Automatická extrakce porostních údajů z obrazových dat DPZ

Filip Hájek

Zjišťování porostních a stromových charakteristik při rozsáhlých lesních inventarizacích lze v řadě případů podpořit nebo nahradit údaji z interpretace obrazu DPZ. V poslední době se vedle rozvoje na poli digitální fotogrammetrie do popředí dostávají také satelitní snímky s velmi vysokým rozlišením (VHR). Tato data představují nový obzor DPZ a oproti leteckým snímkům mají řadu výhod v podobě vyššího spektrálního, radiometrického a temporálního rozlišení. Lze je proto lépe použít k tvorbě znalostně orientovaného klasifikačního systému pro využití v praktickém lesnictví.

Tradiční metody

Principy letecké fotogrammetrie a dálkového průzkumu země slouží již po mnoho let jako účinný nástroj hospodářské úpravy lesa. Využití zahrnuje zejména lesní inventarizace, lesní tematické mapování, zjišťováni stromových a porostních charakteristik, zdravotního stavu apod. V minulosti byla v praxi uplatněna především vizuální interpretace leteckých snímků, které sloužily k zakreslování základních jednotek rozdělení lesa do hospodářských map 1:50 000. Aplikací fotogrammetrických postupů lze dále odečítat mnohé atributy, jako např. polohu stromů, střední výšku porostu, atd. Princip stanovení výšky pomocí měření horizontální paralaxy ve stereoskopickém obraze (viz slovníček pojmů) je známý po několik desetiletí a byl úspěšně aplikován v řadě vyspělých zemí světa (Švédsko, Kanada). Praktické uplatnění našly tyto metody také na Slovensku, kde se z důvodu racionalizace mapování na rozsáhlých územích a v horských podmínkách obtížných pro terestrické měření stala interpretace leteckých snímků převažující metodou pro získávání porostních údajů (Žíhlavník, 1998). V České republice se principy lesnického DPZ začaly prosazovat počátkem 80. let. Později se však od leteckých snímků upustilo, hlavně z důvodů problematického uplatnění v technologii zpracování LHP.

Satelitní snímky VHR

Vedle dat z leteckého snímkování jsou k dispozici také snímky družicové. Těch se z důvodu nižšího prostorového rozlišení (typicky 25 metrů/pixel pro Landsat TM) využívalo v lesnictví především k mapování extrémně rozsáhlých území v USA, Kanadě apod. U nás, kde je úroveň lesních inventarizací tradičně velmi vysoká, se pomocí snímků z družice Landsat TM a ETM+ každoročně vyhodnocuje zdravotní stav lesů a analyzuje vývoj v časové řadě od roku 1984 (Stoklasa, 1995).

Zcela nová éra v přístupu k satelitním datům nastala s počátkem nového tisíciletí, kdy byly vypuštěny družice Ikonos (1999) a QuickBird (2001) – QB. Senzory obou družic disponují 11bitovou radiometrií (rozsahem stupňů šedi) a snímají ve třech viditelných a blízkém infračerveném pásmu v rozlišení 4 metry (QB 2,5 m) na pixel. Navíc nabízejí jednobarevné tzv. panchromatické pásmo v rozlišení 1 m/pixel (0,6 m pro QB). Fůzí všech těchto pásem lze získat barevný obraz zostřený panchromatickým kanálem na rozlišení 1 m. Navíc umožňují nastavení úhlu snímání, promítání ze dvou center (epipolární projekce) a tvorbu stereoskopického obrazu. Takové parametry přímo určují data k digitálnímu mapování a modelování 3D objektů pomocí automatické obrazové analýzy založené na znalostním přístupu.

 

Automatická klasifikace

Přes všechny zmíněné výhody však při tvorbě takové automatické metody stále vyvstává problém s vysokou různorodostí snímků s velmi vysokým rozlišením. Plochy představující jednu tématickou třídu (např. koruna stromu) jsou ve skutečnosti tvořeny skupinou většího počtu pixelů se značným rozsahem hodnot stupňů šedi. Tradiční metody automatické klasifikace (řízené či neřízené) navíc porovnávají pouze digitální hodnoty obsažené v jednotlivých pixelech snímku a nikoliv jejich prostorové rozmístění neboli texturu snímku.

Tyto problémy lze v zásadě řešit vyhlazením obrazu pomocí různých filtrů, vypočtením texturálních vrstev během přípravné fáze klasifikace a složený víceobraz vyhodnotit pomocí objektově orientovaného přístupu.

Objektová analýza obrazu

Při objektově orientované analýze je obraz rozdělen do tzv. primitiv – souborů více pixelů. Klasifikace pak probíhá nad těmito objekty a nikoliv nad jednotlivými pixely, jako je tomu u běžných metod automatické klasifikace. Segmentace originálních dat může být provedena do několika úrovní podle požadované velikosti obrazových objektů, např. koruny stromů, skupiny stromů, porostní skupiny, typy krajinného krytu. Vzájemné vazby mezi objekty na jedné nebo více úrovních jsou vždy zachovány. V rámci následné klasifikace lze definovat nejrůznější klasifikační pravidla, založená na spektrální nebo texturální charakteristice objektů, jejich geometrickém tvaru, sousedství v rámci jedné úrovně či vzájemném vztahu na různých úrovních.

Identifikace druhové skladby

Řada prací z poslední doby ukazuje, že pomocí automatické klasifikace obrazu, založené pouze na optických metodách DPZ, nelze zcela přesně mapovat komplexní lesní struktury. Toto platí především pro identifikaci porostů mladých vývojových fází, porostů smíšených a věkově rozrůzněných mýtních porostů. Výsledky výzkumu (Hájek 2005) však ukazují, že úloha stanovení procentického zastoupení lesních dřevin může být úspěšně řešena pomocí objektové analýzy VHR družicových dat a z nich odvozených vrstev. Přesnost klasifikace tak dosahuje úrovně, jaké je dosahováno při současných terénních taxačních pracích. Klasifikační pravidla definovaná „fuzzy“ funkcemi členství jsou vysoce flexibilní a vytvořená znalostní báze může být přenesena a aplikována na jiný obdobný obrazový soubor pomocí automatizačních protokolů. Výsledek spektrálního rozlišení lze vylepšit normalizací hodnotami rastrového digitálního modelu terénu a dále zahrnutím dodatečných kanálů, jako například různé vegetační indexy (poměry viditelných a infračervených pásem), texturální míry aj.

Schopnost vylišení mladých věkových struktur značně závisí na množství texturální informace, což představuje hlavní výhodu jednometrových (pan-sharpened) dat oproti Ikonosu snímaném pouze v multispektrálním modu. Podrobnější snímky vyžadují pečlivý výběr velikosti objektů s ohledem na kontext scény, přináší však daleko širší možnosti v definici tříd co do využití vzájemných sémantických vztahů na více úrovních klasifikační hierarchie.

Perspektiva uplatnění v praxi HÚL

Porovnáváme-li snímky Ikonos s rozlišením 4 m a 1 m z hlediska možnosti automatické klasifikace druhové skladby, mají oba typy dat jisté výhody. Přihlédneme-li k jejich ceně (Ikonos pan-sharpened se prodává za dvojnásobek ceny samostatných multispektrálních dat), měly by nalézt uplatnění v rozličných úlohách hospodářské úpravy lesů. Zatímco čtyřmetrové snímky umožňují poměrně přesné určení procentického zastoupení dřevin, jednometrová pan data zobrazují detailní struktury na úrovni porostu, ale také v rámci korun jednotlivých stromů. Identifikace dřevin s takovou mírou přesnosti může pak v kombinaci s výškovou informací z leteckého laserového měření, příp. interpretace stereo páru leteckých snímků, sloužit k vyspělému 3D modelování lesních porostů.

V oblasti digitální fotogrammetrie jsou pak aktuální zcela nové formáty leteckého snímkování na digitální kamery (např. UltraCam firmy Vexcel), které kromě 12bitové radiometrie nabízejí infračervené pásmo a spojitý překryv s GPS korekcí snímacích center. Také cena za zobrazené území by mohla být nižší než u VHR družicových dat. Reálné uplatnění však stále závisí především na existenci znalostně orientovaného analytického nástroje, který bude uzpůsoben pro potřeby inventarizací v lesnické praxi.

Práce byla realizována s podporou projektu NAZV QG50097/2004 pod výzkumným programem MZe 2005–2009.

Adresa autora:

Ing. Filip Hájek

katedra Hospodářské úpravy lesů FLE ČZU

e-mail: Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript.