Способ идентификации типов растительности

Способ идентификации типов растительности

Реферат

 

Изобретение предназначено для оперативной диагностики растительных покровов и стадий возобновления лесов. Видеокадры исследуемого участка леса, полученные с борта орбитальной станции, преобразуют в цифровую форму и вычисляют двумерный пространственный спектр. Далее обратным Фурье-преобразованием определяют автокорреляционную функцию спектра и вычисляют функцию регрессии между параметрами этих функций для различных типов растительности. После тарирования полученных результатов по изображениям контрольных площадок синтезируют общую картину растительности по всей площади наблюдения. Технический результат при этом заключается в регистрации и преобразовании текстурных признаков изображений, получаемых дистанционными методами, в признаки, достаточные для идентификации типа растительности, а также в повышении оперативности, производительности и глобальности получения целевой информации. 5 ил.

Предлагаемое изобретение относится к лесному хозяйству, в частности к оперативной диагностике растительных покровов на вырубках, оценке текущих и последующих стадий возобновления леса.

При тематическом картировании групп лесов и условий произрастания выделяют следующие типы растительности: лиственничное мелколесье, лиственничные леса высоко-, средне- и низкобонитетные, сосновые леса, гари, аласы (кустарниковые, травянистые). В лесоводстве традиционный метод установления типа вырубки и стадии возобновления леса заключается в их визуально-инструментальном обследовании и картировании. За минимальную величину выдела принимается 1 га, масштаб 1:10000, или линейные размеры элементарной площадки 100 х 100 м. Известна оценка состояния вырубки путем стационарного наблюдения учебно-опытного участка на интервале 20 лет (см., например, И.С. Мелехов. Лесоводство. М.: Агропромиздат, 1989, с.8, табл. 2 - аналог).

При известном способе формирование древостоя на вырубках на всех стадиях - густого молодняка, крупного жердняка, приспевающего и спелого леса оценивают количеством деревьев на 1 га и их толщиной более 6 см на высоте 1,3 м. Известны также различные методы (ИЮФРО, по Крафту, Жилкина Б.Д.) классификации деревьев по качеству кроны, диаметру стволов, жизненности, положению в древостое (см. там же, аналог, с.245 - 247). Недостатками известных аналогов являются большая трудоемкость, связанная с необходимостью индивидуального пересчета каждого дерева, неоперативность, недоступность горных и отдаленных районов.

Ближайшим аналогом по технической сущности к заявляемому способу является способ, представленный в кн. Исаева А.С. и др. Аэрокосмический мониторинг лесов. М.: Наука, 1991, с. 28 - 30.

В ближайшем аналоге оценку (в условных баллах) категорий состояния лесов проводят дистанционным методом, путем измерения коэффициентов спектральной яркости зондируемых площадок в синем, зеленом и красном участках видимого диапазона, расчета значений хроматических коэффициентов и сопоставления измеренных значений с тарированными значениями функции регрессии хроматических коэффициентов, полученной зондированием эталонных (пробных) площадок.

Известный способ реализуется следующей последовательностью операций: выбирают контрольные площадки и определяют визуально-инструментальным методом состояние древостоя в баллах; размещают спектрометрический модуль на автономной поворотной платформе искусственного спутника Земли; отслеживают заложенные площадки вводом уставок баллистических данных в систему управления автономной платформы; измеряют коэффициенты спектральной яркости (_B,_G,_R) зондируемой площадки в синем (B), зеленом (G) и красном (R) участках видимого спектра; квантуют непрерывные значения амплитуд сигналов измеренной функции с шагом квантования не более 1/256; рассчитывают хроматические коэффициенты жизненности (g) и поражения (r): вычисляют функцию корреляции хроматических коэффициентов и тарируют ее по эталонным измерениям контрольных площадок с известными категориями состояния в баллах; получают оценку состояния лесных массивов по всей площади наблюдения.

Известный способ имеет следующие недостатки.

1. Способ не может быть непосредственно использован для идентификации типов растительности, поскольку принимаемый сигнал несет интегральную характеристику подстилающей поверхности, из которого уже нельзя отдельно выделить составляющую структуры полога.

2. Коэффициенты спектральной яркости различных типов растительности имеют один и тот же вид зависимостей и отличаются друг от друга на единицы процентов, что не обеспечивает необходимую точность и достоверность идентификации. В принципе, по индексу цветности в вегетационный период трудно отличить молодую зелень от зелени луга.

Задача, решаемая данным изобретением, заключается в регистрации и преобразовании текстурных признаков изображений, получаемых дистанционными методами в "шероховатость" полога растительности, достаточную для идентификации ее типа, а также использовании преимуществ, вытекающих из космических технологий в виде повышения оперативности, производительности и глобальности получения целевой информации.

Поставленная цель достигается введением в ближайший аналог следующих технологических операций: осуществляют высокодетальную съемку подстилающей поверхности, содержащей контрольные площадки, и записывают полученные изображения на бортовой магнитофон; передают в сеансах связи по радиоканалу в Центр управления полетом полученные изображения и регистрируют их на кассеты; разбивают видеокадр на последовательность единичных участков и преобразуют изображение каждого участка в цифровую функцию интенсивности I (x, y); вычисляют двумерный пространственный спектр от функции интенсивности и физических размеров элементарного участка прямым Фурье-преобразованием (на основе программных методов быстрого Фурье-преобразования) в соответствии с формулой получают из пространственного спектра G (f_x, f_y) энергетический спектр сигнала изображения S(F); вычисляют обратным Фурье-преобразованием автокорреляционную функцию B() сигнала изображения по формуле рассчитывают эталонную регрессионную зависимость между параметрами автокорреляционных функций B(=0) и /(B=0,5B_max) для различных типов растительности контрольных площадок; синтезируют из последовательно проанализированных единичных участков мозаичную картину растительности на отснятых видеокадрах по всей площади наблюдения.

Сопоставительный анализ заявляемого решения с ближайшим аналогом показывает, что заявляемый способ отличается от известного введением новых технологических операций, обеспечивающих достижение свойств, закономерности которых не были известны и проявились в заявляемом объекте впервые. Действительно, основным селектируемым параметром ближайшего аналога является индекс цветности, в то время как в заявляемом способе информационным параметром является шероховатость растительного покрова. В свою очередь "шероховатость" зондируемого участка "извлекается" из текстуры его изображения. Это позволяет утверждать, что заявляемый способ удовлетворяет критерию изобретения "новизна". Наличие таких признаков, как введенные операции, связанные с функциональными преобразованиями текстуры получаемого изображения, позволяющими извлекать информацию о "шероховатости" зондируемых участков, расчет функции регрессии между типом растительности эталонных участков и параметров автокорреляции отраженного от данного типа растительности сигнала, позволяет сделать вывод о соответствии заявляемого технического решения критерию "Существенные отличия".

Техническая сущность изобретения заключается в следующем.

На настоящий момент основным селектируемым параметром при тематической обработке аэрокосмических снимков растительности является индекс цветности. Кривые спектральных коэффициентов яркости у всех древесных пород имеют одни и те же закономерности и отличаются друг от друга на единицы процентов. Это затрудняет тематическую обработку изображений по индексу цветности. Кроме физиологических факторов на величину КСЯ оказывает влияние и архитектура растений - высота, форма кроны, соотношение ярусов. Следовательно, "шероховатость" зондируемой поверхности также может служить селектируемым признаком растительности, т.е. целевую информацию о подстилающей поверхности содержит не только тон изображения, но и его текстура. Разреженность или густота полога, диаметры крон, их геометрическая повторяемость участвуют в формировании изображения и его крупных дискретных контрастных элементов, что отражается в качестве текстуры.

Анализ известных определений понятия текстуры в области дешифрирования изображений показал, что общепринятого, формализованного определения текстуры как дешифровочного признака не существует. Известные определения понятия текстуры сводятся, как правило, к ее качественному описанию: мелко-, крупнозернистая, гладкая, линейчатая, нерегулярная и т.д. Авторами разработан способ получения количественных характеристик текстуры путем вычисления пространственного спектра анализируемого участка изображения с последующим уменьшением размерности его вектора признаков для идентификации до двух параметров: ширины автокорреляционной функции и ее максимальной амплитуды. Методы оценки "шероховатости" поверхности основаны на вычислении пространственного спектра соответствующего участка снимка. Из математики известно (см., например, Пискунов Н.С. Дифференциальное и интегральное исчисления, т. 2, М. : Наука, 1964, с.240 - 242), что любая функция может быть разложена в интеграл Фурье. Причем чем больше скорость изменения функции по координате, тем шире ее комплексный спектр. Следовательно, "шероховатость" или изрезанность полога определяют частотно-спектральный образ растительности. По определению, пространственный спектр вычисляют как двумерное Фурье-преобразование от функции интенсивности I (x, y) участка изображения: Однако непосредственно по виду огибающей пространственного спектра трудно идентифицировать тип растительности ввиду ее изрезанности, многомодности и неявно выраженных пиков.

Другой характеристикой скорости флуктуации каких-либо процессов являются их автокорреляционные функции. Но непосредственно из функции интенсивности изображения автокорреляционная функция вычислена быть не может из-за потерь временной координаты при получении изображения (моментальности снимка).

Авторами разработана последовательность операций, реализуемая посредством комплекса программно-аппаратных средств, позволяющая вычислять функцию автокорреляции сигнала изображения, включающая следующие промежуточные процедуры: вычисление двумерного пространственного спектра G (f_x, f_y); ввод физических размеров анализируемого участка; нормирование и получение энергетического спектра сигнала изображения S (F); вычисление автокорреляционной функции B() путем обратного Фурье-преобразования от энергетического спектра по формуле Оцениваемыми параметрами для идентификации типа растительности служат два значения функции автокорреляции - ее максимальное значение при =0, B(=0) и ширина автокорреляционной функции на уровне B = 0,5B_max. Степень взаимосвязи между типом растительности и оцениваемыми параметрами характеризуется дешифровочной функцией регрессии, рассчитываемой по эталонным съемкам контрольных площадок.

Заявляемый способ реализуется следующими операциями: выбирают контрольные площадки с характерными типами растительности и проводят их тематическую оценку; размещают видеокомплекс на автоматической поворотной платформе орбитальной станции; отслеживают заданные районы наблюдения вводом уставок баллистических данных в систему управления автономной платформы; осуществляют высокодетальную дистанционную съемку подстилающей поверхности, содержащей контрольные площадки, и записывают получаемые изображения на бортовой видеомагнитофон; передают в сеансах связи по радиолинии в ЦУП полученные изображения и осуществляют их перепись на кассеты; последовательно отбирают для анализа участки видеокадра и преобразуют их изображение в цифровую функцию интенсивности I (x, y); вычисляют на основе программных методов быстрого Фурье-преобразования комплексный Фурье-спектр G (f_x, f_y) от функции I (x, y) в соответствии с формулой: преобразуют двумерный Фурье-спектр G (f_x, f_x) в энергетический спектр S(F) сигнала с учетом физических размеров введенного участка изображения; вычисляют автокорреляционную функцию B() сигнала изображения анализируемого участка обратным Фурье-преобразованием от энергетического спектра S(F) по формуле рассчитывают эталонную функцию регрессии между параметрами автокорреляционных функций контрольных площадок и типом растительности на них; синтезируют из последовательно проанализированных участков мозаичную картину растительности на отснятых видеокадрах по всей площади наблюдения.

Пример конкретного осуществления способа.

Оценка метрических и информационных характеристик частотно-спектральных образов различных типов растительности и производных от них автокорреляционных функций проводилась на базе средств орбитальной станции "Мир". Реализация заявляемого способа нашла отражение в "Методике дистанционного решения лесоводческих и лесоэкологических задач видеоспектральными средствами орбитального комплекса "Мир", НПО "Энергия", М., 1994, 31 с. Заявляемый способ может быть реализован на базе устройства по схеме фиг.1. Фиг. 2-5 также поясняют предлагаемый способ.

На автономной поворотной платформе 1, управляемой как из Центра управления полетом, так и от бортовой системы управления 2 орбитальной станции "Мир", установлен видеокомплекс 3 высокого пространственного разрешения типа "Астра". По программе или в режиме непосредственного телеуправления осуществляются съемка и запись изображений объектов 4 подстилающей поверхности, отслеживаемых видеокомплексом, на бортовой видеомагнитофон 5 типа "Betta Kam". Накопленная информация видеокадров сбрасывается в сеансах связи по радиолинии 6 типа "Ромашка" в ЦУП, где регистрируется на кассетах устройства 7.

Наземный комплекс программно-аппаратных средств содержит ПЭВМ типа IBM PC/386/387 с набором периферийных элементов в составе устройства телеввода 8 изображений в компьютер, набор дискет 9 с эталонными видеоснимками ключевых участков, набор дискет 10 для записи файлов цифровой информации единичных участков. Последовательность цифровых файлов изображений единичных участков видеокадра вводится в оперативное запоминающее устройство центрального процессора (11) ПЭВМ с возможностью их визуализации на мониторе 12 типа Super VGA. Комплекс специализированных программ обработки записан на ПЗУ 13. Полученная в результате обработки снимков целевая информация в виде графиков расчетных функций выводится на принтер 14.

Процедуру идентификации типа растительности по операциям заявляемого способа с помощью средств фиг.1 проиллюстрируем на примере отдельного видеокадра, представленного на фиг. 2. На фиг. 2 изображен участок подстилающей поверхности, попадающий в поле зрения бортового видеокомплекса "Астра". Для анализа типа растительности поле кадра последовательно разбивается на элементарные участки (штрихпунктирные линии на фиг. 2), определяемые требованиями точности идентификации и возможностями пространственного разрешения. Единичный элемент выбирается из условия соизмеримости с геометрическими размерами контрольной площадки (100 х 100 м). Каждый элементарный участок (единичный элемент) видеокадра телевводом 8 преобразуют в файл цифровой информации функции интенсивности I (x, y) участка изображения в формате 515 х 512 элементов. Операция преобразования изображения в файлы цифровой информации функции интенсивности реализуется на средствах телеввода (см., например, Система телеввода Panasonik. Инструкция использователю, техническое описание). Файлы цифровой информации с дисков 10 последовательно считываются в ОЗУ процессора 11. От каждого массива цифровой информации файла вычисляется двумерный пространственный спектр, используя комплекс специализированных программ, содержащихся в ПЗУ 13. О реализуемости данной операции быстрого преобразования Фурье см. , например, Марпл С.А. (мл), перевод с английского. Цифровой спектральный анализ. М.: Мир, 1990, с.77 - 79, алгоритм БПФ.

Для структур, не имеющих преимущественных периодичностей, так называемых псевдоструктур, в Фурье-спектре будет присутствовать множество компонент. Обычно двумерный Фурье-спектр псевдослучайных структур выглядит в виде расплывчатой эллиптической фигуры. Дисперсность (шероховатость) структуры отражается в размахе Фурье-спектра. Следующий шаг анализа - оценка вклада пространственных структур различного размера в вид огибающей. Интегрированием двумерного Фурье-спектра по кольцевым сегментам получают одномерную функцию пространственного спектра S(1/). О реализуемости данной операции см., например, Система цифровой обработки изображений. Видеолаб, МГУ, 1990, версии 2.1; 2.2 с. 63 - 65, технический отчет.

На фиг.3 приведены частотно-спектральные образы единичных участков двух типов растительности: а) хвойного леса с размахом крон 5 - 7 м; б) лиственничного мелколесья, при обработке участков по рассмотренной процедуре реального кадра "Лосиный Остров", г. Москва, полученного космической съемкой. Полог однородного хвойного леса имеет большую "шероховатость" и более темный тон на снимке, а лиственничное мелколесье содержит более широкий пространственный спектр волн и имеет более светлый тон на снимке, что предопределяет малый интервал корреляции сигнала изображения.

Качественно функции S(1/) характеризуют "шероховатость" растительного полога, аналогично взволнованной морской поверхности, содержащей весь спектр длин волн от мелкодисперсной ряби до развитого волнения. Между длиной волны () любого колебания и его частотой (f) существует однозначная зависимость где v - скорость распространения физических волн.

Поскольку съемка осуществляется с орбиты КА, а объекты подстилающей поверхности неподвижны, то за скорость распространения пространственных волн можно принять относительную скорость движения объектов и измерителя. Таким образом, пространственный спектр и спектр частот связаны зависимостью G(f) = v/S(1/) или для данного физического явления через некоторый постоянный множитель пропорциональности. По определению между спектром частот G (f) и энергетическим спектром сигнала S(F) существует зависимость (см., например, Заездный А. М. Основы расчетов по статистической радиотехнике. М.: Связьиздат, 1969, с.93, формула 7.30) т. е. энергетический спектр равен квадрату амплитудного спектра, усредненного на интервале наблюдения единичной реализации.

Вычисление автокорреляционных функций B() по их энергетическим спектрам S(F) осуществляется обратным Фурье-преобразованием по известным зависимостям (см. , например, Заездный А.М. Основы расчетов по статистической радиотехнике. М.: Связьиздат, 1969, с. 94; формула 7.35) В рассматриваемом примере конкретной реализации энергетические спектры S(F) двух типов растительности аппроксимированы функциями и вычислялись аналитически. Рассчитанные значения автокорреляционных функций представлены графиками фиг.4. Данная операция может быть автоматизирована на основе программных методов расчета, специализированных программ, записанных в ПЗУ 13. О реализуемости программных расчетов автокорреляционных функций см., например, Марпл С.А. Цифровой спектральный анализ и его приложение. Перевод с англ. М.: Мир, 1990, с.254.

Из представленных зависимостей фиг. 4 следует, что автокорреляционные функции типов растительности существенно отличаются как амплитудой (мощностью переменных составляющих), так и интервалом корреляции (скоростью флуктуаций или шероховатостью). При наличии тарировочной характеристики единичные участки растительности могут быть достоверно дешифрованы.

Тарирование тракта для получения дешифровочной характеристики осуществляется путем ввода в ПЭВМ и обработки снимков с дискет 9 ключевых участков. В результате осуществления данной процедуры получают совокупность реализаций автокорреляционных функций, соответствующих типам растительности ключевых участков. По пиковым значениям амплитуд B(=0) и интервалам корреляции /B = 0,5B_max рассчитывают функцию регрессии между параметрами автокорреляционных функций для различных типов растительности ключевых участков. Аппроксимация регрессии нелинейными функциями осуществляется известными методами (см. , например, Г.Корн, Т.Корн. Справочник по математике для научных работников и инженеров. Перевод с англ. М.: Наука, 1970, с.495, п. 18.4.6, регрессии).

Полученная по эталонным снимкам дешифровочная характеристика (функция регрессии) представлена на фиг. 5. Располагая дешифровочной характеристикой, осуществляют идентификацию типа растительности на единичном участке, из последовательности которых синтезируют мозаичную картину типа растительности всего кадра.

Положительный эффект заявляемого способа основан на установлении количественных зависимостей между характеристиками текстуры изображения и типом растительности, повышении точности идентификации за счет использования по сравнению с прототипом двух параметров, а именно амплитуды автокорреляционной функции, связанной с тоном (цветом) изображения, и интервала корреляции, связанного с "шероховатостью" полога растительности.

Формула изобретения

Способ идентификации типов растительности путем определения ее состояния и тематической оценки на контрольных площадках, дистанционного зондирования подстилающей поверхности, содержащей контрольные площадки, с орбиты космического аппарата средствами, установленными на его автономной платформе, отслеживания заданных районов наблюдения вводом уставок баллистических данных в систему управления автономной платформы, отличающийся тем, что осуществляют дистанционную, покадровую видеосъемку объектов, передают получаемые изображения и регистрируют их на наземных средствах, разбивают видеокадр на последовательность единичных участков и преобразуют изображение каждого участка в цифровую функцию интенсивности, вычисляют двумерный пространственный спектр функции интенсивности и физических размеров элементарного участка, получают из пространственного спектра энергетический спектр сигнала изображения, вычисляют обратным Фурье-преобразованием автокорреляционную функцию сигнала изображения, рассчитывают эталонную регрессионную зависимость между параметрами автокоррреляционных функций для различных типов растительности контрольных площадок, синтезируют из последовательно проанализированных единичных участков мозаичную картину растительности на отснятых видеокадрах по всей площади наблюдения.

РИСУНКИ

Рисунок 1, Рисунок 2, Рисунок 3, Рисунок 4, Рисунок 5