Способ автоматизированного определения таксационных показателей леса по аэрофотоснимкам Советский патент 1980 года по МПК G01C11/06 

(54) СПОСОБ АВТОМАТИЗИРОВАННОГО ОПРЕДЕЛЕНИЯ

ТАКСАЦИОННЫХ ПОКАЗАТЕЛЕЙ ЛЕСА ПО АЭРОФОТОСНИМКАМ

Изобретение относится к фотограмметрии, а именно к автомаогизации измерительного дешифрирования космических аэроснимков при решении задач определения лесньк ресурсов лecoxoзяйcтвeнньDvfИ организациями. Изобретение может быть также использовано для получения данных природных объектов в интересах различны отраслей народного хозяйства: сельского хозяйства, геологии и др., использующих аэрокосмическую информацию. Известны способы определения таксационных показателей участков леса (запа са, полноты, среднего диаметра ствола и пр.) по аэроснимкам без их прямого измерения на снимках. Определение проводится на основе измерения элементов изображения верхнего полога леса: диаметра крон, количества деревьев, расстоя НИИ между ними к т.д. назьшаемых дешифровочными признаками, по фотопробам ограниченным плсяцадкам на фотоснимке участка леса Г . Известны также способы визуального определения таксационных показателей на основе сравнения изображений необследованных участков с группой изображений участков, принятых на эталоны, показатели которых известны. Расчет искомых показателей по деши ровочным признакам проводится на основе получаемых заранее регрессионных уравнений связи между де- шифровочными признаками и показателями. Вследствие большого разнообразия лесов, последние предварительно разбивают на классы, с тем, чтобы уравнения связи составлять отдельно для каждого класса. При определении регрессионных уравнений н расчете по ним таксационных показателей используются ЭВМ. Эти способы имеют существенный недостаток, состоящий в том, что дешифровочные признаки определяются визуально человеком, В связи с этим результаты дешифрирования носят субъективный характер и сильно зависят от психофизиологического состояния дешнфровшика. Операции дешифрирования трудоемки и утомительны поэтому не представляются возможным извлекать при дешифрировании статистически достаточно полную инфсзрмацию, что ведет к снижению возможной точности результатов. Время дешифрированияснимков остается при этом значительным. Известный элемент субъективности вносится и при составлении регрессионных уравнений, так как вид связи зачастую неизвестен, н тщательньгй подбф коэффициентов уравнения приводит лишь к хорошей аппроксимации имеющейся выборки, но, в то же время, к низкой точности определения показателей новых фотопроб. Эти недостатки частично устранены в тех способах, в которых считывание инфо мации со снимков и формирование признаков возлагается на автоматические сканирующие устройства и ЭВМ, Однако большинство известных способов автомат зированной обработки фотоснимков созданы для распознавания объектов на снимках, а не для косвенного измерения невидимых на снимке показателей. Наиболее близок к данному изобретению способ автоматизированного определения таксационных показателей, изложенный в отчетег 2 . В работе способа вместо визуального определения дешифровочных признаков производится считывание информации с помощью сканирующего устройства, автоматическое формирование дешифровочных признаков и расчет по ним таксационных показателей насаждений. Эт позволило устранить ряд недостатков ранее известных способов. Однако имевшиеся ограничения устранены лишь частично. Этот способ, также, как и предыдущие, использует в качестве дешифровочных признаков размеры крон, их количество и пр. и установленные ранее регрессионные зависимости между ними и таксационными показателями. В действительности же эти признаки могут быть измерены лишь на снимках крупных масштабов среднеполнотных насаждений. На большинстве же материалов съемки (густых и редкостойных насаждений, на мелкомасштабных снимках и др.) эти. признаки в чистом виде не вьшеляются и установленные зависимости теряют смысл Поэтому для указанного круга материалов съемки точность оп{)еделения показателей остается низкой, а вьгбор связей суб-ъективным, требующим от дешиф(:овщи- ка немалых усилий. Цель изобретения - повышение точности и объективности определения таксационных показателей участков леса с ра.спшрением круга используемых для этого материалов съемки сокращения времени решения задачи и высвобождением человека от трудоемких операций, а также возможности использования при обработке кос-мических снимков. Блок-схема способа приведена на предлагаемом чертеже. Для достижения поставленной цели в способе при сохранении таких признаков Прототипа, как считьшание информации с помощью сканирующих устройств, автоматическое формирование дешифровочных признаков и определение по ним заданных таксационных показателей, вводятся ряд новых процедур. В отличие от известньсх способов предлагается в качестве дешифровочных признаков использовать признаки двух типов; детальные характеристики текстуры фотопробы и обобщенные характеристики внешнего облика изображенного на ней участка леса (на схеме-процедура 1). Их использование позволит резко расширить круг годных для обработки материалов съемки лесов при сохранении точности определения показателей. К первому типу признаков относятся, такие характеристики текстуры, как различные распределения выбросов оптической плотности на заданных уровнях, распределения длительностей выбросов, интервалов между ними, частот, соотношения между последовательнъгми выбросами. Ко второму типу - такие сравнительно заметные на фотопробе характеристики леса, как густота, группы возраста, грзшпы сокпшутостй и пр., легко определяемь1е визуально. Признаки первого типа формируются автоматически, а второго - автоматически или визуально при подготовке снимков к обработке. Ввиду отсутствия в настоящее время установленнъгх зависимостей между указанными признаками и таксационными показателями, а также исключая отмеченную выше субъективность, вносимую при использовании регрессионного анализа, предлагается для определения показателей использовать сами выборки признаков и показателей, формируемьге заранее для характерных ключевых участков леса различнък классов, принимаемьгх в качество опорных (процедуры 2). Для этого на технических носителях информэпии (магнитных лентах, дисках и (тр.) формируют-, ся блоки опорных данных (пронелурьт 3). Каждый блок содержит информацию об од ном ключевом участке. В него могут входить данные от нескольких десятков до сотен фотопроб: наборы признаков, по лученные сканированием этих фотопроб и наборы таксационных показателей, измеренных в этих у стках леса при наземном обследовании с повышенной точностью. Одна магнитная лента может содер сатй несколько тысяч блоков данньк. При определении таксацисянных показателей но вых фотопроб, не входящих в блоки, для них после сканирования формируются оп-тимальные наборы признаков (процедура 4), которые сопоставляются с наборами признаков блока опорных данных, относящегося к этому же классу (процедура 5) Сопоставление проводится с помощью ЭВМ одним из известных методов распознавания например, непараметрическим. Для того, чтобы извлечь большое количество полезной информации из материалов съемки с целью повышения точности определения показателей, предлагается использовать признаки, получаемые со снимков различных масштабов и зон спектра. Наличие накопленных на технических носителях информации блоков опорных данных позволяет вести еще три процедуры ( 6,7,8) отличающие данный способ от известных направленные на дальнейшее повьШ1ение точности. Каждый блок данных можно использовать для вычисления по нему ошибки определения таксационных показателей. Для этого признаки каждой фотопробы блока сопоставл1потс поочередно с признаками остальных фотопроб и вычисляется вероятное значение показателя. Это значение сравнивается с имеющимся в блоке фактическим значением и вычисляется ошибка. После прогона всех фотопроб вычисляется средняя ошибка для данного блока (процедура 8). Как показали машинные эксперименты, эта ошибка является устойчивой и по отношению к фотопробам участков леса этого же класса, не входящим в блок. Далее вводится процедура оптимизации блоков данных. состоит в том, что для каждого таксационного показателя (а их в блоке несколько) отыскивается оптимальный набор признаков, минимизирующий ошибку определения показателя. Для этого с помощью ЭВМ по признаковой части блока даннь1Х подсчитывается статистическая информативность каждого признака (процедура 6), признаки ранжируются и процедура прогон производится многократ55но с последовательным отбрасыванием признаков с наименьшей 1тформативностью. Каждый раз вычисляется средняя ошибка. В результате оставляется тот набор признаков, при котором ошибка минимальна (процедура 7). Этот прибор вместе с минимальной ошибкой записывается в блок данных на технический носитель информации (процедура 9). Далее фс м{фуют оптимальные наборы признаков для участков леса с неизвестными показателями из информации, получаемой путем сканирования этих участков (процедура Ю) на аэрокосмических снимках, определяют неизвестные таксационные показатели (процедура 11) путем сопоставлення одним из распознающих алгоритмов полученных наборов признаков с признаками соответствующего блока опор- ных данных. Способ позволяет сократить время решения задач по определению таксационных показателей по аэроснимкам в 2 раза к более. Эксперименты показали, что изобретение позволяет получить объективные данные, свободные от колебаний, вызванных состоянием дешифровщиков. Кроме Toroi воспроизводимость результатов позво;гяет контролировать процесс определения показателей на любом его этапе. задача результатов дешифрирования может быть оформлена документально и стандартизировано. Это позволяет, в свою оче- редь, оформить процесс определения показателей в виде стандартной контролируе- мой процедуры, что ведет к четкости организации дешифрирования в целом и способствует лучшему учету и использованию результатов в последующем. В экспериментах выявлены также дополнительные преимущества которыми обладает изобретение по сравнению с визуальными и инструментальными (не машинным) определением таксационных показаелей. Накопление блоков данных позволит оздать банк данных с длительным хранеием сведений об одних и тех же участках еса. Это дает возможность сопоставлять результаты дешифрирования разновременных материалов съемки и въшвлять изменения показателя, происшедшие за рассматриваемый период времени. Процедура оптимизации, примененная к различным блокам данных, позволяет проводить их сравнение по од1шаковому критершо и вьшвлять лучшие системы признаков, сравнивать качество материалов сьемкн и наземных данных. изобретения Формула Способ автоматизированного определения таксйационных цокааателеЯ леса по аэpoфcяocни лкaм, заключающийся в автомагтичесжом счнтьЕвании информации с помощью сканирующих устройств с фотопроб участков песа, формировании набора дешифровочньк признаков и последующем опредепении таксационных показателей, о тл и ч а ю щ и и с ятем, что, с цельюповышения точности, объективности сокращения времени обработки и возможности использования способа при обработке космических снимков, создают блоки опорных Данных типичных фотопроб, состоящие из поля признаков и поля показателей путеМ формирования для каждого таксацисяшого показателя совокупности признаков, обес.печивающих минимальную ошибку определения показателя, вычислением статистй7778 ческой инффмативности каждого npksHaка, и ранжированием признаков по информативности и определяют неизвестные таксационные показатели участка леса путем сопоставления распознающим алгоритмом его оптимальных наборов признаков с признаками соответствующего блока опорных данных. Источники информации, принятые во внимание при экспертизе 1.Самойлович Г. Г. -Применение аэрофотосъемки и авиации в лесном хозяйстве; М., Лесная промышленность, 1964, с. 258-268. 2.Отчет по теме Разработка более совершенных методов инвентаризации лесов с применением новых способов аэрофотосъемки и аэропланок, позволяющих получать повышенную информацию и автоматизацию процессов деши4р1фования лесов. ЛенНИПЛХ, 1972, 1976 (прототип).

fpomotifHuki

Наземнт OanHt/e noSeitat Hou fnovftocfw