Разработка методики автоматизированной обработки аэро и космических снимков для мониторинга городских территорий тема диссертации и автореферата по ВАК РФ 25.00.34, кандидат технических наук Арбузов, Станислав Андреевич

• Арбузов, Станислав Андреевич
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Арбузов, Станислав Андреевич

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 .ЗАДАЧИ И СРЕДСТВА МОНИТОРИНГА ГОРОДСКОЙ СРЕДЫ

1.1 Задачи мониторинга городских территорий

1.2 Съёмочные системы, используемые для городского мониторинга

1.2.1 Космические съёмочные системы

1.2.2 Аэросъёмочные аппараты

1.3Спектральные свойства природных образований

1.4 Обзор методов обработки аэро- и космических снимков

1.4.1Виды искажений, возникающие при дистанционном зондировании

1.4.2 Радиометрическая коррекция

1.4.3 Атмосферная коррекция

1.4.4 Геометрическая коррекция

1.4.5 Фильтрация изображений

1.4.6 Индексные изображения

1.4.7 Метод главных компонент

1.4.8 Распознавание образов, дешифрирование снимков

1.4.9 Методы выявления изменений (Change Detection)

2. РАЗРАБОТКА МЕТОДИКИ МОНИТОРИНГА ГОРОДСКИХ ТЕРРИТОРИЙ

2.1 Разработка технологической схемы мониторинга городских территорий

2.2 Разработка методики выявления изменений по классифицированным разновременным изображениям с использованием контуров объектов застройки

2.3 Разработка методики выявления изменений по ЦМП

2.4 Создание цифровых моделей рельефа и цифровых моделей поверхности

2

2.4.1 Получение данных о рельефе

2.4.2 Определение необходимой детальности цифровой модели поверхности

2.4.3 Идентификация соответственных точек

2.4.4 Фильтрация ошибок ЦМП

2.5 Разработка методики определения высот зданий по ЦМП

3 ЭКСПЕРИМЕНТАЛЬНЫЕ РАБОТЫ

3.1 Исследование методов Change Detection для выявления изменений по разновременным космическим снимкам городской территории

3.2 Исследование метода Хафа для получения контуров объектов городской застроенной территории

3.3 Использование цифровых моделей поверхности для выявления изменений, произошедших на застроенной территории

3.4 Автоматизированное определение высот наземных объектов с использованием ЦМР и ЦМП

3.5 Использование градиентной фильтрации для повышения эффективности классификации снимков

3.6 Использование преобразования Фурье для генерализации контура растительности

3.7 Исследование оползневой зоны города Барнаула

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А (обязательное) СХЕМА РАСПОЛОЖЕНИЯ

ОПОЛЗНЕВЫХ РАЙОНОВ ГОРОДА БАРНАУЛ

ПРИЛОЖЕНИЕ Б (обязательное) ХАРАКТЕРИСТИКИ КОСМИЧЕСКИХ

СИСТЕМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ВЫСОКОГО И СВЕРХВЫСОКОГО РАЗРЕШЕНИЯ

ПРИЛОЖЕНИЕ В (обязательное) ХАРАКТЕРИСТИКИ ЦИФРОВЫХ.

АЭРОСЪЕМОЧНЫХ СИСТЕМ

ПРИЛОЖЕНИЕ Г (обязательное) РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ АЛГОРИТМА IMAGE DIFFERENCING ДЛЯ ЧЕТЫРЁХ СПЕКТРАЛЬНЫХ КАНАЛОВ РАЗНОВРЕМЕННЫХ КОСМИЧЕСКИХ

СНИМКОВ

ПРИЛОЖЕНИЕ Д (обязательное) СТАТИСТИКА ОБНАРУЖЕНИЯ ИЗМЕНЕНИЙ МЕТОДА POSTCLASSIfiCATION COMPARISON

ПРИЛОЖЕНИЕ Е (обязательное) РЕЗУЛЬТАТ ПРИМЕНЕНИЯ ДЛЯ ЦМП

РАЗЛИЧНЫХ СГЛАЖИВАЮЩИХ

ФИЛЬТРОВ

ПРИЛОЖЕНИЕ Ж (обязательное) РЕЗУЛЬТАТ ИСПОЛЬЗОВАНИЯ СРЕДНЕЙ

ЯРКОСТИ ПИКСЕЛОВ СНИМКА ДЛЯ ЗАПОЛНЕНИЯ МАСКИРОВАННЫХ УЧАСТКОВ В КРАСНОМ И ИНФРАКРАСНОМ КАНАЛАХ

ПРИЛОЖЕНИЕ И (обязательное) СНИМОК QUICKBIRD. И СХЕМА РАСПОЛОЖЕНИЯ ОПОРНЫХ И КОНТРОЛЬНЫХ ТОЧЕК

ПРИЛОЖЕНИЕ К (обязательное) ФРАГМЕНТ КАРТЫ ГОРОДА БАРНАУЛА (1996 ГОД)

ПРИЛОЖЕНИЕ Л (обязательное) СОСТОЯНИЕ ОПОЛЗНЕВОГО

СКЛОНА

Введение диссертации (часть автореферата) на тему «Разработка методики автоматизированной обработки аэро и космических снимков для мониторинга городских территорий»

ВВЕДЕНИЕ

Актуальность темы исследования. Одной из особенностей развития современной цивилизации является быстрый рост городов, особенно это характерно для крупных региональных центров и мегаполисов, таких как Москва, Санкт-Петербург, Новосибирск и т. д.

Рост городских территорий требует совершенствования систем управления. Для осуществления эффективного управления современным городом необходимо своевременное получение данных, что обеспечивается ведением мониторинга. Одним из основных требований, предъявляемых к мониторингу, является оперативность получения информации. Наибольшая оперативность городского мониторинга достигается при использовании данных дистанционного зондирования, они позволяют получать актуальную информацию сразу обо всей территории города.

Всё чаще для целей мониторинга и обновления картографических материалов используются космические снимки высокого и сверхвысокого разрешения. Это обусловлено следующим:

- космические снимки сверхвысокого разрешения позволяют получать информацию, соответствующую по точности картографическим материалам вплоть до масштаба 1 : 2 ООО;

-космические съёмочные системы обладают высокой периодичностью получения данных;

- относительно низкая стоимость и высокие информативные свойства космических снимков высокого и сверхвысокого разрешения, причём наблюдается тенденция к постоянному удешевлению и увеличению пространственного разрешения космических снимков.

По уровню оперативности городской мониторинг можно разделить на оперативный мониторинг чрезвычайных ситуаций и плановый мониторинг.

Чрезвычайные ситуации вызывают разрушение транспортной и телекоммуникационной инфраструктуры, что часто парализует органы управления города. Данные дистанционного зондирования обеспечивают оперативное получение информации о масштабах явления, что позволяет выполнять планирование своевременных адекватных действий.

При ведении планового мониторинга осуществляется систематическое наблюдение за исследуемой территорией.

Наиболее важным при ведении мониторинга является выявление изменений и анализ причин их возникновения. Самыми распространёнными изменениями городской среды, выявляемыми по данным дистанционного зондирования, являются снос и возведение зданий, изменения площади зелёных насаждений, строительство или расширение дорог и т. д.

В ряде случаев наблюдается незаконное строительство, информация о котором не вносится в планы административных округов и управ. Космические снимки позволяют своевременно выявлять нарушения в существующей застройке, а также контролировать ход выполнения нового строительства. Примером в настоящее время может служить космический мониторинг стройки олимпийских объектов в городе Сочи.

Городская среда характеризуется тем, что включает в себя объекты различной сложности, поэтому для правильной интерпретации данных необходимы хорошо работающие методики, использующие различные алгоритмы.

Из-за близости значений спектральных яркостей различных типов объектов дешифрирование элементов городской застройки является сложной задачей. Поэтому существует необходимость в методиках, использующих, наряду с яркостными признаками, другие, дополнительные признаки, в качестве которых могут выступать структурные особенности объектов и пространственные геометрические характеристики городской среды. В связи с этим возникает задача разработки методик, использующих структурные и пространственные признаки для мониторинга городских территорий.

Степень разработанности проблемы. Решению задач автоматизированного дешифрирования аэро- и космических снимков посвящено большое количество научных работ российских ученых (Журкин И.Г., Гук А.П., Пяткин В.П., Кашкин В.Б. и др.) и зарубежных (Гонсалес Р., Вудс Р., Прэтт У., Дейвис Ш.М., Шовенгердт P.A., Рис У .Г., Чандра A.M. и др.). Большой вклад в мониторинг городских территорий по космическим снимкам внесли Серебряков C.B., Кобзева Е.А., Алябьев A.A. и др. В настоящее время разработано большое количество методик для мониторинга, основанных на визуальном дешифрировании, однако визуальные методы требуют больших трудовых затрат и высокой квалификации исполнителя. Поэтому ведутся активные работы по автоматизации мониторинга, выполняемого по космическим снимкам. Эти методики находятся на первоначальном этапе развития и не всегда обеспечивают приемлемый результат.

В рамках диссертационной работы для решения задач мониторинга городской среды были разработаны и исследованы методики автоматизированного дешифрирования аэро- и космических снимков, основанные на использовании как яркостных, так и пространственных и геометрических особенностей объектов городской среды.

Цель и задачи исследования. Целью диссертации является разработка методики автоматизированного мониторинга городской среды по аэро- и многозональным космическим снимкам высокого и сверхвысокого разрешения на основе комплексных алгоритмов, использующих данные дистанционного зондирования.

Для достижения этой цели необходимо решить следующие задачи: - выполнить анализ особенностей мониторинга городской среды на основе данных дистанционного зондирования и исследовать различные подходы к выявлению изменений на космических снимках;

-разработать методику комплексного автоматизированного дешифрирования космических снимков для оперативного мониторинга городской среды, использующую яркостные, структурные и геометрические признаки;

-разработать комплексную методику дешифрирования и выявления изменений, произошедших на застроенной территории, по аэро- и космическим снимкам с использованием цифровых моделей поверхности.

Объект и предмет исследования. Объектом исследования является технология использования аэро- и многозональных космических снимков высокого разрешения для мониторинга застроенных территорий, а предметом - алгоритмы автоматизированного дешифрирования аэро- и многозональных космических снимков и выявление по ним изменений.

Методологическая, теоретическая и эмпирическая база исследований. В работе использованы методы цифровой обработки изображений, аналитической и цифровой фотограмметрии. Для разработки и исследования методик автоматизированного дешифрирования и выявления изменений использовались космические снимки QuickBird и IKONOS, а также аэроснимки, полученные аэрофотокамерой RC 30 и сканирующей камерой ADS 40. Обработка выполнялась в программных продуктах PhotoMod 4.1, PhotoMod 5, ENVI 4.6.1 и Surfer 8, кроме того, использовались разработанные автором программы, реализованные на языках программирования Delphi 7 и MATLAB.

Основные научные положения диссертации, выносимые на защиту: -методика выполнения мониторинга городских территорий на основе комплексного дешифрирования аэро- и многозональных космических снимков высокого и сверхвысокого разрешения;

- методика повышения эффективности автоматизированного дешифрирования космических снимков с использованием информации о границах объектов;

-методика выявления изменений по цифровым моделям поверхности и рельефа, полученным по разновременным аэрокосмическим снимкам.

Научная новизна результатов исследования. Научная новизна диссертации заключается в том, что в результате исследований была разработана методика комплексного использования яркостных, пространственных и геометрических признаков для автоматизированного дешифрирования аэро- и космических снимков.

Разработана методика получения и использования цифровых моделей поверхности для определения высот зданий и выявления изменений, произошедших на застроенной территории.

Научная и практическая значимость работы. Практическая ценность работы состоит в том, что разработанную методику комплексного использования яркостных, пространственных и геометрических признаков для дешифрирования аэро- и космических снимков можно применять для определённых классов объектов застроенных территорий (растительность, здания и сооружения с определением этажности, проезжие части улиц и т. д.) в автоматизированном режиме, что позволяет вести оперативный мониторинг.

Соответствие диссертации паспорту научной специальности. Диссертация соответствует паспорту научной специальности 25.00.34 - «Аэрокосмические исследования Земли, фотограмметрия», разработанному экспертным советом ВАК Минобрнауки РФ, по соответствующим позициям:

№ 4 - «Теория и технология дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследований»;

№ 5 - «Теория и технология получения количественных характеристик динамики природных и техногенных процессов с целью их прогноза».

Апробация и реализация результатов исследования. Результаты исследований были доложены и одобрены на конференциях: международной научно-практической конференции «Индустриально-инновационное развитие на современном этапе: состояние и перспективы», 10-11 декабря 2009 г., г. Павлодар; VI Международном научном конгрессе «ГЕО-Сибирь-2010», 19-23 апреля 2010 г., г. Новосибирск; VII Международном научном конгрессе «ГЕО-Сибирь-2011», 27-29 апреля 2011 г., г. Новосибирск.

Основные результаты диссертационной работы внедрены в учебный процесс СГГА и используются при изучении специальных дисциплин студентами специальностей «Аэрофотогеодезия» и «Исследование природных ресурсов аэрокосмическими средствами», а также студентами направления «Геодезия и дистанционное зондирование» профиля «Аэрокосмические съемки, фотограмметрия».

9

Публикации по теме диссертации. Основное содержание работы опубликовано в 10 статьях, из них 3 статьи - в изданиях, входящих в Перечень рекомендуемых ВАК Минобрнауки РФ.

Структура диссертации. Общий объем диссертации составляет 132 страницы. Диссертация состоит из введения, заключения, трех разделов, включает 1 таблицу, 54 рисунка, 10 приложений и список, содержащий 109 наименований использованных источников.

1 ЗАДАЧИ И СРЕДСТВА МОНИТОРИНГА ГОРОДСКОЙ СРЕДЫ

1.1 Задачи мониторинга городских территорий

Под мониторингом понимается процесс систематических наблюдений, оценки и прогноза изменений исследуемого объекта.

По величине охвата территорий различают: локальный, региональный и глобальный мониторинг. Мониторинг городских территорий происходит на региональном и локальном уровне [15, 66].

В настоящее время различные авторы выделяют несколько видов городского мониторинга - это мониторинг экологической обстановки, архитектурный мониторинг и мониторинг земель. Эти виды мониторинга взаимосвязаны и часто проходят одновременно.

Под архитектурным мониторингом городской среды понимается система наблюдений, комплексного архитектурно-градостроительного анализа и оценки существующего состояния в архитектуре для создания прогноза любых изменений в архитектурной среде города. Архитектурный мониторинг является необходимой теоретической базой при проектировании силуэта города. В основе архитектурного мониторинга лежит визуальное исследование и анализ облика города, его отличительных архитектурных и ландшафтных особенностей.

Экологический мониторинг города - это система наблюдений, оценки и прогноза антропогенных изменений окружающей среды.

При экологическом мониторинге контролируются следующие компоненты среды: атмосферный воздух, атмосферные осадки, поверхностные и грунтовые воды, почва, живая природа. Для экологического мониторинга, кроме наземных средств, в последнее время активно используются данные дистанционного зондирования (ДДЗ). При помощи космических снимков выявляются площади нефтяных разливов, обезлесивание и опустынивание территорий, высыхание водоёмов, таяние ледников, облака смога над городами и т. д.

Мониторинг земель может включать в себя элементы экологического и архитектурного мониторинга. Земля является наиболее важным ресурсом для развития современного города. Государственный мониторинг земель представляет собой систему наблюдений за состоянием земель, его задачи определены ст. 67 Земельного кодекса Российской Федерации:

- своевременное выявление изменений состояния земель, оценка этих изменений, прогноз и выработка рекомендаций о предупреждении и об устранении последствий негативных процессов;

- информационное обеспечение ведения государственного земельного кадастра, государственного земельного контроля над использованием и охраной земель, иных функций государственного и муниципального управления земельными ресурсами, а также землеустройства;

- обеспечение граждан информацией о состоянии окружающей среды в части состояния земель [30].

Наиболее активно городской мониторинг ведётся в городе Москве. Земельным департаментом города Москвы данные дистанционного зондирования используются с 2003 года. При мониторинге земель выполняется деление земель по их функциональному значению (жилые, промышленные зоны), исследуется дорожная сеть, геологическая среда, геодинамические процессы, карсто-во-суффозионные процессы, подверженность паводкам, уровень химического загрязнения, определяется кадастровая стоимость земли, изменение топографической ситуации, выполняется проверка освоения земель.

Информация, получаемая в результате ведения мониторинга земель, используется в процессе государственного управления земельными ресурсами и планирования развития городских территорий (планирование застройки, дорожно-транспортной сети, парков и т.д.).

Согласно градостроительному кодексу РФ, основным документом городского территориального планирования является генеральный план [22].

Основные требования к разработке генерального плана города заключаются в максимальной актуальности картографических данных, минимизации сроков выполнения работ, качестве и глубине проработки проекта [32].

В соответствии с СНиП 11-04-2003, графические материалы генерального плана города с проектной численностью населения 500 тыс. человек и более выполняются в масштабах 1:25 000- 1:10 000; города с проектной численностью населения 100 - 500 тыс. человек - в масштабах 1:10 000 - 1:5 000; города, другого поселения с проектной численностью населения от 10 тыс. до 100 тыс. человек - в масштабе 1:5 000; города, другого поселения с расчетной численностью населения менее 10 тыс. человек - в масштабе 1:2 000 [32].

Использование только топографической основы (планов внутрихозяйственного землеустройства) для формирования генерального плана города не целесообразно, так как планшеты быстро устаревают, а их обновление традиционными наземными методами требует значительных финансовых затрат. Поэтому в последнее время для обновления картографических материалов на территории городов наряду с аэрофотосъёмкой всё чаще используют материалы, полученные с космических съёмочных систем высокого и сверхвысокого разрешения [18, 19, 32, 106, 107, 72, 73]. Существуют примеры использования космических снимков сверхвысокого разрешения для создания картографических материалов масштабов 1:5000 и даже 1:2000 [11, 31, 36]. Учитывая более низкие цены за единицу площади по сравнению с традиционными картографическими материалами, высокие информативные свойства и периодичность космических снимков высокого и сверхвысокого разрешения, эти снимки являются наиболее пригодными для ведения мониторинга городских территорий [7, 13]. Использование разновременных космических снимков позволяет выявлять изменения, происходящие на местности. Как известно, все изменения объектов городского хозяйства включаются в планы административных округов и управ, получают обоснование и отражение на планах и картах, поэтому мониторинг должен вестись с учетом материалов перспективного развития городского хозяйства [38]. Использование разновременных космических снимков сверхвысо-

13

кого разрешения позволяет фиксировать все нарушения планового освоения территории города как в смысле отставания развития (примеры долгостроя, или «виртуального строительства»), так и в отношении несанкционированных и неконтролируемых действий (например, застройка рекреационных зон, водоохранной зоны, снос памятников архитектуры и т.д.) [48].

Одной из важных задач городского мониторинга является наблюдение за состоянием и площадью растительного покрова. От площади городских лесов зависит комфортность населения и общая экологическая обстановка. Обезлеси-вание является одной из основных проблем крупных городов. Основной причиной обезлесивания является интенсивная застройка. Также состояние зелёных насаждений в городе зависит и от многих других факторов, от состава почв, воздуха, наличия достаточного количества воды и ее качества, общей антропогенной нагрузки и т.д. При выполнении мониторинга выполняется зонирование территорий под зелеными насаждениями по степени их ослабленности и нарушенное™ [45, 46, 103, 97].

Ещё одним из важнейших направлений при ведении городского мониторинга с использованием космических съёмочных систем является мониторинг чрезвычайных ситуаций (ЧС). Для сибирских городов наиболее распространённой ЧС являются весенне-летние паводки [27].

На разлив рек в весенне-летний период первостепенное влияние оказывает таяние льда и снега, а также появление ледовых заторов и торосов. При затоплении поймы часто подвергаются подтоплению населённые пункты и хозяйственные объекты, что наносит ощутимый экономический ущерб.

Ранее для целей мониторинга ледовых процессов на реках кроме стандартных наблюдений на сети гидрологических постов использовались материалы ледовых авиаразведок. Однако авиаразведки крупных площадей - дорогое мероприятие. По этой причине в настоящее время за реками, имеющими склонность к ежегодным разливам, ведётся мониторинг с космических съёмочных систем [47, 55, 42].

Кроме наводнений, существуют и другие требующие наблюдения и контроля систематически возникающие в городах негативные явления. К таким явлениям можно отнести геодинамические и карстово-суффозионные процессы (овраги, оползни, суффозионные воронки и т.д.). Оползневые явления распространены, например, в городе Барнауле Алтайского края (они были исследованы по космическим снимкам при выполнении диссертационной работы).

Развитие оползневых процессов на территории города Барнаула связано с выносом песка (механической суффозией) из водоносного горизонта, в результате чего в толще грунта образуются полости, из-за этого теряют устойчивость вышележащие породы. Кроме грунтовых вод большую роль в процессе ополз-необразования играет подмыв берега водами реки Оби в период половодья. В последние несколько лет происходит активизация оползневых процессов, связанная с ростом антропогенного воздействия на геологическую среду в связи с утечками из водонесущих коммуникаций, а также с перегрузкой склонов тяжелыми промышленными зданиями и сооружениями, и с нарушением поверхностного стока, вызывающего рост овражной сети, усиливающей суффозионные процессы и ослабляющей устойчивость склона. Оползневая зона г. Барнаула условно разбита на пять оползневых районов (приложение А), каждый из которых характеризуется различной степенью интенсивности оползневых процессов и величиной техногенной нагрузки на береговую зону [4, 5].

Геодезические измерения оползня в городе Барнауле с 2002 года не производились ввиду нехватки денег в городском бюджете. Использование материалов космической съёмки сверхвысокого разрешения позволит проследить многолетнее разрушение оползневых склонов и проверить достоверность прогноза развития оползневых процессов. Кроме систематического, планового мониторинга оползневой ситуации, необходимо осуществлять оперативный мониторинг при сходе крупных оползней. Для обеспечения оперативного мониторинга необходимо, чтобы съёмка проводилась с достаточной периодичностью. Кроме периодичности необходимо учитывать и ряд других, описанных в 1.2.1 параметров съёмочных систем.

1.2 Съёмочные системы, используемые для городского мониторинга

1.2.1 Космические съёмочные системы

В настоящее время орбитальная группировка спутников высокого и сверхвысокого пространственного разрешения состоит из более десятка аппаратов принадлежащих различным странам.

При выборе той или иной космической съёмочной системы для мониторинга городских земель необходимо учитывать пространственное разрешение, территориальный охват, количество спектральных каналов, периодичность съёмки, наличие архивных данных, стоимость и т.д.

По пространственному разрешению космические съёмочные системы принято делить на системы среднего разрешения, с разрешающей способностью в панхроматическом канале от 10 до 30 м (LANDSAT-7, TERRA (ASTER), ЕО-1, SPOT-2,4, ENVISAT); системы высокого разрешения, с разрешающей способностью в панхроматическом канале от 5 и до 1 м (Ikonos, ALOS, SPOT-5, FOR-MOSAT-2, IRS-1C/1D, IRS-P5,P6) [9, 85, 79, 33, 14]; и съёмочные системы сверхвысокого разрешения, с разрешающей способностью в панхроматическом канале 1 м или меньше (OrbView-3, KOMPSАТ-2, Ресурс ДК, QuickBird, World View-1,2, Pleiades-HR 1,2, GeoEye) [11, 42, 50, 75, 95].

Подробные характеристики спутников можно видеть в таблице (приложение Б).

Кроме характеристик космических съёмочных систем при мониторинге также необходимо учитывать сезон съёмки и наличие облачности. Облачность закрывает интересующие объекты и делает невозможным наблюдение в оптическом диапазоне. Для минимизирования влияния облачности съёмка производится в районе (10-11) ч по местному времени.

Важным при организации мониторинга является сезон (время года) съёмки. Очевидно, что в зимний период снеговой покров скрывает контуры многих

объектов и поэтому в большинстве случаев целесообразно использовать снимки бесснежного периода [60]. В летний же период густая растительность может скрывать небольшие постройки и дорожную сеть, поэтому часто для мониторинга городской среды целесообразно применять весенние и осенние снимки.

При мониторинге растительного покрова необходимо выбирать летние снимки с учётом периода вегетации исследуемых растительных культур. Кроме сезона съёмки при мониторинге растительного покрова необходимо учитывать количество спектральных каналов и их спектральные диапазоны.

1.2.2 Аэросъёмочные аппараты

Аэрофотосъёмочные аппараты (АФА) подразделяются на аналоговые и цифровые. Аналоговые АФА по-прежнему широко распространены, но постепенно заменяются на цифровые съёмочные системы. Обработка материалов аэрофотосъёмки выполняется на цифровых фотограмметрических станциях, поэтому аналоговые аэрофотоснимки переводятся в цифровой вид путём сканирования на высокоточных фотограмметрических сканерах.

Цифровые фотограмметрические камеры делятся на системы, использующие ПЗС-матрицы, и сканирующие камеры на линейках ПЗС. Принцип работы камер на основе матриц ПЗС такой же, как у обычных АФА (кадр строится в единый момент времени, аэрофотосъёмочный маршрут строится из перекрывающихся кадров). Наиболее популярными кадровыми цифровыми фотограмметрическими камерами являются: камера DSS (DigitalSensorSystem) фирмы Applanix, UltracamD, UltracamX фирмы Microsoft-Vexel и DMC фирмы ZI [52, 53].

Примером сканирующих камер на линейках ПЗС являются модели LeicaGeosystems ADS 40, 80 и Wehrli/Geosystem 3DAS. Построение изображения этими камерами принципиально отличается от кадровых систем и аналогично процессу космической сканерной съёмки. Каждая строка изображения, полученного сканирующей системой, является снимком центральной проекции

со своими элементами внешнего ориентирования, сканирование обеспечивается за счёт движения носителя. В космических съёмочных системах параметры орбиты и скорость движения спутника являются относительно постоянными в отличие от аэросъёмки, при которой периодически меняется скорость, а также углы крена и тангажа. Для получения элементов внешнего ориентирования каждой строки при выполнении аэросъёмки, используются GPS и INS системы.

Стоит заметить, что аэрофотосъёмка цифровыми кадровыми и сканерными системами ведётся, как правило, в нескольких зонах электромагнитного спектра, что повышает достоверность камерального дешифрирования снимков. Подробные характеристики различных аэросъёмочных камер можно видеть в приложении В.

1 .ЗСпектральные свойства природных образований

Основные спектральные диапазоны, используемые в дистанционном зондировании, совпадают с окнами прозрачности атмосферы.

Как уже было сказано, большинство космических съёмочных систем высокого и сверхвысокого разрешения, а также цифровых аэросъёмочных камер выполняют съёмку в нескольких спектральных каналах. Городская среда состоит из природных объектов и объектов застройки, различающихся спектральными отражательными характеристиками (коэффициентами спектральной яркости). Коэффициенты спектральной яркости определяются специальной аппаратурой и представляются в виде спектральных кривых. В современных программных продуктах по обработке ДДЗ, как правило, имеются встроенные спектральные библиотеки различных природных образований (растительность, почвы, горные породы и т.д.). На рисунке 1 показаны графики из спектральной библиотеки растительности программного комплекса ENVI.

Рисунок 1 - Графики спектральных отражательных характеристик различных типов растительности

В оптическом диапазоне кривые спектральной яркости растительности имеют два минимума - в синей (0,45 - 0,47 мкм) и в красной (0,68 - 0,69 мкм) области спектра. Это объясняется тем, что большая часть излучения в синем и красном диапазоне поглощается хлорофиллом растений. В зелёной (0,54 - 0,58 мкм) и в ближней инфракрасной (0,7 - 1,3 мкм) зоне спектра находятся максимумы отражения. Максимум ближней инфракрасной зоны обусловлен интенсивным отражением клеточных структур листа. Отражательные свойства древесных пород зависят от нескольких факторов: от густоты кроны, от возраста растений, от периода вегетации, от подстилающей поверхности и т.д. [39]. Если просветы почвы меньше пространственного разрешения съёмочной системы, то яркость почвы может оказывать существенное влияние на спектральные характеристики исследуемой растительности. В этом случае яркость почвы и растений интегрируются. Влияние почвы сильно возрастает в красной области спектра. На рисунке 2 показаны графики из спектральной библиотеки почв программного комплекса ENVI.

Рисунок 2 - Графики спектральных отражательных характеристик

различных типов почв

11ри дешифрировании растительности, почв и друг их объектов стоит учитывать погодные факторы, т.к. влажность поверхности сильно влияет на отражательную способность (наблюдается уменьшение коэффициента отражения, с увеличением длинны волны). На яркость объектов, отображённых на космическом снимке, влияет не только их отражательная способность, но и помехи аппаратуры, атмосфера, ошибки в приёме или передаче данных и т.д. Влияние этих факторов исправляется, как правило, на этапе предварительной обработки.

1.4 Обзор методов обработки аэро- и космических снимков

1.4.1 Виды искажений, возникающие при дистанционном зондировании

Данные дистанционного зондирования изначально содержат различного рода искажения, которые могуг препятствовать адекватному восприятию отображаемой на снимках информации. Для устранения этих искажений выполня-

ются различного вида корректирующие операции [35]. К таким операциям относятся:

- радиометрическая коррекция;

- атмосферная коррекция;

- геометрическая коррекция;

- фильтрация изображений;

- создание индексных изображений.

1.4.2 Радиометрическая коррекция

Существует несколько причин возникновения радиометрических искажений:

а) неоднородность отклика детекторов;

б) неисправность элементов детектора;

в) потери при передаче данных;

г) узкий динамический диапазон;

д) непостоянство параметров съемки.

Радиометрическая коррекция данных ДЗЗ выполняется, в основном, двумя методами:

- с использованием известных параметров и настроек съемочного прибора (корректировочных таблиц);

- статистически.

В первом случае необходимые корректировочные параметры определяются для съемочного прибора на основе длительных наземных и полетных испытаний. Коррекция статистическим методом выполняется путем выявления дефекта и его характеристик непосредственно из самого изображения, подлежащего коррекции. Качество коррекции при использовании корректировочных таблиц выше, чем при статистическом расчете, так как такой тип коррекции учитывает особенности системы, которая такие данные производит.

Пропуски в строках снимка устраняются путем усреднения значений соседних пикселов в той же строке. При наличии пропусков в двух последовательных строках они заменяются строками, содержащими только минимальное значение.

1.4.3 Атмосферная коррекция

Атмосфера оказывает большое негативное влияние при дистанционном зондировании Земли с помощью космических оптических съёмочных систем (это влияние гораздо выше, чем при аэрофотосъёмке). Влияние атмосферы приводит в первую очередь к изменению спектральных характеристик отображаемых объектов. Для исправления яркостных искажений, вызванных влиянием атмосферы, применяют атмосферную коррекцию. Существует два основных метода атмосферной коррекции - так называемый метод вычитания темного объекта (ВТО) и использование моделей состояния атмосферы, которые учитывают климат, сезон, степень рассеяния излучения, метеорологические данные.

1.4.4 Геометрическая коррекция

Геометрические искажения могут быть различного вида и иметь различные причины возникновения [40]. Ниже перечислены различные виды геометрических искажений.

а) искажения, обусловленные геометрией фокальной плоскости сенсора, положением оптической оси относительно ориентации космического аппарата;

б) искажения, связанные с ориентацией снимка относительно направления движения спутника, ошибки, возникающие из-за изменения высоты орбиты, скорости сканирования и направления осей космического аппарата.

После радиометрической и атмосферной коррекции координаты всех точек исходного растра преобразуются из исходной системы координат (строка, пиксел) в географическую (широта, долгота).

Для этого обычно используются полиномы второй степени:

Для решения уравнений (1) необходимы опорные точки (точки с известными геодезическими координатами). На снимке измеряют координаты опорных точек, затем, подставляя их и геодезические координаты в уравнение (1), получают значения коэффициентов полиномов. Используя значения коэффициентов полиномов, для каждого пикселя изображения вычисляют геодезические координаты [26, 34].

Картографическая проекция и ориентация изображения (для снимков с географической привязкой) задаются на этапе выбора выходного растра. В заключение все данные записываются в нужном цифровом формате.

Следующий этап геометрического трансформирования состоит в пересчете яркости пикселов исходного снимка в яркость пикселов трансформированного изображения. Эту процедуру называют повторной дискретизацией.

Для повторной дискретизации обычно используют один из трех методов: метод билинейной интерполяции, метод «ближайшего соседа» или метод кубической конволюции. В случае метода «ближайшего соседа» значение пиксела нового снимка определяется значением ближайшего к нему пиксела исходного снимка.

(1)

>

о 9

у = ¿о + Ь\х + Ь^У + Ъ$ху + Ь4х + Ь5у

1.4.5 Фильтрация изображений

Как уже было сказано, космические снимки могут содержать различного рода искажения и шумы, вызванные как работой самого сенсора, так и внешними факторами [43]. Шумы оказывают негативное влияние на восприятие изображения оператором и на обработку автоматизированными алгоритмами. Для устранения шумов часто выполняется предварительная обработка при помощи различных фильтров. Фильтрация может применяться для сглаживания перепадов яркости (низкочастотная фильтрация) и для подчёркивания границ (высокочастотная фильтрация). Наибольшее распространение получили линейные фильтры-маски. Такие фильтры также называют масками свёртки или ядром свёртки, они представляют собой квадратные матрицы, состоящие из не чётного количества элементов. Процесс фильтрации сводится к перемножению элементов весовой матрицы (маски) с соответствующими элементами изображения и последующем суммировании результатов, получившееся значение присваивается элементу, находящемуся под центральным элементом матрицы, затем матрица сдвигается на один элемент и процесс повторяется. В общем случае фильтрация изображения £, размера М х N, фильтром-маской, размера тхт определяется формулой:

а Ъ

8(х,у)= Е 1>С*,0Я*+*,>>+0- (2)

Фильтры низких частот усредняют значения яркостей пикселов, обрабатываемых маской, и присваивают результат пикселу, находящемуся под центральным элементом маски. Таким образом, происходит размытие резких перепадов яркости, которые могут быть как шумами, так и контурами различных объектов.

Степень сглаживания при использовании этих фильтров достигается размерами используемой маски: чем больше маска, тем большее число пикселов участвует в обработке, и, соответственно, достигается большая степень размытия.

Линейные фильтры высоких частот усиливают относительно низких высокие частоты изображения. Высокочастотные фильтры применяют для подчёркивания контуров изображения. Для выделения контуров также используются фильтры, основанные на определении градиента. К ним относятся: фильтр Пре-витта, Собеля, Робертса, DoG и т.д. [18].

1.4.6 Индексные изображения

Для выявления различных объектов (растительность, водные объекты, горные породы и т.д.) на многоспектральных космических снимках и получения их качественных характеристик часто применяют индексные изображения, получаемые при помощи математических операций над спектральными каналами. Эффективность используемых индексов определяется особенностями отражения. Эти индексы выведены, главным образом, эмпирически.

Почти во всех распространенных индексах применяется соотношение яркостей изображений в красном (RED) и ближнем инфракрасном каналах (NIR). Причиной выбора этих двух каналов является то, что в красной области спектра находится максимум поглощения хлорофиллом, а в ближнем инфракрасном -максимум отражения клеточной структуры [77, 92, 100].

Относительный вегетационный индекс (RVI) был впервые описан в 1969 г. и определяется по формуле:

= (3)

RED

К VI - это наиболее широко распространенный индекс растительности, обычно применяемый на практике для нивелирования различных эффектов альбедо при обработке данных ДЗЗ.

Нормализованный разностный вегетационный индекс (МЖ7) находится по формуле:

NDV1=mZRED=m±, (4)

NIR + RED RVI + l

NDVI чаще всего имеют в виду при упоминании индекса вегетации. Одно из преимуществ этого индекса состоит в том, что его значения изменяются от О до 1, в отличие от RVI [102, 91, 72].

Усовершенствованный вегетационный индекс (EnhancedVegetationlndex, EVI):

рТ/т / NIR - RED \ * /1 п

EVI = (NIR + efRED-C2*BLlJE + l)iX + L)' &

где Ь - поправочный коэффициент, учитывающий влияние почвы коэффициенты;

С! = 6 и С2 = 7.5 контролируют вклад голубой зоны в атмосферное аэрозольное рассеяние, эти коэффициенты найдены эмпирически. Индекс ЕУ1 может принимать значения от минус 1 до1. Разностный вегетационный индекс (ОVI) определяется по формуле:

БШ = ЫШ-ШВ. (6)

Почвенный вегетационный индекс (ЗА VI) вычисляется по формуле:

SAVI =

NIR - RED NIR + RED + L

(1 + £):

(7)

где Z = [0;1] и зависит от степени «облиствения».

Этот индекс представляет собой нечто среднее между относительными и перпендикулярными индексами [83, 84, 86, 71].

Индекс глобального мониторинга окружающей среды (Global Environmental Monitoringindex, GEMI) разработан Pinty и Verstraete в 1991 году и определяется по формуле:

GEM = Е*(1-0.25*

Е _ AMIR2-RED2)+1-5*NIR + 0.5*RED К NIR + RED+ 0.5 }

(8)

(9)

Чтобы не проводить детальную атмосферную коррекцию, в этом индексе сконструирована общая поправка за влияние атмосферы [99].

Кроме вышеописанных, существует много других индексов, используемых для выявления особенностей растительности: Нормализованный разностный водный индекс (Normalized Difference Water Index, NDWI), Перпендикулярный вегетационный индекс (Perpendicular Vegetation Index, PVI), Взвешенный разностный вегетационный индекс (Weighted Difference Vegetation Index, WDVI), Трансформированный вегетационный индекс (Transformed Vegetation Index, TVI), Модифицированный почвенный вегетационный индекс (Modified Soil Adjusted Vegetation Index, MSAVI), Трансформированный почвенный вегетационный индекс (Transformed Soil Adjusted Vegetation Index, TSAVI), Вегетационный индекс, устойчивый к влиянию атмосферы (Atmospherically Resistant Vegetation Index, ARVI), Почвенный вегетационный индекс, устойчивый к влиянию атмосферы (Soiland Atmospherically Resistant Vegetation Index, SARVI),

Вегетационный индекс зелёности (Green Vegetationindex, GVI), Водный индекс (Water Bandindex, WBI), Индекс стресса влажности (Moisture Stress Index, MSI), Нормализованный разностный инфракрасный индекс (Normalized Difference Infrared Index, NDII) и т.д. [65, 71, 76, 77, 78, 100,101, 89, 108, 97].

1.4.7 Метод главных компонент

При представлении многоканальных изображений на экране компьютера, используется 3 цвета (R,G,B), которые присваиваются выбранным оператором спектральным каналам. Вследствие того, что информация в спектральных каналах космических снимков коррелированна, расстояния между признаками очень малы. Это мешает адекватно распознавать объекты, принадлежащие к разным классам. Для преобразования исходного изображение в изображение с некоррелированными спектральными каналами используется метод главных компонент.

Сущность метода главных компонент заключается в том, что вектор яркостей для элемента многоспектрального изображения:

где к - количество каналов; у - номер пикселя,

преобразуется таким образом, что каждое из изображений канала получается независимым от изображения других каналов [34].

Для этого используется преобразование Карунена-Лоева:

(10)

и1 KjjU = Ä,

Т

(11)

где Ку - ковариационная матрица;

и - матрица, составленная из собственных векторов ковариационной матрицы Ку;

А, - собственные значения соответствующие собственным векторам матрицы и _

Затем вычисляется преобразованное изображение:

—2 — т

Ру = иРуи1 . (12)

Первые три компоненты преобразованного изображения содержат в себе большую часть информации и обычно называются главными компонентами. Использование метода главных компонент позволяет повысить эффективность визуального распознавания различных типов объектов [34].

1.4.8 Распознавание образов, дешифрирование снимков

Процесс распознавания, определения характеристик и взаимосвязей объектов на снимке называется дешифрированием [6, 29 41]. Существует большое количество алгоритмов автоматизированного дешифрирования, обладающих различной эффективностью и применяемых для различных типов объектов и исходных данных [25]. В современных программных продуктах по обработке данных дистанционного зондирования, как правило, используются несколько наиболее популярных алгоритмов [104, 105]. Среди методов классификации выделяют классификацию с обучением и классификацию без обучения [17, 18, 67, 64, 34, 56, 55].

Методы классификации без обучения подразумевают минимальное участие оператора. От оператора практически не требуется вводить какие-либо входные данные кроме количества классов. Все операции выполняются автома-

тически. Наиболее распространёнными алгоритмами классификации без обучения являются К-средних и КСЮАТА, эти алгоритмы называют алгоритмами кластерного анализа.

Алгоритм КСЮАТА базируется на кластеризации изображения, основанной на разнице между средними значениями кластеров (минимальном спектральном расстоянии между центрами классов).

Алгоритм Г8СЮАТА делится на следующие этапы.

Начальная инициализация кластеров. Входные данные предварительно обрабатываются по методу стандартных отклонений. Таким образом, устанавливается начальное положение центров спектральных классов. Количество классов определяется оператором.

Первая итерация. На данном этапе все пиксели изображения присваиваются классам по признаку наименьшего расстояния между средним значением класса и значением яркости пикселя, образуя кластеры. В качестве меры сравнения используется Евклидово расстояние.

Производится пересчет средних значений яркостей в классах. Соотнесение получившихся на предыдущем шаге кластеров к спектральным классам проходит по тому же принципу.

Кластеры могут объединяться или делиться в зависимости от установленных пороговых значений. Затем вновь производится пересчет средних значений и образование новых кластеров.

Данная процедура повторяется до тех пор, пока кластеры могут объединяться или делиться, либо по достижении максимального числа итераций, задаваемого пользователем.

Среди алгоритмов классификации с обучением наиболее популярны метод минимального расстояния, алгоритм параллелепипеда, алгоритм максимального правдоподобия и нейронная сеть.

Метод минимального расстояния для описания эталонов использует средние значения яркостей пикселов в классе. Решающее правило алгоритма основано на вычислении спектрального расстояния, являющегося мерой близости

30

классифицируемого объекта к каждому из эталонов. Спектральное расстояние в пространстве признаков вычисляется по формуле Евклида:

где О - спектральное расстояние;

хг - спектральная яркость пиксела в ьй зоне;

аг - средняя спектральная яркость класса в 1-й зоне.

Данный метод прост и обладает высокой скоростью работы.

Метод максимального правдоподобия реализует статистический подход к распознаванию образов и основан на гипотезе, что множество объектов одного класса характеризуются нормальным распределением значений спектральной яркости. Каждый класс характеризуется ковариационной матрицей и вектором математического ожидания [17, 34].

При классификации производится вычисление условных плотностей вероятности принадлежности пиксела к каждому из классов р^ / С к).

В итоге для каждого пикселя формируется К условных плотностей вероятностей, которые сравниваются с некоторым порогом (2к1. Сравнение позволяет определить, какая из гипотез наиболее правдоподобна. Отношение правдоподобия Ьм для классов к и I определяется по формуле:

(13)

I' = '■> К ы Р(Р111Ск)

= 4

Vе*

— -- 1 — —

Заключение диссертации по теме «Аэрокосмические исследования земли, фотограмметрия», Арбузов, Станислав Андреевич

Основные результаты исследований, проведенных в диссертации, следующие:

- выполнен анализ особенностей мониторинга городской среды с использованием данных дистанционного зондирования, который показал, что алгоритмы автоматизированного дешифрирования, использующиеся в популярных программных комплексах по обработке данных дистанционного зондирования, основанные на использовании только яркостных признаков, малоэффективны для дешифрировании снимков застроенной территории;

- исследована возможность использования фильтра Кении и преобразования Хафа для получения контуров объектов застройки;

- разработана методика автоматизированного дешифрирования космических снимков с использованием информации о границах объектов, полученной при градиентной фильтрации;

- разработана методика выявления изменений, произошедших на застроенной территории по цифровым моделям поверхности и методика определения высот наземных объектов с использованием цифровой модели поверхности и ЦМР;

- разработана комплексная методика мониторинга застроенных территорий по аэро- и космическим снимкам высокого разрешения на основе использования как яркостных так и пространственных признаков;

- проведены исследования разработанных методик по реальным космическим снимкам QuickBird и IKONOS, полученные на территорию города Барнаул, аэрофотоснимкам RC 30, на территорию города Красноярск и сканерным аэроснимкам ADS 40, на территорию города Новосибирск.

Список литературы диссертационного исследования кандидат технических наук Арбузов, Станислав Андреевич, 2011 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Агапов, С.В. Фотограмметрия сканерных снимков [Текст] / С.В.Агапов -М.: «картгеоцентр»-«геодезиздат», 1996. - 178 с.

2. Адров, В.Н. О точности создания ортофотопланов по снимкам Quick-Bird [Текст] / Ю.И. Карионов, П.С. Титаров, М.О. Громов, В.Г. Харитонов // Геопрофи - 2005. - № 6. - С.21 - 24.

3. Адров, В.Н. Определение точностных характеристик снимков QuickBird [Текст] / В.Н. Адров, Ю.И.Карионов, П.С Титаров, В.Г Харитонов., М.О Громов [Электронный ресурс] / сайт фирмы Ракурс http://www.racurs.ru/°page 300 - Загл. с экрана.

4. Азаров, Б.Ф. С.Г.Платонова Активизация природно-техногенных процессов на урбанизированных территориях г.Барнаула. [Текст] / Б.Ф. Азаров, С.Г.Платонова //Инженерно-геологические проблемы урбанизированных территорий: Материалы международного симпозиума - Екатеринбург: Издательство АКВА-ПРЕСС,2001 - С.422 - 425.

5. Азаров Б.Ф. Геоэкологический аспект обеспечения безопасности жизнедеятельности в оползневой зоне г.Барнаула. [Текст] / Б.Ф.Азаров // Здоровье населения - стратегия развития среды жизнедеятельности: в 2-х т. Сборник статей к Общему собранию РААСН - Белгородский гос.ун-т им.В.Г.Шухова.- Белгород: изд-во БГТУ, 2008. - Т.2 - С.53 - 56

6. Аковецкий, В.И. Дешифрирование снимков [Текст]: учеб.для вузов / В.И. Аковецкий. - М.: Недра, 1983. - 374 с.

7. Арбузов, С.А. Исследование алгоритма «дерево решений» в программном комплексе ENVI [Текст] / С.А. Арбузов, А.А. Гук // Геодезия и картография.-2011.-№ 2.-С. 11-14.

8. Арбузов, С.А. Использование цифровых моделей поверхности для выявления изменений на городской территории [Текст] / С.А. Арбузов // ГЕО-Сибирь-2010: сб. материалов VI Междунар. науч. конгр. «ГЕО-Сибирь-2010», 19

104

- 23 апр. 2010 г., Новосибирск. - Новосибирск: СГГА, 2010. - Т. 4, ч. 1. - С. 24 -26.

9. Арбузов, С.А. Исследование возможности оперативной привязки космических снимковпо космическим снимкам более высокого разрешения [Текст] / С.А. Арбузов // Сборник научных трудов аспирантов и молодых ученых Сибирской государственной геодезического академии под общ. ред. Т.А. Широковой. - Новосибирск: СГГА, 2009 - № 6 - С. 55 - 57.

10. Арбузов, С.А. Использование нейронной сети для идентификации соответственных точек [Текст] / С.А. Арбузов // ГЕО-Сибирь-2011. Т. 4.: сб. матер. VII Междунар. научн. конгресса «ГЕО-Сибирь-2011», 27-29 апреля 2010 г., Новосибирск. - Новосибирск: СГГА, 2011. - С. 26-29.

11. Болсуновский, М.А. Геометрическая коррекция данных со спутника QuickBird [Текст] / М.А. Болсуновский // Геопрофи - 2006 - №1 - С. 16 - 19.

12. Вершок, Д.А. Алгоритм выделения инвариантных информативных признаков для распознавания рукописных символов, основанный на преобразовании Хафа [Текст] / Д.А. Вершок, Р.Х. Садыхов // Идентификация образов: Сб. науч.тр- Минск: Ин-т техн. кибернетики НАН Беларуси - 1999.-С. 7"15.

13. Вештемова, А. Б Использование картографических материалов на основе космических снимков для целей нормализации кадастрового деления [Текст] / А. Б Вештемова // сб. матер Международного научно-промышленного симпозиума «Уральская горная школа - регионам» 12-15 апреля 2010 - С. 439 -442

14. Геворков, В.Р. Характеристики спутников высокого разрешения [Текст] / В.Р. Геворков // Пространственные данные. - 2,005. - № 3. - С.28 - 41.

15. Геоинформационный мониторинг городских территорий [Электронный ресурс] / сайт ООО «Агентство геоинформатики и риска». - Режим доступа: lit t р: / neo i и fo ti sk. iu/i n dex. p hp'? i d 10 & 111=0 - Загл. с экрана.

16. Гершензон, В.Е. Рынок космических геоданных в 2007 году [Текст] /

B.Е. Гершензон, A.A. Кучейко // Пространственные данные. - 2007. - № 2. -

C.22 - 29.

17. Гонсалес, Р Цифровая обработка изображений в среде MATLAB [Текст] / Р. Гонсалес, Р. Вудс, С Эддинс. - М.: Техносфера, 2006. - 616 с.

18. Гонсалес, Р. Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2006. - 1072 с.

19. Гордиенко, A.C. Разработка методики многоступенчатого дешифрирования космических снимков [Текст] / A.C. Гордиенко, М.А. Алтынцев., С.А. Арбузов // Геодезия и аэрофотосъемка. - 2011. - № 2. - С. 29-32.

20. Гормаш, A.B. Влияние геометрических параметров съемки на точность ортофотопланов, создаваемых по снимкам с КА IKONOS [Текст] /A.B. Гормаш, Т.В. Дорофеева, И.В. Оньков // Геоматика - 2009. - № 2. - С.35 - 39.

21. Гормаш, A.B. Опыт использования космических снимков IKONOS и QuickBird для решения задач муниципального хозяйства г. Перми [Текст] / A.B. Гормаш, В.А. Чернопазов, И.В. Оньков, М.А. Кривенко // ГЕОМАТИКА -2010-№1 - С. 52-56.

22. Градостроительный кодекс Российской Федерации от 29 декабря 2004 г. N 190-ФЗ (с изменениями от 22 июля 2005 г.)

23. Гук, А.П. Использование цифровых моделей поверхности для дешифрирования зданий и выделения изменений объектов городской территории [Текст] / А.П. Гук, С. А. Арбузов // Геодезия и картография - 2011 - № 3 - С. 24 -28.

24. Гук, А.П. Исследование точности автоматического измерения координат точек снимков с помощью масштабно-инвариантного преобразования SIFT [Текст] / А.П. Гук, Иехия Хассан Мики Хассан, С.А. Арбузов // ГЕО-Сибирь-2010. Т. 4, ч. 1: сб. матер. VI междунар. науч. конгр. «ГЕО-Сибирь-2010», 19 -23 апр. 2010 г. - Новосибирск: СГГА, 2010. - С. 35-38

25. Гук, А.П. Космический мониторинг территорий на основе цифровой обработки многозональных космических снимков среднего и высокого разрешения [Текст] / А.П. Гук, Л.Г. Евстратова, A.C. Гордиенко, P.A. Попов, М.М. Лазерко, С.А. Арбузов // Индустриально-инновационное развитие на современном этапе: состояние и перспективы: сб. материалов междунар. научно-практ. конф. - 2009. - Т. 1. - С. 122-123.

26. Гук, А.П. Фотограмметрическая обработка сканерных снимков [Текст] / А.П. Гук - Новосибирск: НИИГАиК, 1985. - 82

27. Дворкин, Б.А. Использование данных ДЗЗ из космоса для мониторинга водных объектов [Текст] / A.B. Абросимов, Б.А. Дворкин // Геопрофи - 2009. -№ 5. - С.40 - 45

28. Евстратова, Л.Г Трансформирование космических снимков с использованием программного комплекса ENVI [Текст]: Учебное пособие / Л.Г. Евстратова - Новосибирск: СГГА, 2008. - 41 с.

29. Живичин, А.Н. Дешифрирование фотографических изображений [Текст] /А.Н. Живичин, B.C. Соколов. - М.: Недра, 1980. - 253 с.

30. Земельный кодекс российской федерации от 28 сентября 2001 года N 136-Ф3

31. Зубарев, А.Э Оценка точности обработки стереопары космических изображений сенсора GeoEye-1 [Текст] / А.Э Зубарев // Пространственные данные - 2009 - №2 - С.44 -46.

32. Инструкция о порядке разработки, согласования, экспертизы и утверждения градостроительной документации СНиП 11-04-2003

33. Карасев, В. О перспективах систем ДЗЗ высокого разрешения [Текст] / В. Карасев, А. Бакланов, А. Коекин, M Клюшников. // Аэрокосмический курьер. - 2007. -№ 2. - С.70 - 71.

34. Кашкин, В.Б. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие [Текст] / В.Б. Кашкин, А.И. Сух-нин. -М.:Логос, 2001.-264 с.

35. Кобзева, Е.А. Автоматизация дешифрирования спутниковых снимков: опыт и проблемы [Текст] / Е.А. Кобзева, К.А. Поздина // Геодезия и картография. - 2008. - № 6. - С. 40-44.

36. Кобзева, Е.А. Создание топографических планов масштаба 1:2000 для разработки градостроительной документации средних и малых населенных пунктов [Текст] / Е.А. Кобзева// Геоматика - 2010. - № 3. - С.76 - 79.

37. Комментарий к Градостроительному кодексу Российской Федерации [Электронный ресурс] / сайт электронного фонда нормативно-технических документов - Режим доступа: http://docs.cntd.ru/documeiit/902019688 - Загл. с экрана.

38. Коськов, Б.И. Справочное руководство по съемке городов [Текст] / Б.И. Коськов -М.: Недра, 1968. - 240 с.

39. Кринов, E.JI. Спектральная отражательная способность природных образований [Текст] / E.JI. Кринов. - M.;JI., 1947. - 270 с.

40. Кронберг, П. Дистанционное изучение Земли. Основы и методы дистанционных исследований в геологии [Текст] / П. Кронберг - М.: Мир, 1988. -343 с.

41. Лабутина, И.А. Дешифрирование аэрокосмических снимков: Уч. пос. для студентов вузов [Текст] / И. А. Лабутина - М.: Аспект Пресс, 2004. - 184 с.

42. Лупачев, Ю.В. Опыт космического мониторинга развития весеннего половодья на реке Северная Двина в 2010 г. [Текст] / Ю.В. Лупачев, E.H. Скрипник, A.A. Кучейко // Земля из космоса - 2010 - №6 - С. 57 - 68.

43. Лурье, И.Е. Теория и практика цифровой обработки изображений. Дистанционное зондирование и географические информационные системы [Текст] / И.Е. Лурье, А.Г. Косиков // Под ред. A.M. Берлянта. - М.: Научный мир, 2003. - 168 с.

44. Марков, М.Ю. Мониторинг паводковой обстановки на реках по данным КА Terra [Текст] / М.Ю. Марков // Земля из космоса - 2010 - №6 - С. 78 -81

45. Мельникова, Е.Б. Разработка теоретических основ создания космического мониторинга с целью обеспечения оперативной информацией ГИС городского земельного кадастра (мониторинг озеленённых территорий) [Текст] / Е.Б. Мельникова // Геодезия и аэрофотосъёмка - 2006 - №4. - С. 91-104.

46. Методические рекомендации по разработке схем зонирования территории городов ) Протокол заседания НТС Госстроя РФ от 10 июня 1999 г. N 01-НС-15/7

47. Михайлов, В.П., Болсуновский М.А. Спутники ДЗЗ высокого разрешения / Сборник статей компании «Совзонд» за 2004-2005 гг. - М.: Проспект, 2005.

48. Михайлов, С.И. Космический мониторинг строительства в Иркутске: современные методы контроля и анализа использования земель [Электронный ресурс] / сайт компании Сканекс - Режим доступа:

http://www.scanex.ru/ru/publications/pdfypublication! 10.pdf - Загл. с экрана.

49. Назаров, A.C., Фотограмметрия: Учебное пособие [Текст] /A.C. Назаров - Мн.: ТетраСистемс,2006 - 368с.

50. Носенко, Ю. Развитие космической техники дистанционного зондирования Земли в России [Текст] / Ю. Носенко // Аэрокосмический курьер. - 2007. - № 2. - С.51-53.

51. Обиралов, А.И. Фотограмметрия и дистанционное зондирование [Текст]/ А.И. Обиралов, А.Н. Лимонов, JI.A. Гаврилова - М.: Колосс, 2006 -336 с.

52. Олейник, C.B. Цифровые камеры для аэрофотосъемки [Текст] / C.B. Олейник, В.Б Гайда // Геопрофи. - 2006. - № 4. - С. 45-51.

53. Петри, Г. Цифровые аэросъемочные системы [Текст] / Г. Петри // Тезисы докладов VII Международной научно-практической конференции «От снимка к карте: цифровые фотограмметрические технологии», г.Несебыр, Болгария, 17-20 сентября 2007 г. - Ракурс, 2007. - С.30-33.

54. Преобразование Хафа (Hough transform) [Электронный ресурс] / сайт сетевого журнала Компьютерная Графика и Мультимедиа -

109

Режим доступа: http://wwwxgmxompiitergraphics.rii/content/view/36 - Загл. с экрана.

55. Прэтт, У. Цифровая обработка изображений [Текст] : в 2 кн. / У. Прэтт. - М: Мир, 1982. - 670 с.

56. Рис, У.Г. Основы дистанционного зондирования [Текст] / У.Г. Рис. -М.:Техносфера, 2006. - 336 с.

57. Сидоренко, С.В. Спутниковый мониторинг паводка на реке Томь [Текст] / С.В. Сидоренко, А.Д. Романцов // Земля из космоса - 2010 - №6 -С. 70-77.

58. Система PHOTOMOD 4.4. Программа PHOTOMODAT. Руководство пользователя [Текст]. - М.: Ракурс, 2008. - 78 с.

59. Система PHOTOMOD 4.4. Программ aDTM. Руководство пользователя [Текст]. - М.: Ракурс, 2008. - 137 с.

60. Сладкопевцев, С.А Космический мониторинг в решении проблем городского земельного кадастра [Текст] / С.А. Сладкопевцев, C.JI. Дроздов // Геодезия и аэрофотосъёмка - 2006 -№ 3 - С. 77 - 82

61. Титаров, П.С. Практические аспекты фотограмметрической обработки сканерных космических снимков высокого разрешения [Текст] / П.С. Титаров // Аэрофототопография. - 2003. - № 4. - С. 30 - 34.

62. Фукунага, К. Введение в статистическую теорию распознавания образов [Текст] / К. Фукунага. - М.: Наука, 1979. - 368 с.

63. Характеристики спутниковой системы IKONOS [Электронный ресурс] / сайт компании scanex - Режим доступа: http://www.scanex.com/ru/ -Загл. с экрана.

64. Чандра, A.M. Дистанционное зондирование и географические информационные системы [Текст] / A.M. Чандра, С.К. Гош. - М.:Техносфера. - 2008. -312с.

65. Черепанов, A.C. Вегетационные индексы [Текст] / A.C. Черепанов// Геоматика - 2011. - № 2. - С. 98-102

66. Шубович, С. А. Введение в архитектурный мониторинг [Текст]/ С. А. Шубович, О.С. Соловьёва, Л.П. Панова - X. : ХНАГХ, 2009 - 67

67. Яне, Б. Цифровая обработка изображений [Текст] / Б. Яне. -М.[Техносфера, 2007. - 584 с.

68. Arbuzov S., Chermoshentsev A., Shirokova Т. Automated Determining the Heights of Ground Objects for 3D Modelling Using Aerial Survey Data. Innovative technologies for an efficient geospatial management of earth resources: proceedings of the international workshop, 4-8 sept. 2011. - Ulaanbaataar, Mongolia: So-rhkontsagaan LLC, 2011. - P. 175-177.

69. Arbuzov, Stanislav Implementation of automated interpretation and increasing of high resolution images geometrical properties when mapping urban territories [Текст] / Stanislav Arbuzov//International Summer Student Seminar, 21-25 September 2010, Novosibirsk. - PP. 32-36

70. Babu Madhavan. B. High-level data fusion and spatial modeling system for change-detection analysis using high-resolution airborne digital sensor data [Текст] / В. Babu Madhavan, T. Sasagawa and others / «International Journal of Remote Sensing». - No. 16. - August 2006. - PP. 3571 - 3591.

71. Baret, F. TSAVI: A vegetation index which minimizes soil brightness effects on LAI or APAR estimation [Текст] / F. Baret, G. Guyot, D. Major //12th Canadian Symposium on Remote Sensing and IGARSS 1990, Vancouver, Canada, July 1990-PP.10 - 14.

72. Beeri, O. Spectral indices for precise agriculture monitoring [Текст]/ О. Beeri, A. Peled // International journal of remote sensing, 2006- Vol. 27.-№ 16. -PP. 2039-2047.

73. Canny, J A Computational Approach to Edge Detection [Текст] / J. Canny // IEEE transactions on pattern analysis and machine intelligence, vol. pami-8, no.6,november PP. 1986 - 679 - 698.

74. Cheng, P. Mapping of IKONOS Images Using Minimum Ground Control [Текст] / P. Cheng, F. Gomez, M. Weber, C. Flingelli // Geoinformatics. - 2008. -Vol.11.-PP.52 - 57.

75. Cheng, P. Mapping of QuickBird Images. Improvement in Accuracy since Release of First QuickBird [Текст] / Р. Cheng, D. Smith, S. Sutton //Geoinformatics. -2005,- №6,- PP.50 -52.

76. Clevers, J. G. P. W. The derivation of a simplified reflectance model for the estimation of leaf area index [Текст] / J. G. P. W. Clevers // Remote Sensing of Environment. - 1988. - vol 35. - PP. 53 -70.

77. Crippen, R. E. Calculating the Vegetation Index Faster [Текст]/ R. E. Crippen // Remote Sensing of Environment. - 1990. - vol 34. - PP. 71 - 73.

78. Elvidge, C. D. Influence of rock-soil spectral variation on the assessment of green biomass [Текст] / С. D. Elvidge, R. J. P. Lyon // Remote Sensing of Environment. - 1985. - vol. 17. - PP. 265-269.

79. EROS В [Электронный ресурс] / сайт компании Совзонд - Режим доступа: http://www.sovzond.rii/satellites/455/466.html За гл. с экрана.

80. Hanley, Н.В. Sensor Orientation for High-Resolution Satellite Imagery: Further Insights into Bias-compensated RPCs [Текст] / Н.В. Hanley, C.S. Fraser // XXth ISPRS Congress, Istanbul, Turkey - July 2004. - PP. 12 - 23

81. Houet, Thomas Modelling and projecting land-use and land-cover changes with a cellular automaton in considering landscape trajectories: an improvement for simulation of plausible future states [Текст] / Thomas Houet, Laurence Hubert-Moy / «EARSeleProceedings». - No. 5. - Jenuary 2006. - PP. 63 - 76.

82. Hu, Hongtao Urban land-cover mapping and change detection with radarsatsar data using neural network and rule-based classifiers [Текст] / Hongtao Hu, Yifang Ban // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - Beijing, 2008. - vol. XXXVII. - Part B7. - PP. 1549- 1554.

83. Huete, A. R. A Soil-Adjusted Vegetation Index (SAVI) [Текст]/ A. R. Huete // Remote Sensing of Environment. - 1988. - vol. 25 - PP. 295 - 309.

112

84. Huete, A. R. Spectral response of a plant canopy with different soil backgrounds [Текст]/ A. R. Huete, R. D Jackson, D. F. Post //Remote Sensing of Environment.- 1985. - vol. 17. - PP.37-53.

85. IRS-P6 (RESOURSAT-1) [Электронный ресурс] / сайт компании Совзонд - Режим доступа: http://www.sovzoiid.ru/satellites/451 /453.html Загл. с экрана.

86. Jackson, R. D. Spectral indices in n-space [Текст] / R. D Jackson // Remote Sensing of Environment. - 1983. - vol. 13 - PP. 409 - 421.

87. Jianya,Gong Review of multi-temporal remote sensing data change detection algorithms [Текст] / Gong Jianya, Sui Haigang, Ma Guorui, Zhou Qiming // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - Beijing, 2008. - vol. XXXVII. - Part B7. - PP. 757 - 762.

88. Jordan, C. F. Derivation of leaf area index from quality of light on the forest floor [Текст] / С. F. Jordan // Ecology - 1969,. - vol. 50. - PP. 663 - 666.

89. Kaufman, Y. J. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS, in Proc. IEEE Int. [Текст]/ Y. J. Kaufman, D Tanre,. // Geosci. and Remote Sensing Symp. '92, IEEE, New York, 1992. - PP 261 - 270.

90. Koukoulas, S. The role of spatial metrics on the performance of an artificial neural-network based model for land use change [Текст] / S. Koukoulas, A.T. Vafei-disa, G.Vafeidis, E. Symeonakis // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - Beijing, 2008. - Vol. XXXVII. - Part B7. - PP. 1661 - 1666.

91. Kriegler, F. J., Preprocessing transformations and their effects on multi-spectral recognition [Текст]/ F. J. Kriegler, W. A. Malila, R. F. Nalepka, W. Richardson // Sixth International Symposium on Remote Sensing of Environment, University of Michigan, Ann Arbor, MI. - 1969. - PP.97-131.

92. Leprieur, C. NOAA/AVHRR Vegetation Indices: Suitability for Monitoring Fractional Vegetation Cover of the Terrestrial Biosphere [Текст] / С. Leprieur, M.M. Verstraete, B. Pinty, A. Chehbouni //Physical Measurements and Signatures in Remote Sensing, ISPRS. 1994. - PP. 1103-1110.

113

93. Lu, D. Change detection techniques [Текст] / D. Lu, P. Mausel, E. Bron-di'Zio, E. Moran // Int. J. // Remote Sensing. - 2003. - Vol. 25. - №12. - PP. 23652407.

94. Lyon, J. Change detection experiment using vegetation indices [Текст] / J. Lyon, D. Yuan, R. Lunetta, and C. Elvidge // Photogrammetric Engineering & Remote Sensing. - 1998. - vol. 64. - PP. 143-150.

95. Mapping Towns from QuickBird Imagery [Электронный ресурс] / сайт GIM International. http://www.gim-interiiational.com/issues/artic1es/id464-Mapping Towns from QuickBird Imagery.html. - Загл. с экрана.

96. Misakova, L. Mapping of Urban Green Cover Using Different Image Processing Techniques on VHR Satellite Data [Текст] / L. Misakova // ISPRS Hannover Workshop 2007 .High-Resolution Earth Imaging for Geospatial Information, Hannover, Germany, May 29 - June 1, 2007,- PP. 135 - 138.

97. Ouma, Y. O. A water index for rapid mapping of shoreline changes of five East African Rift Valley lakes: an empirical analysis using Landsat TM and ETM+ data [Текст] /Y. O. Ouma, R. Tateishi// International journal of remote sensing, 2006- Vol. 27.-№ 16. - PP. 3153 -3153

98. P. Coppin, I. Digital change detection methods in ecosystem monitoring: a review [Текст] / Coppin P., Jonckheere I., Nackaerts K., Muys B. // Int. J. Remote Sensing. - 2004. - vol. 25. - № 9. - PP. 1565-1596.

99. Pinty, B. GEMI: A Non-Linear Index to Monitor Global Vegetation from Satellites [Текст]/ В. Pinty, M. M. Verstraete // Vegetation. - 1991. - vol. 101. - PP. 15-20.

100. Qi, J. External Factor Consideration in Vegetation Index Development [Текст]/ J. Qi, Y. Kerr, A. Chehbouni //Physical Measurements and Signatures in Remote Sensing, ISPRS. - 1994. - PP. 723 - 730.

101. Richardson, A. J. Distinguishing vegetation from soil background information [Текст]/ A. J. Richardson, C. L. Wiegand //Photogrammetric Engineering and Remote Sensing. - 1977. - vol. 43. - PP. 1541-1552.

102. Rouse, J. W. Monitoring vegetation systems in the great plains with ERTS [Текст]/ J. W.Rouse, R. H. Haas, J. A Schell, D. W. Deering //Third ERTS Symposium, NASA SP-351. - 1973. - vol. 1 - PP.309 - 317.

103. Safia, A. A precise texture-color based forest detection in urban environment [Текст] / A. Safia, D.C. He, M.F. Belbachir, L. Bounoua // ISPRS Hannover Workshop 2007:High-Resolution Earth Imaging for Geospatial Information, Hannover, Germany, May 29 - June 1, 2007 - PP. 191 - 197.

104. Shaoqing, Zhang The comparative study of three methods of remote sensing image change detection [Текст] / Zhang Shaoqing, Xu Lu// The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. -Beijing, 2008. - vol. XXXVII. - Part B7. - PP. 1595-1598.

105. Sheeren, D. Classification Rules from Multiple Remotely Sensed Urban Data with Data Mining [Текст] / D. Sheeren, A. Puissant, C. Weber, P. Gancarski, Wemmert C. Deriving // 1st EARSeL Workshop of the SIG Urban Remote Sensing, Humboldt-Universitat, Berlin, 2-3 March 2006 - PP. 1 -10.

106. Toutin, T. Démystification of IKONOS [Текст] / T. Toutin, P Cheng // Earth Observation Magazine. - 2000. - № 9(7). - P. 17-21.

107. Toutin, T. QuickBird A Milestone for High-Resolution Mapping [Текст] / T. Toutin, P Cheng // Earth Observation Magazine. -2002. - vol.11, № 4. - 14 - 18.

108. Xu, H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery [Текст] / H. Xu// International journal of remote sensing - 2006. - vol. 27- № 16. - PP. 3025 - 3005

109. Zhu, L. Fusion of multisensormultitemporal satellite data for land cover mapping [Текст] / L. Zhu, R. Tateishi // International journal of remote sensing, 2006- vol. 27.-№ 8 - PP. 903 - 918

ПРИЛОЖЕНИЕ А СХЕМА РАСПОЛОЖЕНИЯ ОПОЛЗНЕВЫХ РАЙОНОВ Г. БАРНАУЛ

(обязательное)

ХАРАКТЕРИСТИКИ КОСМИЧЕСКИХ СИСТЕМ ВЫСОКОГО И СВЕРХВЫСОКОГО РАЗРЕШЕНИЯ (обязательное)

ТаблицаБ. 1

Космическая съемочная система Области спектра, мкм Пространственное разрешение, м Ширина полосы обзора, км Период повторения, сутки

1 2 3 4 5

0,45 - 0,90 0.61

Quick Bird (США) 0,45 - 0,52 0,52 - 0,60 0,63 - 0,69 0,76 - 0,90 2.44 2.44 2.44 2.44 36 4

0.52-0.92 1

IKONOS 0.44-0.52 4

(США) 0.51-0.60 0.63-0.69 0.76-0.86 4 4 4 11 4

0,49 - 0,69 2,5

SPOT-5 (Франция) 0,50 - 0,59 10

0,61-0,68 0,79 - 0,80 1,58-1,75 10 10 10 60 3-5

0,45 - 0,90 1

Orb View 0,45 - 0,52 4

(США) 0,52 - 0,60 0,63 - 0,69 0,76 - 0,90 4 4 4 8 3

0,58-0,80 1

Ресурс-ДК 1 (Россия) 0,50 - 0,60 0,60 - 0,70 0,70 - 0,80 2 2 3 4,7 -28 6

0,45 - 0,90 2

Formosat-2 0,45 - 0,52 0,52 - 0,60 0,63 - 0,69 0,76 - 0,90 8 8 8 8 24 ежедневно

Космическая съемочная система Области спектра, мкм Пространственное разрешение, м Ширина полосы обзора, км Период повторения, сутки

1 2 3 4 5

0,45 - 0,90 0,41

0,45 - 0,52 1,65

GeoEye-1 0,52 - 0,60 0,625- 0,695 0,76 - 0,90 1,65 1,65 1,65 15,2 1-3

0,44-0,51 5

0,52-0,59 5

RapidEye 0,63-0,685 0,69-0,73 0,76-0,85 5 5 5 77 24

0,52 - 0,77 2,5 35

0,42 - 0,50 10 70

ALOS 0,52-0,60 10 70 46

0,61-0,69 10 70

0,76 - 0,89 10 70

0,50 - 0,90 1

0,45 - 0,52 4

Kompsat-2 0,52 - 0,60 0,63 - 0,69 0,76 - 0,90 4 4 4 15 3

Cartosat-2 0,5-0,85 1 9,6 4

Cartosat-1

(PAN Fore) (PAN After) 0,5-0,85 0,5 - 0,85 2,5 2,5 30 27 5 5

EROS-A 0,50 - 0,90 1,9 14 3-4

EROS-B 0,50 - 0,90 0,7 7 3-4

0,50 - 0,90 0,5 17,6

WorldView-1,2 0,45 - 0,52 1,8 16,4

0,52 - 0,59 1,8 16,4 1-4

0,63 - 0,69 1,8 16,4

0,76 - 0,89 1,8 16,4

0,50 - 0,90 2,8 17

TopSAT 0,40 - 0,50 0,50 - 0,60 5,6 5,6 12 12 -

0,60 - 0,70 5,6 12

ПРИЛОЖЕНИЕ В ХАРАКТЕРИСТИКИ ЦИФРОВЫХ АЭРОСЪЕМОЧНЫХ СИСТЕМ

(обязательное)

Таблица В. 1

Наименование Основные характеристики

Легкие цифровые аэросъемочные

комплексы DSS (DigitalsensorSystems)

включают цифровую камеру 4К*4К, си-

стему прямого геопозиционирования

POS AV, и систему управления аэрофо-

тосъемочным процессом.

DSS 300/301 (Applanix Размеры матрицы - 4092 х4077.

Corp) Размер элемента-0,009 мкм. Линзы

Zeiss-Стандарт: f=55MM, 37 поле зрения

(CIR/VIS).

Опция: f=35MM, 55.4 поле зрения

(только VIS).Выдержки - 125-4000

Спектральные каналы:

400-500 нм;

500-600 нм;

600-680 нм;

Наименование Основные характеристики

Размер панхроматической матрицы,

эквивалент 104 х 68,4 мм

Размер пикселя всех матриц 7,2 мкм

Разрешение панхроматического

изображения 136 Мпикс (14430 х 9420)

Разрешение мультиспектральных

изображений 17 Мпикс (4992 х 3328)

Число спектральных каналов

4 (красный, зеленый, синий, ближний

инфракрасный)

Фокусное расстояние объектива

Цифровая аэрофотосъе- панхроматического сенсора 100 мм

мочная камера Фокусное расстояние объектива

УехсеШ11хаСат-Х мультиспектрального сенсора 33 мм

Максимальная диафрагма 1/5,6

Диапазон выдержек 1/500 - 1/32

Разрядность 14 бит

минимальный интервал фотографирова-

ния 1кадр/1.25 сек

Максимальная величина компенсации

линейного смаза 50 пикселей

Поле зрения поперек (вдоль) маршрута

52° (37°)

Разрешение на местности при высоте

полета:

500 м 3,6 см

300 м 2,2 см

Наименование Основные характеристики

Аэрофотокамера Rollei AIC modular LS Цифровая камера высокого разрешения для аэросъемки и промышленного применения^, 39 Мегапикселя, метрическая; 2.5 сек/кадр. ; Готова к интеграции с системами прямого геопозиционирования (Applanix POS AV - 510/410). Технические характеристикиРазреше-ние матрицы - 22 MPix (5440x4080), 39 MPix (5412x7216) Размер CCD матрицы - 36.9x48.7 mm, 36.8x49.1 mm Размер пиксела - 9 мкм, 6.8 мкм. Чувствительность - ISO 50 - ISO 400 Формат данных - RAW, 48-бит. кодировка цвета. 46 МБайт, 21-25 Мбайт Интервал съемки -от 2.5 сек. (зависит от применяемого компьютера и типа матрицы) Выдержка - 30 сек. - 1 / 1000 сек. Объективы -RolleiSystem 6000 и Schneider KREUZNACHS.5/40 мм , 2.8/50 мм , 2.8/80 мм , 4/120 мм , 4/150 мм и др.

Наименование Основные характеристики

Цифровая аэросъемоч- Число каналов - 3

ная сканирующая камера Радиометрическое разрешение -42 бит

3-ОА8-1 Угол между надирным и другими кана-

лами - 16/26 градусов

Фокусное расстояние

объективов - 110 мм

Поле зрения (поперек направления поле-

та) - 36 градус

Частота сканирования - 250-750 Гц

Вес (нетто/вся система с платформой и

компьютером) 32/150 кг

Цифровая аэросъемоч- Угол поля зрения (поперек направления

ная сканирующая камера полета) 64°

АБ840 Фокусное расстояние объектива 62.77 мм

Время записи информации с ПЗС-линеек

1.2 мсек

Размер элемента ПЗС-линейки 6.5

mkm

Регистрируемое число пикселей для пан-

хроматической линейки (ему соответ-

ствуетразмер пиксела в фокальной плос-

кости 3.25mm.) 2x1200

Динамический диапазон (для необрабо-

танных данных) 12 bit

Радиометрическое разрешение 8 bit

Углы стереонаблюдений 16°, 26°, 42°

РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ АЛГОРИТМА IMAGE DIFFERENCING ДЛЯ ЧЕТЫРЁХ СПЕКТРАЛЬНЫХ КАНАЛОВ РАЗНОВРЕМЕННЫХ КОСМИЧЕСКИХ СНИМКОВ (обязательное)

Фрагмент 1

а - красный, б — зелёный, в - синий, г - инфракрасный

а б

в г

Продолжение приложения Г Фрагмент 2

а - красный, б - зелёный, в - синий, г - инфракрасный

0 »1 СЫпд* Orterfcn CMfcirncr V.ip ¡MtnxxyST] (*= ® "й»| 0 «1 Change Oetecton Drfferwe Map ¡Мето«у5б| k*^ »«Ь

) file Ovnl«y fnhjn<< loc* ЧЯШкт | He Ovtrtay Inhantc loob Window j

1 d t I : I *

а б

в г

ПРИЛОЖЕНИЕ Д СТАТИСТИКА ОБНАРУЖЕНИЯ ИЗМЕНЕНИЙ МЕТОДА POSTCLASSIfiCATION COMPARISON (обязательное)

Pixel Counts

Unclassified Region il [Red| 1040 points Region ¿2 [Green] 195 points Region »3 [Bluc| 630 points Region P4 [Yel-

low] 300 points Region ¿5 [Cyan] 194 points Region -6 [Magenta] 157 points Region «7 [Maroon] 349 points Region -¿8 [Sea Green] 636 points Row Total Class Total

Unclassified 0 0 0 0 0 0 0 0 0 0 0

457290 Region -1 (Red] 2488 points 457290 0 457290 0 0 0 0 0 0 0

73580 Region #2 [Green] 488 points 73580 0 0 73580 0 0 0 0 0 0

388136 Region "3 |13lue| 300 points 388136 0 0 0 388136 0 0 0 0 0

528204 Region ¿4 [Yellow] 202 points 528204 0 0 0 0 528204 0 0 0 0

73616 Region ¿5 [Cyan] 270 points 73616 0 0 0 0 0 73616 0 0 0

8878 Region ~6 [Magenta] 271 points 8878 0 0 0 0 0 0 8878 0 0

85484 Region fil Maroon] 325 points 85484 0 0 0 0 0 0 0 85484 0

612362 Region "8 [Sea Green | 854 points 612362 0 0 0 0 0 0 0 0 612362

Class Total 0 457290 73580 388136 528204 73616 8878 85484 612362 0 0

Class Changes 0 0 0 0 0 0 0 0 0 0 0

Image Difference 0 0 0 0 0 0 0 0 0 0 0

Percentages

Unclassified Region #1 |Red| 1040 points Region "2 low| 300 points Region ?5 [Cyan| 194 points Region ';6 [Magenta| points Row Total Class Total |Green| 195 points Region |B!ue| 630 157 points Region #7 [Maroon] 349 points points Region s4 |Yel-Region -8 [Sea Green | 636

Unclassified 0.000 0.000 0.000 0.000 0.000 0.000 0.000 o.ooo 0.000 O.OOO 0.000

100.000 Region rH |Red| 2488 points 100.000 0.000 100.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

100.000 Region .-2 [Green] 488 points 100.000 0.000 0.000 100.000 0.000 0.000 0.000 0.000 0.000 0.000

100.000 Region rO (BliieJ 300 points 100.000 0.000 0.000 0.000 100.000 0.000 0.000 0.000 0.000 0.000

100.000 Region "4 | Yellow | 202 points 100.000 0.000 0.000 0.000 O.OOO 100.000 0.000 0.000 0.000 0.000

100.000 Region -5 |C'van| 270 points 100.000 0.000 0.000 0.000 0.000 0.000 100.000 0.000 0.000 0.000

Region ^6 [Magenta] 271 points 0.000 0.000 0.000 0.000 0.000 0.000 100.000 0.000 0.000

100.000 100.000

Region ¿1 [Maroon1325 points 0.000 0.000 0.000 0.000 0.000 0.000 0.000 100.000 0.000 100.000 100.000

Region rfx [Sea Green] 854 points 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 100.000 100.000 100.000

Class Total 0.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 100.000 0.000 0.000

Class Changes 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

0.000

0.000

Image Di[Terence 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

,\rea (Square Meiers)

Unclassified Region -1 [Red] 1040 points Region *2 [Green] 195 points Region S3 [Blue] 630 points Region S4 [Yel-

low] 300 points Region #5 [Cyan| 194 points Region -6 [Magenta] 157 points Region =?7 |Maroon] 349 points Region [Sea Green] 636 points Row Total Class Total

Unclassified 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

Region | Red| 2488 points 0.00 164624.40

164624.40 164624.40

0.00 0.00 0.00 0.00 0.00 0.00 0.00

Region H2 [Green] 488 points 0.00 0.00 26488.80 0.00 0.00 0.00 0.00 0.00 0.00 26488.80 26488.80

Region S3 [Blue] 300 points 0.00 0.00 0.00 139728.96 0.00 0.00 0.00 0.00 0.00 139728.96 139728.96

Region M [Yellow] 202 points 0.00 0.00 0.00 0.00 190153.44 190153.44 190153.44

0.00 0.00 0.00 0.00

Region "5 fCvan] 270 points 26501.76 26501.76 '

0.00 0.00 0.00 0.00 0.00 26501.76 0.00 0.00 0.00

Région ~6 [Magenta] 271 points 0.00 0.00 0.00 0.00 0.00 0.00 3196.08 0.00 0.00 3196.08 3196.08

Région #7 [Maroon| 325 points 0.00 0.00 0.00 0.00 0.00 0.00 0.00 30774.24 0.00 30774.24 30774.24

Région #8 [Sca Green] 854 points 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 220450.32 220450.32 220450.32

Class Total 0.00 164624.40 220450.32 0.00 0.00

26488.80 139728.96

190153.44

26501.76 3196.08 30774.24

Class Changes

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

Image Difference 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

Initial State Image: [Memory63] (1500x1500x1)

Coregistered Initial State Image Output to Memory

Dimensions: (1:1495. 1:1490). Band 1. Pixel Si/e: (0.60, 0.60) Meters

Region £1 [Red] 1040 points <-=> Region ¿1 [Red] 2488 points

Region -2 [Green] 195 points " Region »2 [Green] 488 points

Region "3 |Bluc| 630 points ■ —> Region *3 |Bluc| 300 points

Region ^4 lYcllowJ 300 points = Region n4 [Yellow] 202 points

Region US [Cyan] 194 points <—> Region JS [Cyan] 270 points

Region [Magenta] 157 points <- Region #6 [Magenta] 271 points

Region ~7 |Maroon] 349 points

Region ¡?7 [Maroon] 325 points 126