Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Восемнадцатая Всероссийская Открытая конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»

XVIII.F.416

Методика динамической актуализации опорной выборки для классификации растительности на основе спутниковых данных

Сайгин И.А. (1,2), Барталев С.А. (1,2), Стыценко Ф.В. (1)
(1) Институт космических исследований РАН, Москва, Россия
(2) Центр по проблемам экологии и продуктивности лесов РАН, Москва, Россия
К настоящему времени создана технология получения ежегодно обновляемых карт растительности, основанная на классификации композитных изображений (Барталев и др., 2016). Поскольку классификация, используемая при создании данных карт, требует в качестве одного из входных параметров опорную выборку, важным аспектом является методика её ежегодной актуализации. Существует ряд значительных изменений при переносе тематических данных, полученных по результатам наблюдений одного года, на данные спутниковых наблюдений другого года. Данные изменения можно условно разделить на сложные подпиксельные и фатальные, занимающие обширные территории (грубые) изменения. Сложные подпиксельные эффекты связанны с самими классами. Они обусловлены следующими факторами: старение растительности (речь идёт о растениях, которые растут более чем несколько лет, например деревья), смена питания, естественное замещение одних пород другими и др. Фатальные эффекты связанны с резким изменением типа растительности или типа земного покрова в целом. Такие резкие изменения, как правило, возникают из-за массовых вырубок, ветровалов, и в гораздо большей степени, от пожаров.
До настоящего времени перенос опорной выборки производился с применением статистической фильтрации, которая исключала часть пикселей, имеющих сильное отклонения яркостей, а также фильтровались пройденные огнем территорий, детектированных по спутниковым данным. Такой подход приводил к постепенному уменьшению объема обучающей выборки, что могло приводить к постепенному уменьшению репрезентативности выборки и увеличению радиуса сбора локальных сигнатур классов, используемым алгоритмом классификации LAGMA (Local Adaptive Global Mapping Algorithm) (Bartalev et al., 2014). В рамках работы предложен новый метод ежегодного создания опорной выборки, при котором в качестве опорных данных использовалась карта, полученная по спутниковым данным предыдущего года. В основе метода лежит статистическая фильтрация опорных данных с использованием информации об отражательной способности текущего года и привлечении дополнительных тематических продуктов об изменении лесного покрова. При таком подходе, опорная выборка может обновляться ежегодно без тенденции к постепенному уменьшению.
Исследование выполнено в рамках проекта РНФ № 19-77-30015 "Разработка методов и технологии комплексного использования данных дистанционного зондирования Земли из космоса для развития системы национального мониторинга бюджета углерода лесов России в условиях глобальных изменений климата". Как основа для выполнения работ были использованы результаты различных научных проектов, в том числе, проекта РФФИ "Разработка автоматической информационной технологии глобального картографирования наземных экосистем на основе данных спутниковых наблюдений 2008 - 2009" (08-07-12093-офи).
Исследования проводились с использованием инфраструктуры хранения и обработки спутниковых данных Центра коллективного пользования "ИКИ-Мониторинг" (Лупян и др., 2015).

Ключевые слова: дистанционное зондирование, спутниковые данные
Литература:
  1. Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В. Спутниковое картографирование растительного покрова России // М.: ИКИ РАН, 2016. 208 c.
  2. Bartalev S.A., Egorov V.A., Loupian E.A., Khvostikov S.A., A new locally-adaptive classification method LAGMA for large-scale land cover mapping using remote-sensing data, Remote Sensing Letters, 2014, Vol. 5, Issue 1, pp. 55–64.
  3. Лупян Е.А., Прошин А.А., Бурцев М.А., Балашов И.В., Барталев С.А., Ефремов В.Ю., Кашницкий А.В., Мазуров А.А., Матвеев А.М., Суднева О.А., Сычугов И.Г., Толпин В.А., Уваров И.А. Центр коллективного пользования системами архивации, обработки и анализа спутниковых данных ИКИ РАН для решения задач изучения и мониторинга окружающей среды // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 263-284.

Презентация доклада

Дистанционное зондирование растительных и почвенных покровов

358