ПРИМЕНЕНИЕ АЛГОРИТМОВ АВТОМАТИЗИРОВАННОЙ КЛАСТЕРИЗАЦИИ ДЛЯ АНАЛИЗА ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ УРБАНИЗИРОВАННЫХ ЛАНДШАФТОВ СТЕПНОЙ ЗОНЫ РОССИИ
APPLICATION OF AUTOMATED CLUSTERIZATION METHODS FOR REMOTE SENSING DATA ANALYSIS OF THE URBANIZED LANDSCAPES
С.А. Дубровская
S.A. Dubrovskaya
Федеральное государственное бюджетное учреждение науки
Институт степи Уральского отделения Российской академии наук (ИС УрО РАН)
(Россия, 460000, г. Оренбург, ул. Пионерская, 11)
Institute of Steppe of the Ural Branch of the Russian Academy of Sciences (IS UB RAS)
(Russia, 460000, Orenburg, Pionerskaya Str., 11)
e-mail: skaverina@bk.ru
Проведен анализ автоматизированных неконтролируемых классификаций (без использования учителя). Выделены особенности каждой кластеризации, отмечены особенности алгоритмов разных программных продуктов, используемые для дешифрирования мультиспектральных изображений урбанизированных ландшафтов.
The ecological zoning of the cities of Orenburg – Orenburg, Orsk, Novotroitsk on the coefficient of environmental stress situations on the basis of the calculation of quantitative indicators. A separate sitting area are relatively favorable and stay not comfortable conditions for people.
В настоящее время доступными источниками информации для создания карт географического и тематического назначения является аэрокосмическое зондирование. Для каждого вида картографического материала существуют критерии подбора мультиспектральных изображений (вид оптико-электронного оборудования спутника, спектральные характеристики, пространственное разрешение, пространственно-временные данные и др.), так и методов дешифрирования. Мультиспектральное изображение с точки зрения математических данных представляет собой одну или несколько двухмерных матриц, элементами которых являются числовые значения яркости. Существует несколько уровней обработки космических снимков. Нас интересует обработка предусматривающая извлечение специальной информации – расчет статистических свойств элементов изображений для распознания объектов (классификации). Для этих целей используют данные с неискаженными спектральными характеристиками. Автоматизированная классификация требует правильного подбора спектральных каналов. Это зависит от характера объектов, в данном случае, городского пространства, которые должны быть выделены. К оптимальным космическим снимкам, выделяющие природные и искусственные элементы ландшафта, относятся инфракрасные каналы изображениями.
Применение космических снимков в муниципальном управлении урбанизированных территорий занимают важный пласт для решения задач территориального планирования. «Ахиллесовой пятой» архитектурно-строительных проектов городских и сельских поселений, особенно схемах территориального планирования, зонирования территории и проектов планировки, является отсутствие качественных исходных данных [1]. Рассматривая возможности создания справочного материала для оценки состояния урболандшафтов и заложенных в основу схем современного использования территорий в проектах генеральных планов, правилах землепользования и планировки городского пространства.
Процесс дешифрирования основан на итеративном применении автоматизированных процессов кластеризации изображений и экспертной оценки, которая определяется специалистом в предметной области. Рассмотрим попиксельную классификацию (пиксель-класс, независящий от его окружения) – неконтролируемая классификация Iterative Self-Organizing Data Analysis (ISODATA), нейронная сеть (Neural Network) и самоорганизующиеся нейронные сети (SOM).
Среди алгоритмов без обучения по спектральным признакам наиболее часто используется самоорганизующийся способ кластеризации ISODAТA программного продукта ENVI 5.0 основанный на распределении пикселов на заданное число кластеров. Использование данного типа автоматизированной неконтролируемой классификации возможно для простейших предварительных оценок и анализа объектов с последующим привлечением эксперта (гибридная контролируемая или неконтролируемая классификации) для получения нужного количества классов, если их количество превышает тематическое разделение. Базируется на кластеризации, основанной на разнице между средними значениями – минимальным спектральным расстоянии между центрами классов. Результатом обработки является растровый слой, содержащий полученные кластеры, объединенные по принадлежности к спектральным классам, и проводится их интерпретация. Для реализации этого алгоритма необходимо четко установить ограничивающие параметры: минимальное количество пикселей в классе, число итераций, порог сходимости классов, максимальное стандартное отклонение от среднего, максимальное расстояние ошибки. Итерации повторяются, пока границы кластеров не стабилизируются (порог сходимости – 95-97% всех пикселей).
Алгоритм классификации Neural Network в ENVI использует стандартный алгоритм обратного распределения. Посредством деления на группы нейроны с общим входным сигналом, далее нейроны выполняют взвешенное суммирование элементов входных сигналов, над этим результатом выполняется нелинейное преобразование – функция активации (выходной слой нейрона). Данный алгоритм нуждается в обучении для выделения интересующих объектов, требуют 100-10000 итераций для полной стабилизации связей нейронной сети. В результате применения алгоритма Neural Network выделены следующие классы: лес (пойма), дороги (асфальтированные, любые площадки покрытые асфальтом), водные поверхности, травянистая растительность, открытая почва, зоны застроенных территорий – здания и сооружения, зеленые парковые зоны. земли специального назначения (свалки ТБО, кладбища), сельскохозяйственные (садово-дачные, угодья), эрозионная сеть.
В программном продукте ScanEx Image Processor v.5.0 при помощи встроенного модуля TematicPro, предназначенный для тематической интерпритации пространственных данных, используются непараметрические методы классификации, основанные на самоорганизующихся нейронных сетях Кохонена (SOM - Self-Organizing Maps). Это классификация без учителя, использующая топографическое отображение совмещающее классификацию данных и ординацию (топологические, метрические свойства данных по сходству). Особенностью данного типа кластеризации является вариационность настроек алгоритма для выделения переходных классов объектов. Нейронные сети Кохонена позволяют получить ординацию и выявить структуру объектов с учетом всей совокупности данных и получения на основе морфометрических характеристик рельефа для создания пространственно-временной модели районирования урболандшафта. Существует еще один метод построения топографических изображений (развитие метода нечетких С-средних). Этот способ имеет понятную вероятную интерпретацию [2]
При помощи автоматизированных алгоритмов кластеризации SOM пространственной информации создана геоинформационная база морфометрических данных рельефа г. Оренбург, включающая картосхемы уклонов, экспозиции склонов, цифровую модель рельефа, построенная по регулярной сетке высот (рис., табл.). В пределах урботехногеосистемы, выделено 15 геоморфологических районов, отражающих особенности геоморфологического строения города.
Рисунок. Карта ландшафтного районирования г. Оренбург с использованием методов SOM (условные обозначения см. в табл.)
Таблица Тематическая классификация рельефа по абсолютной высоте, по уклонам, экспозиции урботехногеосистемы (условные обозначения к рис.)
Возвышенные участки водораздела и низкая пойма (слияние рек Урала и Сакмары) выделяются как крупные полигоны, исключением являются приподнятые аккумулятивные территории. Высокая пойма – неоднородна и фрагментационна, представлена по результатам кластеризации сложными площадными областями, в зависимости от геоморфометрических параметров. Классы, относящиеся по топологии к склоновым частям водораздельных пространств (табл.) отличаются ступенчатостью полилиний по вектору изменения высот, ширина которых обратно-пропорциональна уклону поверхности. Склоны 1.2 и 1.4 (табл.) классифицируются неразрывно и требуют дополнительного вычленения по картосхеме экспозиций. Террасы – линейно вытянутые вдоль поймы полигональные объекты и разделяются аккумуляционно-денудационным рельефом (г. Маяк, рис., табл.), который представлен в виде деформированных фасет - внутренних областей ограниченных несколькими дугами.
Представленные специализированные программные продукты, дают возможность использовать автоматизированные методы классификации для решения определенных специфических задач городских территорий, которые обладают ландшафтными особенностями по физико-географическим характеристикам, способные выполнять значение пространственного базиса деятельности человека (социально-экономическая инфраструктура). В результате такого воздействия на природную компоненту создаются новые типы ландшафта – природно-архитектурные и техногенные, требующие специального тематического дешифрирования. Современные геоинформационные технологии позволяют оперативно и качественно провести экологические исследования для принятий эффективных управленческих решений в городе. ГИС может использоваться для научно-обоснованных рекомендаций по экологически ориентированному природопользованию; для определения природоохранных мер, включая ограничение и прекращение тех или иных воздействия на городскую среду и население; для экологической экспертизы проектов строительства различных объектов и территориального развития города; для принятия решений в управленческой деятельности городских и районных природоохранных структур; при планировании и реализации различных хозяйственных, медицинских, санитарно-технических, природоохранных мероприятий, а также для решения научных и учебно-воспитательных задач.
СПИСОК ЛИТЕРАТУРЫ: