Использование методов и средств аэрокосмического мониторинга, ГИС-технологий, дискретных ортогональных преобразований становится все более популярным в различных отраслях науки и техники [1–3]. Объекты захоронения отходов (ОЗО) относятся к объектам высокой степени негативного природного и антропогенного воздействия. Если данные объекты расположены на экологически уязвимой территории, то степень их опасности возрастает на порядок. Например, Арктика является наиболее экологически уязвимой территорией в РФ, т.к. на биологический слой Земли одновременно оказывается высокая степень негативного природного и антропогенного воздействия. В частности, растительный покров, будучи чувствительным к климатическим условиям, имеет низкую плотность, и данная ситуация усугубляется ростом импактных территорий добычи полезных ископаемых, и, как следствие образованием многочисленных ОЗО. Особенно опасны такие характеристики поражающих факторов воздействий, как интенсивность и продолжительность, которые имеют критические значения в северных зонах РФ.
Рис. 1. Общая блок-схема алгоритма обнаружения неизвестных ОЗО
В связи с беспредельным ростом объектов и территорий загрязнения в РФ и, как следствие, ростом ОЗО возникает все большая потребность и необходимость автоматизации обнаружения и выделения этих источников заражения.
Постановка задачи
Предлагается метод автоматизации обработки космических изображений, позволяющий детектировать потенциально опасные объекты и территории [1]. Данный метод автоматизации имеет следующие особенности:
1) попиксельный расчет индексов подстилающей поверхности (ИПП) и ранжирование участков поверхности земли в зависимости от диапазонов значений данных индексов;
2) геопривязка космических изображений для возможности получения временных серий областей наблюдения;
3) прямоугольная нарезка изображений на участки одинаковых размеров;
4) нормализация информации, получаемой на различных этапах алгоритма, в том числе при извлечении метаданных, в частности, разработка атрибутивных и географических баз данных.
В методе используется определение т.н. «масок» – матриц информационных признаков, рассчитываемых на базе проведения множественного регрессионного анализа. По маскам детектируются те или иные объекты на изображениях. Маски различны не только для типов объектов, но и для регионов и момента времени съемки (времени суток и года). Вычисление очередной маски осуществляется по специальному алгоритму выделения областей пороговой фильтрацией. В качестве порогов принимаются рассчитываемые для данного типа объектов нижние и верхние пороговые функции. Данный алгоритм основан на выделении эталонной области месторасположения известного объекта, в частности ОЗО, в окрестности рассматриваемого региона.
а
б
Рис. 2. Видимое изображение в программе Google Earth (а) и исходное изображение Landsat 5 (б), лето 2006 (участок ближневосточного Подмосковья)
а
б
Рис. 3. Результаты проведения алгоритма 1
Рис. 4. Результаты проведения алгоритма 2 на примере ОЗО № 1 (полигон ТБО Кучино ближневосточного Подмосковья)
Данный метод автоматизации позволяет:
1) получать различные ИПП на заданной территории в заданный момент времени, например индексы реакции растительности и степени деградации почвы [5, 7];
2) разрабатывать карты ИПП с теми или иными значениями рангов областей на картах;
3) детектировать ОЗО и, предположительно, другие виды объектов проведением соответствующих теоретических экспериментов над ними в программе по автоматизации.
Описание алгоритма
Блок-схема алгоритма метода автоматизации обнаружения и выделения ОЗО показана на рис. 1: исходные изображения (снимки и участки снимков) – мультиспектральные космические снимки среднего (класса 1 – Landsat 4, 5 TM, Landsat 7, 8) и высокого разрешения (класса 2 – QuickBird, GeoEye, WorldView и т.д.) пространственного разрешения.
По изображениям класса 1 обнаруживаются и выделяются ОЗО размера, кратного разрешению, с некоторой ошибкой обнаружения (выделения). По изображениям класса 2 проверяется, является ли обнаруженный объект ОЗО; уточняется его месторасположение, обнаруживаются и выделяются более мелкие ОЗО, не обнаруживаемые по изображениям класса 1. В случае обнаружения определенного ОЗО, координируя участок, можно провести оценку его параметров как по данным изображениям, так и по гиперспектральным изображениям, позволяющим уточнить параметры и предположительно определить другие, недоступные для определения по классам 1 параметры. На входе алгоритма обнаружения 1 – изображение класса 1 (исходный мультиспектральный снимок или участок). В базе данных масок хранятся маски, характерные для различных периодов времени года, каналов и регионов. Если существует маска для региона и периода времени года, то ее расчет не требуется. В процессе мониторинга нового региона вычисляется очередная маска для него в разные периоды времени года и вводится в базу данных масок. Алгоритм выделения 2 проводится для временной серии изображений класса 2 в соответствии с методом, описанным в [4, 6]. Блок-схема алгоритма 3 аналогична блок-схеме алгоритма 1, но на входе последнего – изображения высокого разрешения. В пополняемой базе данных масок содержатся маски по регионам, периодам времени года, типам изображений и компонентам. Основные шаги алгоритма:
1) геопривязка и нарезание;
2) проведение алгоритмов 1–3;
3) анализ данных;
4) нанесение неизвестных ОЗО на карту.
а
б
Рис. 5. Видимое изображение в программе Google Earth (а) и исходное изображение GeoEye (б), лето 2010 (участок полигона ТБО Кучино ближневосточного Подмосковья)
Результаты работы алгоритма на примере обнаружения и выделения ОЗО
В качестве области наблюдения рассмотрим участок ближневосточного Подмосковья (рис. 2 а). Исходное космическое изображение типа Landsat 5 TM, покрывающее данную область, показано на рис. 2 б. По результатам проведения алгоритма 1 по маскам обнаружения ОЗО получена матрица обнаружения (а) и карта месторасположения ОЗО (б) – рис. 3. Всего – 46 обнаруженных ОЗО.
Проведением алгоритма 2 получаются области выделения ОЗО в различные моменты времени. Фрагмент такой временной серии показан для одного из потенциально обнаруженных ОЗО – полигона ТБО Кучино (рис. 4).
По результатам проведения алгоритма 2 для каждого обнаруженного ОЗО все объекты матрицы выделения (по алгоритму 2) отображаются на матрице обнаружения, т.е. идентифицируются как ОЗО.
На примере обнаруженного ОЗО в соответствии с алгоритмом 3 по фрагменту его территории (рис. 5 б) уточняется его структура по маскам выделения ОЗО (рис. 6).
В соответствии с эталонным изображением на данной территории расположены следующие официальные полигоны ТБО:
1) действующий полигон ТБО Кучино;
2) действующий полигон ТБО Саввино;
3) действующий полигон ТБО Торбеево;
4) рекультивируемый полигон ТБО Лисьи Горы;
5) действующий полигон ТБО Некрасовка;
6) закрытый полигон ТБО Балластный карьер;
7) закрытый полигон ТБО Машково.
Рис. 6. Результаты проведения алгоритма 3 на примере участка полигона ТБО Кучино ближневосточного Подмосковья
а
б
Рис. 7. Наложение эталонного изображения на изображение ОЗО (а) и выделение неизвестных ОЗО (б)
Как видно из рисунка наложения эталонных месторасположений официальных полигонов ТБО (рис. 7, а), по алгоритмам 1 и 2 не обнаружены полигоны ТБО 4 и 5. Данные полигоны можно легко обнаружить и выделить: изменив параметры обработки или дополнив процедуру алгоритмом 3. В первом случае можно, например, усилить видимость свалок расширением нижней и верхней пороговых функций. Во втором случае можно обработать не фрагменты уже обнаруженных свалок по алгоритмам 1 и 2, а всю территорию вновь, но уже с многократно лучшим разрешением (лучшей видимостью).
Вычитая из изображения ОЗО эталонное изображение, получим карту неизвестных ОЗО (рис. 7б).
Выводы
По результатам обнаружения и выделения известных и неизвестных объектов захоронения отходов получены различные параметры ОЗО Московского региона в пространстве-времени. Посредством обработки большого количества космических снимков разработана база данных различных масок не только для ОЗО, но и для других природных и антропогенных объектов. Метод автоматизации показал свою эффективность в автоматическом обнаружении несанкционированных свалок с использованием минимального количества информации.
Рецензенты:
Заалишвили В.Б., д.ф.-м.н., профессор, директор ФГБУН «Центр геофизических исследований», г. Владикавказ;
Марчук В.И., д.т.н., профессор, заведующий кафедрой «Радиоэлектронные системы», ИСОиП (филиал) ДГТУ, г. Владикавказ.
Библиографическая ссылка
Казарян М.Л., Шахраманьян М.А., Рихтер А.А. МЕТОД АВТОМАТИЗАЦИИ ОБНАРУЖЕНИЯ И ВЫДЕЛЕНИЯ ОБЪЕКТОВ ЗАХОРОНЕНИЯ ОТХОДОВ // Фундаментальные исследования. – 2015. – № 8-2. – С. 281-286;URL: https://fundamental-research.ru/ru/article/view?id=38886 (дата обращения: 10.02.2025).