Метод классификации состояния хвойной растительности на основе генерации индексных изображений для данных мультиспектральных камер

В рамках выполнения работ по верификации данных многоуровневой спектрометрической съемки в процессе оперативного управления космическими экспериментами «Ураган» и «Сценарий» были проведены полетные измерения с использованием мультиспектральной камеры Parrot Sequoia. В состав устройства входят следующие сенсоры: камера RGB с разрешением 16 Мп (выходные данные – фотография подстилающей поверхности в видимом диапазоне спектра); четыре синхронизированных зональных камеры с разрешением 1.2 Мп (центральные длины волн – 550 нм, 660 нм, 745 нм, 790 нм). Камера располагалась на авиационной платформе, высота полета варьировалась от 40 до 600 м.
Целью анализа данных мультиспектральной камеры было определение областей с ослабленной хвойной растительностью. В данной работе производилось деление хвойной растительности на три класса: здоровая, находящаяся в стрессовом состоянии и усохшая [1]. Класс усохшей растительности легко отделяется многими методами классификации, поэтому основная сложность состоит в выделении находящейся в стрессовом состоянии хвойной растительности.
Для анализа на основе данных каналов камеры был построен ряд индексных изображений для различных вегетационных индексов (MCARI2, TVI, MTVI, MTVI2, RGI, GNDVI2, DI1, NDVI, PSSRa, PSSRb). Эти индексы, согласно различным литературным источникам, позволяют детектировать стрессовые состояния растительности. Кроме того, в работе использовались те индексы, в расчете которых присутствуют только длины волн, лежащие в полосах пропускания каналов мультиспектральной камеры.
Каждое индексное изображение было построено в виде цветовой карты с возможностью изменения диапазона значений индексов для определения границ на цветовой карте. Диапазоны значений индексов были выбраны таким образом, чтобы на цветовых картах визуально максимально дифференцировались объекты с различными свойствами. Для задачи определения состояний хвои наилучшим образом себя показал индекс MTVI (Modified Triangular Vegetation Index) [2]. Важно отметить, что для решения других задач классификации (например, отделение растительности, построение масок природных объектов и т.п.) может быть использовано индексное изображение, построенное на основе другого индекса.
При анализе, исходя из количества детерминированных классов, было принято решение об уменьшении цветовой палитры индексного изображения до количества цветов, равного количеству классов. Для этого диапазон значений индекса MTVI разбивался на интервалы таким образом, чтобы различные классы наилучшим образом отделялись один от другого. В результате удалось получить классифицированное изображение, на котором выделялись классы подлеска, здоровых и усохших хвойных насаждений, лиственных растений, а также легко идентифицировались хвойные насаждения, являющиеся ослабленными (вследствие ослабленности такие деревья на изображении представляли собой смесь пикселей, классифицирующихся как здоровые хвои, усохшие растения и подлесок с примерно равным процентным вкладом каждой из составляющих).
Для построения итогового изображения классификации с выделенным классом усыхающей хвои к базовому индексному изображению был применен алгоритм преобразования на основе «плавающего окна». Для модификации классифицированного индексного изображения был выбран размер окна 7х7 пикселей с шагом смещения 3 пикселя. В результате уже на второй итерации преобразования на изображении выделяются однородные области классов, что свидетельствует об успешной работе алгоритма. Стоит отметить, что размер окна и шага смещения непосредственно зависит от высоты, с которой производится съемка.
Оценка точности разработанного алгоритма классификации производилась на небольшом ряде изображений, вследствие чего не имеет статистически подтвержденной значимости. Тем не менее, результаты классификации подтверждаются наземными исследованиями состояния хвои. Алгоритм также применялся к данным спутниковой съемки (Sentinel-2, БКА). Основным направлением дальнейшего развития данной работы видится универсализация алгоритма для всех типов мультиспектральных данных, а также статистический анализ результатов классификации.