Реферат Откриване и картографиране на геоморфоложки обекти вследствие наводнения с помощта на въздушна фотограметрия
Изтегляне 41.2 Kb.
|
|
МИННО-ГЕОЛОЖКИ УНИВЕРСИТЕТ „Св. Иван Рилски” Миннотехнологичен факултет Катедра Маркшайдерство и геодезия Реферат Откриване и картографиране на геоморфоложки обекти вследствие наводнения с помощта на въздушна фотограметрия Цел на публикацията Целта на настоящата публикация е да се разработи обективна методика за бързо заснемане, идентифициране и класифициране на геоморфоложки ефекти като речна брегова ерозия (на английски bank erosion), пресни и стари натрупвания на баластра, натрупвания на пясък, които са получени в резултат от преливане на реките. За целта е представена нова техника за откриване на тези ефекти с помощта на изображения, получени чрез заснемане с безпилотни летателни системи (БЛС), които са оборудвани с панхроматична камера. Обект на изследване Обектът на изследване е потокът Жавори (на чешки “Javorˇı´”), който е малка планинска река в планините Шумава, Чешка република, с водосборен басейн с площ от 11km². Басейнът се намира в полупланинска среда и отразява естествената динамика на речните процеси, които в резултат от климатичните промени и нарушенията на горските масиви (изсичанията на горите) са зачестели. Средният наклон на водосборния басейн е сравнително малък, поради което потокът меандрира (реката прави много завои във формата на подкова). По-горната част (по-високата) на водосборния басейн “Видра” (на чешки Vydra) се подхранва основно от значителното снеготопене през пролетта в месеците април-май. За анализа на геоморфоложките ефекти като отправно събитие е използвано последното значително наводнение, случило се в декември 2015 година в резултат от изобилни валежи и снеготопене (т.нар. rain-on-snow event).
Заснемане с безпилотно летателно средство Изображенията са получени с дрона DJI Inspire 1 Pro, оборудван с камерата Zenmuse X5, която има лещи с фиксирано фокусно разстояние 12 милиметра (в английската литература се използва терминът prime lens). Камерата е с резолюция 4608 х 3456 пиксела, съответстващо на 16 мегапиксела, и съдържа CMOS сензор с размери 17,3 х 13,0 милиметра, служещ за заснимане на панхроматични изображения отделно от тези в RGB каналите. Летенето е извършено на надморска височина от 70 метра, като са заснети 352 изображения с надлъжно застъпване от 60% и напречно застъпване от 70%. Вграденият в дрона GPS приемник е използван за получаването на координатите на проекционните центрове. На обекта на изследване са стабилизирани 12 опорни точки, които са разпределени неравномерно. Координатите им са получени въз основа на GPS измерване с инструмента Topcon HiperSR, осигуряващ сантиметрова точност. Заснемането с безпилотното летателно средство е направено на 4-ти декември 2015 година, което е три дена след пика на преливането на водите. Фотограметрична обработка Фотограметричната обработка се състои в получаването на 2D ортофотомозайка и 3D числен модел на релефа (DEM). Обработката е базирана на алгоритъма SfM (Structure of motion), базиращ се на идеята, че може да се създаде 3D модел на даден обект, ако е заснет от различни позиции, независимо от наклона на снимките. Етапите на обработка включват изчисление и прилагане на корекциите заради грешки от камерата върху получените изображения, създаване на модела, базиран на алгоритъма SfM, създаване на “разреден” облак от точки, и сгъстяване на получения облак. Сгъстеният облак от точки се класифицира, за да се разграничат точките, представящи терена, от тези, представящи растителността и сградите. От получения точков модел се генерират цифровия модел на релефа и ортофотомозайката. Създаването на модела и автоматичното откриване на свързващите точки са получени с висока точност. Гъстият облак от точки се състои от 26 460 000 точки, като площта, която покрива, е 0.13km². Пространствената разрешаваща способност (GSD- ground sample distance) на полученото ортофотоизображение е 1.7cm, като средната квадратна грешка е 0.898 пиксела. За фотограметричното построяване на модела на заливната равнина (floodplain) и речното корито е използвана програмата Agisoft Photoscan Pro 1.31. Използваният компютър, който е тип работна станция, е със следните характерискити- Intel Core i7 6700 4.0GHz процесор, 64GB DDR4 RAM памет, две видеокарти NVIDIA GTX 960. Текстурни характеристики на изображенията Текстурата е важна характеристика, която позволява откриване на обекти, използвайки зависимостите в разпределението на нивата на сиво. Текстурните характеристики са статистически показатели, които измерват разпределението на нивата на сиво в изображението, като отчитат и пространствените връзки между пикселите. Текстурните елементи се характеризират с еднородност, контрастност и наличие на организирана структура и по този начин описват сложността и природата на промените на тона в изображението. За текстурния анализ в изследването са използвани характеристиките, представени от Haralick. За да се изчислят, е използван софтуерът SAGA GIS 4.0. Многоканалните RGB изображения са използвани, за да се изчислят две съвкупности от данни за текстурните характеристики, използвайки два подхода- при първия са избрани локални текстурни характеристики, които са контраст (Contrast), енергия (Energy), ентропия (Entropy), средно квадратно отклонение (Variance), а при вторият са избрани оригиналните текстурни характеристики, представени от Haralick- ентропия, контраст, корелация (Correlation), средно квадратно отклонение, обратен момент на разликите (Inverse difference moment), сборно средно (sum average), сборна ентропия (sum entropy), сборно средно квадратно отклонение (sum variance), втори ъглов момент (Angular second moment), мярка за корелация- 1 (measure of correlation-1) и мярка за корелация-2 (measure of correlation-2). Всеки един от изброените показатели отразява различните аспекти в разпределението и хомогенността на пикселите в полутоновото изображение (gray-tone image). Контрастът изразява остротата на изображението и дълбочината на текстурите (отношението между най-големия текстурен елемент и най-малкия такъв). Енергията отразява еднородността в разпределението на нивата на сиво в изображението и грубостта на текстурите. Ентропията е мярка за нееднобразието и сложността на текстурите, тъй като е статистически показател за случайността на стойностите на пикселите във входното изображение. Вторият ъглов момент представя вътрешните регионални промени в текстурите на изображението. Корелацията е мярка за линейните зависимости между нивата на сиво в матрицата и съседните ѝ пиксели, като по този начин характеризира консистенцията (плътността) на текстурата. Приложението на изброените дотук текстурни характеристики зависи силно от източника на изображението, вида на заснемания обект и качеството на получените изображения. Получените модели на локалните текстури, изчислени за заснетите изображения, са много нееднородни (хетерогенни). От визуалната оценка на изчислените текстури върху избрани представителни области от изучавания обект е установено, че само два от изброените по-горе текстурни характеристики дават пространствено разпределение от стойности, съответстващо на изучаваните форми. Тези текстурни характеристики са съответно енергията и ентропията. Средното квадратно отклонение и вторият ъглов момент отразяват само цялостното разпределение на морфоложките форми, получени вследствие преливането на реките, а някои текстурни характеристики внасят в получените резултати шум, който може да затрудни интерпретацията вместо да повиши точността- това са съответно контрастът, обратният момент на разликите, средно квадратно отклонение на разликите и сборното средно. Избирането на определени текстурни характеристики като допълнителни помощни слоеве може да помогне за повишаване на точността на класификацията, тъй като тези характеристики отразяват ключови физични свойства на речния пейзаж (riverscape) и подпомагат разграничаването на водния поток, речните форми и растителността. Ентропията е избрана за по-нататъшна класификация, тъй като осигурява най-съдържателни резултати. DEM анализ С използването на цифровия модел на релефа като помощен слой за идентифицирането на речните форми се целят две неща. Първо, DEM се използва за построяването на т.нар. “flood depth model”, който показва котите и степента на подлагане на елементите на речния пейзаж под въздействието на водите от потока. Второ, DEM се използва за установяване на зони с необичайни промени в котите, които са признак за речна брегова ерозия. Използван е индексът TRI (terrain ruggness index), за да се подпомогне откриването на речната брегова ерозия. Индексът е базиран на градиента на стойностите на пикселите в полутоновото растерно изображение. Разработен е първоначално като инструмент за пространствени екологични изследвания, при които е от жизненоважно значение идентифицирането на линейни обекти и граници, за да може да се определят границите на хабитатите с разнородни природни условия. Математически се изразява като разликата между стойността на централния пиксел и средното аритметично на неговите съседни в зададения размер на прозореца. Индексът е подходящ и при извършване на теренен анализ, тъй като с него може да се откриват структури със стръмни промени в котите, като разломи и линейни структури. В изследването TRI е използван за откриване на линейни обекти с голямо изменение на височините в ултрависоката резолюция на DEM на речния пейзаж, за да се идентифицира речна брегова ерозия, предизвикана от преливане на водите. Използван е отново софтуерът SAGA GIS с модула TRI, като размерът на прозореца е 10 пиксела. Многоканална сегментация и класификация на изображенията Като входни канали за многоканална сегментация и класификация са използвани следните растерни слоеве- RGB каналите на ортофотоизображението и резултатите, получени съответно с текстурната класификация, използвайки признака ентропия, създадения и изравнения DEM и резултатите, получени от изчисляването на TRI индекса. Използвана е обектно-базирана сегментация, която извлича реалните обекти от изображенията, независимо от големината им. Този вид сегментация се базира на предположението, че вътрешната разнородност на създадения сегмент трябва да е по-малка в сравнение с разнородността на нейните съседни. За откриването на обекти се използват два основни подхода- регионално базирани оператори и такива, базирани на особеностите на границите между областите. При регионално-базирания подход се търсят еднородни области по метода “fast one-pass thresholding” или по по-сложния итеративен “seed growing” (от първоначално дефинирана област се изследват съседните ѝ пиксели и въз основа на определен критерии- ниво на сиво, текстура и други, се решава дали тези пиксели да се причислят към областта). При другия подход се търсят прекъсвания в изображението, като граници на области, използвайки диференциални оператори от първи ред, например тези на Sobel и Roberts. В изследването за обектно-базираната сегментация е използван методът “seed growing”. Получени са 2.6 милиона полигони (полигон като площен обект), които са използвани по-късно като тренировъчни данни за класификация с учител на речните форми, получени в следствие от наводнения, и други ключови елементи от речния пейзаж. С класификацията с учител се цели определянето на пространаственото разпределение на новите и старите следи от речни въздействия в потока и заливната равнина. Разграничени са следните категории обекти- нови натрупвания на пясък, нови и стари натрупвания на баластра, речна брегова ерозия. Избрани са различни тренировъчни области за всеки клас, за да се отчетат вариациите. Положението на тренировъчните множества е определено чрез наземни измервания, които са извършени успоредно със заснимането с безпилотното летателно средство. От получените 2 327 000 полигона след обектно-базираната сегментация, за еталони са избрани 16 070. Разпределението на категориите сред тренировъчното множество съответства на честотата на срещането им в областта на изследването. Най-честите категории са пресни (58.4%) и стари (36.9%) наноси от баластра, 3.2% от общия брой еталони принадлежат на класа “натрупване на пясък”, а 1.6%- на речна брегова ерозия. Тренировъчните области са тествани след това за еднородност, изразена като едномодално разпределение на стойностите на пикселите в дадените канали. Тренировъчните области с припокриващи се разпределения, които съдържат пиксели, принадлежащи на различни класове, са изключени или коригирани за по-нататъшна класификация. Като решаващо правило на класификацията с учител е използвано максималното правдоподобие с равни тежести и праг на доверие (threshold) от 0.1% за некласифицираната област от изображението. Класификацията е реализирана в средата на SAGA GIS, използвайки модула Supervised classification. Оценка на точността От съвкупността от тренировъчни множества и класификационни данни е изчислена ковариационната матрица, за да се анализира разпределението на еталоните в резултантните класове. За изчисляване на точността, чувствителността и спецификата на резултатите от класификацията са използвани няколко базови индекса- верни позитиви (true positives), грешни позитиви (false positives), верни негативи (true negatives) и грешни негативи (false negatives). Първият индекс отчита вярно класифицираните пикселите в даден клас, вторият отразява грешно причислените към даден клас пиксели. Третият от своя страна показва коректно непричислените към даден клас пиксели, а последният индекс съответно грешно непричислените такива (т.е. тези пиксели реално принадлежат на този клас). Въз основа на тези индекси се изчисляват различни статистически показатели, отразяващи качеството на класификационния процес. Точността (precision) е най-често използваният показател и се изчислява като съотношение между верните позитиви и грешните позитиви. Чувствителността се представя като съотношението между броя на верните позитиви към сумата от верните позитиви и грешните негативи. Специфичността (specificity) е съотношението между верните негативи към сумата от грешните позитиви и верните негативи. Оценката на точността и ковариационната матрица са изчислени с помощта на софтуера KNIME 3.2.0, използвайки Scorer node модула.
Изтегляне 41.2 Kb. Сподели с приятели:
|