Реферат: Рыбинское водохранилище

Реферат: Рыбинское водохранилище

Содержание

ВВЕДЕНИЕ

Цель работы

В настоящее время новым этапом в развитии методов дешифрирования ландшафтов являются методы, основанные на цифровой обработке космических изображений, которые уменьшают трудоемкость и увеличивают степень объективности дешифрирования некоторых характеристик ландшафтов и их компонентов по сравнению с визуальными методами. Многие из них также позволяют выявить особенности ландшафтов не только на качественном, но и количественном уровне.

Целью данной работы является оценка применимости при ландшафтных исследованиях регионального масштаба нескольких таких методов, становящихся все более широко используемыми, — метода главных компонент (МГК), метода “наложения” (merge), метода вегетационных индексов (в частности NDVI), выделения объектов по яркостному порогу и метода кластерного анализа. В частности, интересно рассмотреть совокупное использование нескольких методов, приводящее к получению дополнительной информации, недоступной при использовании каждого из данных методов по отдельности.

Задачи работы

Для оценки применимости данных методов цифровой обработки космических изображений при ландшафтных исследованиях регионального масштаба был выбран район Рыбинского водохранилища (в частности Молого-Шекснинский полуостров). Для достижения данной цели было необходимо решить следующие задачи:

1. Выделение на территории района Рыбинского водохранилища тестового участка с проведенными на нем ландшафтными исследованиями;

2. Дешифрирование космических изображений на территорию тестового участка с помощью визуальных и цифровых методов обработки и сравнение результатов дешифрирования с данными полевых исследований;

3. Экстраполяция результатов исследования тестового участка на территорию района Рыбинского водохранилища, охваченную снимками.

Краткое содержание работы

Структурно настоящая работа представляет собой:

-         анализ данных космической съемки, картографических, фактических, статистических и других материалов по данной теме, представленный в тексте;

-         дешифрирование многозональных космических снимков среднего и высокого разрешения, полученных со спутника “Ресурс-03”;

-         анализ информации, полученной на основе обработки данных изображений цифровыми методами, перечисленными во Введении.

Текстовая часть состоит из введения, основной части и заключения. В введении указана цель и задачи работы, характеристика ее структуры и используемых материалов. Основная часть делится на несколько глав.

В первой главе излагаются основные понятия и описание используемых методов цифровой обработки изображений, а также методика проведения работы (принципы выделения тестового участка и последовательность действий при обработке изображений). Во второй главе дается подробная физико-географическая и ландшафтная характеристики рассматриваемой территории и тестового участка. Итогом всей работы стала третья глава, в которой приводятся результаты цифровой обработки космических изображений и собственно оценка возможностей используемых методик при ландшафтных исследованиях регионального масштаба.

Некоторые характеристики использованных

технических средств

Основным материалом для проведения данной работы являлись снимки, полученные с космического аппарата “Ресурс-03”, который оснащен бортовой измерительной аппаратурой высокого и среднего разрешения, обеспечивающей съемку поверхности Земли в нескольких диапазонах видимой и инфракрасной зоны спектра и включающей в себя:

а) моноблок из двух многозональных оптико-электронных сканирующих устройств высокого разрешения МСУ-Э, установленных на общей поворотной платформе;

б) два комплекта многозонального оптико-механического сканирующего устройства среднего разрешения с конической разверткой МСУ-СК.

Камера МСУ-Э имеет следующие технические характеристики, наиболее важные для дальнейшей обработки изображений:

— рабочие диапазоны: 0.5-0.6, 0.6-0.7 и 0.8-0.9 мкм;

— пространственная разрешающая способность в надире: 45 м - поперек направления полета и 35 м - вдоль направления полета;

— радиометрическая точность: 256 уровней квантования сигнала;

—  ширина полосы обзора: 45 км

и др.

Предусмотрены два основных режима передачи информации с камер МСУ‑Э: детальный (передача данных полного пространственного разрешения с одной камеры), либо обзорный (передача данных с обеих камер, но с ухудшенным вдвое пространственным разрешением), при котором передается каждая вторая строка детального изображения. В обзорном режиме обеспечивается просмотр полосы шириной не менее 80 км, образующейся за счет объединения полос обзора двух камер с 10-км перекрытием.

В камере МСУ-СК реализован принцип конического сканирования, заключающийся в перемещении визирного луча по поверхности конуса с осью, направленной в надир. МСУ-СК имеет следующие технические характеристики:

— рабочие диапазоны: 0.5-0.6, 0.6-0.7, 0.7-0.8, 0.8-1.1 мкм (видимые и ближние ИК участки спектра) и 10.4-12.6 мкм (тепловой ИК участок);

— пространственное разрешение: 140 м (в видимом и ближнем ИК участках) и 550 м (в тепловом ИК участке);

— радиометрическая точность: 256 уровней квантования сигнала;

— ширина полосы обзора: 600 км

и др.

Передача видеоинформации со сканирующих устройств сопровождается передачей дополнительной телеметрической информации, которая используется как для оперативного контроля некоторых параметров бортовой измерительной аппаратуры, так и для пространственной привязки, геометрической и фотометрической коррекции видеоинформации при ее вторичной обработке на средствах потребителя.

Аппаратура КА серии “Ресурс-0” удовлетворяет основным требованиям (обеспечиваемое пространственное разрешение, используемые спектральные диапазоны, периодичность наблюдения и др.) к информации для дистанционного зондирования Земли для решения многих тематических задач.

Использованные материалы и средства обработки

В данной работе использовался один трехзональный снимок высокого разрешения, полученный сканером МСУ-Э на западную часть Рыбинского водохранилища (Молого-Шекснинский полуостров) от 13.04.97 и четырехзональный снимок среднего разрешения (сканер МСУ-СК) на территорию всего района Рыбинского водохранилища от 31.05.97. Вся обработка данных снимков проводилась в “ERDAS Imagine”, ГИС ''ArcView’’ и графических редакторах ''Adobe Photoshop'', “Power Point” и “СorelDRAW”.

Для проведения работы также использовались следующие картографические материалы:

1. Ландшафтная карта Дарвинского заповедника. М-б 1 : 50 000.

2. Карта ландшафтной структуры Дарвинского заповедника. М-б 1 : 100 000.

3. Карта земельных угодий СССР. М-б 1 : 4 000 000, 1989.

4. Ландшафтная карта СССР. М-б 1 : 4 000 000, ред. А.Г.Исаченко.

5. Карта растительности Европейской части СССР. М-б 1 : 2 500 000, 1974.

6. Карта Ярославской области. М-б 1 : 200 000, 1993.

7. Карта торфяных месторождений Нечерноземной зоны РСФСР. М-б 1 : 1 500 000,   1980.

8. Комплексные атласы Ярославской и Вологодской областей.

9. Нечерноземная зона РСФСР. Карта использования земель. М-б 1 : 1 500 000, 1976.

10. Нечерноземная зона РСФСР. Карта сельского хозяйства. М-б 1 : 1 500 000, 1978.

11. Нечерноземная зона РСФСР. Карта мелиорации земель. М-б 1 : 1 500 000,   1978.

12. Нечерноземная зона РСФСР. Карта охраны растительного мира. М-б 1 : 1 500 000, 1980.

13. Нечерноземная зона РСФСР. Почвенная карта. М-б 1 : 1 500 000, 1978.

I. МЕТОДИКА РАБОТЫ

В данной работе использовалось пять методов цифровой обработки космических изображений, которые можно подразделить на три основные группы (как, впрочем, и другие цифровые методы, не использовавшиеся здесь):

-         методы улучшения качества изображения (для последующего визуального дешифрирования – метод главных компонент и метод “наложения”);

-         интерактивные методы (пользователь участвует непосредственно в процессе обработки, задавая определенные условия – выделение объектов по яркостному порогу);

-         автоматизированные методы (пользователь практически не участвует в процессе обработки изображений, лишь на последнем этапе идентифицируя выделенные машиной объекты – кластерный анализ и вегетационный индекс NDVI).

1.1 Метод главных компонент и его применение

Метод главных компонент (МГК) используется как эффективный инструмент анализа данных. Он позволяет выявить основные закономерности анализируемых изображений, выявляя и подавляя помеховые сигналы. В конечном итоге, объем данных уменьшается, а их информативность увеличивается. Изображения, полученные с помощью МГК, дополняют друг от друга, и обычно легче поддаются интерпретации, чем исходные данные.

Процесс обработки данных МГК можно пояснить на примере распределения яркостей пикселов в двухканальном спутниковом изображении. На рис.  показано распределение их значений на плоскости.

Координатные оси соответствуют яркостям пикселов в каждом канале. Если данные в обоих каналах имеют нормальные распределения, то итоговое распределение имеет характерную форму эллипса.

В n-мерной системе координат эллипс (2 измерения), эллипсоид (3 измерения) или гиперэллипсоид (более чем 3 измерения) формируются, если распределение в каждом канале нормальное или близкое к нормальному. Для удобства будем использовать далее термин “эллипс” вне зависимости от числа рассматриваемых каналов.

Основной идеей МГК является вращение осей спектрального пространства таким образом, чтобы добиться максимальной некоррелированности координат анализируемых точек. Очевидно, что при этом происходит изменение координат каждого пиксела относительно новых осей, т.е. меняются их яркостные значения. Продольная секущая, которая соответствует главной (самой длинной) оси эллипса, называется первой главной компонентой (ПГК) данных.

Направление первой главной компоненты - первый собственный вектор, а ее длина - первое (максимальное) собственное число. Новая ось спектрального пространства определяется этой первой главной компонентой, а точкам в системе координат, соответствующей этой оси, теперь присваиваются новые координаты.

Первая компонента показывает направление и длину главной оси эллипса. Вдоль нее яркости пикселов будут иметь в среднем наибольший диапазон изменчивости, что облегчает разделение объектов по различным яркостным градациям. На рис.      легко видеть, что первое собственное число (длина наибольшей оси эллипса) будет всегда больше, чем дисперсии измерений в исходных каналах, так как гипотенуза прямоугольного треугольника всегда длиннее любого из его катетов.

В двухмерной системе координат вторая главная компонента соответствует второй оси эллипса.

В вероятностном смысле она описывает наибольший разброс данных измерений, которые не учитывает (из-за ортогональности) ПГК. В общем случае в n измерениях имеются n основных компонент. Каждая последующая главная  компонента:

- является самой длинной из оставшихся осью эллипса и ортогональна к предыдущим компонентам в n-мерном пространстве системы координат.

- ее длина количественно соответствует дисперсии оставшейся (неучтенной предыдущими основными компонентами) изменчивости данных.

После применения МГК количество каналов, данные которых анализируются, остается прежним, т.к. поворот осей в n‑мерном пространстве не понижает его размерности. Однако, несколько первых новых каналов учитывают максимальный разброс данных - в некоторых случаях почти 100%, ‑ поэтому данными остальных каналов часто можно пренебречь без потери полезной информации. Таким образом, практически МГК позволяет уменьшить объем данных и понизить количество используемых каналов.

Отдельный анализ различий по второй и последующим компонентам может выявить минимальные различия данных основных составляющих каналов. По этим компонентам, после устранения влияния предыдущих, можно выделить очень тонкие детали изображения, которые были затенены более высоким контрастом в первоначальном изображении. В ряде случаев они могут использоваться, наоборот, для целей фильтрации, исключая характерный шум в данных (например, помехи в данных, полученных со старых или неисправных сканеров).

Обратное преобразование изображения, обработанного МГК, в исходное со снижением уровня шумов после удаления последних главных компонент, содержащих эти шумы, называется инверсией главных компонент. Этот прием используется для более качественного и точного распознавания объектов и их свойств другими цифровыми методами.

1.2 Объединение снимков с различным разрешением

В ‘’ERDAS Imagine’’ существует функция, позволяющая объединить два снимка различного разрешения для получения третьего изображения, обладающего лучшими характеристиками обоих исходных снимков.

Данная функция как бы “накладывает” один из каналов изображения с высоким разрешением на каждый канал изображения среднего разрешения, что можно наглядно описать следующей формулой:

Е х (1S + 2S + 3S + 4S) = 1ES + 2ES + 3ES + 4ES, где

Е – один из каналов исходного изображения с высоким разрешением;

1S, 2S, 3S, 4S – каналы исходного изображения со средним разрешением;

1ES, 2ES, 3ES, 4ES – получившиеся каналы синтезированного изображения, имеющие высокое пространственное разрешение и цветовую подложку от снимка среднего разрешения.

1.3 Выделение объектов по яркостному порогу

Данный метод используется в ситуациях, когда известен приблизительный разброс яркостей выделяемого объекта в том или ином канале рассматриваемого изображения. Этот разброс можно получить, используя гистограмму и ход спектральных кривых объекта, полученных по тестовым точкам (рис.     ). В таком случае пользователь задает приблизительные значения (пороги), в пределах которых может колебаться яркость выделяемого объекта, и выделить его с необходимой степенью точности.

1.4 Метод вычисления вегетационного индекса NDVI

Методы вычисления вегетационных индексов (в т.ч. индекса NDVI) заключаются в выделении зеленой растительности с помощью простого арифметического преобразования и относятся к полностью автоматизированным методам, в которых участие пользователя ограничивается лишь одним последним этапом – идентификацией выделенных объектов.

Использование вегетационных индексов возможно благодаря специфическому ходу спектральных кривых зеленой растительности (рис.   ). Нормализованный вегетационный индекс NDVI равен отношению разности яркостей пиксела изображения в инфракрасном и красном диапазоне спектра к их сумме,

т.е.  ИК – К .

       ИК + К          При этом, чем больше значение данного индекса, тем более яркой является рассматриваемая растительность и тем в более хорошем состоянии она находится. 

1.5 Основные понятия и методика кластерного анализа

Кластерный анализ относится к цифровым автоматизированным методам обработки космических изображений и позволяет выделять контура с неконтрастной по спектральной яркости структурой. Это могут быть как непосредственно выделяемые растительность, открытые почвы, вода, облака и другие объекты (рис.   ), так и некоторые особенности территории, выделяемые по косвенным признакам, например, увлажнение, степень продуктивности почв, литологический состав пород и т.д.

Алгоритм кластеризации производит спектральный анализ исходного многозонального растрового изображения и пересчитывает его в однозональное, распределяя все пикселы в кластеры по их яркостным характеристикам.

Метод кластеризации ISODATA использует спектральные расстояния как основу, но классифицирует пикселы в несколько приемов (итераций), переопределяя критерии для каждого класса и классифицируя снова таким образом, что спектральные расстояния составляющих исходных данных постепенно уточняются. Также он пересчитывает статистику.

Метод ISODATA использует минимальное спектральное расстояние, чтобы определить соответствующий кластер для каждого пиксела. Процесс начинается с назначения случайного (приближенного) среднего значения кластера и повторяется до тех пор, пока это значение не достигнет величины среднего для каждого  кластера  исходных   данных.  Начальные  средние  значения  кластеров распределяются равномерно вдоль центрального вектора спектрального пространства. Количество кластеров задается пользователем.

 В течение первой итерации пространство равномерно разбивается на области, центром каждой из которых являются средние значения кластеров (рис.  ). Пикселы анализируются с левого верхнего угла изображения к нижнему правому, блок за блоком. Вычисляется спектральное расстояние между пикселом и средним значением кластера. Пикселы назначаются в тот кластер, где это расстояние минимально (рис.  ). При этом назначенные центры кластеров смещаются, т.к. их средние значения меняются в зависимости от преобладающих яркостей попавших в них пикселов. Для того, чтобы определить расположение новых центров, производится второй пересчет. В процессе второй итерации снова определяются минимальные спектральные расстояния между точками и новыми средними значениями кластеров. В результате этого пикселы снова перераспределяются.

Такие пересчеты повторяются до тех пор, пока все точки с 95%-й вероятностью не попадут в какой-либо кластер (рис.  ). Пользователь может сам задать максимальное количество итераций.

Результатом кластеризации методом ISODATA является тематический растровый слой и набор статистик, включающих средние значения кластеров, минимальные и максимальные значения яркостей входящих пикселов, среднее квадратическое отклонение и ковариационную матрицу между спектральными каналами. Также, используя данный метод, пользователь может оценить пространственные характеристики различных объектов, однако, при этом ему необходимо переводить изображение в какую-либо равновеликую или равнопромежуточную картографическую проекцию, позволяющую рассчитывать площади.

В данной работе была использована проекция Меркатора для стран широт Северной Америки. Функция самоорганизации позволяет обойтись минимальным вмешательством человека в процесс распределения кластеров, пользователю лишь необходимо задать цвета для каждой получившейся градации и идентифицировать их.

1.6 Методика проведения работы

Для того, чтобы оценить возможности цифровых методов при дешифрировании и обработке изображений, полученных со спутника, были взяты два снимка высокого и среднего разрешения на район Рыбинского водохранилища. На  значительную часть этого района, занимаемую Дарвинским Государственным заповедником, в результате длительных полевых исследований был накоплен очень обширный фактический, картографический и статистический материал. Это сыграло определенную роль в выборе территории исследования, и заповедник был выбран в качестве тестового участка.

Работа состояла из нескольких этапов. Первый заключался в дешифрировании природных и антропогенных структур района Рыбинского водохранилища и, в частности, Молого-Шекснинского полуострова по исходным космическим снимкам. По снимку среднего разрешения от 31.05.97, как по более информативному для визуального дешифрирования и охватывающему большую территорию, была составлена схема дешифрирования и легенда к этой схеме.

На втором этапе проводилась обработка исходных снимков цифровыми методами и анализ полученных результатов.

Последний, третий этап заключался в непосредственном анализе  возможностей цифровых методов обработки при дешифрировании природных и антропогенных структур района Рыбинского водохранилища и их свойств. Он осуществлялся с помощью перечисленных в Введении тематических и общегеографических карт на данный район.

II. ФИЗИКО-ГЕОГРАФИЧЕСКАЯ И ЛАНДШАФТНАЯ ХАРАКТЕРИСТИКА РАЙОНА РЫБИНСКОГО ВОДОХРАНИЛИЩА

2.1 Климат

Данная территория располагается в западной подобласти атлантико-континентальной лесной климатической области и характеризуется достаточным и устойчивым увлажнением. Годовая сумма инсоляции составляет 78-80 ккал/см2 в год. Радиационный баланс составляет 19-20 ккал/см2 в год. Значительный радиационный баланс (19-20 ккал/см2 в год) способствует трансформации (прогреванию и увлажнению) воздушных масс и обуславливает недостаточно полное испарение выпадающих осадков, которое составляет 500-600 мм в год, в отдельные сезоны и года наблюдается избыток влаги. Такое избыточное увлажнение территории связано с циклоническим режимом погоды.

Средняя температура в январе составляет около -10о С, в июле +17...+18о С. Сумма активных температур составляет приблизительно 1800о С, безморозный период длится 120 дней. Зимой устанавливается снежный покров, предохраняющий почву от сильного промерзания.

Рыбинское водохранилище, занимающее наиболее пониженную часть Молого-Шекснинской низменности и имеющее площадь около 4.5 км2, является крупным местным фактором, влияющим на климат. Обширное водное пространство способствует усилению ветра и некоторому уменьшению суточных колебаний температуры и влажности воздуха в летние месяцы.

2.2 Геолого-геоморфологическая структура

Согласно физико-географическому районированию Нечерноземного центра (1963) район исследования входит в Молого-Сарагожский зандрово-болотный, Рыбинский и Пошехоно-Тутаевский холмисто-равнинный районы южно-таежной подпровинции Верхневолжской провинции. Она занимает преимущественно полого-холмистые возвышенные моренные и моренно-эрозионные равнины в области среднечетвертичного оледенения и обширные низменные озерно-ледниковые песчаные равнины с возвышающимися над ними “островами” моренных гряд и всхолмлений. Первые характеризуются приуроченностью к пластовым равнинам, сложенным пермскими и мезозойскими преимущественно пестроцветными отложениями. Дочетвертичные породы перекрыты московской (реже днепровской) мореной, обычно размытой и маломощной. Внутренние площади водоразделов часто заболочены. Озерно-ледниковые песчаные равнины обычно приурочены к широким, часто долинообразным понижениям в коренных породах. Сложены песками и супесями, обычно маломощными, подстилаемыми мореной, ленточными глинами или дочетвертичными породами. Рельеф слабо террасированный, дренаж недостаточный (4). Эрозионное расчленение равнины связано с развитием речной сети бассейна верхней Волги.

Непосредственно на рассматриваемой территории с северо-востока к Рыбинскому водохранилищу подходит возвышенная моренно-эрозионная равнина (Карта ландшафтов СССР, прил.    ), перекрытая тяжелыми покровными суглинками и глинами, а также средними и легкими моренными завалуненными суглинками (Почвенная карта, прил.    ). Ее абсолютные высоты увеличиваются с запада на восток в сторону Рыбинско-Сухонской зоны поднятий от 130-140 до 200-250 м. Всю остальную территорию занимает озерно-ледниковая низменная песчаная равнина, включающая практически полностью Молого-Шекснинский полуостров и окаймляющая водохранилище со всех сторон, кроме северо-восточного побережья, с абсолютными высотами не более 150 м. Она сложена аллювиально-зандровыми и озерно-ледниковыми песчаными отложениями, перекрытыми вдоль юго-западного побережья водохранилища средними и легкими покровными суглинками, которые в его южной части, в излучине Волги, сменяются завалуненными озерными и аллювиальными супесями. К северо-востоку от г. Рыбинск при приближении к долине р. Согожи начинают встречаться территории