Общие сведения о дистанционном зондировании

Пространственный анализ урбанизированных территорий. Лекция 1

Балтыжакова Татьяна Игоревна

Что такое дистанционное зондирование?

Дистанционное зондирование - это получение данных об объекте без непосредственного контакта.

Например, фотографирование объекта или его лазерное сканирование.

Источник: https://www.paititi.info/ru/tehnologija-poiskov/distancionnoe-zondirovanie-iz-kosmosa/

Важное уведомление

Конкретно в этой теме и лекции будет говориться преимущественно про спутниковые снимки, но, конечно, этим дистанционное зондирование не ограничивается.

Энергия, которую Земля получает от Солнца, называется называется электромагнитным излучением.

Излучение отражается, поглощается и испускается атмосферой или поверхностью Земли.

Спутники (или другое устройство, например, беспилотное воздушное судно) несут приборы или датчики, которые измеряют электромагнитное излучение, отраженное или испускаемое от наземных и атмосферных источников.

На заметку

С помощью приборов ученые могут измерять высоту, температуру, влажность содержание (и многое другое) почти для каждой характеристики земной атмосферы, гидросферы, литосферы и биосферы.

Источник: https://gisgeography.com/remote-sensing-earth-observation-guide/

Источник: https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/remote-sensing

Источник: https://spec.tass.ru/sfu-dzz/

На заметку

В настоящее время кроме государственных программ существует еще целый ряд коммерческих спутниковых группировок.

Источник: https://landsat.gsfc.nasa.gov/satellites/timeline/

Классификация по типу сенсора

Классификация по типу орбиты

Источник: https://dewesoft.com/blog/every-satellite-orbiting-earth-and-who-owns-them

Классификация по разрешению

Временное разрешение

Временное разрешение определяет, как часто датчик получает изображение определенной области на поверхности Земли.

Зависит от высоты орбиты, количества спутников, ширины полосы охвата.

Источник: https://portal.tpu.ru/SHARED/o/OST/teaching1/IPRSD/RS_Lecture2.pdf

Спектральное разрешение

Соответствует количеству диапазонов электромагнитного спектра и размеру зон съемки, регистрируемых съемочной аппаратурой.

Съемочная аппаратура и снимки, получаемые с ее помощью, делятся на:

  • монохроматические (однозональные, интегральные или панхроматические);

  • мультиспектральные (от 2 до 10 регистрируемых диапазонов);

  • гиперспектральные (может быть более 100 зон).

Источник: https://eo.belspo.be/en/iii21-spectral-resolutionИсточник: https://eo.belspo.be/en/iii21-spectral-resolution

Изображение в естественных цветах

Композит в искусственных цветах: растительность отображается в оттенках красного, городская застройка – зелено-голубых, а цвет почвы варьируется от темно до светло коричневого. Лед, снег и облака выглядят белыми или светло голубыми (лед и облака по краям).

Шлейфы на данных MSI (Sentinel-2A, ESA), Метеор-M2-4 (КМСС 101/102, НИЦ Планета) и MODIS (AQUA) Источник: http://sci-vega.ru/mapviewer/?id=1770220387291

Источник: https://mining.earthdaily.com/knowledge-base/knowledge/introduction-to-remote-sensing

Пространственное разрешение

Пространственное разрешение (размер пиксела) — это параметр, который связан с размером пиксела — областью на поверхности земли, которая покрывается одним пикселом. Например, если площадь покрыта пикселом размером 1 на 1 метр, то пространственное разрешение будет 1 метр. Чем выше разрешение изображения, тем меньше размер пиксела, тем выше детальность.

Различают системы (и космические снимки):

  • низкого (R > 500);

  • среднего (20 ≤R ≤ 500 м);

  • высокого ( < 20 м);

  • сверхвысокого ( R ≤ 2 м) пространственного разрешения.

Источник: https://innoter.com/services/dannye-dzz/

Источник: https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/remote-sensing

Источник: https://landsat.gsfc.nasa.gov/satellites/landsat-8/

Спутник AIRBUS Pleiades Neo. Продукт HD15. Пример космоснимка с пространственным разрешением 15 см

Радиометрическое разрешение

Радиометрическое разрешение снимков определяется шириной динамического диапазона используемого датчика (количеством уровней дискретизации, соответствующих переходу от яркости абсолютно черного к абсолютно белому цвету.

Радиометрическое разрешение указывается числом бит. РР 8 бит соответствует 256 уровням градации яркости.

Источник: https://www.usgs.gov/media/images/radiometric-resolution-example

Источник: https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/remote-sensing

Классификация по уровням обработки

Использование материалов ДЗЗ

Разные материалы и объекты по-разному отражают и поглощают энергию, за счет чего возможно, например, определение материала по отраженной длине волны.

Источник: https://earth.jaxa.jp/en/eo-knowledge/remote-sensing/index.html

Спектральные индексы

Спектральные индексы основаны на том, что разные поверхности отражают и поглощают различные части электромагнитного спектра.

На заметку

Расчет спектральных индексов основан на локальной растровой алгебре1.

Локальные операции растровой алгебры — анализируется одна ячейка растра или совпадающие в пространстве ячейки нескольких растров

Источник: https://eos.com/ru/make-an-analysis/ndvi/

NDVI (Normalized Difference vegetation index)2 - самый известный индекс и ему больше всего доверяют. NDVI прост для вычисления, имеет самый широкий динамический диапазон из распространенных вегетационных индексов, и лучшую чувствительность к изменениям в растительном покрове. Он умеренно чувствителен к изменениям почвенного и атмосферного фона, кроме случаев с бедной растительностью. Для того чтобы просто посмотреть на растительность на снимке с количественной точки зрения, нет ничего лучшего, чем NDVI, только если вы не имеете территорию с бедной растительностью.

Источник: https://aeromotus.ru/obzor-vozmozhnostej-indeksa-ndvi/

PVI (Perpendicular VI) – несколько менее, но тоже широко распространен. Имеет узкий динамический диапазон и меньшую чувствительность и очень чувствителен к изменению атмосферы. Относительно прост в использовании и нахождении почвенной линии, что важно для использования других индексов. Иногда он лучше чем NDVI если вы имеете бедную растительность.

SAVI (Soil Adjusted VI) - хороший вариант, если цель исследования - разреженная растительность. В этом случае, если вы используете корректирующий фактор L больше чем 0.5, вы должны быть готовы к указанию статьи Huete (1988) и того факта, что корректирующий фактор должен быть больше чем 0.5, если растительный покров мал.

Источник: https://www.usgs.gov/landsat-missions/landsat-normalized-difference-vegetation-index

Normalized Burn Ratio (NBR)3 - индекс для идентификации и поиска сгоревших территорий.

Normalized Difference Snow Index (NDSI) - нормализованная разница между зеленым каналом и коротковолновым инфракрасным.

Источник: https://www.usgs.gov/landsat-missions/landsat-normalized-burn-ratio

Источник: https://t.me/gisgoo/262

Сегментация и классификация изображений

  • Классификация присваивает метки и классы областям на изображении и предоставляет информацию о классе объекта ‑ имя и прогнозную вероятность (уровень достоверности);

  • обнаружение/распознавание объектов (object detection) заключается в локализации и идентификации конкретных объектов, представляющих интерес, при которой получают не только класс объекта, но и его местоположение на изображении;

  • сегментация – процесс разбиения изображения на значимые области для идентификации объектов, представляющих интерес, в ходе этого процесса информация дополняется формой объекта.

Источник: https://www.freecodecamp.org/news/how-to-detect-objects-in-images-using-yolov8/

Классификация изображений в ДЗЗ

Все методы классификации здесь можно поделить на две большие группы:

  • пиксельные - классификация осуществляется на основе значений в индивидуальных пикселях

    • supervised (обучение с наблюдением)

    • unsupervised (обучение без наблюдения)

  • объектные - классификация осуществляется на основе заданных параметров конкретных объектов.

Источник: https://seos-project.eu/remotesensing/remotesensing-c06-p03.html

Важное уведомление

При использовании объектной классификации будут учитываться не отдельные пиксели, а объекты на основе тренировочного набора данных: их форма, размер, геометрические параметры, значения электромагнитного спектра.

Источник: https://gisgeography.com/obia-object-based-image-analysis-geobia/

Источник: Liu F, Dong L, Chang X and Guo X (2022) Remote sensing image classification based on object-oriented convolutional neural network. Front. Earth Sci. 10:988556. doi: 10.3389/feart.2022.988556

Сегментация

При сегментации изображений на них выделяют конкретные пиксели, составляющие объекты.

Источник: https://neerc.ifmo.ru/wiki/index.php?title=Компьютерное_зрение

Источник: https://towardsdatascience.com/semantic-segmentation-of-remote-sensing-imagery-using-k-means-e4c165d9218e/

Источник: Trujillano, F., Jimenez, G., Manrique, E. et al. Using image segmentation models to analyse high-resolution earth observation data: new tools to monitor disease risks in changing environments. Int J Health Geogr 23, 13 (2024). https://doi.org/10.1186/s12942-024-00371-w

Примеры применения в урбанистике

  1. Выявление “городских островов тепла”

  2. Анализ состояния растительности, определение площади озеленения

  3. Анализ развития городов (urban sprawl)

  4. Поиск и обнаружение строительных площадок, мониторинг строительства

  5. Анализ загрязнений

  6. и прочее….

Сноски

  1. Tomlin, Dana. 2012. GIS and Cartographic Modeling. 2nd Editio. ESRI Press

  2. https://gis-lab.info/qa/vi.html

  3. https://www.usgs.gov/landsat-missions/landsat-surface-reflectance-derived-spectral-indices