IX Международная студенческая научная конференция Студенческий научный форум - 2017

Классификация – это процесс разделения массы данных на группы по какому-то признаку. В процессе компьютерной классификации каждый пиксель снимка относится к одному из выбранных классов автоматически [1]. Например, при составлении карты лесной растительности по снимку можно разделить всю изучаемую территорию на участки: занятые лесом и не занятые и т.д.

Существует несколько программ, которые проводят классификацию объектов. Одной из таких программ является Multispec. Для проведения классификации с обучением она использует следующие алгоритмы: минимального расстояния, линейного дискриминантного анализа, максимального правдоподобия, спектрально-пространственной классификации, спектральной корреляции, «сравнения фильтра».

Проведение классификации с обучением проводится в несколько этапов:

1. Определяется набор объектов, который предполагается выделять по снимкам;

2. Непосредственное обучение, то есть задаются наборы яркостей пикселей, типичные для тех объектов, которые необходимо автоматически распознать на снимке (хвойные и лиственные насаждения, вырубки, прогалины и т.д.);

3. Собственно классификация.

Роль дешифровщика неоценима, человек обучает программу, т.е. передаёт ей свои знания для классификации. Программа автоматически измеряет значения яркости пикселей в пределах эталонных участков. Все остальные пиксели снимка сравниваются с эталонными, при этом каждый из них относится в наиболее близкий по яркости класс. В итоге получается готовая карта классификации.

Статистические результаты классификации представлены в таблице на рис.1, по данным которой делаем вывод о качестве классификации, для этого используем параметр accuracy (точность). Значение данного показателя для обучающих эталонов находится около 100%. Результаты нашей классификации являются удовлетворительными. Значит можно проводить обработку всего снимка. Если точность имеет низкое значение (меньше 50%), то для этого класса, необходимо переназначить эталонные участки.

Рисунок 1. Результатов классификации

4. Далее проводится постклассификация − обобщение результатов (генерализация) (рис.2).

В итоге получаем отфильтрованное изображение, которое можно подвергнуть автоматизированной векторизации.

На примере одного квартала провели анализ распределения площадей в пределах таксационных выделов, занятых насаждениями, и не занятых древесной растительностью. Результаты представлены в табл.

а − до генерализации	б − после генерализации

Рисунок 2. Результат постклассификации

Таблица

Сравнительная характеристика методов классификации для квартала №1

Объекты	Площади объектов после классификации, га
	программа Multispec	глазомерно-измерительная таксация
лиственные	96,6	19,2
хвойные	23,9	135,9
занятые лесом	120,5	155,1
тень, прогалина	34,0	0,0

Из таблицы видно, что в границах квартала № 1 существует большое различие в площадях, занятых лиственными и хвойными породами при сравнении автоматизированной классификации спутниковых снимков (программа Multispec) с данными глазомерно-измерительной таксации. Расхождения могут быть вызваны следующими причинами:

1) При обработке спутниковых снимков учитывался верхний ярус насаждений. Возможно, не учитывались нижние ярусы, но в нашем случае, большинство насаждений одноярусные.

2) Возможно при глазомерно-измерительной таксации было заложено не достаточное количество реласкопических площадок, что привело к неправильному определению состава насаждения выдела.

3) Деревья лиственных пород (береза) обладают более широкой кроной, по сравнению с хвойными (ель, сосна). Поэтому, на снимке, возможно, происходит перекрывание крон деревьев хвойных пород лиственными.

Автоматизированную классификацию рекомендуется применять на подготовительном этапе лесоустройства, когда определяется структура выделов внутри квартала. Она помогает рационально выделить границы выделов с применением математического алгоритма (метода максимального правдоподобия).

Использование алгоритмов классификации программы Multispec позволяет разделить большие выдела на более мелкие, что позволит улучшить работу таксатора в определении границ выделов и кварталов, а также упрощает определение состава насаждений.

Для оптимальной работы программы необходимо применять снимки высокого разрешения, так как изображение на них представлено четко, что поможет правильно сформировать план лесонасаждений.

Список использованной литературы

1. Сухих, В.Н. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве / В.Н. Сухих – Йошкар-Ола: Марийский гос. техн. ун-т, 2005. – 392 с.

Код для цитирования: Скопировать