Опыт классификации космоснимка Sentinel- 2a с помощью Semi-Automatic Classification Plugin в QGIS

Материал из GIS-Lab
Перейти к: навигация, поиск
Эта страница опубликована в основном списке статей сайта
по адресу http://gis-lab.info/qa/qgis-sacp-sentinel2a.html


Данная статья описывает опыт работы с Semi-Automatic Classification Plugin для QGIS для классификации снимка Sentinel-2a с целью выявления лесонарушений на примере национального парка "Орловское полесье", а также содержит пошаговую инструкцию для лесного дешифрирования снимка с помощью данного плагина.

Карпачев Андрей Петрович, научный сотрудник- ГИС специалист НП "Орловское полесье"

Содержание

Цели проекта

1) Выявление участков нарушенного и усохшего леса на территории НП «Орловское полесье».

2) Лесное дешифрирование (по породам) части территории Орловско-Брянско-Калужского региона.

Материалы и ПО

Для реализации классификации были выбраны тестовые участки на основе лесоустроительных материалов 2006 и 2016 годов и полевых обходов.

В проекте был использован космоснимок Sentinel-2a на территорию нацпарка «Орловское полесье» за сентябрь 2016 года, предварительно загруженный с официального сайта. Программное обеспечение: QGIS 2.14.8 с интегрированным плагином SACP.


Подготовка к началу обработки, формирование директорий

Первым делом открываем космоснимок Sentinel-2a через плагин.

Начало работы

Откроется следующая форма:

Форма загрузки космоснимка

Далее нажимаем на иконку 3 perehod k granulam.png и «идём» к папке GRANULE из распакованного архива космоснимка Sentinel. В форме откроются каналы (bands) космоснимка. Здесь же снимаем флажок с Create Band set and use Band set tools. Ставим флажок Apply DOS1 atmospheric correction.

Открытие бандов

В этой же форме открываем файл metadata (находится в распакованной папке из архива космоснимка)

Открытие файла metadata

Нажимаем на иконку IconRUN.png : Создаём папку, называем RT. Далее мы наблюдаем ход атмосферной коррекции снимка, ждём окончания.

Ход процесса коррекции

После окончания мы можем заметить, что в списке слоёв QGIS слои снимка стали отображаться с префиксом RT.

Слои RT после окончания атмосферной коррекции

Обрезка снимка. В данном пункте мы должны обрезать космоснимок до квадрата границ национального парка. Для выполнения данной процедуры проходим:

Путь к обрезке слоев космоснимка под квадрат территории наблюдения

Откроется следующая форма:

Форма для настройки обрезки слоев космоснимка под квадрат территории наблюдения

Нажимаем на иконку 9-refresch icon.png.

Лист обновится. Выбираем все файлы RT иконкой 10-selectall icon.png.

Нажатием на значком в виде крестика выбираем зону обрезки 11-setareainthemap.png

Выбранная зона выглядит следующим образом:

Выбранная территория

Нажимаем на иконку IconRUN.png, создаём папку CLIP, указываем путь к ней и запускаем обрезку.

Итог: В списке СЛОИ образуются новые обрезанные слои космоснимка с префиксом clip.

Обрезанные слои космоснимка с префиксом clip

Формирование Bandset, ROI и SIG

Нажимаем на вкладку Bandset 15-bandset vkladka.png,

Далее необходимо обновить форму соответствующей иконкой 16-refresch l.png,

В форму подгрузятся файлы с префиксами clip и RT:

clip и RT

Выбираем файлы только с префиксом clip 18 file for bandset icon vibor.png

Форма заполнится следующим образом:

Заполнение формы под bandset

Далее выставляем показатель Quick wavelength settings по Sentinel-2 из выпадающего списка:

Выбор настройки снимка под Sentinel-2a

Форма изменит свой вид, добавятся значения center wavelength:

авто-заполнение формы под Sentinel-2a

Далее нажимаем на иконку 22 createtnewraining icon.png, называем файл training и сохраняем его в папку (можно в заново созданную).

Теперь нажимаем на генератор bandset (3-2-1), после чего автоматически образуется слой.

Bandset слой

Слой band set.vrt образовался сразу же после первого введения композита.

Bandset в вкладке слои

В ходе эксперимента был выбран композит из каналов 4-6-12. Визуализация снимка опциональна, в зависимости от объекта дешифрирования и физических параметров органов зрения исполнителя.

Композит 4-6-12

Теперь переходим на вкладку:

Вкладка классификации

Откроется следующая форма:

Форма ввода ROI

Теперь нам необходимо набрать графические пробы (ROI) для осуществления полуавтоматической классификации. Выбираем на космоснимке участок водной поверхности и в верхней надстройке плагина нажимаем иконку «крестик»:

Водный объект. Захват пикселей

Выделяем пиксели; для наилучшего захвата в соседнем с «крестиком» окошке вводим дистанцию захвата пикселей:

"Захваченные" пиксели воды

Дистанция захвата подбирается опционально, до полной удовлетворенности результатом захватывания. Этот принцип будет также использоваться в наборе пикселей застройки, дорожной инфраструктуры, аграрного сектора и леса. Во вкладке ROI creation вводим классы, порядковые номера классов и подклассов и жмём на «дискету»:

Подписывание классов пикселей

Файл записывается в classification doc. Здесь сразу меняем цвет на эквивалентный объекту (вода - синий):

Замена цвета пикселей объекта

Следующим шагом заходим в macroclasses и также меняем цвет:

Замена цвета макрокласса

Далее определяем пиксели застройки на космоснимке. В композите 4-3-2 отлично читаются элементы дорог и застройки :

Композит 4-3-2. Застройка и элементы дорожной сети. Параметры захвата в изображении
Захват пикселей застройки и дорог

Помимо застройки, произошёл захват и пикселей дорожных полотен. Далее нам необходимо внести пиксели аграрных ландшафтов. Выбираем любой наиболее читаемый композит и поочередно выделяем пиксели. Так как обрабатываемые сельскохозяйственные территории имеют разные цвета, после отметки и захвата пикселей называем макроклассы каким-нибудь одним типом префикса, меняя только порядковый номер. В примере это sh1-sh6*. В видеопримере разработчика данный набор пикселей называется "bare soil".

Пиксельные подклассы почвы

Следующим шагом будет непосредственное определение усыханий еловых насаждений; разбиение снимка на хвою и листву, травянистую растительность. В проекте используются следующие сокращения: h- хвоя l- листва d- усыхание gras- трава

Перед захватом необходимых групп пикселей сверим снимок со слоем лесоустройства. Включаем подписи по породам, это необходимо для того, чтобы понять местоположение выделов ели и сосны. Мертвопокровная сосна ухудшает качество дешифрирования, т.к цвет её пикселей частично совпадает с цветом пикселей усыхания, именно поэтому необходимо знать повыдельное расположение культур.

Наложение лесоустроительных материалов на космоснимок
Выбранные классы растительности

После выбранных групп пикселей (ROI) мы можем сделать предпросмотр перед осуществлением классификации, для чего нажимаем на иконку «цветной плюс».

Предпросмотр

После нажатия на эту иконку нажимаем на космоснимок для оценки результативности отбора ROI 39 prosmotr.png. После выбираем алгоритм классификации снимка:

Выбор алгоритма обработки
  • В работе был выбран алгоритм максимального правдоподобия. Перед выполнением классификации были залиты белым цветом группы пикселей застройки, дорог, сельскохозяйственных зон, голых почв, лугов, т.к в работе нас интересует исключительно лес.
Алгоритм- максимальное правдоподобие. Результат

Следующим шагом заходим в настройки 41-save settings.png и нажимаем на вкладку Processing:


Настройка вывода 1

Здесь мы выставляем следующий параметр — RAM=1024 — и закрываем вкладку.

Настройка вывода 2

Далее заходим на вкладку classification output, жмём run, создаём папку classification и сохраняем; жмём на кнопку Cохранить и ждём окончания процесса.

Вывод

*при подготовке выяснилось, что первый канал «шумит», так что он был исключён из синтеза

Показатель успешности

Изначальный снимок + слой лу2006 (лесоустройство 2006 г.). Фиолетовый цвет под слоем лесоустройства — предполагаемое усыхание.

Космоснимок до алгоритма

Классифицированный снимок:

Классифицированный снимок. Оранжевый цвет(def)- лесонарушение

Попадание по породам:

Совпадение выделов слоя лесоустройства с классифицированным снимком

Вывод

Ранее уже предпринималась попытка использования Semi-Automatic Classification Plugin для классификации космоснимка Landsat (http://gis-lab.info/qa/landsat_qgis_scp.html), и обработка была успешной. Однако, результаты после обработки снимка Sentinel-2a стали более чёткими, и совпадение с графическими материалами лесоустройства стало более точным. Данное отличие обусловлено параметрами видимых каналов космоснимков: у Landsat он 30 м, у Sentinel-2a — 10 м, поэтому использование Sentinel в работах лесохозяйственного направления будет более целесообразно. Снимки Sentinel-2a дают возможность отображения различий в состоянии растительности, в том числе, и временные изменения.

Литература

1.http://semiautomaticclassificationmanual-v4.readthedocs.org/en/latest/Tutorials.html

2.Видеоматериалы от Luca Congedo.

3.Карпачев А.П. Опыт классификации космоснимка Landsat с помощью Semi-Automatic Classification Plugin в QGIS http://gis-lab.info/qa/landsat_qgis_scp.html

4.Крылов А. М., Соболев А. А., Владимирова Н. А. Выявление очагов короеда-типографа в Московской области с использованием снимков Landsat //Вестник Московского государственного университета леса - Лесной вестник. – 2011. – №. 4. – С. 54-60

5.Крылов А.М., Владимирова Н.А., Малахова Е.Г. Использование свободных ГИС в системе дистанционного лесопатологического мониторинга // Вестник Московского государственного университета леса - Лесной Вестник, №1 2012. С. 148-152

6.Крылов А.М., Владимирова Н.А. Дистанционный мониторинг состояния лесов по данным космической съемки // "ГЕОМАТИКА" №3(12), 2011 г. с. 53-57

Персональные инструменты
Пространства имён

Варианты
Действия
Статьи
Спецпроекты
Инструменты