Форумы GIS-Lab.info

Отчасти тема касается ERDAS'а, но это лишь один из методов, так что пусть будет в "Общие вопросы"

Задача: выделить элементарные единицы полога, т.е. сегменты ( я имею ввиду: парцеллы/ микрогруппировки/ биогруппы/ подвыдела / породные группировки внутри выдела).
Данные: 4 разносезонных снимка Sentinel, подготовленные из исходных данных файлы (4-х канальный стэк, 4-х канальный мультивременной стэк, 10 канальный стэк (все 10 м, 20 м пересчитанные в 10 м), границы выделов и кварталов лесничества.

Для целей сегментации использовал FLS segmentation (как я понимаю математика тут) на 4-х канальных мультивременных стэках (зима+лето; зима+лето+осень; 4 сезона). В параметрах указывал спектральные и размерные характеристики на "1". Текстура и форма выключены.
Ожидалось получить достаточно явные сегменты внутри выдела при достаточно четком отличии сегментов по границам выделов. Вышло конечно совсем не так, а скорее наоборт, н- р вот: причем чем больше временное разрешение снимка, тем ужаснее становится подбор параметров для сегментации.

Собственно после мучений у меня появились вопросы:
1) Правильно ли вообще рассуждать о сегментации такого масштаба (сегментировать подвыделы) , используя 10 м и более разрешение? Если, да то какие данные правильнее использовать (видимый+nir, 10 каналов. как определить подходящее временное разрешение?)
2) Следует ли в параметрах сегментации учитывать только спектральные и размерные параметры и не учитывать текстуру и форму, понимая с каким грустным разрешением выполняется работа.
3)Из чего стоит исходить при подборе параметров сегмента (минимальный размер, средний размер сегмента и т.д.) ?
4) если вдруг кто то знает что эту задачу можно решить, без erdas, какие методы возможно использовать в открытом ПО (qgis, grass, R)

Спасибо!

навскидку какие такие парцеллы с разрешением 10 м? и по-моему тут как раз надо уходить на геометрию, спектр ничего не даст

Попробуйте пакет RStoolBox в R.

Задача: выделить элементарные единицы полога, т.е. сегменты ( я имею ввиду: парцеллы/ микрогруппировки/ биогруппы/ подвыдела / породные группировки внутри выдела).

Данные спутниковых наблюдений лучше подходят для мониторинга запасов углерода, чем лесотаксационные данные. На мой взгляд, использование материалов лесоустройства в качестве якоря для привязки данных полученных в результате работы с ДЗЗ не совсем корректно. Это как сравнивать данные Росреестра и OpenStreetMap. В ряде работ показано достаточно большое расхождение между материалами лесоустройства и данными классификации Sentinel, Landsat и т.п. Это можно объяснить следующими причинами:
- Особенностью лесотаксационных методик;
- Использование в лесоустройстве двух методов таксации - актуализация и полевая таксация.
Достаточно выполнить сравнительный анализ (материалов лесоустройства и по результатам классификации ДЗЗ), а так же провести оценку точности, например по двум параметрам: по покрытой лесом площади и по группам пород (по хвойным и лиственным лесам).

Правильно ли вообще рассуждать о сегментации такого масштаба (сегментировать подвыделы) , используя 10 м и более разрешение? Если, да то какие данные правильнее использовать (видимый+nir, 10 каналов. как определить подходящее временное разрешение?)

Правильно.
Необходимо выполнить формирование временного стека из нескольких сотен изображений для трех спектральных каналов: красного, ближнего инфракрасного и среднего инфракрасного.

См. стр. 110 и далее здесь:
Спутниковое картографирование растительного покрова России
Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В.
// М.: ИКИ РАН, 2016. 208 c.
http://smiswww.iki.rssi.ru/default.aspx ... licid=1549


и

Mapping dominant tree species over large forested areas using Landsat best-available-pixel
Thompson, S.D., Nelson, T.A., White, J.C., Wulder, M.A. 2015. Large area mapping of tree
species using composited Landsat imagery. Canadian Journal of Remote Sensing 41(3): 203-
218.

Как ни странно это прозвучит, но имеющиеся в наличии материалы спутниковой съемки GeoEye с размером пикселя равным 0.5 м, при классификации на всех классифицированных изображениях присутствует множество артефактов – одиночных пикселей и групп пикселей малых размеров одного класса внутри однородных групп другого класса. Для получения приемлемых результатов, данные изображения нуждаются в дальнейшей дефрагментации. Мы наблюдаем обратный эффект – чем лучше разрешение снимка, тем хуже результат классификации.

Использую плагин QGIS Semi-Automatic Classification Plugin (SCP),
плагин QGIS CloudMasking, Gdal (gdal2xyz), PostgreSQL + программирование, SAGA GIS.

bim2010 писал(а): ↑

07 мар 2018, 17:46

Как ни странно это прозвучит, но имеющиеся в наличии материалы спутниковой съемки GeoEye с размером пикселя равным 0.5 м, при классификации на всех классифицированных изображениях присутствует множество артефактов – одиночных пикселей и групп пикселей малых размеров одного класса внутри однородных групп другого класса. Для получения приемлемых результатов, данные изображения нуждаются в дальнейшей дефрагментации. Мы наблюдаем обратный эффект – чем лучше разрешение снимка, тем хуже результат классификации.

ничего странного, известно, что с определенного разрешения (порядка первых метров) начинает преобладать текстура, а не спектр. Нужны другие методы сегментации. Например как делают в eCognition, или в Сканексе - сначала создается большое число объектов (топологический подход в первом случае) / классов (типологический подход во втором), которые затем собираются в тематические группы.

nadiopt писал(а): ↑

07 мар 2018, 15:49

навскидку какие такие парцеллы с разрешением 10 м?

Не очень Вас понял, считаете подобное разрешение недостаточным для выделения биогрупп?

bim2010 писал(а): ↑

07 мар 2018, 17:46

Mapping dominant tree species over large forested areas using Landsat best-available-pixel
Thompson

Спасибо!

bim2010 писал(а): ↑

07 мар 2018, 17:46

Как ни странно это прозвучит, но имеющиеся в наличии материалы спутниковой съемки GeoEye с размером пикселя равным 0.5 м, при классификации на всех классифицированных изображениях присутствует множество артефактов – одиночных пикселей и групп пикселей малых размеров одного класса внутри однородных групп другого класса. Для получения приемлемых результатов, данные изображения нуждаются в дальнейшей дефрагментации. Мы наблюдаем обратный эффект – чем лучше разрешение снимка, тем хуже результат классификации.

есть такое дело, собственно юзер gamm все объяснил.

bim2010 писал(а): ↑

07 мар 2018, 17:46

красного, ближнего инфракрасного и среднего инфракрасного

SWIR в данный композит включать не стоит? разве он не информативен?

При выделении классов внутри лесного покрова наиболее информативными ближний и первый средний инфракрасный каналы и индекс MSAVI, для нелесных классов – зеленый и красный каналы и индексы NDVI и NBRI. Индексы MNDWI и SWVI менее информативны из всех информационных слоев, использованных при тематической классификации наземных экосистем. То, о чем говорит GAMM есть не только в Сканекс.
Работы по этой теме:
Автоматизированное ландшафтно-экологическое картографирование городских территорий с использованием нейронных сетей (на примере г. Казани)
http://www.ievbras.ru/ecostat/Kiril/Article/A17/SA.htm
http://pca.narod.ru/NeuroGIS.pdf
Реализовано, например, в статистическом пакете R CRAN:
https://cran.r-project.org/web/packages ... ohonen.pdf
https://cran.r-project.org/web/packages/som/som.pdf
https://www.r-bloggers.com/self-organis ... n-using-r/

GAMM, понимаете, очень трудно убедить географов проанализировать 150 - 200 классов характеристик, выделить ядра, и присвоить им "смыслы". Географы очень сильно увлекаясь математикой, уверены в том, что все можно подсчитать, построив модели. И есть волшебный алгоритм (реклама Сканекс срабатывает), который позволит с их помойкой из разновременных, разномасштабных противоречивых данных что-то сделать выдающееся. Что делать, если по одному полигону болота вы получаете более 25 классов, а достаточно выделить всего 3 типа.

Crackfox какова площадь территории для классификации, какой масштаб вы планируете получить в результате?
Crackfox, какие характеристики рельефа вы используете. Почему выбран метод FLS segmentation, а не "Случайный лес", "нейронные сети" или:
LecoS https://plugins.qgis.org/plugins/LecoS/
https://peerj.com/preprints/116.pdf
http://wiki.gis-lab.info/w/%D0%9C%D0%BE ... 0%A1_GRASS
http://ru.bmstu.wiki/%D0%9C%D0%B5%D0%B4 ... 0%B8%D1%8F
http://vtiaoai.miigaik.ru/posobiya/2014 ... 8-4705.pdf
https://grass.osgeo.org/grass64/manuals/r.li.html

Crackfox, вы сравнивали лесоустройство с кадастровыми данными?
Crackfox, что мешает нанести в OpenStreetMap часть очевидных объектов, которые однозначно можно классифицировать визуально по крупномасштабной мозаике? Например:
болота: natural= wetland http://overpass-turbo.eu/s/qlf
обрабатываемые поля: Landuse= farmland http://overpass-turbo.eu/s/qlg
луга: natural= grassland http://overpass-turbo.eu/s/qlh
огороды: landuse=allotments
гидрография и т.п.

"Не очень Вас понял, считаете подобное разрешение недостаточным для выделения биогрупп?" - да вот раздумываю. Я исхожу из определения:
"https://dic.academic.ru/dic.nsf/ecolog/1899/Парцеллы"
по-моему, при такой постановке вопроса парцелла может оказаться меньше пикселя

bim2010 писал(а): ↑

14 мар 2018, 22:14

То, о чем говорит GAMM есть не только в Сканекс.

а где еще, кроме eCognition и Сканекса есть сборка тематических групп?

Работы по этой теме:
Автоматизированное ландшафтно-экологическое картографирование городских территорий с использованием нейронных сетей (на примере г. Казани)
http://www.ievbras.ru/ecostat/Kiril/Article/A17/SA.htm

это Сканекс

http://pca.narod.ru/NeuroGIS.pdf

Это вообще о другом

Реализовано, например, в статистическом пакете R CRAN:
https://cran.r-project.org/web/packages ... ohonen.pdf
https://cran.r-project.org/web/packages/som/som.pdf
https://www.r-bloggers.com/self-organis ... n-using-r/

создание собственно сети Кохонена ничего не дает, нет механизма сборки тематических групп. Сам Кохонен исходники своих программ выложил в 90-е, вместе с программами перехода от сетей Кохонена к "жестким" нелинейным классификаторам (на основе разных вариантов LVQ).

GAMM, понимаете, очень трудно убедить географов проанализировать 150 - 200 классов характеристик, выделить ядра, и присвоить им "смыслы".

их не нужно анализировать, человек не в состоянии проанализировать более 10-15 классов (исключение - Раменский, но его подвиг никто ни повторить, ни использовать не может)

Географы очень сильно увлекаясь математикой, уверены в том, что все можно подсчитать, построив модели. И есть волшебный алгоритм (реклама Сканекс срабатывает), который позволит с их помойкой из разновременных, разномасштабных противоречивых данных что-то сделать выдающееся. Что делать, если по одному полигону болота вы получаете более 25 классов, а достаточно выделить всего 3 типа.

да хоть 125, из них собирается 3 тематических группы, соответствующих типам. Не класс определяет тип, а группы (набор "шариков"). Сборка идет на ординационной плоскости по результатам калибровки, с последующей пространственной генерализацией с использованием Марковского случайного поля. При этом есть механизм (матрица влияния соседей), который позволяет управлять тем, кто с кем будут рядом лежать, и кто кого поглотит при генерализации.

Это не автомат, а инструмент, который позволяет исследователю "рисовать" классы на ординационной плоскости (в тематическом пространстве), и получать их географические образы. И наоборот, рисовать области с известной тематикой, и смотреть их образы на ординационной плоскости. И делать то, чего стандартная классификация не может в принципе - отображать градиентные переходы.

Crackfox еще есть вариант использовать Google Earth Engine. Ограничение 300 км2.
Best Available Pixel (Bap) Composite using the Python API of Google Earth Engine (Gee)
https://github.com/fitoprincipe/geebap
http://cfs.nrcan.gc.ca/pubwarehouse/pdfs/35699.pdf
https://landsat.usgs.gov/sites/default/ ... TM_pdf.pdf

bim2010 писал(а): ↑

14 мар 2018, 22:14

Crackfox какова площадь территории для классификации, какой масштаб вы планируете получить в результате?

Площадь участка 3000 га. Соответственно использовать даже дюжины
сцен sentinel проблематично. Про 100 изображений или как в монографии ИКИ более 40 в данном случае можно забыть.

bim2010 писал(а): ↑

14 мар 2018, 22:14

характеристики рельефа вы используете.

в данный момент не учитываю (кстати что Вы имеете ввиду : цмр, ТЛУ из данных таксации, что то иное?), т.к. предварительно цель - сегменитровать элементарные части полога, дабы "смочь учесть" весь размах значений яркости. Т.е. полученное количество сегментов..подклассов (принадлежащих к n-му количеству классов, в зависимости от количества пород) полностью описывает размах значений внутри классов, а значит и весь модельный участок. Далее можно построить регулярную сеть и уже в поле проверять что мы там дистанционно навыделяли.
Возможно стоит отойти от алгоритмов сегментации и использовать кластеризацию без обучения с избыточным количеством классов, варианты объектно-ориентированной классификации или

bim2010 писал(а): ↑

14 мар 2018, 22:14

"Случайный лес", "нейронные сети" или:

bim2010 писал(а): ↑

14 мар 2018, 22:14

что мешает нанести в OpenStreetMap часть очевидных объектов, которые однозначно можно

Маскирование произведено, для работы используется растр исключительно лесных территорий.

Возможно стоит отойти от алгоритмов сегментации и использовать кластеризацию без обучения с избыточным количеством классов, варианты объектно-ориентированной классификации

На мой взгляд, ни один из методов классификации, при таком подходе не сможет дать удовлетворительных результатов о породной структуре леса. Просто не достаточно информации для анализа. Только укрупнено. Например, выделение хвойных пород леса по NDVI зимнего снимка (в сравнении с летним). Максимальные значения NDVI и будут хвойные: https://apps.sentinel-hub.com/eo-browse ... el-2%20L1C
См. здесь: http://mapexpert.com.ua/index_ru.php?id=20&table=news Рисунок 3. Значения NDVI и соответствующие им типы растительного покрова.
И еще http://www.miigaik.ru/upload/iblock/131 ... 15ab0e.pdf
Барталев в главе 4.3. Картографирование породной структуры лесов на основе спутниковых данных описывает метод использования временных рядов спутниковых данных для картографирования преобладающих древесных пород в лесах России.

Он основан на различиях фенологической динамики их спектрально-отражательных характе¬ристик. Известно, что леса разных пород могут демонстрировать различную дина¬мику фенологического развития (Елагин, 1994). Так, появление листьев на деревьях дуба в основном происходит на 2—3 недели позже, чем у деревьев других листвен¬ных пород в сходных климатических условиях. Цветение липы происходит позже других лиственных пород. Для березы характерно ранее появление листьев весной и позднее их опадание осенью. У ели в начале лета заканчивается рост хвои и начи¬нается ее вызревание раньше, чем у пихты и кедра. Таким образом, интервал меж¬ду наступлением соответствующей фазы для деревьев разных пород, находящихся в одинаковых географических условиях, может составлять от недели и более. Фено-логическая динамика лесов различных пород проявляется в различиях эволюции их спектрально-отражательных характеристик в течение вегетационного сезона, что может быть использовано для их разделения по данным ДЗЗ высокого временного разрешения.

Рис. 4.6. Динамика КСЯ лесов с преобладанием различных пород по данным MODIS
Конечно, Барталева надо интерпретировать, т.е. у нас не глобальный проект и MODIS никак не подходит. Но снимков Sentinel-2А и Sentinel-2В уже несколько сотен по интересующей территории. Я предлагаю делать анализ попиксельно и не за один сезон, не Best Available Pixel, а именно расчет характеристик и индексов в каждом пикселе и получить функцию во времени для понимания фенологической динамики по спектрально-отражательным характеристикам.
Технически решить такую задачу прощее всего для меня оказалось так: строим сетку, по размеру совпадающую с разрешение пикселей растровых данных. По этой сетке извлекаются значения из растров в SQL. Т.е. по сути векторизация и последующая работа уже с вектором. В конце обработки результат опять назад в растр.
Вопросы к обсуждению по работе с Sentinel 2 Toolbox.
Задачи:
1. Маскирование облачного покрова и теней от облаков. Насколько это сейчас в рабочем состоянии в toolbox? Проверял примерно год назад - была каша.
2. Конвертация данных Sentinel в показатели излучения на сенсоре. Для Landsat это описано здесь: http://gis-lab.info/qa/dn2radiance.html
3. Экспорт данных Sentinel из растра в вектор. Gdal (gdal2xyz). Может уже сделал кто сразу экспорт из растра в SQL, без промежуточной конвертации в тхт?

Crackfox писал(а): ↑

07 мар 2018, 15:47

Отчасти тема касается ERDAS'а, но это лишь один из методов, так что пусть будет в "Общие вопросы"

Задача: выделить элементарные единицы полога, т.е. сегменты ( я имею ввиду: парцеллы/ микрогруппировки/ биогруппы/ подвыдела / породные группировки внутри выдела).

Можно ли, хотя бы после ухода темы из топа, перенести ее туда, где ее после смогут найти другие? То есть в раздел "Охрана природы" или "ДЗЗ"? Общий раздел - это только для того, для чего не нашлось своего тематического раздела. Все "общее" по оценке природных процессов и экосистем - размещать лучше в "Охране природы" (см. под названием раздела его описание).

К теме, хотя не совсем по вашим объектам:

Для Sentinel-2 для идентификации действующих пожаров очень хорошо работает комбинация каналов (R,G,B) = (12,11,4). Это каналы 2.6мкм, 1.6мкм и красный. В EO Browser эта комбинация определена как False color (urban).

Даже опытный в таких делах, сам В.и У. Ярошенко, признал, что да, так палы травы видны значительно лучше.
Источник: http://forestforum.ru/viewtopic.php?f=9&t=22053#p167682

bim2010 писал(а): ↑

19 мар 2018, 16:53

На мой взгляд, ни один из методов классификации, при таком подходе не сможет дать удовлетворительных результатов о породной структуре леса.

может, при условии что (1) структура воспроизводится на больших площадях (это не сплошной экотон), и (2) калибровку ("сборку" тематических классов из спектральных) делает профессионал-дешифровщик, знающий территорию.

P.S. При наличии на территории гидросети и прочих увлажненных мест какой-нибудь построенный по рельефу индекс влажности тоже не повредит.

Можно вмешаюсь, тут пару раз слово таксация фигурировало. Данная работа "Идентификация подвыделов по данным Sentinel" имеет какое-то практическое значение для таксационных работ или же чисто научно-исследовательское?
По таксации с применением данных аэро и космосъемки (0,5 м) есть пара публикаций, тут даже обсуждалось как-то.