Вычисление водонепроницаемых поверхностей по спектрозональным снимкам

Водонепроницаемые или водоупорные поверхности могут вызывать серьезные проблемы, такие как затопление и загрязнение сточными водами. В связи со столь серьезными угрозами правительства, в частности, городское управление Луисвилла, Кентукки облагают налогами земли, в которых много водонепроницаемых поверхностей. Для расчета налога вы примените сегментацию и классификацию аэрофотоснимков по типам землепользования, что даст вам возможность вычислить площади водонепроницаемых поверхностей для каждого земельного участка.

Последний раз этот урок тестировался 5 ноября 2021 г. в ArcGIS Pro 2.8 . Если у вас другая версия ArcGIS Pro , результат и функциональность могут отличаться.

• ArcGIS Pro Advanced (получить бесплатную пробную версию)
• Дополнительный модуль ArcGIS Spatial Analyst

План урока

Группировка пикселов в сегменты, чтобы сделать классификацию более точной.

Выполнение классификации с обучением на основании типов землепользования.

Определение точности классификации и вычисление площади поверхности на земельном участке.

Сегментация изображения

Чтобы определить, какие части поверхности проницаемы, а какие нет, надо классифицировать изображение по типам землепользования. Непроницаемые обычно созданы человеком: дома, дороги, парковки, кирпичи или асфальт. Проницаемые – это растительность, водные объекты и голая земля. Использование мультиспектральных изображений для такой классификации хорошо работает, потому что каждый тип землепользования, как правило, характеризуется своими, уникальными спектральными характеристиками, которые также называют спектральной сигнатурой.

Но если вы попытаетесь классифицировать изображения, в которых практически каждый пиксел представляет уникальную комбинацию спектральных характеристик, вероятно, вы столкнитесь с ошибками и неточностями. Вместо этого необходимо группировать пикселы на сегменты, чтобы генерализовать изображение и существенно сократить количество спектральных сигнатур для классификации. После сегментации изображения вы выполните классификацию этих сегментов с обучением. Сначала вы классифицируете изображение по общим типам землепользования (например, крыши или растительность). Затем вы переклассифицируете эти типы землепользования на проницаемые и непроницаемые.

Перед тем, как приступить к классификации, вы измените комбинацию каналов, чтобы более четко различать объекты.

Загрузка и открытие проекта

Сначала надо скачать данные, предоставленные администрацией города Луисвилл (шт. Кентукки, США). Данные содержат снимки изучаемой территории и пространственные объекты земельных участков.

1. Перейдите на страницу элемента Surface_Imperviousness и щелкните Загрузить , чтобы загрузить файл .zip , содержащий ваш проект и его данные.
2. Найдите загруженный файл на вашем компьютере.

В зависимости от настроек браузера, вам могло быть предложено выбрать место для сохранения загружаемого файла. Большинство браузеров по умолчанию скачивают все в папку Загрузки.

Папка содержит несколько вложенных папок, файл проекта ArcGIS Pro ( .aprx ) и набор инструментов ArcGIS ( .tbx ). Прежде, чем изучать прочие данные, надо открыть файл проекта.

Если у вас нет ArcGIS Pro или учетной записи ArcGIS, можно подписаться на бесплатную пробную версию ArcGIS.

Проект содержит карту района возле города Луисвилл (штат Кентукки, США). Карта содержит 4-канальный снимок Louisville_Neighborhood.tif 6-дюймового разрешения и слой Parcels - класс пространственных объектов земельных участков. Теперь давайте рассмотрим остальные скачанные данные.

Теперь вы будете извлекать спектральные каналы снимка.

Извлечение спектральных каналов

На мультиспектральном снимке окрестностей Луисвилла в данный момент используется сочетание каналов "естественные цвета", отображающие снимок так, как видит человеческий глаз. Вы измените комбинацию каналов, чтобы лучше отличать городские объекты (бетон) от природных объектов (растительность). Можно изменить комбинацию каналов, просто щелкнув правой кнопкой каналы на панели Содержание , но в следующих частях рабочего процесса вам надо будет использовать изображения, состоящие всего из трех каналов. Итак, вы создадите новое изображение путем извлечения из исходного снимка трех каналов, которые хотите показать.

1. На панели Содержание щелкните слой Louisville_Neighborhood.tif , чтобы выделить его.
2. На ленте щелкните вкладку Изображения . В группе Анализ щелкните Функции растра .

Появится панель Функции растра .

Функции растра применяют операции к растровым изображениям на лету, то есть исходные данные не меняются и новых наборов данных не создаётся. На выходе получается своего рода слой, который существует лишь в рамках проекта, и к нему применена растровая функция. Вы будете использовать функцию Извлечь каналы для создания изображения только с тремя каналами, чтобы легче различать проницаемые и непроницаемые поверхности.

Появится функция Извлечь каналы .

Вы будете извлекать следующие каналы: Near Infrared (канал 4), который выделяет растительность; Red (канал 1), который выделяет созданные человеком объекты и растительность; и Blue (канал 3), который выделяет водные объекты.

Параметр Метод определяет, тип ключевого слова, используемый для ссылки на каналы, когда вы указываете комбинацию каналов. Для наших данных ID канала - самый простой способ указать каждый канал.

Параметр Действие при отсутствии канала укажет, какие действия будут производиться, когда канал из списка отсутствует в снимке. Наилучшее совпадение выберет наилучший доступный канал.

Новый слой Louisville Neighborhood Extracted Bands_Louisville_Neighborhood.tif , добавлен на карту. В нем только извлеченные каналы.

Жёлтый слой земельных участков Parcels перекрывает изображение, поэтому некоторые объекты может быть плохо видно. Слой Parcels понадобится в конце проекта, поэтому сейчас его можно отключить.

Слой Louisville Neighborhood с извлеченными каналами представляет собой изображение с выбранной вами комбинацией каналов (4 1 3). Растительность показана красным, дороги серым, а крыши - оттенками серого или голубого. Выделив различия между естественными и созданными человеком поверхностями, вам будет проще их классифицировать.

Хотя слой Louisville Neighborhood с извлеченными каналами отображается на панели Содержание , никаких новых данных ни в какие папки не добавилось. Если удалить слой с карты, он удалится окончательно.

Настройка Мастера классификации

После этого вы откроете Мастер классификации и настроите его параметры по умолчанию. Мастер классификации проведет вас по шагам через процессы сегментации и классификации изображений.

1. В панели Содержание убедитесь, что выбран слой Louisville Neighborhood с извлеченными каналами .
2. На вкладке Изображения ленты в группе Классификация изображений щелкните Мастер классификации .

Если вы хотите открывать отдельные инструменты, доступные в этом мастере, к ним можно обратиться через ту же вкладку. В группе Классификация изображения щелкните Инструменты классификации и выберите нужный инструмент.

Появится панель Мастера классификации изображений .

Первая страница мастера (показанная голубым кружком в вверху мастера) содержит несколько основных параметров, которые определяют тип выполняемой классификации. Эти параметры устанавливаются через последовательные шаги мастера. Вы будете использовать классификацию с обучением. Классификация с обучением основывается на указанных пользователем учебных образцах, которые определяют, какие типы пикселов или сегментов каким образом следует классифицировать. Напротив, классификация без обучения полагается на алгоритмы классификации, заложенные в программном обеспечении.

Классификация на основе объекта использует процесс, который называется сегментация для группировки соседних пикселов на базе схожести их спектральных характеристик.

Далее вы выберете Схему классификации . Схема классификации представляет собой файл, в котором определены классы, которые будут использованы для классификации. Схема сохраняется в файле схемы классификации Esri ( .ecs ), использующем синтаксис JSON. Для этого процесса вы измените схему по умолчанию, NLCD2011. Эта схема основывается на типах землепользования, используемых в Геологической службе США.

Следующий параметр определяет Выходное местоположение , то есть рабочую область, куда сохраняются все результирующие данные, полученные с помощью мастера. Это могут быть обучающие данные, сегментированное изображение, пользовательские схемы, информация точности позиционирования, промежуточные результаты и окончательные выходные данные процесса классификации.

В разделе Дополнительно вы не будете ничего заполнять параметры Сегментированное изображение , Обучающие выборки и Базовый набор данных , так как у вас ни один из этих элементов не был создан заранее.

На следующей странице Мастера классификации изображений настраивается сегментация.

Сегментация изображения

Теперь вы выберите параметры Сегментации . Процесс Сегментации группирует в сегменты соседние пикселы со схожими спектральными характеристиками. Это генерализирует изображение и его станет проще классифицировать. Вместо того, чтобы классифицировать тысячи пикселов с уникальными спектральными сигнатурами, вы классифицируете меньшее количество сегментов. Оптимальное количество сегментов, а также диапазон сгруппированных в сегменты пикселов, зависят от размеров и предназначения изображения.

Ниже приводится пример представления сегментации. Сравните не сегментированное (слева) и сегментированное (справа) изображения. Например, крыша каждого строения генерализована в один сегмент.

Первый параметр – Спектральный элемент . Он устанавливает уровень важности для спектральных различий между пикселами по шкале от 1 до 20. Более высокие значения означают, что пикселы должны быть более похожими друг на друга, чтобы попасть в одну группу; в результате получается большее количество сегментов. Меньшее значение создаёт меньше сегментов. Так как вам важны отличия проницаемых и непроницаемых поверхностей (что в целом представляет очень разные спектральные сигнатуры), можно использовать меньшее значение.

1. В параметре Спектральный элемент замените предложенное по умолчанию значение на 8 .

Следующий параметр – Пространственный элемент . Он устанавливает уровень важности для близости между пикселами по шкале от 1 до 20. Более высокие значения означают, что пикселы должны находиться рядом друг с другом, чтобы попасть в одну группу; в результате получается большее количество сегментов. Низкое значение создаст меньше сегментов, что более одинаково в пределах изображения. Вы будете использовать более низкие значения, так как не все аналогичные объекты на снимке кластеризуются друг с другом. Например, дома и дороги не всегда находятся рядом, но при этом разбросаны по всему экстенту изображения.

Следующий параметр – Минимальный размер сегмента в пикселах . В отличие от прочих параметров, у этого нет шкалы от 1 до 20. Сегменты с меньшим количеством пикселов, чем указанное здесь значение, сольются с соседним сегментом. Вы не хотите, чтобы сегменты были слишком мелкими, но при этом и не хотите, чтобы проницаемые и непроницаемые поверхности сливались в один сегмент. В данном случае, значение по умолчанию можно считать приемлемым.

Последний параметр – Только границы сегмента , определяет, отображаются ли сегменты черными границами контура. Это полезно, чтобы отличать прилегающие сегменты с похожими цветами, но мелкие сегменты бывает сложно разглядеть. Некоторые объекты на изображении (например, дома и дорожки) довольно мелкие, поэтому лучше не отмечать этот параметр.

Предварительный результат сегментации добавлен на карту. Он также добавляется на панель Содержание с именем Preview_Segmented .

На первый взгляд, сегменты выходного слоя сгруппировались не так, как вы хотели. Такие объекты, как растительность, сгруппировались во много сегментов и очень пестрят, особенно в левой части снимка. И по всей территории наблюдаются крошечные сегменты, охватывающие буквально несколько пикселов. Но это изображение генерируется на лету, то есть при изменении экстента меняется его обработка. При полном экстенте изображение генерализируется для экономии времени. Вы увеличите изображение, чтобы сократить генерализацию, чтобы было лучше видно, как выглядят сегменты при установленных вами параметрах.

Просмотр сегментации снова откроется. При меньшем экстенте сегментация более точно отражает использованные вами параметры, получилось меньше сегментов и более гладкие результаты.

Если вы недовольны результатом сегментации, вы можете вернуться на предыдущую страницу мастера и подстроить параметры. Предварительный результат сегментации строится на лету, так как для полноценной сегментации требуется некоторое время, поэтому стоит использовать возможность предварительно оценить результаты с разными комбинациями параметров, чтобы подобрать наилучшую.

Сохранение проекта не сохрани ваши местоположения в мастере. Если вы закроете проект до того, как полностью завершите мастер, вы потеряете точки и вам придется запускать мастер сначала.

Вы извлекли спектральные каналы, выделили различия проницаемых и непроницаемых поверхностей. Вы также настраиваете параметры сегментации, чтобы сгруппировать пикселы со сходными спектральными характеристиками в сегменты и упростить изображение. Далее вы классифицируете изображения по проницаемости или непроницаемости.

Классификация изображения

В этом разделе вы настроите классификацию изображения. Сегментация с обучением основывается на указанных пользователем учебных образцах, которые определяют, какие типы пикселов или сегментов каким образом следует классифицировать. Напротив, классификация без обучения полагается на алгоритмы классификации, заложенные в программном обеспечении. Сначала вы классифицируете изображение по общим типам землепользования (например, растительность или дороги). Затем вы переклассифицируете эти типы землепользования на водопроницаемые и водонепроницаемые.

Создание обучающих примеров

Чтобы выполнить классификацию, вам понадобятся обучающие примеры. Обучающие примеры – это полигоны, которые представляют на снимке отдельные образцы территорий с различными типами земной поверхности. Обучающие образцы показывают инструменту классификации разнообразие спектральных характеристик, которые могут быть представлены в каждом земном покрытии.

Сначала вы измените схему по умолчанию так, чтобы она содержала два родительских класса: Impervious и Pervious . Затем вы добавите подклассы к каждому классу, соответствующие типам почвенно-растительного покрова. Если вы попробуете классифицировать сегментированное изображение только на проницаемые и непроницаемые поверхности, классификация получится слишком общей и скорее всего будет содержать много ошибок. При классификации изображения на основе более точных типов землепользования, вы получите более точную классификацию. Позже вы сможете переклассифицировать эти подклассы в их родительские классы.

1. На панели Мастер классификации изображений щелкните правой кнопкой на каждом из классов по умолчанию и выберите Удалить класс . Для каждого класса щелкните Да в окне Удалить класс .

Чтобы узнать имя цвета, наведите на него курсор на палитре.

Значение 20 - это число, которое будет присвоено всем сегментам, определенным как impervious (непроницаемый) в процессе классификации. Это скорее числовая метка, и она не предназначена для использования в каких-либо расчетах.

Затем вы добавите подкласс для поверхностей серых крыш.

В этом уроке вы не будете создавать другие типы крыш. Однако в проекте с более разнообразными зданиями на снимках, можно создать тип землепользования "с красной крышей", поскольку эти спектральные характеристики отличаются от серых крыш.

Затем вы создадите на карте обучающую выборку, используя этот класс.

Для активации инструментов перемещения в процессе использования инструмента Прямоугольник, удерживайте нажатой клавишу C .

Полигон не обязательно должен покрывать крышу целиком. Это должен быть просто образец крыши, но что еще важнее, он должен включать только кровельный материал.

В Мастере появится запись новой обучающей выборки.

При создании обучающих образцов необходимо охватить большое количество пикселов для каждого типа землепользования. Для этого урока будет достаточно иметь около шести образцов для каждого типа землепользования, но для реального проекта, где снимки охватывают гораздо больший объем, вам может потребоваться значительно больше образцов.

Вы создадите еще нескольких обучающих примеров для представления крыш домов.

Каждый новый образец появляется в мастере. Хотя вы рисовали образцы только на крышах, для каждого из них получается по собственному классу. На самом деле, надо собрать все серые крыши в одно значение, поэтому вы сольёте все собранные только что образцы в один класс.

Все обучающие выборки сворачиваются в один класс. Можете продолжить добавлять обучающие образцы для серых крыш и сливать их с классом серых крыш . Оптимальная стратегия - собать образцы со всего снимка.