Исследование возможностей автоматического формирования обучающей выборки при тематическом картографировании лесов по данным Landsat-TM\ETM+

Тематическое картографирование лесного покрова по данным ДЗЗ среднего и высокого пространственного разрешения является в настоящее время широко распространенной практикой. Основополагающую роль в процессе успешной контролируемой классификации спутниковых изображений играет качественная обучающая (эталонная) выборка, формирование которой, зачастую, занимает наибольшую часть времени тематической обработки, поскольку проходит в интерактивном режиме. Но при наличии достоверных, однородных и оформленных соответствующим образом данных схожей с целевой картой тематики на всю территорию картографирования, этот процесс можно значительно облегчить вплоть до полной автоматизации.
Данная работа посвящена исследованию возможностей использования данных Карты растительности России (далее – Карта растительности), ежегодно формируемой в ИКИ РАН на основе данных Terra-MODIS (Барталев и др., 2011), и карты изменений покрытых лесом территорий с 2000 по 2012 год (Global Forest Change , далее – GFC), созданной в университете Мэриленда (США) по данным Landsat-TM\ETM+ (Hansen et al., Science 2013), для автоматизации процесса формирования эталонной выборки при тематическом картографировании лесного покрова по спутниковым данным Landsat. Концептуально анализируемый подход базируется на оценке спектральной (по композитным изображениям) и тематической (по GFC) однородности совокупности 30-тиметровых пикселей Landsat в пределах каждого 230-тиметрового пикселя Карты растительности и определении на основании этих оценок участков изображения Landsat, для которых возможен прямой перенос тематических характеристик с данной карты. Методически, процесс автоматического формирования эталонной выборки делится на следующие этапы:
1. Оценка однородности участков многоканального разносезонного композитного изображения Landsat в пределах каждого пикселя Карты растительности.
Однородность оценивается по всем каналам разносезонного композита, и пиксели, показавшие в каждом из них значения коэффициента вариации не более 10%, формируют маску спектральной однородности (МСО).
2. Фильтрация маски спектральной однородности.
МСО подвергается процедуре сегментации, после чего сегменты площадью менее 3 пикселей отфильтровываются, чтобы снизить влияние возможных ошибок классификации, допущенных при создании Карты растительности.
3. Оценка однородности участков GFC, в пределах каждого сегмента отфильтрованной МСО.
Определяются модальные значения GFC в пределах сегментов, причем если площадь пикселей с этими значениями составляет не менее 80% от площади сегмента, то пиксели считаются эталонными, иначе – сегмент признается неоднородным. Пиксели, признанные эталонными формируют маску потенциальных эталонов. GFC предварительно рекодируется из стандартной легенды лесистости пикселя от 0 до 100% через один процент в 4 объединенных класса: 0%, от 1 до 19%, от 20 до 39% и от 40 до 100%.
4. Формирование эталонной выборки.
Пикселям маски потенциальных эталонов присваиваются значения классов с Карты растительности.
Далее возможны три сценария использования полученной эталонной выборки:
1) Непосредственное использование для локально-адаптивной статистической классификации разносезонных композитов Landsat.
2) Извлечения спектральных сигнатур классов и классификации по ним разносезонных композитов Landsat методом максимального правдоподобия.
3) Комбинированный вариант, когда спектральные сигнатуры используются для классификации однородных областей, независимо выделенных на разносезонных композитах Landsat, таким образом, формируя эталонную выборку для локально-адаптивной статистической классификации.
На основании сравнения и оценки точности результатов различных вариантов классификации, можно сделать выводы относительно возможностей использования Карты растительности, полученной по данным Terra-MODIS, для автоматического формирования эталонной выборки при тематической обработке данных Landsat.
В качестве тестового региона для реализации и анализа данной методики была использована территория Иркутской области. Подробные результаты будут представлены в докладе.