Применение спутниковых снимков для картографирования земель

Содержание

1. 1. Спутниковое зондирование: роль в картографии3
2. 2. Технологии обработки и предварительная подготовка снимков5
3. 3. Методы классификации земного покрова7
4. 4. Оценка точности и перспективы применения10
5. Список литературы13

1. Спутниковое зондирование: роль в картографии

Спутниковое зондирование, это способ получения данных о земной поверхности без непосредственного контакта с ней. Метод основан на регистрации электромагнитного излучения, которое отражается или испускается объектами. Сенсоры на орбитальных платформах фиксируют интенсивность этого излучения в разных диапазонах спектра и преобразуют её в цифровой сигнал. Дальнейшая обработка позволяет восстановить пространственную картину местности, её спектральные характеристики и динамику изменений.

История спутникового картографирования началась в 1960-х годах, когда стартовали первые систематические наблюдения Земли из космоса. Метеорологические спутники серии TIROS (запуски NASA в 1960-1965 годах) передавали изображения облачного покрова, но их разрешение было слишком низким, чтобы детально картографировать сушу. Перелом произошёл в 1972 году, когда на орбиту вышел Landsat-1 (тогда он назывался ERTS-1). Это был первый ресурсный спутник, предназначенный для изучения природных ресурсов. Он нёс мультиспектральный сканер MSS с пространственным разрешением около 80 метров и четырьмя спектральными каналами. Именно данные Landsat легли в основу первых глобальных карт земного покрова, составленных в 1980-х годах под эгидой Геологической службы США. В СССР в это время развивалась программа «Метеор-Природа» (запущена в 1974 году), которая также обеспечивала съёмку в нескольких спектральных диапазонах.

Современные спутниковые снимки принято классифицировать по двум параметрам: пространственному разрешению и спектральным каналам. Пространственное разрешение определяет размер минимального объекта, различимого на изображении. Низкое разрешение (свыше 250 метров на пиксель) характерно для метеорологических спутников и глобальных сенсоров вроде MODIS. Среднее разрешение (10-100 метров) типично для аппаратов Landsat 8/9 и Sentinel-2, которые дают региональный обзор.

Высокое разрешение (менее 5 метров) доступно на коммерческих спутниках, например WorldView-3, который различает объекты до 0,31 метра. С такого снимка можно разглядеть отдельные строения и полевые дороги.

По спектральному составу снимки делятся на панхроматические, мультиспектральные и гиперспектральные. Панхроматическая съёмка даёт одно изображение в широком диапазоне видимого света, обычно с максимальным для данного сенсора пространственным разрешением. Мультиспектральные системы регистрируют излучение одновременно в нескольких узких диапазонах (каналах). Например, Sentinel-2 имеет 13 каналов от видимого до коротковолнового инфракрасного. Гиперспектральные сенсоры, такие как Hyperion на борту EO-1, фиксируют сотни узких спектральных полос. Это позволяет распознавать минеральный состав грунтов и видовой состав растительности, хотя требует сложной обработки.

Главное преимущество спутникового зондирования перед наземными съёмками, глобальный охват. Один виток полярно-орбитального спутника покрывает полосу шириной в сотни километров, а за несколько суток аппарат получает изображение любой точки планеты. Регулярная повторяемость съёмки (у Landsat она составляет 16 суток, у Sentinel-2, 5 суток) позволяет следить за сезонными изменениями земель. Орбитальные платформы дают возможность картографировать труднодоступные территории: высокогорья, пустыни, арктические архипелаги и районы военных конфликтов. Наземные экспедиции туда либо не попадают вовсе, либо работают с большим риском. Как отмечают специалисты Горного университета в учебном пособии по обработке космических снимков, именно сочетание обзорности, периодичности и доступности сделало спутниковые данные основным источником информации для создания и обновления карт земельного покрова на больших площадях.

2. Технологии обработки и предварительная подготовка снимков

Сырые данные, полученные с борта спутника, непригодны для картографирования. В них содержатся искажения, вызванные характеристиками сенсора, состоянием атмосферы и геометрией съемки. Предварительная обработка становится обязательным этапом, от которого напрямую зависит достоверность всех последующих измерений. Специалисты ИКИ РАН в своих методических материалах отмечают, что пренебрежение этим этапом делает количественный анализ спектральных характеристик бессмысленным.

Работа начинается с радиометрической коррекции. Её задача, привести цифровые значения пикселей к физическим величинам, например, к коэффициенту отражения. Сенсор регистрирует не чистый сигнал, а сумму, искаженную его собственной чувствительностью и шумом электроники. Со временем характеристики датчиков деградируют, поэтому требуется калибровка. Без этой процедуры сравнение снимков, полученных в разные даты или разными аппаратами, становится некорректным. Точные значения отражательной способности служат основой для вычисления вегетационных индексов и спектральных отношений.

Геометрическая коррекция решает другую задачу, связанную с пространственной привязкой изображения. Спутник движется по орбите, а его оптическая ось отклоняется от надира, из-за чего снимок получает перспективные искажения. Плюс к этому рельеф местности смещает объекты относительно их истинного положения. Для устранения этих эффектов применяют опорные точки, которые распознаются на снимке и на эталонной карте. По ним строится математическая модель трансформации изображения. В итоге каждый пиксель получает точные координаты в заданной системе (например, в UTM или в местной системе координат). Только после этого снимок можно совмещать с векторными слоями ГИС и другими данными.

Отдельно стоит вопрос об атмосферной коррекции. Аэрозоли, водяной пар и молекулярное рассеяние Рэлея поглощают и рассеивают солнечное излучение на пути к поверхности и обратно к сенсору. Особенно заметно это влияние в синем и зеленом диапазонах спектра. Если его не убрать, значения яркости будут завышены, а спектральные кривые объектов искажены. Для оценки параметров атмосферы используют либо специальные алгоритмы (MODTRAN или 6S), либо темные пиксели на снимке, чье отражение известно. В учебном пособии по обработке космических снимков Горного университета указано, что для мультиспектральных данных высокого разрешения, например Sentinel-2, пренебрежение атмосферной коррекцией приводит к ошибкам в определении типов почв до 20-30 процентов.

Завершают подготовку методы улучшения визуального качества. Паншарпенинг объединяет панхроматический снимок с высоким пространственным разрешением и мультиспектральные каналы с низким. Результат, цветное изображение с детализацией черно-белого. Алгоритмы вроде Gram-Schmidt или Brovey позволяют получить такую комбинацию без значительных цветовых искажений. Фильтрация используется для подавления шума или подчеркивания границ. Медианный фильтр убирает случайные выбросы, а высокочастотный, наоборот, выделяет линейные объекты: дороги, каналы, границы полей. Эти операции не изменяют физическую суть данных, но делают снимок более читаемым для визуального дешифрирования и последующей автоматической классификации.

3. Методы классификации земного покрова

После того как снимок приведён к единой системе координат и очищен от атмосферных помех, возникает главный вопрос: как превратить непрерывное поле спектральных яркостей в дискретные категории земного покрова? Ответ даёт классификация. Она сводит множество пикселей к нескольким содержательным классам: пашня, лес, застройка, водоём. Выбор подхода зависит от того, насколько исследователь заранее знает территорию и какие данные у него есть. Всего применяют один из трёх базовых вариантов.

Первый и наиболее распространённый путь, контролируемая классификация. Её суть в обучении алгоритма по эталонным участкам, которые аналитик задаёт вручную. Исследователь, опираясь на полевые выезды, собственный опыт или более детальные снимки, выделяет на изображении области, соответствующие известным типам покрова. Для каждого класса набирается обучающая выборка, например, по несколько десятков пикселей пашни и леса. Алгоритм, будь то метод максимального правдоподобия или более современный случайный лес, вычисляет спектральные сигнатуры этих выборок и затем относит каждый пиксель всего снимка к ближайшей сигнатуре. Качество результата напрямую зависит от того, насколько репрезентативны эталоны. Если обучающие участки подобраны неудачно, например, включают тень от облака или неоднородную почву, ошибки неизбежно распространятся на весь снимок. В учебном пособии по обработке космических снимков, выпущенном Горным университетом, отмечено, что именно эталонные участки являются слабым звеном метода: их подготовка занимает до 80% времени всего процесса классификации.

Противоположный подход, неконтролируемая классификация, или кластеризация. Здесь алгоритм сам ищет спектрально однородные группы в данных, без какой-либо априорной информации о территории. Математический аппарат, например, метод k-средних или итеративный алгоритм ISODATA, разбивает

всё множество пикселей на заданное число кластеров. Кластеры объединяют пиксели со схожим отражением в каналах. Задача исследователя наступает уже после: он должен интерпретировать получившиеся группы, сопоставить их с реальными объектами на местности и присвоить смысловые названия. Такой метод ценен на незнакомых территориях, где трудно заранее определить классы, или при работе с большими архивами, где ручная разметка непомерно дорога. Но у него есть серьёзный недостаток: алгоритм не понимает содержания объектов. Два разных типа растительности могут слиться в один кластер, а один тип, из-за разной влажности почвы, распадётся на три. Кластеризация часто применяется как первый, разведочный этап, позволяющий нащупать структуру данных перед тем, как строить более аккуратную контролируемую модель.

Третий путь, объектно-ориентированная классификация. Она принципиально отличается от двух предыдущих, которые работают на уровне отдельных пикселей. Сначала изображение сегментируется: соседние пиксели со сходными характеристиками объединяются в однородные объекты. Затем классифицируются уже не пиксели, а эти объекты, причём учитывается не только средняя яркость, но и текстура, форма, размер, взаимное расположение. Например, здание можно распознать не только по спектру крыши, но и по прямоугольной форме и наличию ровной тени рядом. Лесной массив выделяется по шероховатой текстуре и крупной площади. Этот подход, активно развивающийся с начала 2000-х годов благодаря программному обеспечению eCognition, особенно эффективен для снимков сверхвысокого разрешения, где отдельный пиксель уже не отражает суть объекта. При разрешении в 0,5 метра крона одного дерева состоит из сотен пикселей с разной освещённостью, и попиксельный анализ даёт «шумную» картину. Сегментация же сглаживает эти вариации, позволяя работать с целостными сущностями.

Какой метод выбрать? Однозначного ответа нет, и практикующие специалисты часто комбинируют подходы. Контролируемая классификация даёт наиболее точные

результаты, если территория хорошо знакома и есть возможность собрать качественные обучающие данные. Неконтролируемая незаменима для быстрого первичного анализа или для регионов, о которых нет никакой информации. Объектно-ориентированный подход становится стандартом де-факто при работе с коммерческими снимками высокого разрешения, но требует больших вычислительных мощностей и аккуратной настройки параметров сегментации. Исследования, проводимые в Институте космических исследований РАН, показывают, что для картографирования лесных территорий по данным среднего разрешения, таким как Landsat, классические пиксельные методы по-прежнему остаются конкурентоспособными. Для сельскохозяйственных угодий, где поля имеют чёткие границы и однородную структуру, чаще выигрывает объектно-ориентированный анализ. В конечном счёте, выбор упирается в три вещи: цель исследования, доступные данные и требуемую точность. Нельзя игнорировать и человеческий фактор: опыт аналитика в подборе эталонов или интерпретации кластеров зачастую решает больше, чем выбор конкретного алгоритма.

4. Оценка точности и перспективы применения

Любая карта, построенная по спутниковым данным, останется лишь гипотезой, пока её не сопоставят с реальностью. Поэтому финальный этап работы с классифицированным снимком, это строгая проверка, где на помощь приходит матрица ошибок. Она представляет собой квадратную таблицу, в которой строки соответствуют категориям, выделенным алгоритмом, а столбцы, эталонным классам, полученным по данным полевых обследований или более детальным снимкам. Диагональ этой матрицы показывает число пикселей, где классификация совпала с истиной.

На основе матрицы вычисляют три ключевых показателя. Общая точность, это простая доля правильно распознанных пикселей от их общего числа. Но гораздо информативнее точность производителя и точность пользователя. Первая показывает, какая доля реально существующих объектов класса была корректно выделена, то есть отражает пропуски. Вторая демонстрирует, насколько можно доверять каждой точке на карте: какой процент пикселей, отнесённых к классу, действительно принадлежит ему. Эти два показателя связаны обратной зависимостью: стремясь не пропустить ни одного объекта, легко добавить лишние, что снизит доверие к карте. Баланс между ними и есть искусство классификатора.

Сама по себе матрица ошибок не учитывает, что часть совпадений может быть случайной. Например, если пашня занимает 90% территории, то просто отнеся все пиксели к ней, мы получим высокую общую точность, хотя карта будет бесполезна. Для борьбы с этим эффектом используется коэффициент каппа, предложенный Дж. Коэном в 1960 году. Он измеряет согласие между картой и эталоном за вычетом доли случайных совпадений. Значения каппа выше 0,8 считаются отличными, от 0,6 до 0,8, хорошими. В практике Института космических исследований РАН именно этот коэффициент является обязательным атрибутом верификации при создании карт федерального масштаба, поскольку он

позволяет корректно сравнивать результаты разных алгоритмов между собой.

Достоверная карта, однако, не самоцель. Наибольшую ценность спутниковые данные представляют для мониторинга динамики. Регулярная съёмка, например, аппаратами серии Sentinel-2 с периодичностью в пять дней, позволяет отслеживать состояние сельскохозяйственных полей: по вегетационным индексам фиксировать всходы, определять сроки уборки и даже прогнозировать урожайность. Не менее важна фиксация изменений землепользования. Сравнивая разновременные снимки, исследователи выявляют незаконные вырубки лесов, рост городов за счёт сельхозугодий или деградацию пастбищ. В лесном хозяйстве, как показано в работах С.В. Князевой в журнале «Лесоведение», мультивременные композиты помогают отделять гари от вырубок, что критично для оценки ущерба.

Перспективы этого направления связаны не только с улучшением сенсоров, но и с методами анализа. Появление коммерческих спутников сверхвысокого разрешения, таких как WorldView-3 с метровой точностью, открыло дорогу к картографированию отдельных зданий и дорог, чего раньше было невозможно достичь с помощью открытых данных. Однако обработка терабайтов информации требует новых подходов. Здесь на сцену выходит машинное обучение. Глубокие нейронные сети, обученные на больших наборах размеченных данных, способны самостоятельно выделять сложные пространственные признаки. Так, архитектуры на основе свёрточных сетей, описанные в статье «Deep Transfer Learning of Satellite Imagery», показывают точность распознавания типов земного покрова на 10-15% выше, чем классические методы максимального правдоподобия.

Логичным шагом становится тесная интеграция спутниковых данных с геоинформационными системами (ГИС). Снимок перестаёт быть просто картинкой, он превращается в слой пространственной информации, который может накладываться на кадастровые данные, почвенные карты или гидрологическую сеть. Такое сочетание позволяет

решать комплексные задачи землеустройства: от автоматического выявления неиспользуемых участков до моделирования эрозионных процессов. Будущее картографирования земель, это не просто получение более чёткой фотографии, а создание постоянно обновляемой, самокорректирующейся модели земной поверхности, где точность оценки заложена в сам алгоритм обработки.

СПИСОК ЛИТЕРАТУРЫ

1. Развитие методов спутникового картографирования ... — http://smiswww.iki.rssi.ru/default.aspx?page=940

2. Алгоритм и программный комплекс распознавания ... — http://smiswww.iki.rssi.ru/default.aspx?page=81&publicid=886

3. Deep Transfer Learning of Satellite Imagery for Land Use and Land Cover Classification — https://ia.spcras.ru/index.php/sp/article/view/15395

4. Лесоведение, 2021, № 6, стр. 645-672 — https://sciencejournals.ru/view-article/?j=lesved&y=2021&v=0&n=6&a=LesVed2106007Knyazeva

5. Геоэкология. Инженерная геология, гидрогеология, геокриология ... — https://sciencejournals.ru/view-article/?j=geoekol&y=2023&v=0&n=3&a=GeoEkol2303002Archakov

6. ОБРАБОТКА И ИНТЕРПРЕТАЦИЯ КОСМИЧЕСКИХ СНИМКОВ — https://spmi.ru/sites/default/files/imci_images/univer/svedenia_jb_organizacii/metrek_spec/21.05.03-obrabotka-i-interpritaciya-kosmicheskikh-snimkov.pdf

7. Данные дистанционного зондирования Земли - Центр геоданных — https://geodata.hse.ru/ddzz

8. Monograph_CSFMRS_2015.pdf — https://inter.volgatech.net/centre-for-sustainable-management-and-remote-monitoring-of-forests/publication/Monograph_CSFMRS_2015.pdf