Спосіб створення тематичної карти сільськогосподарських культур з космічних знімків

1. Спосіб створення тематичної карти сільськогосподарських культур з космічних знімків, який характеризується тим, що включає попередню обробку знімків, а саме: геометричну і радіометричну корекції, поліпшувальні перетворення зображень, після яких одержують поліпшене зображення з однаковими просторовими характеристиками і виконують їх наступну тематичну обробку з використанням щонайменше двох з наступних алгори 3 54989 4 поліпшене зображення з однаковими просторовина станція Національного університету біоресурсів ми характеристиками і виконують їх наступну теі природокористування України (НУБіП України) та матичну обробку з використанням, щонайменше Маньківська державна сортовипробувальна стандвох з наступних алгоритмів керованої класифікація (Черкаська обл.). Виконували попередню цифції: за мінімальною спектральною відстанню, за рову обробку космічних знімків, під час якої провомаксимальною правдоподібністю, за методом лідили геометричну і радіометричну корекції знімків, нійних дискримінант (метод Фішера), за методом радіометричні поліпшувальні перетворення зонайближчого сусіда, визначають оптимальний пебражень, синтез кольорової композиції в Erdas ріод знімань, комбінують знімки для аналізу вірогіImagine V.9.3. Після попередньої цифрової обробдності розпізнання культур і створюють тематичну ки космічних знімків одержували зображення з карту ідентифікованих сільськогосподарських куоднаковими просторовими характеристиками. Тельтур. матична обробка передбачала класифікацію косОсобливістю пропонованого способу є і те, що мічних знімків в Idrisi Andes. Процес класифікації для створення тематичної карти сільськогосподарполягає в розподілі всіх пікселів зображення на ських культур використовують мультиспектральні класи відповідно до значень спектральної яскракосмічні знімки або поєднання різночасових знімвості кожного із них в одному або декількох діапаків. зонах спектра. Піксель, піксел (англ. pixel - скороВикористані у пропонованому способі алгоричення від pix element, у деяких джерелах picture тми керованої класифікації є добре відомими, наcell - елемент зображень) - найменший логічний приклад, алгоритм керованої класифікації за мініелемент двовимірного цифрового зображення у мальною спектральною відстанню докладно растровій графіці чи комірка растру. Піксель являє описаний у [Лурье И.К., Косиков А.Г. Теория и собою неподільний об'єкт прямокутної, зазвичай практика цифровой обработки изображений квадратної, чи круглої форми, який має певний /Дистанционное зондирование и географические колір. Растрове комп'ютерне зображення складаинформационные системы. Под ред. A.M. Берлянється з пікселів, розташованих по рядкам і по стота. - М.: Научный мир, 2003. - 168 с], за максимавпчиках. льною правдоподібністю описаний у [Лурье И. К., Процес класифікації найчастіше ґрунтується Косиков А.Г. Теория и практика цифровой обрабона статистичному аналізі різних характеристик тки изображений /Дистанционное зондирование и зображення: просторових, спектральних або часогеографические информационные системы. Под вих. До найпростіших просторових характеристик ред. A.M. Берлянта. - М.: Научный мир, 2003. відносяться: текстура, контекст, форма, структурні 168с], за методом лінійних дискримінант (метод співвідношення. У дослідженнях сільськогоспоФішера) та методом найближчого сусіда описані у дарських культур часові характеристики відіграють [J. Ronald Eastman, IDRISI Andes Guide to GIS and надзвичайно важливу роль, оскільки вони пов'язаImage Processing, Manual Version 15.00, 1987-2006. ні зі зміною фітометричних показників рослинності Clark Labs, Clark University,-328p.], комплексний в процесі настання відповідних фаз росту і розвитаналіз результатів яких являється основою для ку. Прийнято вважати, що основну інформацію про створення тематичних карт сільськогосподарських природу об'єктів на земній поверхні містять їхні культур з космічних знімків. спектральні характеристики. У більшості відомих Пропонований спосіб забезпечує створення алгоритмів класифікації використовуються спекттематичної карти сільськогосподарських культур з ральні образи (сигнатури) типів покриттів [Kokhan мультиспектральних космічних знімків або окремо S. Application of multi-spectral remotely sensed вибраних спектральних каналів. imagery in agriculture/ ISPRS technical commission Поєднання різночасових знімків направлене VII. Thematic processing, modeling and analysis of на підвищення яскравості та контрастності досліremotely sensed data. - Vienna University of джуваних об'єктів (культур), що, у свою чергу, Technology. - 2010. - pp. 337-341]. сприяє підвищенню вірогідності розпізнанняконкСпосіб віднесення пікселів знімка до класів ретної культури. об'єктів визначає вирішальне правило класифікаСуть пропонованої корисної моделі полягає у ції, реалізацію якого забезпечує відповідний матевизначенні оптимального періоду знімань або поматичний алгоритм. Розрізняють два основні меєднання періодів для комбінації різночасових знімтодологічні підходи до проведення даної ків з метою одержання максимально високої віропроцедури: класифікацію з навчанням і автоматигідності ідентифікації певної культури. чну класифікацію. Використано класифікацію з На представленому графічному матеріалі понавчанням, завдання якої полягає у виявленні на казані тематичні карти сільськогосподарських кузображенні об'єктів уже відомих типів. На першому льтур території Маньківської сортовипробувальної кроці процедури було інтерактивно вибрано на станції (Черкаська область), які створені на основі зображенні еталонні полігони, які є характерними мультиспектральних космічних знімків з супутника представниками класів виділених об'єктів, і предIRS -1D, виконаних протягом весняно-літнього ставляли собою культури у межах певного поля. періоду 2008 року. Методи керованої класифікації враховують Приклад. Використовували космічні знімки, апріорну інформацію: щодо типів об'єктів та імовіодержані із супутника IRS-1D (сенсор LISS 3) у рності їх представлення даними знімка; щодо ета2008 р. у червоному та інфрачервоному спектралонних значень спектральних характеристик об'єкльних діапазонах з просторовим розрізненням 23 тів (еталонних значеннях їх спектрального образу), м. Територія проведення досліджень - навчальновід якості яких залежить точність класифікації. дослідне господарство (НДГ) Агрономічна дослід 5 54989 6 Еталонні полігони - це набори пікселів, які У наведених прикладах проведена класифікапредставляє собою образ об'єкту, що розпізнаєтьція з використанням даних за одне знімання та з ся або потенційний клас, і сприяють його ідентифіурахуванням різночасових знімків за динамічними кації. ознаками об'єктів. Ідентифікація еталонів здійснювалась на осОскільки за період між зніманнями дослідної нові істинних даних, одержаних в результаті території відбулись значні зміни в стані сільськогопольових експедицій. З метою підвищення якості сподарських культур і, відповідно, з їхніми спектеталонних полігонів польові дослідження проворальними характеристиками, результати класифідились синхронно з космічними зніманнями. В оскації характеризувались високою вірогідністю. нові кожного еталонного полігону покладена просОцінка вірогідності класифікації - заключний торова структура - поле. етап класифікації, який незалежно від використаКласифікація космічних знімків проводилась ного метода визначає можливість застосування її окремо для кожної з трьох дат знімань - друга порезультатів. Одержані в результаті класифікації ловина травня, середина червня, перша декада тематичні растри порівнювались з еталоном, липня, та на основі використання різночасових створеним на основі наземних даних. Розроблена знімків при поєднання знімань за два періоди і за матриця помилок класифікації та використано котри періоди. ефіцієнт Каппа для оцінки вірогідності класифікації З відомих алгоритмів класифікації космічних та врахування поправки на випадковість: знімків обрано найбільш поширені і ефективні у N x kk xk x k використанні: класифікатори за мінімальною відсk k , k (1) танню та з урахуванням нормалізованої спектраN2 xk x k льної відстані, метод максимальної правдоподібk ності, метод лінійних дискримінант (метод де xkk - діагональні елементи матриці помиФішера), метод К-найближчого сусіда. лок; x k - сумарна кількість пікселів по рядку; x k Класифікація за методом мінімальної спектральної відстані полягає у визначені відстані між век- сумарна кількість пікселів по стовпчику; N - загатором значень яскравості пікселя і вектором серельна кількість пікселів у матриці; n - кількість кладніх значень кожного еталона (вибірки). Відстань сів. Вважають, що якість класифікації задовільна, може бути розрахована двома способами: як евкякщо к > 0.75 [Аэрокосмические методы географилідова та нормалізована. За використання нормаческих исследований /Ю.Ф. Книжников, В.И. Кравлізованої відстані обчислюється стандартне відхицова, О.В. Тутубалина. - М.: Издательский центр лення значень відбиття навколо середнього, «Академия», 2004. - 336с]. створюючи контури стандартних відхилень. НеКомбінований аналіз одержаних значень коекласифікованих пікселів за використання пропонофіцієнта Каппа, який виконують для окремої кульваного способу не залишалося. У випадку, коли тури і кожного класифікатора, дозволяє підвищити область значень яскравості класу витягнута у провірогідність класифікації, що дає змогу визначити сторі спектральних ознак, частина пікселів, що оптимальні терміни космічного знімання та оптипотрапляє до неї, ближча за спектральною яскрамальне поєднання різночасових знімків для підвістю до середніх значень інших класів. Тому давищення вірогідності ідентифікації культур. ний класифікатор може давати помилкові резульОптимальними термінами для одержання костати. мічних знімків для ідентифікації культур з вірогідніКласифікація за методом максимальної подібстю K 0,70: пшениця озима - вихід в трубку - поності передбачає нормальний розподіл значень чаток фази колосіння; ячмінь ярий - при яскравості у межах кожного класу у всіх спектракомбінуванні зйомок у фази кущення і виходу в льних діапазонах і використовує коваріації між трубку або знімання в період наливу і дозрівання значеннями спектральної яскравості. зерна; горох - середина 2-го - початок 3-го періоду В основі методу лежить статистичний підхід до органогенезу; цукрові буряки - при поєднанні трьох розв'язання завдання й припущення, що поява на знімань за період інтенсивного росту листя і корезнімку об'єкта, який відноситься до i-го класу, є неплоду; соняшник - при поєднанні 2-х знімань у випадковістю i. період від початку утворення кошика до кінця цвіДаний метод є широко використовуваним за тіння. умов, коли значення яскравості різних класів блиТаким чином, створені пропонованим спосозькі, еталонні полігони обирають дуже ретельно, бом тематичні карти на основі космічних знімків, контролюючи розподіл значень яскравості у межах дозволяють визначити оптимальні терміни зйомок класів з використанням гістограм. для кожної культури, забезпечити високу вірогідКласифікатор за методом Фішера використоність ідентифікації основних сільськогосподарсьвує аналіз лінійних дискримінант для створення ких культур, надати достатньо точну, різнобічну та набору лінійних функцій, що виражає ступінь підтоб'єктивну інформацію щодо поточного стану сільримки для кожного класу об'єктів. Зазвичай реськогосподарських культур, за рахунок створення зультати за використання даного класифікатора умов для зменшення невизначеності класифікації подібні до тих, що одержані за методом максимазображень. льної подібності. Класифікатор К - найближчий Джерела інформації: сусід використовує пікселі з набору еталонів у яко1. Аэрокосмические методы географических сті найближчих сусідів для визначення класу пікисследований /Ю.Ф. Книжников, В.И. Кравцова, селів або ступеня належності до класу. 7 54989 8 О.В. Тутубалина. - М.: Издательский центр «Акаинформационные системы. Под ред. A.M. Берляндемия», 2004. - 336с. та. - М.: Научный мир, 2003. - 168 с. 2. Бабич С.М. Методичні аспекти аналітичного 4. Kokhan S. Application of multi-spectral опрацювання інформації при аерокосмічному моremotely sensed imagery in agriculture/ ISPRS ніторингу посівів /Системні дослідження та модеtechnical commission VII. Thematic processing, лювання в землеробстві. - К.: Нива. - 1998. - с. modeling and analysis of remotely sensed data. 300-313. Vienna University of Technology. - 2010. - pp. 3373. Лурье И.К., Косиков А.Г. Теория и практика 341. цифровой обработки изображений 5. J. Ronald Eastman, IDRISI Andes Guide to /Дистанционное зондирование и географические GIS and Image Processing, Manual Version 15.00, 1987 - 2006. Clark Labs, Clark University, - 328p. Комп’ютерна верстка В. Мацело Підписне Тираж 26 прим. Міністерство освіти і науки України Державний департамент інтелектуальної власності, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601