в сторону от вектора спектральных характеристик:


НОВ (12.33)

При запуске алгоритма LVQ в качестве весов выбирают малые случай-ные величины, которые затем настраивают в процессе обучения. Скорость обновления определяется темпом обучения — зависящей от времени функ-цией, которая имеет следующий вид:

где а и А — положительные константы (А > 1). Благодаря обновлению функции LR(t) процесс обучения сходится к тому

устойчивому состоянию, при котором происходит стабилизация вектора ве-сов, то есть он мало изменяется при последующем добавлении каждого но-вого вектора исходных характеристик. Ошибка сети определяется как раз-ность между старыми и новыми значениями весов. Итерации повторяются, пока ошибка не станет меньше заданного порогового значения. Результа-том обучения являются новые веса, то есть центры кластеров. Затем для каждого пиксела определяется расстояние до каждого найденного центра кластера. При четкой классификации пиксел приписывается тому кластеру, для которого указанное расстояние является минимальным. При нечеткой классификации принадлежность пиксела к различным классам описывает-ся всеми найденными расстояниями, приведенными к единичному интер-валу. Алгоритм CLNN-LVQ можно представить следующим образом:

Шаг 1. Выбрать случайным образом значения элементов матрицы Ж . Шаг 2. Установить начальное значение параметра обучения, порогового

значения ошибки и максимального количества итераций. Для каждого пиксела хн повторить шаги 3—7: Шаг 3. Вычислить расстояние D.. Шаг 4. Определить положение элемента-победителя (то есть класса

с наименьшим значением ZX). Шаг 5. Обновить веса для элемента-победителя, используя формулу

(12.30). Шаг 6. Обновить значение темпа обучения, используя формулу (12.31). Шаг 7. Если EL > ||(И^<)стар - (fV& )нов |, перейти к шагу 8; в противном

случае перейти к шагу 4. Шаг 8. Вычислить расстояния и приписать пиксел к ближайшему

классу. Сохранить выход сети в файл для последующего использования в алгоритме обучения LVQ.

Шаг 9. Использовать начальные значения матрицы весов и темпа обу-чения с шагов 1—2.

Для каждого пиксела хк повторить шаги 10—14: Шаг 10. Вычислить расстояние Z) , используя формулу (12.29). Шаг 11. Определить положение элемента-победителя (то есть класса

с наименьшим значением Dj). Шаг 12. Обновить веса для элемента-победителя, используя формулу

(12.33) или (12.34) в зависимости от положения этого элемента относитель-но выхода сети, рассчитанного по алгоритму CLNN.

LR(t) = l/t или LR(t) = a(l - (t/A)), (12.33)

12.3. Оценка точности классификации 265

Шаг 13. Обновить значение темпа обучения в соответствии с формулой (12.35).

Шаг 14. Если EL > \{Wy)стар перейти к шагу 15; в противном случае вернуться к шагу 10.

Шаг 15. Вычислить расстояние между пикселом и результирующими весами, используя формулу (12.29).

Шаг 16. При жесткой классификации приписать пиксел к ближайшему классу.

Шаг 17. При мягкой классификации, привести расстояния, указываю-щие на принадлежность пиксела к различным классам, к интервалу [0—1].

12.3. Оценка точности классификации

Классификацию нельзя считать завершенной, пока не получена оценка ее точности [87], без которой невозможно определить область применения результирующей карты. В традиционных методах оценки точности класси-фикации каждый пиксел изображения считается чистым и приписывается только к одному классу объектов земной поверхности. В результате непре-рывные вариации ландшафта разделяются на конечное число классов, для которых можно ввести меру точности классификации, основанную на рас-чете матрицы ошибок. Вместе с тем, описанный подход может приводить к неверному результату при наличии большого числа объектов смешанного типа. В этом случае необходимо использовать другие методы, которые по-зволяли бы получать разумные оценки, в том числе и для нечеткой клас-сификации, то есть при наличии пикселов, чья принадлежность к различ-ным классам не определена строго.

В последнее время был предложен ряд таких методов, основанных на вычислении евклидовой и £7-нормы [27], кросс-энтропии [25] и коэффи-циентов корреляции [52]. Все перечисленные методы можно отнести к раз-ряду косвенных, поскольку предлагаемая в них оценка точности основы-вается на результатах интерпретации. Недавно для получения подобных оценок было предложено также использовать понятие «нечеткой матрицы ошибок» [7]. Более подробное обсуждение этих методов приводится ниже.

Оценки точности, основанные на вычислении расстояния

Наиболее простым способом оценки точности нечеткой классификации является вычисление расстояния между точками, представляющими ре-зультат классификации, и точками, характеризующими образец. Это рас-стояние можно вычислять разными способами.

При использовании евклидовой нормы расстояние D. определяется как квадратный корень из суммы квадратов разностей между коэффициента-ми {\i.p полученными в результате классификации, и коэффициентами 2ц , определенными по образцу для каждого пиксела [27]:

(12.36)


Отсюда среднее расстояние определяется как

D = (l/N,)%DI9 (12.37) /=1

где Ns — полное число классифицируемых пикселов. При использовании /,7-нормы вместо корня квадратного из суммы ква-

дратов разностей рассматривается сумма их абсолютных значений [27]:

j=1 а среднее вычисляется как

L = (l/Ns)^Li. (12.39) 1=1

Еще одной мерой, используемой для оценки сходства образца и резуль-татов классификации, является кросс-энтропия d(l\iij9

2ц,у)> которая опреде-ляется следующим выражением [25]:

rf(VV), = - £ ( Ч ) log 2 ( 2^) + S ( V , ) l o g 2 ( V , ) . (12.40) j=1 jm1

Среднее значение кросс-энтропии равно

d ( W v ) = О / V, Н • (12.41) /=i

Для каждого класса можно также определить величину среднеквадра-тичного отклонения оу:

в П

£(Ч-Ч>2

(12.42) N-1

Все представленные величины характеризуют общую точность класси-фикации. Чем меньше среднее значение соответствующей величины, тем выше точность.

Для оценки точности определения отдельного класса используют коэф-фициент корреляции С С [52]:

с с = С о у ( У , , Ч ) ; % %

где CovQ\x.., 2pi/;/) — ковариация двух распределений (результатов классифи-кации и образца), а а, и а2 — соответствующие стандартные отклоне-ния. При этом, чем больше значение коэффициента ковариации, тем выше точность определения данного класса.

12.3. Оценка точности классификации 267

Оценки точности классификации, основанные на нечеткой матрице ошибок

Недавно, для оценки точности мягкой классификации было предложено использовать понятие нечеткой матрицы ошибок [7]. Структура этой ма-трицы аналогична структуре обычной матрицы ошибок, за исключением того, что элементы нечеткой матрицы ошибок могут быть любыми неот-рицательными действительными числами, а не только целыми. Элементы этой матрицы характеризуют доли классов в пикселах образца и классифи-цированного снимка.

Пусть Rn обозначает множество данных образца, отнесенных к классу л, а Ст — множество данных, отнесенных к классу т в результате нейро-сетевой классификации, причем п и т принимают значения от 1 до с, где с — суммарное количество классов.

Заметим, что оба множества (Rn u CJ являются нечеткими, и, следова-тельно, {Rn} и {Ст} образуют два нечетких разбиения множества обучаю-щих выборок X. Обозначим через х обучающую выборку, принадлежащую множеству X. Принадлежность к классам для элементов множеств Rn и Ст определяется как отображение

^ : X -> [0,1] и цСл : * -> [0,1], (12.44)

где [0,1] замкнутый интервал на оси действительных чисел. Функции (х) и \ic (х) описывают уровень принадлежности к классам элементов обу-чающей выборки х, принадлежащей множествам Rn и Ст соответственно. Поскольку в контексте нечеткой классификации эти функции определяют также доли классов в обучающей выборке, их необходимо нормализовать:

!>*,<*) = 1- (12.45) j=1

Для вычисления элементов нечеткой матрицы ошибок М(т, п) в пе-ресечении множеств Ст n Rn используют следующий оператор миними-зации:

М(щп) = \Ст п = X (12.46) xzX

Пример типичной нечеткой матрицы ошибок представлен в табл. 12.1. Зная элементы нечеткой матрицы ошибок, можно вычислить общую

точность классификации OA:

tMu,n OA = —с . (12.47)

I * , У-1

Аналогичным образом можно определить точность нейросетевой клас-сификации UAj и точность исходной классификации по образцу РА:.


Табл. 12.1. Нечеткая матрица ошибок

Нечеткая классификация

Данные, полученные по образцу Суммарный уровень

Нечеткая классификация Класс 1 Класс 2 Класс с

Суммарный уровень

Класс 1 M(L2) к . . с. Класс 2 М<2.Ъ ... ... Класс с Ч , » С, Суммарный уровень R{

Определения: М{т п) — элемент нечеткой матрицы ошибок, соответствующий классу т при нечёткой нейросетевой классификации и классу п в образце, Ст — суммарный уровень принадлежности для класса т при нейросетевой классифи-кации, a R„ — суммарный уровень принадлежности для класса п в образце.

М(, М(. , ч UAj = — ^ и Д4, = — ^ . (12.48)

С ; /V.-

Среднее значения (ААи и АА^ этих показателей вычисляются как

±РА; AAU = ^ и АА = ^ . (12.49)

с р с

Чтобы лучше понять, как устроена нечеткая матрица ошибок, рассмо-трим простой пример, в котором пиксел отнесен к трем классам. Соответ-ствующие уровни принадлежности к классам, полученные по образцу и в ре-зультате нечеткой классификации, определяются следующими равенствами:

^ ( x ) = 0,3, | i^(x) = 0,2, *1Лз(х) = 0,5,

цС1(х) = 0,7, \iCi(x) = 0,1, цСз(х) = 0,2.

Используя оператор нечеткой минимизации, для данного пиксела мож-но составить нечеткую матрицу ошибок, представленную в виде табл. 12.2. Для вычисления полной матрицы необходимо просуммировать элементы матриц от всех пикселов обучающей выборки.

Табл. 12.2. Нечеткая матрица ошибок для отдельной обучающей выборки

Мягкая классификация Данные, полученные по образцу

Суммарный уровень

Класс 1 0,3 0,2 0,5 0,7 Класс 2 0,1 0,1 0,1 0,1 Класс 3 0,2 0,2 0,2 0,2 Суммарный уровень 0,3 0,2 0,5 1,0

12.5. Интернет-ГИС 269

В приведенном примере общая точность классификации (OA) состав-ляет 60%, точность исходной классификации по образцу для классов 1, 2 и 3 — 42,90, 100,00 и 100,00%, а точность нейросетевой классификации для тех же классов — 100,00, 50,00 и 40,00% соответственно. При этом средняя точность исходной классификации составила 80,97%, а средняя точность нейросетевой классификации — 63,33%.

Таким образом, нечеткую матрицу ошибок можно использовать для по-лучения оценок точности нечеткой классификации точно так же, как и обыч-ную матрицу ошибок при четкой классификации. При этом важно, что эти оценки оказываются существенно более точными, чем те, которые получены на основании вычисления расстояний и коэффициентов корреляции.

12.4. Новое в ГИС

Стремительное развитие географических информационных систем приве-ло к тому, что с больших ЭВМ методы ГИС были перенесены на настоль-ные рабочие станции, а затем — на карманные персональные компьюте-ры. Благодаря развитию Интернета и широкополосных технологий связи появилось новое направление, получившее название «интернет-ГИС». Еще одна область применения этих систем, основанная на мобильном доступе в Интернет, возникла благодаря дальнейшему усовершенствованию техно-логии беспроводной связи и распространению методов интернет-ГИС во внутренних и сотовых сетях [23].

12.5. Интернет-ГИС

Интернетом называют совокупность компьютеров, связанных в единую вычислительную сеть по всему миру. В качестве синонима слова «Ин-тернет» используют слово «Веб», или «всемирная паутина». Интернет-ГИС основана на отправке запросов к серверам (роль которых играют коммерческие СУБД и ГИС) через стандартные веб-интерфейсы. Поль-зовательские запросы преобразуются в соответствующие SQL-команды, которые передаются для обработки серверной БД ГИС. Результаты вы-полнения запросов возвращаются пользователю в растровом или век-торном формате, пригодном для быстрой передачи и просмотра через Интернет. Работающие в Интернете географические информационные системы включают два типа приложений, основанных на CGI-сценариях: клиентские и серверные.

Примером клиентского приложения ГИС является браузер (веб-обозреватель) с дополнительными модулями для поддержки ГИС. В сер-верном приложении ГИС браузер используется только для отправки за-просов к серверу и отображения результатов их обработки. Клиентские приложения ГИС реализованы, как правило, в виде Java-апплетов, эле-ментов управления Active-X, подключаемых модулей либо (гораздо реже) полнофункциональных программ. В любом случае, для установки этих приложений пользователю необходимо передать дополнительное про-граммное обеспечение (рис. 12.5). Рассмотрим в качестве примера кли-


Веб-клиент

Веб-браузер

ГИС

Данные

Веб-сервер

Клиентское приложение

Рис. 12.5. Архитектура клиентской интернет-ГИС

ентское интернет-приложение ГИС, реализованное в виде Java-апплета. Сначала код апплета загружается в веб-браузер в виде двоичных кодов, формирующих графический интерфейс пользователя. Далее апплет по-лучает и обрабатывает векторные данные, необходимые для реализации сложных функций ГИС. Такую архитектуру не следует путать с другими архитектурами, в которых роль /дга-апплета сводится только к форми-рованию пользовательского интерфейса, а сложные расчеты и обработка данных выполняются сервером.

Примером серверного приложения ГИС могут служить геоинформа-ционные сервисы, имеющиеся на большинстве популярных интернет-порталов. Их пользователи отправляют серверу запросы, результаты об-работки которых возвращаются в виде изображений на HTML-странице. В случае серверных приложений ГИС все сложные программные модули, пространственные и табличные данные находятся на сервере (рис. 12.6). Благодаря централизованному размещению программных модулей и дан-ных такая архитектура обладает рядом преимуществ, в число которых вхо-дит упрощенная разработка, развертывание и обслуживание приложений. Сравнительный анализ преимуществ и недостатков серверных и клиент-ских приложений ГИС приводится в табл. 12.3.

Всемирная паутина представляет собой среду без сохранения параме-тров состояния. Веб-сервер получает от клиента запрос, обрабатывает его

Веб-клиент

Веб-браузер

Веб-сервер

ГИС

Рис. 12.6. Архитектура серверной интернет-ГИС


Табл. 12.3. Сравнение клиентских и серверных ГИС

Преимущества Недостатки Проще разрабатывать Примитивный пользовательский интерфейс

и Проще развертывать Низкое качество графики S 1-н Проще обслуживать Ограниченные возможностями браузера

3 Он 0> Соответствует стандартам Интернета

СО Он <D и

Требуется только стандарт-ный веб-браузер Не требует быстрых кана-лов связи

и к U S * о н X £>

Возможно использование векторных данных

Сложно разрабатывать

и к U S * о н X £>

Более качественное изо-бражение

Требуется дополнительное ПО и к U S * о н X £>

Более совершенный поль-зовательский интерфейс

Дольше загружаются данные

S й Не соответствует стандартам Интернета нм

Ограниченная совместимость с разными платформами и браузерами

и возвращает клиенту свой отклик, не учитывая состояние клиента. Такая архитектура напоминает распространенный тип архитектуры программно-го обеспечения, основанный на конвейерах и фильтрах. Помимо выбора архитектуры, перед разработчиком встают еще две проблемы, связанные с хранением параметров состояния в серверном приложении. В частности, можно выбрать подход, предполагающий хранение параметров состояния на стороне клиента. Альтернативный вариант — использование объектно-ориентированного подхода и хранение параметров состояния на сервере. В первом случае состояние (расширения, слои, команды, входные параме-тры и т. д.) хранится на клиенте в виде специальных переменных. Для это-го применяют два метода: использование cookie-файлов и скрытых тегов ввода параметров на HTML-страницах.

При отправке запроса серверу все команды и переменные состояния из-влекаются из HTTP-запроса. После этого команда исполняется на сервере и, в результате, генерируется карта, соответствующая текущему состоянию клиентского приложения. Сгенерированная карта вместе с текущими пе-ременными состояния внедряется в HTML-страницу и возвращается кли-енту. На сервере состояние хранится в виде объектов базы данных и карт, существующих на протяжении сеанса пользователя. На клиенте необхо-димо хранить лишь переменные, касающиеся состояния пользовательско-го интерфейса (последняя команда, активный слой и пр.). Преимущества и недостатки такого подхода перечислены в табл. 12.4.


Табл. 12.4. Преимущества и недостатки хранения состояния на сервере

Преимущества Недостатки Проще разрабатывать Низкая масштабируемость Меньше загружает сервер Необходимо управление сеансами Поддерживает более сложные функции

Типичное интернет-приложение включает в себя три четко определен-ных компонента: серверное приложение, клиентский интерфейс и храни-лище данных (рис. 12.7).

К уровню клиента относится персональный компьютер, на котором ра-ботает веб-браузер. Этот уровень объединяет пользовательский интерфейс, генерацию запросов к серверу приложений и их передачу по протоколу HTTP, а также передачу созданных сервером HTML-страниц и их ото-бражение в браузере. Средний уровень подразделяется на подуровни веб-сервера и сервера приложений. Веб-сервер принимает от клиента запросы, которые обрабатываются модулем администрирования сервера приложе-ний. Последний запрашивает хранилище данных по протоколу TCP/IP или посредством ODBC. Третий уровень включает хранилище данных — SQL-совместимую РСУБД и каталоги с файлами (shapefiles), содержащи-ми ГИС-данные. Хранилище создается и поддерживается с использовани-ем локальной процедуры обновления таблиц БД, геотрансформирования и создания новых ГИС-файлов. В системе также реализована поддержка локального обновления (рис. 12.8).

Такая архитектура предполагает обновление содержимого хранилища пу-тем переноса данных. В частности, именно так происходит обращение к хра-нилищу программы ESRI, которая обрабатывает данные и генерирует HTML-файлы, передаваемые затем клиенту для отображения в веб-браузере.

В описанную систему могут входить один, два и более компьютеров. В случае одного компьютера веб-сервер, сервер приложений и сервер БД

Уровень клиента

ПК с веб-браузером (HTML)

Уровень приложения

Веб-сервер

Сервер приложений

Уровень данных

HTTP

TCP/IP

Рис. 12.7. Системная архитектура


веб-сервер

Существующие

Простран-ственные данные

Рис. 12.8. Схема вычислительной системы

работают на одном ПК. В конфигурации с двумя компьютерами веб-сервер устанавливают на один компьютер, а серверы приложений и базу данных — на другой.

В конфигурации с несколькими компьютерами каждый компонент си-стемы работает на отдельном ПК. Оптимальная конфигурация для каж-дого случая зависит от предполагаемого числа пользователей (посетителей сайта ГИС) и числа запрашиваемых карт (табл. 12.5).

Примерная конфигурация оборудования сервера представлена ниже. 1. Центральный процессор с тактовой частотой 2x500 МГц. 2. Емкость ОЗУ: 512 МБ. 3. Жесткие диски: 2x13 ГБ. 4. Подключение к сети Интернет: Т1 или более быстрое. Необходимое для создания системы программное обеспечение перечис-

лено в табл. 12.6. Серверное интернет-приложение ГИС включает четы-ре компонента: веб-браузер и клиентский интерфейс, веб-сервер и сервер приложений, программное обеспечение ГИС и картографического сервера, а также РСУБД. Хотя эти компоненты интегрированы в состав системы, их следует рассматривать и выбирать по отдельности.

Табл. 12,5. Выбор конфигурации в зависимости от нагрузки на систему

Число компьютеров Предполагаемое число пользователей 1 100-1000 2 1000-1500

> 2 > 1500


Табл. 12.6. Требования к программному обеспечению

Тип ПО Описание Операционная система Window NT или поздняя версия РСУБД Любая SQL-совместимая РСУБД Веб-браузер Internet Explorer или Netscape Картографическое приложение ESRI либо любой другой картографиче-

ский сервер для Интернета ПО для геотрансформирования Arc View или совместимое ПО Среда разработки ПО Visual Basic, Map Objects Разработка клиентского ПО MS Visual Interdev

Клиентский интерфейс

Как правило, функции клиентского интерфейса интернет-приложения ГИС выполняет веб-браузер, в котором открыта HTML-форма либо запу-щен /tfva-апплет. В число клиентских компонентов могут входить статиче-ские и динамические HTML-страницы, которые могут содержать HTML-фреймы. Применение фреймов дает следующие преимущества:

1. Не требуется передавать все фрагменты веб-элемента с каждым за-просом.

2. Возможно независимое изменение размеров и прокрутка содержи-мого фреймов.

3. Поддерживаются функции, сходные с функциями автономных при-ложений.

Интерфейс веб-приложения можно разделить на несколько функцио-нальных областей (рис. 12.9). В данном примере область 1, в которой не поддерживаются изменение размеров и прокрутка, используется для ото-бражения статической HTML-формы с элементами управления, включаю-щими раскрывающееся меню, графические кнопки и Java-функции, пред-назначенными для обработки действий пользователя и передачи данных. Область 2, в которой поддерживаются изменение размеров и прокрутка, служит для отображения динамической HTML-страницы с условными обозначениями карты, значками и ссылками на параметры, содержащие /яга-функции для обработки действий пользователя и передачи введен-ных им данных. Область 3, в которой также поддерживаются изменение размеров и прокрутка, служит для отображения динамической HTML-страницы с картой и содержит /яга-функции для обработки действий пользователя.

Для разработки ГИС-сервера применяют специализированное про-граммное обеспечение: MS Visual Basic или ESRI Map Objects. В качестве СУБД используют MS SQL Server или Oracle. Оптимальные средства и под-ходы к разработке ГИС-приложений для Интернета определяются постав-ленной задачей. Прежде всего, разработчик должен разобраться в предъ-являемых требованиях и выбрать подходящую архитектуру программного обеспечения. Как правило, для интернет-приложений ГИС оптимальной

12.6. Мобильные ГИС 275

Address J:\skgje\drivef\CCR5\Fact Sheet Jndan satelf-es.htm Go j links

Область 1, Элементы управления

Область 2. Условные обозначения ' /' Область 3. Карта

- - -

Рис. 12.9. Вид клиентского интерфейса

является серверная архитектура вследствие простоты развертывания и со-ответствия стандартам.

Ключевым фактором эффективности ГИС является структура про-странственных данных и связей в реляционной БД. Максимальной эффек-тивности интернет-приложений ГИС можно достичь за счет денормализа-ции базы данных.

12.6. Мобильные ГИС

Появление новых компьютерных систем и универсального программного обеспечения, а также успешное внедрение протокола WAP (Wireless Ap-plication Protocol) в телекоммуникационных сетях способствовали появ-лению новой концепции, которая получила название мобильного офиса. Подобные системы, называемые мобильными ГИС, открывают возможно-сти доступа к пространственным и атрибутивным данным ГИС в любое время и в любом месте.

Традиционно внимание разработчиков ГИС было сконцентрировано на статичных пространственных объектах. Такие геоинформационные си-стемы получили название статических (СГИС). В СГИС анализ данных связан с координатами и атрибутами объектов без учета их изменения. В частности, в СГИС невозможно описать изменение границ земельных участков, принадлежащих определенному владельцу. В 1988 году Ленгрем и Крайсмен ввели понятие временной ГИС (ВГИС), ориентированной на


изменчивые (подвижные) объекты. В ВГИС число категорий анализа по-полнилось временем. Однако и в статической, и во временной ГИС под-держиваются только географические объекты (дороги, горные вершины, здания), но игнорируются объекты, которые таковыми не являются (авто-мобили, товары и т. д.).

Мобильная ГИС — это географическая информационная система, ориентированная на работу с негеографическими объектами, которые перемещаются в пространстве. В частности, к таким системам относятся географическая информационная система, полученная путем интеграции технологии ГИС, системы глобального позиционирования на местности (GPS) и беспроводного доступа в Интернет и используемая для отслежива-ния местонахождения транспортных средств.

Мобильная ГИС — это не просто обычная ГИС, адаптированная для работы на небольших компьютерах, а система, в основу которой положена совершенно иная парадигма. Она обеспечивает пользователям мобильных устройств доступ к огромным массивам информации и мощным ГИС-сервисам. Мобильные ГИС открывают новые возможности для исполь-зования геоинформационных технологий в бизнесе и множестве других приложений.

Типичная архитектура мобильной ГИС предусматривает интеграцию мо-бильного клиента, сервера, беспроводной сети и системы определения коор-динат клиента, например GPS (рис. 12.10). Мобильным клиентом может быть автомобиль с GPS-навигатором, отображающим цифровые карты и взаимо-действующим с сервером через цифровую беспроводную сеть (GSM, CDMA, CDPP или GPRS). Мобильные ГИС подразделяются на две категории по принципу доступа к Интернету. Первая категория использует службы тексто-вых или мультимедийных сообщений (SMS/MMS), вторая — WAP.

Мобильные ГИС на основе SMS/MMS пригодны для сотовых теле-фонов с простым набором функций, не слишком развитым пользователь-ским интерфейсом и ограниченными возможностями по представлению информации, поскольку короткие сообщения неспособны передавать большое количество данных, неудобны в обращении и часто доставляют-ся с задержкой.

WAP — стандартный протокол, не зависящий от способа обмена данными и оптимизированный для мобильных устройств с маленьки-ми экранами и клавиатурами, в которых используются медленные бес-проводные каналы связи. Протокол WAP обеспечивает работу приложе-ний и сервисов через беспроводные сети стандартов GSM, CDMA, PHS, TDMA и WCDMA. Спецификация WAP включает относительно про-стую и компактную версию языка разметки XML под названием WML (Wireless Markup Language), которая позволяет получать карты на мобиль-ные терминалы в виде внедренных растровых изображений (например, в формате WBMP).

Таким образом, у мобильной ГИС на основе WAP больше возмож-ностей по предоставлению информации, более удобный пользователь-ский интерфейс, богаче функциональность и шире сфера применения по сравнению с мобильной ГИС на основе SMS/MMS. Кроме того, такие

12.6. Мобильные ГИС 277

Сервер

системы могут работать на самых разных мобильных устройствах — от карманных ПК до сотовых телефонов и бортовых компьютеров транс-портных средств.

Функциональность мобильных ГИС на основе WAP практически иден-тична функциональности интернет-ГИС, но, вместе с тем, мобильные ГИС предоставляют доступ к сервисам в любое время, из любого места и без тех ограничений, которые налагаются операционной системой и про-водными каналами связи. Вполне вероятно, что, благодаря преимуществам WAP, мобильные ГИС, основанные на этом протоколе, займут ведущую позицию на рынке мобильных информационных услуг.

Мобильные ГИС на основе WAP представляют собой распределен-ную систему на основе технологии «тонкого клиента». Это открытая, расширяемая, кросс-платформная система, свойства которой определя-ются растущими потребностями пользователей и разнообразием мобиль-ных устройств.

В настоящее время все популярные типы архитектур распределенных систем базируются на технологии распределенных объектов. Существует три ведущих стандарта этой технологии: Windows DNA/.NET (Distributed Network Architecture) корпорации «Майкрософт», CORBA (Common Object Request Broker Architecture) группы «Обджект Менеджмент» и J2EE {Java 2 Enterprise Edition) компании «Сан». Системы на основе Windows DNA/.NET совместимы только с платформами и средствами разработки, развертыва-


ния и исполнения производства «Майкрософт», что представляется одним из важнейших недостатков этой архитектуры. Архитектура CORBA слиш-ком громоздка и сложна, и обновление ее стандартов и технологий осу-ществляется довольно медленно.

Разработчиками спецификации и стандарта J2EE является компания «Сан» и ее отраслевые партнеры. Стандарт J2EE охватывает такие техно-логии, как Enterprise JavaBeans (EJB), Java Servlets API и Java Server Pagers (JSP). Решения на основе J2EE позволяют снизить затраты и сложность создания многоуровневых распределенных систем, поддерживающих опе-ративную разработку и развертывание, а также повысить портативность, безопасность, сбалансированность нагрузки и расширяемость распреде-

Мобильный клиент КПК/сотовый телефон/ноутбук

WAP-браузер J2M Е-приложения

Беспроводная сеть

Интернет Интрасеть

Веб-сервер

JSP

Сервлет уровня

представления

Идентифи-цирующий

сервлет Ядро сервлетов

Веб-контейнер

п Сервер приложений

EJB-компоненты сеанса ГИС

EJ В-представление объектов ГИС

EJB-контейнер

Унаследо-ванные системы

Сервер БД

SCE + FDBMS

WAP-шлюз

WML-кодировка Декодировщик WML-скриптов

Центр мобильного позициони-

рования

MLP

• о Рис. 12.11. Распределенная архитектура мобильной ГИС на основе WAP

[23]

12.6. Мобильные ГИС 27»

ленных систем. Преимуществами создания распределенных ГИС на осно-ве J2EE являются:

1. Поддержка кросс-платформного взаимодействия. 2. Многоуровневая архитектура, облегчающая решение сложных задач. 3. Возможность многократного использования компонентов. 4. Поддержка модульной разработки. На рис. 12.11 показана распределенная архитектура на основе J2EE,

которая состоит из четырех логических уровней, начиная с клиентского: уровня представления, уровня WAP-сервисов, уровня приложений и уров-ня служб данных.

Уровень представления

Уровеньпредставлениявключаетклиентское мобильное WAP-приложение, отвечающее, главным образом, за представление ГИС-данных. Как пра-вило, роль клиента выполняет устройство без постоянной локальной па-мяти, на котором работает WAP-браузер с пользовательским интерфей-сом, аналогичным интерфейсу стандартного веб-браузера. WAP-браузер не исполняет код приложения ГИС и не подключается непосредственно к серверу базы данных. Кроме того, он не хранит никакой информации о состоянии. По этим признакам, он является, по существу, «тонким» клиентом. Роль клиента также может выполнять приложение J2ME (Java 2 Micro Edition).

Уровень WAP-сервисов

Уровень WAP-сервисов включает WAP-шлюз и веб-сервер. WAP-шлюз необходим для обслуживания межсетевого протокола, соединяюще-го клиента с сервером. Как показано на рис. 12.11, WAP-шлюз включа-ет WML-кодировщик и декодер WML-сценариев. WAP-шлюз способен оптимизировать взаимодействие компонентов и предоставлять допол-нительные мобильные сервисы. WAP-шлюз взаимодействует с клиентом (WAP-браузером) по протоколу WAP, а с веб-сервером — по стандартно-му протоколу HTTP или HTTPS. Получив WAP-запрос от клиента, WAP-шлюз преобразует его в HTTP-запрос и направляет веб-серверу. Получив HTTP-отклик (то есть сгенерированную веб-страницу), WAP-шлюз сжи-мает его с целью ускорения передачи по беспроводной сети клиенту для отображения или обработки.

В состав веб-сервера входят веб-контейнер, средства поддержки веб-протоколов, защитные механизмы и т. п. Веб-контейнер отвечает за копи-рование пространственной информации. Он также управляет механизмами Java Servlet Engine и Java Server Pagers (JSP). В интернет-ГИС часто исполь-зуют /яш-апплеты и сервлеты, которые применяются для динамического расширения возможностей веб-браузера по отображению данных.

В мобильную ГИС на основе WAP могут входить различные типы кли-ентских устройств (например, КПК и сотовые телефоны с поддержкой WAP), различающиеся уровнем возможностей по представлению инфор-


мации. Следовательно, на веб-сервере должен быть предусмотрен меха-низм определения типа клиентского устройства с целью генерации под-ходящего для него веб-контента. Для этой цели используется механизм Servlet Engine, в котором реализована поддержка двух типов сервлетов. Первый отвечает за создание веб-контента, подходящего для определен-ного клиента, второй выбирает сервлет, ответственный за определение типа клиентского устройства (по идентификатору, который отправляет клиент при подключении к мобильной сети), после чего передает резуль-таты первому сервлету.

Уровень приложений

Уровень приложений, занимающий центральное место в архитектуре J2EE, представлен сервером приложений ГИС, который взаимодейству-ет с веб-сервером посредством механизма RMI (Remote Method Invocation). Контейнер EJB в составе сервера приложений является исполняющей сре-дой остальных компонентов EJB, включая компоненты Beans для сеанса и объектов ГИС. Контейнер также обеспечивает эти компоненты всеми сервисами, необходимыми для распределенных вычислений. Компоненты EJB могут подключаться к существующим базам данных и другим серве-рам с использованием технологий JDBC (Java Database Connection) и JMS (Java Message Service). В составе сервера приложений предусмотрен специ-альный компонент Locating Entity Bean, взаимодействующий с МРС (Mobile Position Center) — сервером, предоставляющим сведения о географических координатах по протоколу MLP (Mobile Location Protocol). Для определения текущего местоположения пользователей используется ряд технологий, та-ких как GPS, COO (Cell Of Origin), TOA (Time of Arrival), AOA (Angle Of Ar-rival) и E-OTD (Enhanced Observed Time Difference).

Уровень данных

Уровень данных представлен серверами БД, которые используются для хра-нения пространственных и атрибутивных данных всей системы. Для об-служивания ГИС лучше всего подходят объектно-ориентированные СУБД (ООСУБД), однако этот тип СУБД в настоящее время еще не достиг «зре-лости» и, к тому же, ООСУБД имеет очень высокую стоимость. Все это препятствует широкому распространению ООСУБД [32]. Для хранения данных ГИС сегодня наиболее широко используются такие РСУБД, как DB2, Oracle, Sybase, SQL Server. При этом для обеспечения взаимодействия уровня данных и уровня приложений создают и применяют простран-ственные СУБД (ПСУБД), основанные на открытых стандартах, например ArcSDE, Spatial Ware и Oracle Spatial.

В настоящее время медленные каналы связи по-прежнему являют-ся основной проблемой при реализации всех мобильных приложений [89]. Это требует дальнейших исследований как в области организации данных на «толстых» серверах, управляющих пространственной инфор-мацией, так и в области представления информации на «тонких» кли-

12.7. Открытый ГИС-консорциум 281

ентах. К счастью, развиваются телекоммуникационные сети третьего поколения 3G, в которых мобильные терминалы могут обмениваться данными на скорости до 144 Кбит/с. Скорость обмена данными с не-подвижным или медленно движущимся терминалом на открытой мест-ности составляет 384 Кбит/с, а в помещении — до 2 Мбит/с. ЗО-сети полностью соответствуют требованиям для передачи пространственной информации по радиоканалам. Все это открывает широкие перспекти-вы перед мобильными ГИС.

12.7. Открытый ГИС-консорциум

Основным источником данных дистанционного зондирования последние 30 лет являются спутники. Поток спутниковых данных увеличивается по мере роста разрешения сенсоров и числа организаций, занятых в этой области. Сложность форматов географических данных возрастает вместе с объемом информации. Дополнительную сложность вносят программы обработки таких данных и методы их получения.

Одной из важнейших задач является интеграция пространственной ин-формации, поступающей из различных источников и предназначенной для ввода в ГИС. В связи с этим возникает проблема совместимости данных, то есть возможности их использования в разных программах на различных платформах. Рассмотрим эту проблему на примере с агентством геологиче-ских изысканий (А), исследовательской организацией (В) и компанией, вы-полняющей дистанционное зондирование (С). Организация А занимается сбором образцов и картированием почв для всей страны, а организация В исследует эти карты с использованием данных дистанционного зондиро-вания, полученных от организации С, которая выполняет анализ данных ДЗ. Если организациям А, В и С придется сотрудничать в целях создания единой базы данных ГИС, то участники проекта столкнутся с проблема-ми, некоторые аспекты которых перечислены ниже.

Программное обеспечение ГИС. В этих организациях могут использо-ваться разные программы ГИС. При этом возможны потери данных во время их преобразования в форматы различных программ.

Операционные системы. Даже если во всех организациях будет исполь-зоваться одна и та же версия ГИС, операционные системы и аппаратная конфигурация компьютеров могут отличаться. Это приводит к необходи-мости учитывать отличия в способах хранения и извлечения данных.

Определение атрибутов. Атрибутивные данные могут варьироваться в за-висимости от задач. Также могут различаться способы и параметры сбора данных. Кроме этого, при геотрансформировании различных слоев карты возможны различия допусков и систем координат.

Правовые аспекты. Поскольку в проекте участвуют независимые организа-ции, при работе с интегрированной БД некоторые из них могут взимать плату за использование принадлежащих им данных. Также возможны проблемы, связанные с правами на ввод и поддержку метаданных для общей БД.

Безопасность. Необходимо обеспечить защиту данных от несанкциони-рованного изменения и доступа.

11 — 3179


Для решения этих проблем в 1994 году была создана некоммерческая организация, которая получила название «Открытый ГИС-консорциум» (Open GIS Consortium Inc., OGC). Целью этой организации является про-движение новых технических и коммерческих инициатив, обеспечиваю-щих взаимодействие систем обработки географических данных. Програм-ма OGC включает следующие пункты:

1. Разработку общих концепций и математических моделей для пред-ставления географических объектов и явлений.

2. Создание общей модели для управления географическими данны-ми, их представления и организации общего доступа.

3. Создание инфраструктуры для использования открытой модели географических данных (Open Geodata Model) и модели служб Open GIS. Решение этой задачи состоит в устранении не только техниче-ских, но и организационных препятствий внедрению этой модели.

Принципиальная схема Open GIS показана на рис. 12.12. Эта инициа-тива помогает производителям программного обеспечения дополнять их продукцию интерфейсами Plug-and-Play, обеспечивающими взаимодей-ствие с другими инструментами обработки данных и информационны-ми системами.

Программные продукты OGC основаны на стандарте Open GIS Specifica-tion, который позволяет создавать программы для обработки географических данных, поступающих из разных источников. Важно отметить следующее:

1. Стандарт Open GIS представляет собой подробное, полное и общее описание создания программного обеспечения для обработки гео-

Пользователи

Поддержка принятия решений Маркетинг Логистика

Недвижимость

Защита окружающей среды Градостроительство Сельское хозяйство Добыча полезных ископаемых Борьба с природными катастрофами Пожарная охрана и милиция Промышленность Здравоохранение Складские помещения и торговые системы Образование Определение местоположения Справочные службы Индустрия развлечений

OGC (согласование)

Исследователи

Инте1раторы

Поставщики ПО (инструментарий)

Промышленные интеграторы

(системы)

Компании-поставщики

Поставщики данных

Пользователи

Рис. 12.12. Модель Открытого ГИС-консорциума (OGC)

12.8. Системы поддержки принятия решения 283

графических данных, соответствующее отраслевым нормативам и требованиям сообщества пользователей.

2. Стандарт Open GIS позволяет пользователям запрашивать данные из удаленных БД, управлять удаленными вычислительными про-цессами и пользоваться другими преимуществами технологии рас-пределенных вычислений.

3. Стандарт Open GIS дает возможность извлекать данные из самых разных реляционных баз данных и баз данных иных типов.

4. Стандарт Open GIS обеспечивает унифицированный интерфейс для взаимодействия разнородных программ.

5. Стандарт Open GIS позволяет создать среду, основанную на откры-тых информационных технологиях. В результате становится воз-можным осуществлять обработку данных помимо коммерческих ГИС и использовать возможности удаленного доступа.

Помимо прочего, в стандарте Open GIS описаны способы кросс-платформной обработки географических данных. К базовым компонентам этого стандарта относятся:

1. Open Geodata Model — общий набор базовых типов данных, при-меняемых для моделирования географических объектов и реше-ния специализированных задач ГИС в объектно-ориентированном программировании и других подходах к разработке программного обеспечения.

2. Open GIS Services — набор служб, необходимых для обработки географических данных и доступа к ним согласно модели Open GIS Model. Эти службы обеспечивают совместное использование данных сообществами пользователей, объединенными общими интересами.

3. Information Community Model — модель, основанная на представле-нии Open Geodata Model и Open GIS Service и позволяющая взаимо-действовать поставщикам и пользователями географических дан-ных, использующим различные наборы определений. Например, инженеры-буровики, геологи и агрономы могут сообща исполь-зовать данные о почвах несмотря на то, что разные специалисты используют разные характеристики почвенного покрова. В этой модели также описана схема автоматизированного преобразова-ния данных для систем с разными географическими объектами и атрибутами.

В целях решения описанных задач Открытый ГИС-консорциум плани-рует создать специальные комитеты с участием ведущих компаний и орга-низаций для согласования технических вопросов. Структура консорциу-ма представлена на рис. 12.13; более подробные сведения можно найти по адресу www.opengeospatial.org.

12.8. Системы поддержки принятия решения

На протяжении более 30 лет компьютеры используются для принятия ре-шений в сфере управления с помощью экспертных систем, искусственных

http://www.opengeospatial.org


Комитет стра-тегического консульти-

рования

Отдел стацдартов и технических условий

Техническая комиссия

Плановая комиссия

Рабочая группа

Группа по стандар-тизации

Группа специаль-ных задач

Подраз-деление

Совет директоров

Исполнительный директор и персонал

Отдел обеспечени взаимодействия

Менеджмент

Отдел обеспечения

взаимодействия

Группа проблемных

ситуаций

[Я зия ря

Спонсоры

Участники

Отдел развития и связей с общественностью

Стратегическое партнерство

Обслуживание членов консорциума

Региональные программы

СМИ/образова-тельные учреждения

Рис. 12.13. Структура Открытого ГИС-консорциума (www.opengeospatial.org)

нейронных сетей и систем поддержки принятия решений (СППР). По-следние стали широко применяться и в ГИС.

СППР — это программа, которая помогает принимать решения при не-четкой постановке задачи. Можно привести следующее определение СППР: «СППР — это интерактивная, адаптируемая система, предназначенная для поддержки выбора наиболее эффективных решений плохо структуриро-ванных задач. Анализируя имеющуюся информацию и представляя ре-зультаты анализа через пользовательский интерфейс, эта система помогает пользователю найти оптимальное решение поставленной задачи. Самые сложные СППР основаны на моделях, которые создаются в ходе итераци-онного процесса с использованием базы знаний».

Перечислим основные цели использования СППР: 1. Эффективная генерация информации, важной для решения постав-

ленной задачи, на основе имеющихся данных и идей. 2. Эффективная генерация решений (возможно, нескольких). 3. Более глубокое понимание и структурирование поставленной задачи.

Характеристики СППР

В общем случае для СППР требуется доступ к базе данных через интерак-тивные инструменты и соответствующие каналы связи. Поскольку требо-вания СППР в плане информации заранее неизвестны, разработка этой

http://www.opengeospatial.org


системы осуществляется поэтапно. В СППР под решением понимают не просто извлечение дополнительных данных, а получение качественно но-вой информации, важной для решения задачи.

Слово поддержка говорит о том, что компьютер используется как вспо-могательное средство в составе системы (объединяющей пользователей, компьютеры и среду СППР), а не как замена человеку.

Перечислим основные характеристики СППР: 1. Помогает ответственным лицам решать плохо структурированные

задачи. 2. Дополняет суждения пользователей, а не заменяет их. 3. Позволяет более эффективно использовать модели и методы анали-

за, основанные на инструментарии баз данных. 4. Реагирует и адаптируется к изменениям в контексте принятия ре-

шения. 5. Обеспечивает интерактивный режим работы, доступный даже нео-

пытным пользователям. Можно также указать следующие дополнительные характеристики СППР: 1. Позволяет принимать решения более интуитивно. 2. Помогает тестировать принятые решения. 3. Поддерживает поиск решения методом проб и ошибок. 4. Поддерживает субъективные суждения.

Архитектура СППР

Частично-структурированные

решения

Для руководителей разного уровня

Моделирование

Для групп и отдельных

пользователей

Простота создания

Сетевые или последовательные

Эволюционная модель работы

Управление со стороны человека

Разработка и под держка

Поддержка различных стилей и алгоритмов принятия решений

V Универсальность и адаптивность Простота

в использовании

Рис. 12.14. Возможности системы поддержки принятия решений (СППР)


Архитектура СППР определяется одним из следующих подходов: 1. Функциональный подход. 2. Инструментальный подход. 3. Комбинированный подход и ряд других подходов.

Функциональный подход

При использовании функционального подхода архитектура СППР вклю-чает следующие компоненты: а) языковую систему, б) систему знаний и в) систему обработки задач.

Языковая система отвечает за основы взаимодействия компьюте-ров и пользователей. Она управляет меню, командными языками, за-полнением форм, а также интерфейсом на естественном языке. Систе-ма знаний служит для ввода данных в базы, текстовые файлы, потоки, таблицы, а также для определения моделей, инфраструктур и словарей. Система обработки задач управляет методами анализа, обработкой БД, текстов, моделей, цепочкой рассуждений, анализом таблиц и статисти-ческим анализом.

Инструментальный подход

В рамках этого подхода типичная архитектура СППР включает базу дан-ных, базу моделей (БМ) и модуль диалога (рис. 12.15). Взаимодействие с пользователем осуществляется через модуль диалога, который обращает-ся к БД и БМ в поисках решения.

Подход, основанный на базе знаний

В рамках этого подхода пользователь через четко определенный интерфейс отправляет запросы контроллеру системы. Далее, в зависимости от типа запроса, система обращается к БД, БМ или базе знаний (рис. 12.16).

Функциональная схема СППР

База данных Модельная база (модельная СУБД) (СУБД)

Модуль диалога ПО для создания

и управления интерфейсами

ПОЛЬЗОВАТЕЛЬ

Рис. 12.15. Архитектура СППР в рамках инструментального подхода


База знаний

База данных М 1 Модельная база

Рис. 12.16. Архитектура СППР в рамках подхода, основанного на базе зна-ний

Система поддержки принятия решений, оптимизированная для опреде-ленных задач, называется специализированной (ССППР). Такие системы используются в конкретных приложениях, например для оптимизации прокладки дорожной сети и т. п. СППР включает ряд уровней.

Генератор СППР — это интегрированный программный пакет для опе-ративной разработки специализированных СППР с небольшими затра-тами средств и времени. Примером генератора СППР для персонального компьютера могут служить электронные таблицы Lotus 1-2-3. Термин «ге-нератор СППР» введен по аналогии с термином «генератор приложений». Последние применяются программистами для оперативной разработки программного обеспечения.

Генераторы приложений упрощают разработку программ и снижают их стоимость, хотя сгенерированное ПО может оказаться менее эффектив-ным, чем написанное «с нуля» опытным программистом. Таким образом, генерацию следует использовать для создания программ, которым при-дется время от времени обрабатывать небольшие объемы данных. Среди прочего, генератор СППР поддерживает моделирование, создание отчетов и графическое представление данных.

Инструментарий СППР составляет основу этой технологии и служит для создания генераторов СППР либо специализированных СППР. При-мерами инструментов могут служить редакторы, системы запросов, гене-раторы случайных чисел и электронные таблицы.

Связи между этими уровнями показаны на рис. 12.17. Как правило, с помощью простых инструментов создают более сложные инструмен-ты, например генераторы СППР, которые применяются для создания специализированных СППР. В отдельных случаях с помощью инстру-ментов сразу создают специализированные системы поддержки приня-тия решений.

Использование СППР совместно с ГИС позволит более эффектив-но управлять природными ресурсами. Однако следует отметить, что


Отдельные СППР

Инструментарий СППР

Генераторы СППР

Рис. 12.17. Связь между различными уровнями СППР

СППР, которые были бы пригодны для решения реальных задач, пока находятся на этапе разработки. Классификация СППР основана на их специализации, масштабе и других параметрах. Дальнейшее развитие этих систем способно принести значительную пользу в проектировании и разработке ГИС.

Заявки на книги присылайте по адресу: 125319, Москва, а/я 91

Издательство «Техносфера» e-mail: [email protected]

[email protected] факс: (495) 956 33 46

В заявке обязательно указывайте свой почтовый адрес!

Подробная информация о книгах на сайте http://www.technosphera.ru

А.М. Чандра, С.К. Гош


Компьютерная верстка — С.С. Бегунов Корректор — Н.И. Кононенко

Дизайн — И.А. Куколева Редактор — М.А. Гришина

Выпускающий редактор — О.В. Смирнова Ответственный за выпуск — С.В. Зинюк

Формат 70x100/16. Печать офсетная. Гарнитура Ньютон.

Печ.л 19,5. Тираж 3000 экз. (1-й завод 1500 экз.) Зак. № 3179. Бумага офсет №1, плотность 65г/м2.

Издательство «Техносфера» Москва, ул. Краснопролетарская, д. 16, стр.2

Диапозитивы изготовлены ООО «Европолиграфик»

Отпечатано с готовых диапозитивов в ООО ПФ «Полиграф-книга»

160001, г. Вологда, ул. Челюскинцев, д. 3. Тел.: (8172) 72-55-31, 72-61-75

mailto:[email protected]

mailto:[email protected]

http://www.technosphera.ru

Чандра А.М., Гош С.К. Дистанционное зондирование и ГИС

Documents