Tālizpētes nodaļa publicē pirmo QGIS spraudni

3att

2017. g. jūnijā veiksmīgi tika apstiprināts un publicēts VeA IZI VSRC tālizpētes nodaļā izstrādātais satelītattēlu pikseļa līmeņa klasifikācijas spraudnis. Spraudnis ir paredzēts darbam ar QGIS (ģeogrāfiskās informācijas sistēma) programmatūru un pašlaik ir brīvi pieejams tās oficiālajā spraudņu krātuvē. Spraudnis katram attēla pikselim piešķir zemes pārseguma tipu vai kādu zemes pārsegumu raksturojošo lielumu, vadoties pēc lietotāja sagatavotajiem apmācības datiem. Ja lietotājs vispirms sagatavo datus algoritma darbībai, tad to sauc par vadīto klasifikāciju un spraudņa ietvaros tā ir realizēta, izmantojot  kNN (k-nearest neighbors) algoritmu.

Attēlā – Spraudņa grafiskā saskarne.

 

Tālizpēte dod iespēju attālināti iegūt informāciju par plašām teritorijām, piemēram, mežiem Ventspils novadā. Lielā mērogā datu iegūšana ir realizējama, izmantojot lidaparātus un Zemes mākslīgos pavadoņus. Šādas informācijas iegūšana un analīze dod iespēju efektīvi novērtēt pieejamos resursus un attiecīgi plānot saimniecisko darbību.

Datu iegūšana var šķist triviāla, taču tas tā nav. Datu iegūšanu traucē laika apstākļi, mākoņu ēnas uz Zemes virsmas un citi faktori, kas būtiski ietekmē kvalitatīvu iegūto datu kvalitāti.

Attēls – Sentinel-2A  marta satelītattēla piemērs (dabisko krāsu attēls). Attēla labajā pusē varam novērot sniega segu Vidzemes augstienē.

 

Spraudņa izstrādes laikā klasifikācijas metode kNN tika pārbaudīta, izmantojot brīvas piekļuves Landsat un Sentinel-2A stelītattēlu izgriezumus. Attiecīgie satelītattēli ir multispektrāli – tie satur informāciju par redzamo gaismu un par tuvo infrasarkano elektromagnētiskā starojuma spektra joslu. Materiālu atstarojumam katrā spektra joslā ir savas unikālas īpašības un to kombinēšana tālizpētes kontekstā ļauj veikt attēlu apstrādi un analīzi. Izstrādātais klasifikācijas spraudnis pašlaik darbojas vienā no diviem darba režīmiem. Pirmajā klasifikācijas režīmā, vadoties pēc lietotāja sagatavotiem apmācības datiem, tas spēj katram attēla pikselim piešķirt zemes pārseguma klasi, kas ir kodēta ar kādu numuru.

Attēlā – Šajā piemērā attiecīgi apskatāms kartes fragments kurš pēc apmācības datiem tiek sadalīts divās izteiktās klasēs. Ar baltu krāsu tiek aprakstītas teritorijas ar koku vainagu nosegumu, ar melnu teritorijas bez koku vainagu noseguma.

Otrs klasifikācijas režīms spēj kvantitatīvi aprakstīt kādu zemes pārseguma skaitlisku raksturlielumu pikselim atbilstošajā teritorijā. Kā pielietojuma piemēru var minēt mežaudzes krājas noteikšanu kubikmetros uz hektāra. Pēc attēla apstrādes tiek iegūts pseidokrāsu attēls, kurā ar toņa intensitāti tiek raksturota krājas vērtība pikselim atbilstošajā teritorijā.

Attēlā – Klasificējamais attēls (oriģināls) redzams kreisajā pusē savukārt klasifikācijas rezultāts labajā. Rezultātā tiek iegūts pseidokrāsu attēls, kurā ar intensitāti tiek raksturota audzes krāja uz laukuma vienību.

Klasifikācijas metode kNN ir bieži izmantota un sniedz labus rezultātus, bet izaicinājums šādas metodes pielietošanā ir apmācības datu sagatavošana. Apmācības dati ir atsevišķi pikseļi vai apgabli attēlā, kuru zemes pārseguma tips vai tā raksturlielumi cilvēkam ir manuāli jāklasificē. Noteikti jāpārliecinās par datu precizitāti, jo atlasītā datu kopa tiks izmantota kā atskaites punkts klasifikatora algoritma darbībā, kas tiešā veidā ietekmē algoritma klasifikācijas rezultātu un precizitāti. Pēc attēla klasifikācijas, process tiek novērtēts, aprēķinot kļūdas un novērtējot klasifikācijas ticamības pakāpi un precizitātes rādītājus.

Attēlu pikseļu klasifikācijas algoritmam ir ļoti daudz iespējamie pielietojumi. Viss, kas nepieciešams ir tālizpētes nolūkiem derīgi dati un apmācības datu kopa. Spraudnim pievienota dokumentācija un arī demonstrācijas piemērs, kuram sekojot soli pa solim iespējams apgūt spraudņa pielietošanu.

VeA IZI VSRC tālizpētes nodaļai šis ir pirmais izstrādātais un oficiāli publicētais QGIS spraudnis. Izstrādes laikā tika gūta nozīmīga pieredze par algoritmu implementācijas, saskarnes veidošanu, kā arī par spraudņa publicēšanas procesu. Iegūtās zināšanas nākotnē būs kā pamats jaunu tālizpētes orientētu rīku izstrādei.

Informāciju sagatavoja: Edgars Visockis, Linda Gulbe.

 

 

01.09.2017.