авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

Pages:     | 1 | 2 || 4 |

Методы анализа данных аэрофотосъёмки земель сельскохозяйственного назначения

-- [ Страница 3 ] --

Обзор технических характеристик летательных аппаратов и последующий критериальный качественный анализ позволяет сделать вывод о том, что наиболее целесообразно для целей сельского хозяйства применять летательный аппарат из класса сверхлёгких, такой как дельтаплан или мотодельтаплан, по следующим причинам:

    1. отсутствие законодательного барьера при проведении аэрофотосъёмки при помощи СЛА;
    2. высокая экономическая эффективность по сравнению с реактивными самолётами ввиду низкого расхода топлива;
    3. высокая мобильность и возможность подготовки к полёту в максимально короткий срок;
    4. скоростные и высотные характеристики СЛА позволяют использовать не только специализированные АФА, но и обычные цифровые фотокамеры с высоким разрешением.

Сделанный вывод подтверждается практикой применения сверхлегкой авиации для соответствующих целей за рубежом.

Во втором разделе диссертационной работы рассмотрены особенности получаемых при аэрофотосъемке данных и методы их анализа. Значительное внимание уделено выбору адекватного потребностям сельских хозяйств методу дешифрации и разработке схемы его реализации. Особый акцент сделан на преимущества цифровой классификации как основы современных программных средств обработки изображений.

Для целей исследования автором было сформулировано определение аэрофотоснимка ЗСН:

Аэрофотоснимок ЗСН – двухмерное фотографическое цифровое изображение земной поверхности, полученное со сверхлегких или беспилотных летательных аппаратов и предназначенное для исследования состояния культурной растительности посредством дешифрации и измерений.

Для анализа данных аэрофотосъемки автором была собрана библиотека фотографических снимков с дельтаплана и беспилотного летательного аппарата разной высоты – от 500 до 3000 м., сделанных при помощи неметрической камеры Nikon D2X. Изучение практического и теоретического материала в области анализа данных аэрофотосъемки позволило сделать ряд выводов.

Снимки, полученные в результате аэрофотосъёмки сельскохозяйственных угодий, содержат весьма специфическую информацию, которая обуславливает особенности дальнейшей работы с ней.

Типичные сельскохозяйственные культуры отличаются сильным поглоще­нием в видимой части спектра (от 0,4 до 0,7 мкм), высокой отражательной способностью в ближнем инфракрасном диапазоне и характерными окна­ми поглощения на длинах волн 1,45, 1,95 и 2,6 мкм. Спектральные харак­теристики листового полога зависят от его структуры и других факторов — например, от листовой поверхности, плотности посевов, стадии роста, климатических условий и т.п.

Полученная в результате аэрофотосъёмки первичная информация требует даль­нейшей обработки – дешифрации. В зависимости от качества полученных снимков, задач, стоящих перед исследователем, наличия специального программного обеспечения для анализа данных аэрофотосъёмки могут быть выбраны различные методы. Автором были выделены две группы методов дешифрации: визуальные (ручные) и численные, частично или полностью реализованные в специальном программном обеспечении.



Следует отметить, что в литературе при рассмотрении численных методов дешифрации отмечается некоторая несистематизированность изложения материала по анализируемому вопросу. Это связано с тем, что в группе числовых методов следует выделять две подгруппы:

  • методы, улучшающих преобразований (они направлены на облегчения визуальной дешифрации, повышения его объективности и достоверности, а также подготовку снимков к последующей автоматизированной дешифрации);
  • методы автоматизированной дешифрации (классификация объектов по снимкам с использованием априорной информации о выделяемых признаках или без неё).

Первая группа методов фактически является промежуточной между визуальной и автоматизированной дешифрацией, поскольку после их использования конечного результата не достигается. Задача методов первой группы улучшить снимок, подготовив его либо для визуального, либо для автоматической дешифрации. Указанная связь наглядно отражена на рисунке 1.

  Взаимосвязь методов-2

Рисунок 1 – Взаимосвязь методов дешифрации снимков

В работе проведена оценка возможности применения каждой группы методов, что позволило сделать следующие выводы:

1. При дешифрации снимков земель сельскохозяйственного назначения сегодня в основном используют визуальные методы, поскольку большинство сельских хозяйств не располагают достаточными средствами и квалификацией работников для автоматизации этого процесса. Качество дешифрации при этом значительно снижается, как и временные затраты на проведение исследований, не говоря уже о субъективизме получаемых результатов.

2. Как показывает опыт зарубежных стран, автоматическая дешифрация с применением преобразований снимков позволяет существенно повысить качество и скорость обработки аэрофотографий, что сказывается и на дальнейшем процессе анализа состояния культурной растительности и разработке мер по повышению урожайности.

3. Автоматизированные методы дешифрации представляют собой комплексные программы, которые позволяют получить по результатам анализа не улучшенный, а новый снимок, который пригоден для решения поставленной задачи.

4. Базой большинства автоматизированных программ обработки изображений является преобразование фотографии посредством применения цифровой классификации, ввиду того, что снимки сельскохозяйственных культур отличаются однородностью анализируемых объектов. Кроме того, множество оттенков зеленого зачастую трудно различимы для человеческого глаза и порой визуально неотличимы. В этом случае метод цифровой классификации крайне удобен для дешифрации и является основным при реализации процедур распознавания аэрофотоснимков.

5. Для повышения эффективности дешифрации снимков следует использовать алгоритмы классифи­кации на основе дискриминантной функции, которая определяет, как пиксель будет попадать в данный класс.

Подобный алгоритм лежит в основе большинства современных программ, предназначенных для автоматизированной обработки изображений. В диссертации проанализированы такие программные продукты как Idrisi, MultySpec, полнофункциональные ГИС-пакеты ERDAS IMAGINE, TNTmips, ER Mapper, ILWIS, GRASS, PHOTOMOD, специальные программы Панорама-Агро и AgroWatch. Все они имеют широкий спектр функций и предназначены для решения широкого круга задач. В связи с этим стоимость подобных программ находится на высоком уровне, который зачастую недоступен сельскохозяйственному сектору, испытывающему постоянный финансовый голод. Даже созданный специально для целей сельского хозяйства программный пакет (например, Панорама-Арго) будет стоить не менее 130 тыс. руб. на один компьютер. При этом основная цель подобного ПО сводится к возможности обеспечения фито-санитарного контроля культурной растительности.

Реализация этой задачи может быть осуществлена посредством разработки собственного ПО для указанной цели, попытка создания которого была предпринята автором в третьем разделе работы. В качестве среды программирования был выбран язык высокого уровня Си, основным преимуществом которого является быстрота реализации поставленных задач.

В третьем разделе предложен автоматизированный метод, математический аппарат обработки аэрофотоснимков ЗСН и классификатор; также предложена методика и принципы разработки программного обеспечения. Особое внимание уделено разработке базы данных обучающих выборок, графическому интерфейсу, математическому алгоритму классификации, применяемому в программе, разработке подходов к повышению качества классификации и оценке точности дешифрации.

В диссертации обосновано и подтверждено, что алгоритм расчета расстояния между объектами является ключевым моментом задачи классификации, так как от него зависит, к какому классу будет отнесена исследуемая точка аэрофотоснимка. При принятии решения о том, к какому классу принадлежит точка исходного изображения, алгоритм оценивает несходство или расстояние между объектами.

При съемке с помощью сверхлегких летательных аппаратов, как правило, используется только три канала информации в видимом диапазоне спектра, но разрешение полученных снимков будет значительно выше, чем при съемке из космоса. Поэтому рассмотрены два алгоритма классификации аэрофотоснимков, полученных с высоты 1-3 км., имеющих три канала информации (R, G и B):

  • алгоритм расчета Эвклидова расстояния;
  • алгоритм расчета расстояния Махаланобиса.

Выбор данных алгоритмов обусловлен тем, что формула расчёта Эвклидова расстояния – одна из самых простых и широко применяемых формул для расчёта расстояния в N-мерном пространстве. А формула расчёта расстояния Махаланобиса – одна из самых сложных. Первый алгоритм требует значительно меньше вычислительных ресурсов, чем второй.

Для классификации аэрофотоснимков решено использовать метод классификации с обучением.

Классифицировать объект – значит указать номер (или наименование) класса, к которому относится данный объект. Для классификации объектов аэрофотоснимка задаются обучающие выборки, имеющие такое же количество каналов, как и исходные данные. Выборки подготавливаются в любом графическом редакторе путем задания областей на фотоснимках, для которых известен класс. Заданные классы сохраняются в файлах формата bmp или jpeg и могут быть загружены в программу для сохранения в базе данных классов.

Для загрузки образцов обучающих выборок в программу оператор должен определить коллекцию и классы в составе этой коллекции. После этого для каждого заданного класса можно загрузить нужное количество образцов обучающих выборок. Оператор после загрузки в программу аэрофотоснимка выбирает нужную коллекцию классов и запускает процесс классификации снимка. Схематично разработанный классификатор представлен в таблице 5.

Количество классов зависит от того, сколько областей необходимо получить на результирующем снимке. Такой подход позволяет не учитывать при сравнении алгоритмов расчета режимы съемки. Для каждой обучающей выборки предварительно рассчитывается центр тяжести по следующей формуле:

(1)

где m – количество точек в обучающей выборке; i - канал аэрофотоснимка.

При расчете расстояния между обучающей выборкой и исследуемой точкой аэрофотоснимка используется расстояние между центром тяжести обучающей выборки и исследуемой точкой.

Наиболее простым алгоритмом расчета расстояния между двумя точками (центр тяжести обучающей выборки и точка исходного аэрофотоснимка) является Эвклидово расстояние, которое вычисляется по формуле:

(2)

где N – размерность пространства; Xki, Xkj – значения объектов i и j в k-том измерении.

Таблица 5 – Структура классификатора (на примере коллекции «Пашня»)

виды ЗСН/ классовые признаки классы Пашня (коллекция)  
зерновые и
хлебные злаки
бобо- вые крахмало- носные сахаро- носные масли-ничные бахче-вые техни-ческие волок-нистые лекарст-венные
мелиоративные
признаки
заболоченность
подтопленность
В 1a В 1b В 1с В 1d В 1e В 1f В 1g В 1h В 1i
деградирование и
эрозия почв
В 2a В 2b В 2с В 2d В 2e В 2f В 2g В 2h В 2i
опустынивание В 3a В 3b В 3с В 3d В 3e В 3f В 3g В 3h В 3i
засорённость В 4a В 4b В 4с В 4d В 4e В 4f В 4g В 4h В 4i
фитосанитарные
признаки
качество всходов В 5a В 5b В 5с В 5d В 5e В 5f В 5g В 5h В 5i
болезни В 6a В 6b В 6с В 6d В 6e В 6f В 6g В 6h В 6i
поражение вредителями В 7a В 7b В 7с В 7d В 7e В 7f В 7g В 7h В 7i
засореность
(сорная и др.





растительность)

В 8a В 8b В 8с В 8d В 8e В 8f В 8g В 8h В 8i
оценка состояние
в период роста
В 9a В 9b В 9с В 9d В 9e В 9f В 9g В 9h В 9i
зрелость
готовность к сбору
В 10a В 10b В 10с В 10d В 10e В 10f В 10g В 10h В 10i
Условные обозначения: В-выборка


Pages:     | 1 | 2 || 4 |
 

Похожие работы:







 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.