Метод сегментации изображений с космических аппаратов Канопус-В и Ресурс-П для мониторинга и картографирования паводковой ситуации

Паводковая обстановка на реках Сибирского федерального округа является одной из острых проблем и требует постоянного контроля. Карты паводковой обстановки являются одним из главных источников информации для региональных служб МЧС при принятии решений. Основные данные для мониторинга паводковой ситуации – ежедневные оперативные наблюдения за состоянием водных объектов. Оперативное наблюдение за обширными территориями потенциальных зон затопления возможно лишь с использованием данных дистанционного зондирования Земли (ДЗЗ). Однако выделение границ и площадей подтоплений по данным ДЗЗ «ручными» (визуально-инструментальными) методами требует значительных трудозатрат.
Опыт применения известных методов выделения водных объектов [1–4] к снимкам высокого пространственного разрешения с российских спутников «Канопус-В» и «Ресурс-П» оказался неудовлетворительным: к водным объектам зачастую относились переувлажненные почвы, тени от облаков и некоторые антропогенные объекты.
В данной работе предложен двухэтапный метод автоматического выделения водных объектов и переувлажненных почв, основанный на дереве решений, использующего средние значения спектральных характеристик кластеров, полученных с помощью иерархического алгоритма кластеризации HECA [5].
В отличие от известных методов, предложенный подход позволяет выделять водные объекты на изображениях не только низкого и среднего, но и высокого (2–10 м) пространственного разрешения. Кроме того, он позволяет выделять переувлажненные почвы. При этом время обработки спутниковых изображений размером ~10^7 пикселей составляет всего несколько секунд.
Результаты сегментации служат основой для построения тематических карт паводковой обстановки, содержащих информацию о границах выхода воды на пойму и границах переувлажненных почв. Технология применяется в режиме опытной эксплуатации в СЦ ФГБУ «НИЦ «Планета» при создании карт паводковой ситуации по спутниковым данным «Канопус-В», «Ресурс-П» и «Метеор-М» для потребителей Росгидромета и региональных служб МЧС.
Работа выполнена при финансовой поддержке РФФИ (грант № 14-07-31320-мол_а).

Литература
1. Sun F., Sun W., Chen J., Gong P. Comparison and improvement of methods for identifying waterbodies in remotely sensed imagery // International Journal of Remote Sensing. 2012. Vol. 33. Is. 21. P. 6854-6875.
2. McFeeters S.K. Using the Normalized Difference Water Index (NDWI) within a geographic information system to detect swimming pools for mosquito abatement: a practical approach // Remote Sensing. 2013. Vol. 5. №. 7. P. 3544-3561.
3. Gedik E. et al. A new robust method for bridge detection from high resolution electro-optic satellite images // Proceedings of the 4th GEOBIA. May 7-9, 2012, Rio de Janeiro, Brazil. 2012. P. 298-302.
4. Sivanpillai R., Miller S.N. Improvements in mapping water bodies using ASTER data // Ecological Informatics. 2010. Vol. 5. №. 1. P. 73-78.
5. Пестунов И.А., Рылов С.А., Бериков В.Б. Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений // Автометрия. 2015. Т. 51. №. 4. С. 12-22.