Совместное применение подходов к идентификации изменений ландшафтного покрова по данным дистанционного зондирования Земли

Идентификация изменений ландшафтного покрова по аэрокосмическим изображениям (АИ) находит применение в таких задачах как мониторинг экологической обстановки, лесопользования, сельскохозяйственных угодий, динамики урбанизации. Крайне полезной идентификация изменений может быть при мониторинге протекания чрезвычайных ситуаций, а также раннем обнаружении причин их возникновения. При этом поиск и выбор подходящих в каждом конкретной случае средств и методов идентификации изменений не является тривиальным. Эта задача осложняется широким набором потенциально доступных средств идентификации изменений, основанных на различном математическом аппарате, в условиях отсутствия общепринятых формализованных процедур такого поиска и выбора. Сегодня она решается эмпирически без значительной проработки и обоснования. Данная работа посвящена анализу распространенных методов идентификации изменений ландшафтного покрова по данным дистанционного зондирования Земли (ДЗЗ) для определения области их практической применимости, а также рассмотрению возможности их совместного применения.
Исходными данными для типовой задачи идентификации изменений являются два разновременных АИ одного и того же фрагмента ландшафта. Некоторые искажения в результатах возникают из-за влияния разности качества исходных данных и условий съемки, таких как состояние атмосферы, азимут и высота солнца над горизонтом, влажность почвы и других факторов. Частично эта проблема решается серией коррекций. В дальнейшем эта особенность, а также многоканальность АИ, при которой изменения ландшафтного покрова отражаются неодинаково на снимках в разных спектральных диапазонах, преодолевается различными методами разностного анализа. В нашем исследовании используется 8 методов разностного анализа, условно названных разность (англ. – Image Difference, ID), отношение (англ. – Image Rationing, IR), векторный анализ (англ. – Change Vector Analysis, CVA), неконтролируемая кластеризация (англ. – Unsupervised Clustering, UC), главных компонент (англ. – Principal Component Analysis, PCA), хи-квадрат (англ. – Chi-Square, CS), линейная регрессия (англ. – Linear Regression, LR), квадратичная регрессия (англ. – Square Regression, SR) ввиду отсутствия устоявшейся русскоязычной терминологии этих методов.
Для проведения экспериментов используем набор АИ с различной ландшафтно-классовой структурой и преднамеренно внесенными в каждое АИ изменениями известной степени. Применим к полученным данным рассматриваемые методы идентификации изменений и оценим их точность при помощи широко применяемого параметра AUC (англ. area under ROC curve, площадь под ROC-кривой. Для оценки ландшафтно-классовой структуры исходных АИ используем такие статистические параметры как среднее значение, стандартное отклонение, а также среднюю межканальную корреляцию.
По результатам экспериментов были сделаны предварительные выводы о возможности выбора подходящего метода идентификации изменений на основании известных свойств исходных данных. В общем случае, без возможности проведения предварительного анализа исходных данных, наиболее целесообразно применение методов разность и векторный анализ с устойчивыми и качественными результатами. Метод неконтролируемой кластеризации применим при малой степени изменений и малой дисперсии разновременных данных. Метод главных компонент отличают высокие результаты при большой дисперсии и значительной корреляции между каналами АИ. Метод отношения применим при высокой степени изменений разновременных данных, высоком математическом ожидании и не значительной дисперсии данных. Метод хи-квадрат может быть применим в случае высокой степени изменений, среднего или высокого математического ожидания и низкой дисперсии.
Предложенный подход предполагает предварительный анализ данных и применение наиболее подходящего метода разностного анализа, что открывает возможность совместного применения различных методов идентификации изменений как для массовой обработки данных ДЗЗ, так и для увеличения качества идентификации изменений. Последнее может быть осуществлено, например, с помощью каскадного анализа при котором, некоторые области изменений могут быть оправлены на повторный анализ другим, более подходящим, методом.
Работа выполнена при поддержке РФФИ(грант №11-07-00027а) и Госзадания (№8.8113.2013).