Определение пороговых значений представляет собой процесс идентификации пикселов классифицированного изображения, которые вероятнее всего классифицированы неправильно, на основании оценки расстояний, которые были использованы в решающем правиле классификации [Лурье, Косиков, 2003].

Для объектов, выделяемых в результате классификации, точность выражается в оценках соответствия, определенности или правдоподобия. Наиболее часто применяемый способ оценки точности результатов классификации основан на построении матрицы классификации или матрицы ошибок (см. параграф 2.6.3). Число эталонных пикселов всех классов вводится пользователем. Для надежной оценки классификации важны как число таких пикселов-образцов, так и расположение их на местности, а также время сбора информации в этих точках, поскольку объекты могут измениться с момента съемки. Считают, что необходимо иметь 70-100 эталонных точек для каждого класса [Jensen, 1996]. Процесс оценки включает:

•создание матрицы классификации, размерность которой пхп определяется числом классов, путем простого сопоставления эталонных пикселов с классифицированными;

•расчет статистических оценок точности в процентном выражении, исходя из результатов сопоставления, зафиксированных в матрице.

При интерпретации оценок достоверности важно обратить внимание на процентные количества правильно классифицированных пикселов и определить природу ошибок (программы или пользователя).

8.5. Алгоритмы выполнения географического анализа по космическим снимкам

8.5.1. Изучение динамики явлений (объектов) по картам и снимкам

Изучение и картографирование изменений в природе, природопользовании и степени антропогенного воздействия на природу — задачи мониторинга, которые связаны с построением карт динамики. Основу методов их создания составляет сопоставление разновре-

этих методов главным образом направлена на обеспечение точного пространственного совмещения материалов и извлечение из них динамической информации.

Прежде чем приступить к решению задачи, необходимо определить классы объектов динамики и ее временной интервал (сезон, год и т. п.). С этим связан выбор подходящей схемы обработки данных. Для определения типов изменений должны быть известны параметры временного, пространственного, спектрального и радиометрического разрешения данных, а также природные характеристики, такие как атмосферные условия, влажность почвы, фенологический цикл.

Сопоставляемые снимки должны быть геометрически и спектрально идентичны. Приведение снимков (или карт и снимков) к геометрически идентичному виду осуществляется методами, описанными в разделе 4.1. Хорошо, если среднеквадратическая ошибка трансформирования будет < 0,5 пиксела. Иначе эти ошибки создадут ложные классы изменений. При использовании снимков разных пространственных разрешений необходимо определить, какова должна быть минимальная единица картографирования, соответствующий размер пиксела, и затем выполнить переопределение яркости пикселов сопоставляемых снимков в соответствии с этим единым размером. Однако нельзя забывать, что информация, содержащаяся в исходных пикселах, всегда определяется спектральным и радиометрическим разрешениями съемки и не может быть увеличена при переходе к пикселу большего размера.

Некоторые съемочные системы, например СПОТ, получают изображения под углом к отвесной линии (надиру), поэтому сопоставление двух снимков со значительно отличающимися углами съемки даст неверную картину динамики объектов.

Обеспечить спектральную идентичность снимков крайне трудно в силу разнообразия параметров, ее определяющих. По меньшей мере, нужно знать влияние этих параметров на спектральную яркость, чтобы отделить его от влияния динамических изменений. Сделать разновременные снимки максимально сравнимыми, при условии, что сезонные различия минимальны, а облачность отсутствует, позволяет коррекция снимков, выполня-

системы, учитывают параметры освещенности и дымки на момент съемки, а значения яркости пересчитывают в безразмерные коэффициенты отражения.

Подходящие алгоритмы для определения и картографирования изменений основаны либо на методах классификации — контролируемой, неконтролируемой, гибридной, либо на использовании ГИСтехнологий оверлея. После выполнения таких процедур необходима оценка точности полученных результатов, которые кроме картографического способа могут быть представлены в виде «матрицы динамики» классов объектов, аналогичной матрице классификации (см. табл. 2.3).

Рассмотрим наиболее распространенные алгоритмические схемы выявления динамики объектов для построения карт на примере двух разновременных источников информации.

Создание композиций разновременных снимков. Из общего множества зональных снимков создают подмножество — набор данных, представленный выбранными зонами снимков за два срока для одного и того же участка территории. Их композиции могут быть проанализированы разными способами. Один из них — традиционная классификация на основе всех выбранных зон. Например, с помощью неконтролируемой классификации можно выделить изменившиеся и не изменившиеся кластеры пикселов, а задачей дешифровщика будет отнесение их к классам динамики.

Часто хорошие результаты дает композиция, созданная из двух разновременных зональных снимков: эти снимки задают как красную и зеленую составляющие палитры RGB, а для синей формируют «пустое» изображение со значениями 0 для всех пикселов. На синтезированном изображении неизменившиеся объекты будут показаны оттенками желтого цвета (согласно аддитивной теории цвета), а изменившиеся участки — оттенками других цветов.

Другой подход основан на применении метода главных компонент. Обычно уже изображения первых главных компонент позволяют напрямую выделить изменения. Однако трудности возрастают, когда пытаются интерпретировать эти изменения на каждом таком изображении. Можно применить к ним методы классификации, но

всегда остается проблема определения направления изменений — увеличились или уменьшились значения показателя, произошло улучшение или ухудшение ситуации и т. п.

Использование алгебры изображений. Для получения карты динамики снимки в соответствующих зонах (после их приведения к единой системе координат и размеру) либо вычитают, либо вычисляют их отношение, или совмещают на экране монитора, окрашивая разным цветом (используя процедуры, аналогичные синтезу изображений). Трудность выделения типов изменений заключается в определении пороговой границы между изменившимися и не изменившимися категориями объектов (порогового значения пикселов). Обычно это делают экспериментально, перемещая эту границу, пока не получится реалистическая картина. Решение вопроса об отнесении участка изображения к тому или иному типу изменений остается за дешифровщиком. Такой способ дает хорошие результаты при выявлении изменений одного-двух объектов, выделенных заранее на снимках. Поскольку изображение должно быть представлено в 8-битовом формате положительных чисел, то при вычитании снимков для исключения возможных отрицательных значений необходимо к разности добавлять некоторую константу, например, 127.

Сопоставление результатов классификации снимков за каждую дату. В большинстве случаев поступают следующим образом: выполняют автоматизированную классификацию объектов на геометрически совмещенных снимках, предпочтительно с применением алгоритмов контролируемой классификации; карты классификации сопоставляют между собой на основе «оверлея» и выявления изменений границ или замещений исследуемых объектов. При этом используют метод программного построения логических конструкций типа: «если на первую дату один объект, а на вторую — другой, то на результирующей карте соответствующий тип изменения», выполняя их для каждого пиксела снимков. Осложнения здесь возникают при исследовании изменений большого числа объектов, когда приведенные выше логические выражения образуют длинные цепочки и не столь наглядно отражаются в матрице динамики. Кроме того, возникает большое число сочетаний классов, которое теоретически может достигнуть величины п2, что при значительных п делает анализ динамики невозможным. Поэтому

Методика реализована с применением ГИС-технологий программных пакетов: Idrisi™ — для растровых изображений, ArcView ™ и Maplnfo ™ — для векторных и включает следующие этапы:

•трансформирование снимков в проекцию карты масштаба

1: 1 ООО ООО;

•регистрацию карты-основы и трансформированных снимков

вединой системе географических координат в ArcView™

спомощью подпрограммы Image Warp (так называемый «скрипт» для ArcView, размещенный на сайте ESRI);

•создание векторных полигональных слоев (тем), представляющих водное зеркало Аральского моря, путем цифрования его береговой линии на соответствующих снимках «по растровой подложке»;

•создание разновременных тематических карт масштаба

1: 1 ООО ООО в проекции Гаусса-Крюгера по картам и космическим снимкам, характеризующих динамику береговой

линии, контуров островов и отмели за период 1957-2001;

•вычисление значений площади водного зеркала моря и водоемов, образовавшихся в результате падения его уровня, анализ величин площадей, вычисление изменений площади водного зеркала за период между съемками и среднегодового ее сокращения.

+ются в спектральных значениях классов.

от первой ко второй дате, получают еще один признак изменения (рис. 8.20).