Опыт классификации космоснимка Sentinel- 2a с помощью Semi-Automatic Classification Plugin в QGIS
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"
Цели проекта
1) Выявление участков усохшего и нарушенного леса на территории НП «Орловское полесье».
2) Общее дешифрирование фрагмента территории Орловско-Брянско-Калужского региона.
Материалы и ПО
Для реализации классификации были выбраны тестовые участки на основе лесоустроительных материалов 2006 и 2016 года и полевых обходов.
В проекте был использован космоснимок Sentinel-2a на территорию нацпарка за сентябрь 2016 года, предварительной скачанный с официального сайта. Програмное обеспечение: Qgis 2.14.8 с интегрированным SAC плагином;
Internet Dawnloader Manager использовался для прямой и более ускоренной закачки космоснимка с офф.сайта.
Подготовка к началу обработки, формирование директорий
Первым пунктом загружаем заранее скачанный снимок в плагин
Откроется следующая форма:
Далее нажимаем на иконку и «идём» к папке GRANULE из расспакованного архива космоснимка Sentinel. В форме откроются банды космоснимка. Здесь же снимаем флажок с Create Band set and use Band set tools. Ставим флажок Apply DOS1 atmospheric correction.
В этой же форме открываем файл metadata (находиться в распакованной папке из архива космоснимка)
Нажимаем на иконку : Создаём папку, называем RT. Далее мы наблюдаем ход атмосферной коррекции снимка, ждём окончание.
После окончания в части Qgis СЛОИ, мы можем заметить, что слои снимка стали отображаться с префиксом RT.
Обрезка снимка. В данном пункте мы должны обрезать космоснимок до квадрата границ национального парка. Для выполнения данной процедуры, проходим:
Откроется следующая форма:
Лист обновится. Выбираем все файлы RT иконкой .
Иконкой крестик выбираем зону обрезки
Выбранная зона выглядит следующим образом:
Нажимаем на иконку создаём папку CLIP указываем путь к ней и запускаем обрезку.
Итог: В списке СЛОИ образуются новые обрезанные слои космоснимка с префиксом clip.
Формирование Bandset, ROI и SIG
Далее необходимо обновить форму соответствующей иконкой ,
В форму подгрузятся файлы с префиксами clip и RT:
Выбираем файлы только с префиксом clip
Форма заполнится следующим образом:
Далее выставляем показатель Quick wavelength settings по Sentinel-2 из выпадающего списка:
Форма изменит свой вид, добавятся значения center wavelength:
Далее нажимаем на иконку , 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.
Слой band set.vrt образовался сразу же после первого введения композита.
В ходе эксперимента был выбран композит из бандов 4-6-12. Визуализация снимка опциональна, в зависимости от объекта дешифрирования и физических параметров органов зрения исполнителя.
Теперь переходим на вкладку:
Откроется следующая форма:
Соответственно 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»:
Выделяем пиксели; для наилучшего захвата в соседнем с «крестиком» окошке вводим дистанцию захвата пикселей:
Дистанция захвата подбирается опционально, до полного удовлетворения результата захватывания. Этот принцип будет так же 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»:
Файл записывается в classification doc. Здесь сразу меняем цвет на эквивалентный объекту ( вода - синий):
Следующим шагом заходим в macroclasses и так же меняем цвет:
Далее определяем пиксели застройки на космоснимке. В композите 4-3-2 отлично читаются элементы дорог и застройки :
Помимо застройки, так же произошёл захват 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 sh1-sh6*. В видео примере разработчика, данный набор пикселей называется bare soil.
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 с слоем лесоустройства. Включаем подписи по породам, это необходимо для того, что бы 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.
После выбранных групп пикселей (ROI) мы можем сделать пред просмотр, перед осуществлением классифицирования, нажимаем на иконку «цветной плюс»
После нажатия на эту иконку нажимаем на космоснимок, для оценки результативности отбора ROI . После выбираем алгоритм классификации снимка:
- 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.
Следующим шагом заходим в настройки и нажимаем на вкладку Processing:
Здесь мы выставляем следующий параметр: RAM=1024 и закрываем вкладку.
Далее заходим во вкладку classification output, жмём run, создаём папку classification и сохраняем; жмём на кнопку сохранить и ждём окончания процесса.
Вывод (показатель успешности) :
Изначальный снимок + слой лу2006. Фиолетовый цвет под слоем лу – предпологаемое усыхание
Классифицированный снимок:
Попадание по породам: