Анализ качественного состава лесного фонда средствами Scanex Image Processor 3 при лесном мониторинге Александр Маслов Институт лесоведения РАН, Антон. - презентация

1 Анализ качественного состава лесного фонда средствами Scanex Image Processor 3 при лесном мониторинге Александр Маслов Институт лесоведения РАН, Антон Сонюшкин ИТЦ центр СКАНЭКС, Москва, Россия

2 Несмотря на быстрый рост применения космических снимков в лесных организациях, для обработки получаемой информации до сих пор нередко используют несоответствующее данным программное обеспечение. Загрузку и обработку получаемых снимков проводят в обычных растровых редакторах и ГИС-пакетах общего назначения, что приводит (иногда – неосознанно) к усечению поканальных гистограмм яркости, сильному искажению исходной пиксельной структуры изображений и другим потерям информации.

3 По мнению Валентина Васильевича Куртеева (Российский центр защиты леса), опубликованному на сайте ГИС-Ассоциации года, отсутствие на российском рынке отечественного ПО для обработки данных космической съемки является одним из существенных тормозов в развитии рынка ДЗЗ в целом. Зарубежные же пакеты (типа ERDAS), как правило, слишком дóроги для российских пользователей.

4 Разработанный в ИТЦ СканЭкс программный пакет Scanex Image Processor 3.0 предназначен для предварительной и тематической обработки спутниковых снимков, создания конечных продуктов – карт, физических индексов, моделей, а также для экспорта данных в ГИС и системы обработки изображений. При невысокой стоимости и сравнительно низкой требовательности к ресурсам компьютера данный продукт отвечает базовым требованиям к специализированным пакетам по обработке космических снимков со многих спутников.

5 В лесоустроительные предприятия поставлено 40 рабочих мест ScanEx Image Processor, в том числе – семь сетевых версий

6 Модульная структура

7 Визуализация. Градиентная палитра (базовый модуль) хвойный лес старые вырубки болото

8 Модуль классификации многозональной съемки сегментация многозональных снимков; подбор эталонов; методы классификации – с обучением и без обучения; классификация результатов сегментации с использованием дискриминантного анализа; результаты классификации в виде растровой карты; автоматическая векторизация.

9 Определение качественного состава лесного фонда по данным космической съемки: задачи определение перечня качественных параметров и характеристик лесных насаждений, выявление которых возможно по многозональным снимкам среднего разрешения (20–30 м); анализ возможности и целесообразности применения материалов лесоустройства в качестве тестовых данных без применения и с применением наземных исследований; оценка соотношения основных типов земель и типов насаждений по породному и возрастному составу; анализ масштабов ведения сплошных лесосечных работ и соблюдение режима охраны лесных особо охраняемых территорий анализируемого района.

10 Укрупненный алгоритм геометрическая коррекция и географическая привязка материалов космической съемки; подбор лесхоза (лесничества) с наличием лесной ГИС и актуальной повыдельной базой лесоустройства для применения в качестве обучающей выборки; определение перечня качественных параметров и характеристик разных типов земель и лесных насаждений, выявляемых по данным спутниковых наблюдений; формирование обучающей выборки выделов с учетом числа, размера, характеристик выделов, актуализация обучающей выборки; автоматизированная сегментация космоснимка с выделением однородных выделов; автоматическая классификация всех полученных на снимке выделов, обучающей выборкой служат данные лесной таксации; выборочная проверка на местности выделенных контуров, определение достоверности и точности полученных материалов; построение итоговых карт качественного состава лесного фонда исследуемой территории, подсчет площадей.

11 Фрагменты обучающей выборки лесотаксационных выделов площадью от трех га

12 Настройки модуля многоканальной сегментации в пакете Scanex Image Processor 3.0 Для лучшей воспроизводимости результатов большинство параметров в модуле сегментации было выставлено по умолчанию: 3 канала снимка, «медленная» (качественная) сегментация без учета формы сегментов.

13 Выбор параметров автоматической классификации

14 Результат классификации сегментов снимка по векторному слою обучающей выборки

15 Создание векторной маски лесничества для верификации результатов классификации

16 Окно программы для задания параметров векторизации растрового слоя классификации Кроме полевой валидации, проверка данных проводилась по второму тестовому набору лесотаксационных выделов для одного лесничества. Для этого растровый слой типов выделов, полученных в результате классификации, векторизовали в пределах векторной маски лесничества. На этапе векторизации можно отсеять слишком мелкие выделы, задав минимальную площадь или минимальный периметр контуров.

17 Изменения в лесном фонде к 2006 году после лесоустройства 2000 года: участки сплошных рубок (1, 2) с куртинами подроста

18 Выводы Проведенные исследования доказывают эффективность использования полуавтоматических методов анализа лесного фонда по данным спутниковых наблюдений при проведении мониторинга лесного фонда и для целей лесоинвентаризации. Предложенный метод, в частности, позволяет определять качественные изменения в лесном фонде после проведения лесоустройства. Полученные карты может использоваться региональными и местными органами управления и планирования для «экспресс-оценки» состояния лесных территорий, оценки антропогенной нарушенности рубками и состояния лесных ресурсов не только на «своих» территориях, но и в соседних районах.

19 Благодарю за внимание! Thank you!