ГЕОИНФОРМАЦИОННЫЙ МЕТОД ОПРЕДЕЛЕНИЯ АРТЕФАКТОВ В ЦИФРОВЫХ МОДЕЛЯХ РАСТИТЕЛЬНОГО ПОКРОВА Ризаев И.Г.,Антоненко М.В.,Погорелов А.В.

Кубанский государственный университет


Номер: 12-2
Год: 2014
Страницы: 336-341
Журнал: Актуальные проблемы гуманитарных и естественных наук

Ключевые слова

цифровая модель растительного покрова, растительный покров, воздушное лазерное сканирование, ГИС, интерполяция, canopy height model, vegetation cover, airborne laser scanning, GIS, interpolation

Просмотр статьи

⛔️ (обновите страницу, если статья не отобразилась)

Аннотация к статье

Цифровые модели растительного покрова, получаемые на основе лазерного сканирования, содержат локальные минимумы - потенциальные артефакты. Данная работа является частью метода удаления артефактов из цифровых моделей растительности и сфокусирована на повышении эффективности определения локальных минимумов. Экспериментально установлено, что при использовании билинейной интерполяции, в зависимости от глубины локальных минимумов (в среднем 3-12.9 м), предложенный способ на 4.3-22.5% лучше идентифицирует их, чем при обработке фильтром минимумов без интерполяции.

Текст научной статьи

В течение последнего десятилетия технология лазерного сканирования (Light Detection and Ranging - LiDAR) стала стандартным методом в исследованиях растительности, как на глобальном масштабном уровне, так и в масштабе отдельных деревьев [1, 2]. Технология позволяет получать спектр характеристик леса c точностью, сопоставимой c полевыми измерениями, а также позволяет проводить распознавание видового состава [3, 4]. Несмотря на то, что лазерные точки могут напрямую использоваться в исследованиях растительности [4, 5], не всегда удобно проводить расчеты с большим массивом данных. Многие исследователи отдают предпочтение регулярной цифровой модели растительного покрова (Canopy Height Model - CHM), которая представляет собой высоту растительности (деревья, кустарники) над земной поверхностью. Широкое распространение модель CHM получила благодаря тому, что она соответствует точности исходных лазерных точек. Существует большое количество методов обработки изображений, которые применимы для анализа CHM. Однако одна из важных особенностей данных моделей состоит в том, что они содержат в себе артефакты, которые представляют собой локальные понижения (минимумы) в пределах крон деревьев. Простое выделение значений этих пикселей по высоте для их идентификации не применимо, поскольку будут выделяться также и остальные значения. Наличие артефактов негативно влияет на обработку моделей CHM, например сегментацию крон, а также и на результаты расчетов других параметров леса, например биомассы [6]. В целом метод удаления артефактов сводится к: 1) идентификации потенциальных артефактов (локальных минимумов), 2) замещению артефактов корректными значениями. Настоящая работа является частью метода удаления артефактов из моделей CHM и направлена на повышение эффективности определения потенциальных артефактов в моделях CHM. Для определения потенциальных артефактов используется фильтр минимумов, а для увеличения эффективности работы предложен способ на основе интерполяции. Эксперименты проводились с данными воздушного лазерного сканирования, выполненного в горах Западного Кавказа. В качестве тестового был выбран участок 0.25 км2, в верховьях р. Пшехи в районе восточного склона Пшехасу. Средняя общая плотность лазерных данных составляет 1.9 т/м2. Методика создания модели CHM описана ранее в [7]. Способ увеличения идентификации локальных минимумов реализована в ГИС ArcGIS (ESRI) в виде автоматизированного алгоритма Model Builder. Последовательность предполагает: 1) увеличение разрешения исходной модели CHM в 4 раза с помощью интерполяции (CHM+4), 2) поиск локальных минимумов с помощью фильтра минимумов в окне 3×3 (CHM+4LM), 3) уменьшение разрешения модели CHM+4LM в 4 раза с помощью интерполяции (CHM-4LM), 4) расчет модели разницы CHMDIFF между исходной моделью CHM и CHM-4LM; 5) Создание маски, с помощью классификации значений i модели CHMDIFF: если i < 0, то маска = 1 (локальные минимумы); если i ≥ 0, то маска = 0 (остальные значения). Принцип работы алгоритма основан на хорошо известном способе поиска локальных минимумов в скользящем окне. Хотя поиск локальных максимумов широко используется в обработке моделей CHM [8, 9, 10], применение локальных минимумов не получило такого распространения. Размер скользящего окна установлен 3×3, чтобы более точно идентифицировать минимумы. Ключевой момент для увеличения количества определяемых локальных минимумов - увеличение разрешения исходной модели CHM в 4 раза с помощью интерполяции. Важным вопросом является выбор метода интерполяции. Как известно при обработке изображений существуют 3 основных метода интерполяции: ближайшего соседа, билинейная интерполяция и кубическая свертка [11]. Первый метод использует значения в ближайшей точке и не учитывает соседних пикселей, поэтому при увеличении разрешения значения не изменяются. Использование метода ближайшего соседа имеет преимущество перед другими, в случае создании исходной растровой модели из исходных данных, поскольку отсутствуют погрешности за счет интерполяции [11]. Таким образом, данный метод не подходит для изменения разрешения модели CHM. Метод билинейной интерполяции использует 4 ближайших к центру выходного пиксела соседних значений, по существу используя средневзвешенное этих значений. Данный метод позволяет получить более сглаженную модель в сравнении с методом ближайшего соседа. Кубическая свертка (интерполяция) работает, как и билинейная, но учитывает 16 ближайших соседних значений. Это позволяет в большей мере сглаживать данные, чем метод билинейной интерполяции [12]. Другая группа методов интерполяции чаще используется при пространственном анализе процессов и явлений на основе точечных данных. Тем не менее, они могут быть также использованы для передискретизации модели CHM. Были выбраны методы естественной окрестности (Natural Neighbor - NN), обратно взвешенных расстояний (Inverse Distance Weighting - IDW) с вариациями параметров (параметр power = 0.5, 2 и 4, количество соседних точек = 4 и 8), а также сплайн регуляризованный (Spline regularized) и сплайн с натяжением (Spline with tension) с несколькими параметрами (параметр weight = 0.1, 0 и 3, количество соседних точек = 4 и 8). Для обработки растровой модели CHM данными методами мы конвертировали пиксели в точки с соответствующими значениями. Всего, таким образом, использовались 5 методов и 21 их вариацию для задачи передескретизации. Отметим, что для увеличения и уменьшения разрешения использовался один и тот же метод, с одинаковыми параметрами. Для демонстрации работы интерполяции (на примере билинейной интерполяции), в аспекте выделения локальных минимумов, обратимся к рис. 1. На рис. 1a представлен фрагмент растровой модели (аналог модели CHM) размером 7×7 пикселей с разрешением 1 м. Все пикселы имеют значения 10 м, кроме центрального, который является локальным минимумом со значением 0. После увеличения разрешения модели в 4 раза (рис. 1b), заметен вклад билинейной интерполяции. При этом минимальное значение 0, замещается 4 пикселями со значением 2,34 м. Рис. 1. Вклад билинейной интерполяции при поиске локальных минимумов. А - исходная модель, B - модель CHM+4, C - модель CHM+4LM, D - модель CHM-4LM, после передискретизации, E - модель разницы CHMDIFF, F - модель CHMDIFF, классифицированная на 2 класса, где значения i < 0 и i ≥ 0 Результат обработки фильтром минимумов показан на рис. 1c. При обратной передискретизации, центральный пиксель получает положительное значение (2,34 м), однако наименьшее из всех (рис. 2d). В модели разницы CHMDIFF (рис. 2e), поскольку центральный пиксель в исходной модели равен 0, он приобретает знак минус (-2,34 м). Далее все значения i модели CHMDIFF классифицируются на 2 класса: i < 0 и i ≥ 0 и создается бинарная маска соответственно 1 и 0 (рис. 2f). Таким способом выделяются даже незначительные по глубине локальные минимумы. Так, все значения пикселей также были установлены 10 м, а центральный пиксель 9,9 м. Результат оказался идентичный проведенной обработке: в модели CHMDIFF присутствует только одно отрицательное значение -0,0234 м. Данный эксперимент является практически идеальным, когда на плоской поверхности присутствует локальный минимум. Он демонстрирует эффективность билинейной интерполяции при поиске локальных минимумов. На практике, когда в модели CHM присутствует распределение значений высот, не все локальные минимумы идентифицируются. Для оценки эффективности представленного метода и определения наилучшего способа интерполяции проведен анализ на тестовых моделях CHM. Использовалась исходная модель CHM с добавленными локальными минимумами. В пределах модели CHM, но с высотой пикселей i > 3 м были сгенерированы случайные локальные минимумы в количестве 15% от площади участка. Поскольку локальные минимумы в модели CHM могут иметь разную относительную глубину, они лучше или хуже определяются разными методами интерполяции. Созданы 3 экспериментальные модели: 1) все локальные минимумы фиксировано меньше высоты соответствующих пикселей исходной модели на 3 м (CHM3m); 2) значения глубины локальных минимумов установлены как 3/4 от высоты соответствующих пикселей исходной модели при средней глубине 5,4 м (CHM3/4); 3) значения глубины локальных минимумов установлены как 1/3 от высоты соответствующих пикселей исходной модели, средняя глубина 12,9 м (CHM1/3). Результаты обработки отражают табл. 1 и рис. 2. Для сравнения приведены результаты обработки фильтром минимумов без интерполяции. Как видно из табл. 1, лучшие результаты отмечаются у методов билинейной интерполяции (bilinear), естественной окрестности (NN) и все вариации метода обратно взвешенных расстояний (IDW). Метод сплайн показал результаты хуже, чем при обработке фильтром минимумов без интерполяции. Наибольшее количество выделенных локальных минимумов отмечается для интерполяции IDW с параметрами: power = 0.5 и 2, количество соседних пикселей 8. Однако здесь также максимальное количество ошибок избытка (пикселы, которые не являются сгенерированными локальными минимумами) (рис. 2 - a4, b4, c4). Таблица 1 Результаты определения локальных минимумов при различных методах интерполяции. MF - фильтр минимумов без интерполяции, LM - количество выделенных локальных минимумов (%), E - количество ошибок избытка (%) Метод LM (%) E (%) CHM1/3 CHM3/4 CHM3m CHM1/3 CHM3/4 CHM3m MF 95.08 70.92 48.59 0.04 1.31 1.60 Bilinear 99.34* 86.78 71.13 3.89 4.76 5.55 Cubic 75.02 49.16 28.39 0.46 0.44 0.52 NN 99.42 87.08 71.68 4.06 4.96 5.77 IDW_8_2 99.97 92.67 82.30 10.14 12.45 14.42 IDW_8_0,5 99.99 94.81 86.20 14.18 17.84 20.68 IDW_8_4 99.53 87.12 72.01 5.42 6.37 7.31 IDW_4_2 99.58 87.87 72.92 4.46 5.45 6.36 IDW_4_0,5 99.74 89.02 75.41 5.43 6.64 7.75 IDW_4_4 99.03 84.82 68.36 3.41 4.12 4.82 Spline_reg_8_0.1 66.98 40.47 21.84 0.96 0.88 0.85 Spline_reg_8_0 81.15 58.10 38.01 1.41 1.45 1.52 Spline_reg_8_3 72.72 47.08 27.52 1.28 1.15 1.12 Spline_reg_4_0.1 66.15 39.93 22.67 1.42 1.08 0.98 Spline_reg_4_0 81.55 58.24 38.31 1.82 1.61 1.59 Spline_reg_4_3 65.62 40.07 23.12 1.43 1.07 0.99 Spline_ten_8_0.1 81.56 58.70 38.55 1.11 1.19 1.31 Spline_ten_8_0 64.90 49.37 36.38 2.49 2.85 3.30 Spline_ten_8_3 82.91 60.44 40.37 0.90 1.01 1.16 Spline_ten_4_0.1 81.63 58.37 38.25 1.24 1.25 1.31 Spline_ten_4_0 77.23 55.45 39.78 25.29 22.38 20.03 Spline_ten_4_3 83.64 60.91 40.61 0.84 1.00 1.14 * Показатели со значениями лучше, чем у MF, выделены жирным шрифтом Интересно, что результаты метода билинейной интерполяции и метода естественной окрестности практически идентичны. Также учитывалось время, затраченное на обработку. Билинейная интерполяция выполняется в среднем в 29 раз быстрее, чем метод естественной окрестности, и в 43 раза быстрее, чем метод обратно взвешенных расстояний. Рис. 2. Результаты определения локальных минимумов с различной глубиной разными методами интерполяции. A, B и C модели CHM1/3, CHM3/4 и CHM3m соответственно. Зеленым цветом отмечены определяемые локальные минимумы, красным - неопределяемые, синим - ошибки избытка При выборе лучшего метода мы учитывали количество успешно определяемых локальных минимумов, минимальное количество ошибок избытка, а также время обработки. Таким образом, билинейная интерполяция является лучшим способом передискретизации модели CHM при поиске локальных минимумов. В зависимости от глубины локальных минимумов (в среднем от 3 до 12.9 м) билинейная интерполяция на 4.3-22.5% лучше идентифицирует их в сравнении с фильтром минимумов без интерполяции.

Научные конференции

 

(c) Архив публикаций научного журнала. Полное или частичное копирование материалов сайта возможно только с письменного разрешения администрации, а также с указанием прямой активной ссылки на источник.