Нечетко-логические алгоритмы дистанционно-компьютерного анализа деградации лесных массивов при аварийных разливах нефти

В настоящее время, как у нас в стране, так и за рубежом, для определения различных видов нарушений лесного покрова под воздействием разливов нефти, аварий на газо- и нефтепроводах, пожаров, рубок, фитофагов, заболачивания, промышленных зон и пр., широко применяются аэрокосмические снимки. К числу воздействий, которые хорошо регистрируются на космических изображениях, относятся аварии на газо- и нефтепроводах, пожары, рубки, импактные зоны и фитофаги. Иногда, как, например, при нефтяных разливах, воздействия на леса носят невыраженный характер и проявляются в виде различных косвенных признаков, например, изменение спектральных характеристик вследствие дехромации и дефолиации лиственного покрова, изрежи- вание древостоя, увеличение коэффициента мозаичности лесов и пр. Следует отметить, что согласно европейским стандартам критическая пороговая нагрузка на леса определяется из условия 10% уменьшения биомассы.

Для количественной оценки ущерба лесам от газовых выбросов промышленных предприятий разработана специальная методика, основанная на теории "доза-эффект" зависимости и специальных интегральных индексах экологического состояния лесов. Частично эта методика была рассмотрена в предыдущих параграфах. Согласно этой методике масштабы техногенного воздействия на леса могут быть определены из оценок размеров импактной и буферной зон.

Импактная зона представляет собой техногенную пустыню вокруг источников воздействий, таких как разливы нефти или загрязнения от хмиче- ских предприятий, лишенную не только лесов, но и других видов растительного покрова. Импактная зона хорошо видна на космических изображениях. Наиболее сильный эффект техногенного воздействия на леса возникает в горных котловинах.

Буферная зона представляет собой структурно нарушенные леса с явными (дефолиация, усыхание и пр.) и скрытыми деградациями. Лесные земли, расположенные за пределами буферной зоны, названы фоновой зоной.

В настоящее время в практике обработки космических изображений используется большое количество алгоритмов сегментации и выделения контуров. Однако работа большинства этих алгоритмов основана лишь на использовании яркостных характеристик изображения. При этом не учитывается возможность использования для выделения зон деградации лесов на космическом изображении дополнительной информации в виде модулирующей функции, которая может быть получена экспериментально или расчетными методами. Модулирующая функция должна быть пропорциональна степени деградации лесов в зависимости от расстояния от источника воздействия, например от места разлива нефти.

Рассмотрим методику, в которой в качестве модулирующей функции используется один из интегральных индексов - комплексный коэффициент деградации лесов (ККДЛ). Интегральные индексы имеют достаточно широкое применение в различных научных и прикладных областях. Как правило, интегральные индексы определяют с использованием алгоритмов сжатия больших объемов информации в специальные характеристики и показатели. Для оценки экологического состояния лесов в районе источников воздействия на лесные массивы будем использовать интегральный индекс, который получил название интегрального коэффициента сохранности (ИКС), который рассчитывается по следующей формуле:

где j - 1,2,..JV- номер пробной площади, к - 1,2,...К - номер биогеоцено- тического параметра, Bkj - результат измерения k-то биогеоценотического параметра на /-ой пробной площади, (?Дгах - максимальное значение к-то биогеоценотического параметра, рассчитанное по всем пробным площадям, ф - весовые коэффициенты.

Значения ККДЛ и ИКС связаны следующим соотношением:

где ?>(/•), 1(г) - функции ККДЛ и ИКС в зависимости от расстояния от источника выбросов. В алгоритмах сегментации именно функция D(r) может быть использована в качестве модулирующей.

Рассмотрим задачу классификации на R классов многоканального космического изображения, содержащего N пикселей в каждом из Р каналов. Обозначим яркости пикселей изображения X/, х2, ..., Хдг. При этом: Xj - представляет собой P-мерный вектор, а изображение может быть представлено в виде множества: X = {х1, х2, xN}. Известно, что большинство природных объектов на

космическом изображении можно отнести к классу нечетких образов. Для выделения объектов этого класса используют методы теории нечетких множеств.

В теории нечетких множеств используется функция принадлежности, которая может принимать произвольные значения от 0 до 1: ujs е [0,1] ? где j - индекс, нумерующий пиксели, a s - индекс, нумерующий кластеры. При четкой классификации функция принадлежности принимает только два значения: 0 и 1, т.е.: ujs е{0,1}. В большинстве нечетких алгоритмов используются суммируемые нормированные функции принадлежности, удовлетворяющие условию: ^jUjs =1, однако в некоторых случаях, как, например, при отсутствии

S

четкой границы между классами, допускается использование произвольных функций принадлежности. Для классификации часто применяется треугольная функция принадлежности. Пример треугольных нечетких чисел представлен на рис.4.3.1. Для этих чисел характерно сохранение треугольной формы и для их произведения, что упрощает работу алгоритмов классификации.

Вид функции принадлежности для треугольных симметричных нечетких чисел

Рис. 4.3.1. Вид функции принадлежности для треугольных симметричных нечетких чисел: ш, 2а - центр и ширина нечеткого числа; штриховкой показан результат операции произведения

Структура симметричных нечетких чисел имеет следующий вид:

где mj и aj - среднее и стандартное отклонение по скользящему окну. В качестве эталонных могут быть использованы следующие нечеткие числа:

где та, аа - среднее и стандартное отклонение по эталонному окну, определенному для импактной зоны, а тьь - среднее и стандартное отклонение по эталонному окну, определенному для фоновой зоны. Как следует из рис.4.3.1, для получения произведения симметричных треугольных нечетких чисел могут быть использованы отрезки длиной - 2а с центром в точке т.

Для решения задачи нечеткой классификации образов на космических изображениях рассмотрим нечеткий алгоритм, который основан на анализе принадлежности пикселя (четкое число) отрезкам (нечеткие числа):

где uja, UjC, Ujb - функции принадлежности j-oro пикселя соответственно импактной, буферной и фоновой зонам, А и В нечеткие числа, характеризующие яркостные свойства соответственно импактной и фоновой зон. Буферная зона рассматривается, как пересечение импактной и фоновой зон С = АпВ. Конкретные численные значения, использованные в формуле (4.3.5), соответствуют экспериментальным оценкам, полученным в работах .

В нечетко-логическом алгоритме (4.3.5) нечеткая классификация используется только в случае пересечения импактной и фоновой зон. Геометрическая интерпретация алгоритма представлена на рис. 4.3.1. При этом в (4.3.5) используются только яркостные характеристики изображения. Для включения дополнительной информации умножим яркости пикселей на модулирующую функцию D{r). При этом для достаточно удаленных от источника точек местности / «0,8 и модулирующая функция будет приводить яркости пикселей к диапазону, соответствующему фоновой зоне. Таким образом, модулирующая функция будет подавлять случайные кластеры, оказавшиеся на расстоянии от источника, соответствующем расположению другой экологической зоны. С учетом модулирующей функции алгоритм (4.3.5) можно представить в следующем виде:

где L - интегральный коэффициент сохранности для точки местности, соответствующей у'-ому пикселю. Учет модулирующей функции позволяет минимизировать влияние облачности на результат работы алгоритма классификации для фоновой зоны. Геометрическая интерпретация нечеткологического алгоритма представлена на рис. 4.3.2.

Геометрическая интерпретация нечетко-логического алгоритма (4.3.6)

Рис. 4.3.2. Геометрическая интерпретация нечетко-логического алгоритма (4.3.6): взаимное расположение пикселя и нечетких характеристик импактной и фоновой зон (отрезки); А, В и С - импактная, фоновая и буферная зоны. Нижняя часть рисунка показывает случай перекрытия импактной и буферной зон

В следующем алгоритме функция принадлежности произведения нечетких чисел определялась из нормализованной длины взаимного пересечение отрезков, представляющих эти числа, как отношение множеств:

где 1(B) - длина отрезка В. В алгоритме учитываются различные варианты взаимного пересечения трех отрезков. Число различных возможных комбинаций взаимного расположения трех отрезков равно: 6! - 720, что трудно поддается анализу. Однако для задачи экологического зонирования количество возможных комбинаций будет гораздо меньше, так как импактная и фоновая зоны расположены в определенном порядке.

Предположим, что В < А, т.е. яркость фоновой зоны меньше яркости им- пактной зоны. Данное предположение является следствием того, что для космического снимка в спектральном диапазоне 0,6 - 0,7 мкм коэффициенты корреляции с фитомассой травяно-кустарничкового яруса, запасом древесины, общим проективным покрытием и другими показателями, входящими в формулу для расчета ИКС (1), достаточно велики. При В < А число различных комбинаций становится обозримым. На рис.4.3.3 представлены две основные комбинации, представляющих взаимное расположение импактной и буферной зон для случая В < А.

Две основные комбинации взаимного расположения отрезков, представляющих импактную и фоновую зоны

Рис. 4.3.3. Две основные комбинации взаимного расположения отрезков, представляющих импактную и фоновую зоны

Для варианта (а) имеется 15 различных расположений этой комбинации с третьим отрезком, представляющим характеристики скользящего окна обработки. Эти варианты расположения представлены на рис. 4.3.4.

Различные комбинации расположения трех отрезков для случая рис. 4.3.3а

Рис. 4.3.4. Различные комбинации расположения трех отрезков для случая рис. 4.3.3а

Количество различных комбинаций можно еще более уменьшить исходя из предположения о том, что верхняя граница импактной зоны совпадает с максимумом, а нижняя граница фоновой зоны совпадает с минимумом яркостного диапазона. При этом формулы (4.3.4) примут следующий вид:

В результате упрощения остается шесть комбинаций (рис. 4.3.5е, ж, з, л, м, о). Для каждой из этих комбинаций функции принадлежности импактной - Ui, буферной - и2 и фоновой - и3 зон рассчитывались с учетом (4.3.7) по следующим формулам:

где gaX, ga2>gbv gb2>Sii’ Sn - верхние и нижние границы соответственно импактной и фоновой зон и скользящего окна. Далее по результатам работы алгоритма (4.3.9) определялся индекс, максимума из трех функций принадлежности: jm = Arg(m ax(w,23)). При этом нечетко-логический алгоритм классификации имеет следующий вид:

где Br(j) - яркость пикселей у'-ого кластера. Для учета в алгоритме не только яркостных характеристик, но и ИКС - модуляции, центральные точки нечетких чисел для фоновой зоны умножались на модулирующую функцию:

Для более точной классификации результаты, полученные по формулам (4.3.9) могут быть согласованы в ходе итерационного процесса при помощи метода нечетких с-средних, модернизированного введением в него ИКС- модуляции.

Различные варианты взаимного расположения трех отрезков

Рис.4.3.5. Различные варианты взаимного расположения трех отрезков

Описанный алгоритм может быть использован для оценки воздействия на лесные массивы техногенных загрязнений, таких как нефтяные разливы или промышленные источники токсических газовых выбросов. Рассмотрим для примера космическое изображение лесов южной тайги (ЮТ) в районе экологического бедствия на Южном Урале. Для анализа использован трехканальный космический снимок, полученный при помощи аппаратуры МСУ-Э с ИСЗ "Ресурс-01" в июле 1992г.

Характерной особенностью лесов в этом районе является то, что в результате повреждения растительности газовыми выбросами существенно изменяются два главных параметра лесного покрова: спектральные характеристики и проективное покрытие. Учет этих особенностей с помощью модулирующей функции будем использовать в алгоритме экологического зонирования. Блок-схема нечетко-логического алгоритма представлена на рис.4.3.6.

В блоке инициализации задаются константы и начальные значения переменных, необходимые для работы программы. Блок "Расчет модулирующей функции" рассчитывает функцию D(r) по конечному числу точек, в которых производилось измерение показателей эффекта. Значения модулирующей функции в промежуточных точках рассчитывается при помощи интерполяции.

Блок-схема нечетко-логического алгоритма экологического зонирования лесов в районе техногенного воздействия

Рис.4.3.6. Блок-схема нечетко-логического алгоритма экологического зонирования лесов в районе техногенного воздействия: к - номер итерации, N - количество строк изображения,

ФП - функция принадлежности

В алгоритме (рис.4.3.6) имеется основной цикл расчетов. В цикле осуществляется последовательный перебор пикселей изображения. Каждый пиксель является центром окна, для которого рассчитываются статистические характеристики: средняя яркость и стандартное отклонение. Эти характеристики необходимы для вычисления функции принадлежности (ФП), которая рассчитывается по формулам (4.3.9). Далее полученная функция принадлежности модулируется умножением на функцию D(r). Результат модуляции поступает на вход процедуры преобразования ФП в яркостное трехуровневое поле, которое и представляет три зоны экологического зонирования. Результирующее трехуровневое изображение может быть при необходимости представлено в виде двухуровневых (бинарных) контуров.

Пространственное разрешение использованного космического снимка около 40м. Такое разрешение представляется достаточным для задач экологического зонирования лесов с размерами зон влияния промышленного производства около 100 км. На рис. 4.3.7 представлен использованный космический снимок в ближней инфракрасной спектральной зоне.

Космическое изображение лесов ЮТ в районе экологического бедствия на Южном Урале в ближней инфракрасной спектральной зоне (0,8-0,9мкм)

Рис.4.3.7. Космическое изображение лесов ЮТ в районе экологического бедствия на Южном Урале в ближней инфракрасной спектральной зоне (0,8-0,9мкм)

В восточной части снимка лесные массивы сменяются лесостепью и выделение границ возможно лишь при условии использования в алгоритмах классификации модулирующей функции. В этой части снимка имеет место также увеличение процента облачности. Результаты сегментации снимка показаны на рис. 4.3.8. Светлое пятно слева от зоны является ложным кластером, появившимся благодаря недостаточности модуляции для подавления облачности. Следует отметить, что зоны рис. 4.3.8а имеют размытую границу. Более сглаженные результаты получаются при использовании алгоритмов классификации (4.3.9)-( 4.3.11). Результаты обработки представлены на рис. 4.3.86. Для сегментации использовано скользящее окно размером: 5x5 пикселей.

Следует еще раз подчеркнуть важную роль, которую играет в нечеткологическом алгоритме (4.3.9)-( 4.3.11) модулирующая функция. Для сравнения на рис.4.3.9а показан результат сегментации без учета модуляции. Результаты экологического зонирования могут быть также представлены в виде контуров (см. рис. 4.3.96).

Таким образом, для выделения экологических зон в районе нефтяных разливов и других мест экологического бедствия по космическим снимкам может быть использован нечетко-логический алгоритм классификации, основанный на нечетком анализе изображений и использовании специальной модулирующей функции, применение которой значительно улучшает результаты экологического зонирования. Эти результаты могут быть также использованы для оценки биологического ущерба, нанесенного лесам нефтяными разливами или газовыми выбросами промышленных предприятий.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >