О дешифрировании объектов землепользования по космическим снимкам на терри- тории Краснодарского края

Библиографическое описание статьи для цитирования:
Погорелов А. В., Липилин Д. А. О дешифрировании объектов землепользования по космическим снимкам на терри- тории Краснодарского края // Научно-методический электронный журнал «Концепт». – 2013. – Т. 3. – С. 2971–2975. – URL: http://e-koncept.ru/2013/53600.htm.
Аннотация. Представлены некоторые результаты распознавания земель разного хозяйственного назначения на территории Краснодарского края по данным спутниковых снимков Landsat 5 на основе европейской номенклатуры земель CORINE. Выполнена оценка достоверности классификации земель по спутниковым снимкам разными методами; выявлены характерные ошибки дешифрирования.
Комментарии
Нет комментариев
Оставить комментарий
Войдите или зарегистрируйтесь, чтобы комментировать.
Текст статьи
ПогореловАнатолий Валерьевичд.г.н., проф., зав.кафедрой геоинформатики, ФГБОУ ВПО «Кубанский государственный университет», г.Краснодар,sosstradanie@gmail.comЛипилин Дмитрий Александровичаспирант кафедры геоинформатикиФГБОУ ВПО «Кубанский государственный университет», г.Краснодар,Lipilin_dmitrii@mail.ru

О дешифрированииобъектов землепользования по космическим снимкам на территории Краснодарского края

Представлены некоторые результаты распознавания земель разного хозяйственного назначения на территории Краснодарского края по данным спутниковых снимков Landsat5 на основе европейской номенклатурыземель CORINE. Выполнена оценка достоверности классификации земель по спутниковым снимкам разными методами; выявлены характерные ошибки дешифрирования. Ключевые слова: Землепользование, спутниковый снимок, дешифрирование, классификация земель, Краснодарский край

Проблема сохранения земельных ресурсов, включая сельскохозяйственные угодья, тесным образом увязывается с мониторингом состояния земель и процессом землепользования. Мировой опыт показывает, что для эффективного управления земельными ресурсами, следовательно, и сохранения этих ресурсов,необходимы специальные программы по контролю использования земель. Наиболее известной из подобных программ является начатая в середине 1980х годов Европейской комиссией «программа по координации информации об окружающей среде» («programme to COoRdinate INformation on the Environment» –CORINE). В программу вошли государства члены Европейского Союза. Программа нацелена на получение согласованной информации о почвеннорастительном покрове, а также об его изменении в течение последующих десятилетий. Основной источник пространственных данных для программы CORINE–материалы дешифрирования спутниковых снимков с космических аппаратов SPOT, Landsat, MSS, NOAA. В качестве дополнительных источников данных использовались геодезические измерения, аэрофотоснимки. Собранная к началу 1990х годов информация о землях, систематизированная в соответствии с номенклатурой CORINELandCoverClassificationSystem, вошла в базу данных CLS1990. В период 20002005 гг. по инициативе EuropeanEnvironmentAgency(EEA) выполнены работы по коррекции и обновлению базы данных CLS1990, что позволило перейти к оценкам изменений природной среды. Обновленная база данных получила наименование CLS2000 [1], в ее составлении приняли участие 32 страны. Мы считаем целесообразным прибегнуть к номенклатуре землепользованияCORINEпо ряду ее свойств, прежде всего, в виду относительной простоты, универсальности, применимости к задачам ландшафтоведения и, что немаловажно, возможности распознавания тех или иных категорий земель по данным дистанционного зондирования [24]. Принятые в России кадастровые описания не совпадают с классификатором CORINEи вовсе не ориентированы на оценку текущего и динамического состояния земель. Поэтому распознавание соответствующих классов земель по материалам спутниковых съемок является самостоятельной задачей с целым рядом возможных фундаментальных и практических приложений. Программа CORINE опирается на трехуровневый классификатор категорий земель. В рамках программы в рабочем масштабе 1:100 000 составляются карты структуры земель; наиболее обобщенный первый уровень включает 5 групп земель, второй уровень –15 категорий, третий (наиболее детальный) –44 категории земель. Основные категории земель первого уровня отражают глобальную схему землепользования; второй уровень предназначен для идентификации земель в масштабах 1:1 000000 и 1:500 000; третий уровень соответствует проектам в исходном масштабе 1:100 000. В настоящей работе представлены некоторые результаты дешифрирования разных категорий земель на территории Краснодарского края по данным спутниковых снимков. Технические вопросы дешифрирования рассматриваются нами через призму организации эффективного контроля состояния и использования земель в регионе. В виду экспериментального характера дешифрирования мы ограничились первым и вторым уровнямиклассификации земель (таблица1), выбор которых связан с представительностью соответствующих типов землепользования в регионе. Детальная идентификация сельскохозяйственных земель и лесов на втором уровне требует специальных технических проработок и мультиспектральных снимков высокого разрешения.

Таблица 1Классификация земель по номенклатуре программы CORINE[5]№1 уровень№2 уровень1Антропогенные(искусственные) поверхности1.1Земли под жилой застройкой1.2Земли промышленных, коммерческих и транспортных объектов2Сельскохозяйственные земли2.1Пахотные земли2.2Земли под многолетними культурами2.3Пастбища2.4Неоднородные сельскохозяйственные земли3Леса3.1Леса3.2Кустарники и/или травянистая растительность3.3Земли с редкой растительностью или без растительного покрова4Водноболотные угодья4.1Внутренние заболоченные территории4.2Прибрежные болота5Водные объекты5.1Воды суши5.2Моря*Жирным шрифтом отмечены категории земель, дешифрируемые в настоящей работе.

Исходными данными выступили: 1) мультиспектральные снимки спутника Landsat5 с сенсором TM, 2) сведения о кадастровых участках в виде базы геоданных с атрибутивной информацией о категории земель и по разрешенному типу землепользования. Кадастровые данные использованы нами в качестве эталонов. Снимки Landsat5 с разрешением 30 м обладают достаточнымколичеством спектральных каналов (таблица2), позволяющих путем их комбинаций решать задачи распознаванияосновныхкатегорийземель. Исходное пространственное разрешение снимков отвечает размерам дешифрируемых объектов землепользования на 1 и 2 уровнях классификации земель по номенклатуре программы CORINE.

Таблица 2Характеристика спектральных каналов сенсора TM

КаналРазрешение, мСпектральный диапазон, мкм1300,45 − 0,5152300,525–0,6053300,63–0,694300,76−0, 905301,55–1,75612010,40–12,507302,09 –2,35

В качестве тестовых нами выбраны территории Тихорецкого и Туапсинского административных районов Краснодарского края. Выбор районов обусловлен различающимися географическими характеристиками, одновременно типичными для землепользования края в целом. Тихорецкий район отражает равнинные ландшафты края с обрабатываемыми землями сельскохозяйственного назначения (пашни), Туапсинский район представляет приморские горнопредгорные территории с преобладающими лесными и прибрежными ландшафтами. Дешифрирование выбранных категорий земель производилось в программном комплексе ENVIдвумя распространенными методами классификации без обучения–ISODATAи Kmeans[4].Классификацию (процедуру автоматизированного подразделения пикселов снимка на классы, соответствующиеразным поверхностям) без обучения предпочитают в случаях, если а) заранее неизвестно, какие объекты имеются на снимке, б) имеется большое количество классов со сложными границами. Классификацию без обучения можно применять как предваряющую классификацию с обучением. В нашем случае в тестовых районах присутствуют категории земель (сельскохозяйственные земли, леса) со сложными границами, кроме того, включающие в себя на последующих уровнях объекты, сильно различающиеся по спектральным яркостям (см. таблица1). Метод ISODATA, базирующийся на кластерном анализе,применяют для пошаговой обработки снимков, что требует минимального количества входных параметров для проведения классификации.Оптимальными приняты следующие параметры: максимальное и минимальное количество кластеров 10, максимальное количество итераций 2, порог сходимости всех пикселов 97%. Количество кластеров задано исходя из наличия у некоторых категорий земель существенно различающиеся яркостей поверхности. Например, на сельскохозяйственных землях спектральная яркость поверхности зависит от произрастающих культур.

Метод классификации без обучения Kmeansотличается от метода ISODATA тем, что требует изначального задания некоторого количества средних значений для формирования начальных классов, следовательно, этот метод используют, когда объекты на снимке достаточно хорошо различаются.В процессе уточнения границ полигонов согласно классификатору CORINEрекомендуется использовать максимальное количество дополнительных источников информации [2, 3]. Уточнение границ и разделение объектов антропогенных поверхностей на «землях под жилой застройкой» и «землях промышленных, коммерческих и транспортных объектов» осуществлялось нами с использованием топографических карт масштаба 1:100000. Результаты дешифрирования показаны на рисунках 1 и 2.

Рисунок1–Результаты дешифрирования категорий земель в Тихорецком районе по данным спутниковых снимков Landsat5 TM

Рисунок2–Результаты дешифрирования категорий земель в Туапсинском районе по данным спутниковых снимков Landsat5 TM

Необходимая верификация результатов дешифрирования выполнялась с помощью базы данных кадастровых участков, содержащей в качестве атрибутов сведения о категории земель и разрешенном использовании земель. Верификация проводилась в несколько шагови подразумевала, что данные о кадастровых участках выступят в качестве эталонов. Точность результатов дешифрирования принято оценивать ошибкой положения опознанных объектов относительно положения эталонных объектов. Показателем качества может служить соотношение совместившихся пикселов эталонных и дешифрированных объектовили, чторавнозначно,площадь их совпадения.

Предварительнодля исследуемых районов по материалам кадастрового учета построены карты по категории «разрешенное использование земли» сисключением снятых с кадастрового учета участков, а также участков с атрибутом «категория не установлена» (рисунок3). На следующем шаге векторный слой кадастровых данных был преобразован в растровый с пространственным разрешением 30 м, что соответствовалоразрешению исходных данных спутниковых снимкови производных карт.

Рисунок3–Кадастровая основа территории Тихорецкого района по категории использования земель

Далеевыполнена операция наложения (оверлей) имеющихся растровых слоев, посредством которой определены площади пространственного совпадения/несовпадения эталонных и идентифицированных участков. Точность дешифрирования оценивалась нами как соотношение площади совпадения классифицированныхземель с площадью кадастровых эталонов (таблица3).

Таблица 3Оценка достоверности классификацииземель разного хозяйственного назначения по спутниковым снимкам Landsat5 методами ISODATA(в числителе) и Kmeans(в знаменателе)Туапсинский районКатегория земель по CORINEПлощадь по кадастровым эталонам, км2Площадь по результатам дешифрирования, км2Площадь совпадения, км2Леса 11691147/11511118/1123Земли под жилой застройкой2822/2515/12Сельскохозяйственные земли2512/108/7Земли промышленных, коммерческих и транспортных объектов26/41,6/1,4Тихорецкий районВоды суши 35/41,4/1,1Земли под жилой застройкой3726/1823/15Сельскохозяйственные земли12391250/12581219/1205Земли промышленных, коммерческих и транспортных объектов 86/74,6/3,5

В целом результаты классификации могут быть признаны удовлетворительными, при этом показатели достоверности метода ISODATA с принятыми параметрами на данном этапе экспериментов выглядят предпочтительнее(таблица3).Вместе с тем, стремлениеповысить точность классификации предполагает установлениепроисхождения ошибокпри дешифрировании. Выявленные ошибки следуетразделить на две группыпоисточникам: а) собственно снимки в сочетании с методом классификации, б) базаданных кадастровых участков, используемых как эталоны. Характерные ошибки дешифрирования, судя по материалам Тихорецкого района, могут быть вызваны отнесением: земель населенных пунктов (по данным кадастра) с подсобным хозяйством или зелеными зонами к сельскохозяйственным землям (рисунок4а); земель сельскохозяйственного назначения (по кадастру) к землям промышленных объектов вследствие нахождения на них какихлибо хозяйственных построек (например, фермы) (рисунок4б); земель водного фонда (по кадастру) к сельскохозяйственным землям иззаналичия на поверхности водоемов обильной водноболотной флоры(рисунок4в). Для условий Туапсинского района типичны другие ошибки: естественные лугаили земли с переходной растительностью на землях лесного фонда (по кадастру) классифицируются как сельскохозяйственные земли (рисунок5а); земли лесного фонда (по кадастру) с постройками (турбазыи т.п.) классифицируются как земли под жилой застройкой (рисунок5б).



Рисунок 4–Ошибкиклассификациижилой застройки (А), промышленных, коммерческих и транспортных объектов (Б), вод суши (В)



Рисунок5–Ошибки классификациисельскохозяйственных земель(А) и земель под жилойзастройкой(Б)

Таким образом, значительную часть ошибок классификации можно устранить с переходом на низший (наиболее детальный) уровень номенклатуры земель по классификации CORINEи при использованиимультиспектральных снимков более высокого разрешения.На качество классификации указывает следующее: вТуапсинском районе площадь совпадения земель под промышленными или коммерческими объектами составила 80%, лесов –96%; в Тихорецком районе площадь совпадения сельскохозяйственных земель оказалась равной 98%. По данным дешифрирования в Тихорецком районе сельскохозяйственные земли занимают около 1650 км2, земли под жилой застройкой –около 100 км2, воды суши –30 км2; земли промышленных, коммерческих и транспортных объектов –20км2. В Туапсинском районе площадь лесов составляет около 2230 км2, земли под жилой застройкой –58 км2, земли промышленных, коммерческих и транспортных объектов –44 км2, сельскохозяйственные земли занимают 20 км2.Выполненная работа несомненно свидетельствует овысокой эффективности применения спутниковых изображенийне только для оценки структуры землепользования в регионе, но и в целях организации текущего и многолетнего контроля состояния земель Краснодарского края. Одновременно понятна инеобходимостьдальнейшего совершенствования технологии дешифрирования земель разного хозяйственного назначения по материалам дистанционного зондирования.



Ссылки на источники

1.The thematic accuracy of CORINE Land Cover 2000. Assessment using LUCAS (land use / cover area frame statistical survey)// Techn. Rept EEA. 2006. № 7. 85 pp.

2.Бродский Л., Бушуев Е.И., Волошин В.И., Козлова А.А., Паршина О.И., Попов М.А., Саблина В.И., Сахацкий А.И., Сиротенко А.В., Соукап Т., Станкевич С.А., Тарарико А.Г. Проект ITASпо разработке автоматизированной технологии классификации земных покрытий: научные задачи, основные результаты и перспективы // Космiчна наука iтехнологiя. 2009. Т. 15. №2. С. 3648. 3.Гурьянова Л.В. Использование ГИС и данных дистанционного зондирования для мониторинга застроенных территорий// Вестник Белорусского государственного университета. Сер. 2. 2008. №3. С. 107112. 4.Лурье И.К., Косиков А.Г. Теория и практика цифровой обработки изображений / Дистанционное зондирование и географические информационные системы. Подред. А.М. Берлянта. –М.: Научныймир, 2003. 168 с. 5.http://dataservice.eea.europa.eu.–[Дата обращения: 20.12.2012].Pogorelov Anatoly Valerievichdoctor, professor, Head of Department of Geoinformatics, KubanState University, Krasnodarsosstradanie@gmail.com

Lipilin Dmitry Alexandrovichpostgraduate of Department of Geoinformatics, KubanState University, KrasnodarLipilin_dmitrii@mail.ru

Aboutinterpretation ofland useobjectson satellite imagesin the territory of Krasnodar region

Some results of the identification of lands of different economic purposes in the Krasnodar region from satellite Landsat 5 images based on the European classification of land CORINE. Appraisal ofthe land classification was made with using different methods,revealedthe characteristicerrorsof interpretation.Keywords: land use, satellite imaginary, interpretation, classification of land, Krasnodar region.