Mgr. Zbyněk Malenovský
Mendelova zemědělská a lesnická univerzita Brno – Fakulta lesnická a dřevařská
Ústav geodézie a fotogrammetrie, Zemědělská 3, 613 00 Brno, Czech Republic
Tel.: +0042 5 4513 4514, E-mail: malenov@mendelu.cz
http://www.mendelu.cz/ldf/studium/doktor/docs

Abstrakt:

Lesní prostředí je reprezentantem prostorově velmi nejednotného ekosystému a to obzvláště v oblastech Mediteránního podnebí. Vysoká různorodost jak ve vertikálním tak v horizontálním směru ovlivňuje výslednou reflektanci vegetačního pokryvu zachycenou na obrazových datech dálkového průzkumu Země (DPZ). Tato heterogenita je během procesu automatického zpracování ještě podporována algoritmy dnešních klasifikátorů založených na principu klasifikace "pixel-by-pixel", kde zařazení pixlu do definovaných kategorií je založeno jen na spektrálních charakteristikách zkoumaného pixlu bez jakékoliv návaznosti na jeho okolí. Výsledná tématická mapa pak obsahuje malé skupiny buněk odlišné klasifikace od jejich širokého okolí, jež vytváří "šum" znesnadňující vnímání a interpretaci prvků dané mapové kompozice. Proto je nutné eliminovat rušivý účinek těchto pixlů skrze generalizaci obrazu.

Jednou z možných postklasifikačních generalizačních metod je využití procedury CLAPAS (CLAssement de PAysages et Segmentation - Classifying landscapes) vyvíjené posledních 9 let J.M. Robbez-Massonem (Institut National de la Recherche Agronomique - ENSA Montpellier). Narozdíl od konvenčních metod používá tento algoritmus k zařazování pixlů do kategorií komparace mezi předem definovanými referenčními histogramy jednotlivých klasifikovaných tříd a histogramy získanými statistickým vyhodnocením okolních buněk zkoumaného pixlu o proměnlivé velikosti vyšetřovaného okna. Této výhody programu CLAPAS bylo využito při generalizaci tématické mapy lesních typů masivu Alaric (jihovýchodní Francie) v rámci projektu CEO realizovaného Laboratoří DPZ a digitální kartografie ESA Purpan v Toulouse. Generalizovaná mapa typů lesních porostů byla získána automatickou klasifikací nad simulovaným satelitním snímkem s vysokou kvalitou prostorového rozlišení 4 metry.

KLÍČOVÁ SLOVA: generalizace, CLAPAS, mapa lesních typů, DPZ, vysoké prostorové rozlišení.

1. Úvod

Automatické zpracování satelitních dat dálkového průzkumu Země (DPZ) může významným způsobem přispět v oblasti lesnického mapování např. při tvorbě map lesních typů. Lesní prostředí reprezentuje velmi rozmanitý a nesourodý systém. Horizontálně je tvořeno souborem stromů různých biologických druhů, výšek a hustoty, odděleně od křovinného podrostu, trvalých travních porostů a holé půdy. Vertikálně je každý strom souborem listů, větví a kůry, kde každý list je výsledkem specifické kombinace buněk obsahujících určité množství barevných pigmentů, vody a jiných látek. Všechny tyto faktory ovlivňují výslednou informaci, jež je zachycena v obrazových datech DPZ jako hodnoty elektromagnetické odrazivosti jednotlivých povrchů Země (Marceau et al., 1994).

Výsledkem automatické klasifikace těchto obrazových dat je mapová kompozice se značnou mírou heterogenity. Ve velkých polygonech klasifikovaných tříd můžeme nalézt malé skupinky či samostatně ležící pixly jež narušují a znesnadňují vnímání a interpretaci výsledků klasifikace (viz. Obr 2.a). Příčin této nesourodosti je několik. Prvním faktorem je rozmanitost typů zemského povrchu a to obzvláště v lesním prostředí. Příkladem mohou být lesní porosty Mediteránní oblasti, jež jsou charakteristické svou pestrou mozaikou povrchů, v níž je pravidelný vzrostlý les střídán listnatou lesostepí, křovinatou stepí či trvalými travními porosty s holou půdou, skalami a sutěmi. Dalším faktorem jsou typy algoritmů dnešních konvenčních klasifikátorů jež jsou založeny na principu klasifikace "pixel-by-pixel". Tzn., že proces klasifikace je založen jen na charakteristice odrazivosti vyšetřovaného pixlu bez návaznosti na charakteristiky pixlů v nejbližším okolí. V neposlední řadě ke zvýšení heterogenity výsledků klasifikací přispívá i typ obrazových dat vstupujících do procesu zpracování. Tento bod se stává velmi aktuálním právě dnes, kdy začínají být dostupná data z komerčních satelitních systémů s vysokou prostorovou rozlišovací schopností jako např. již vypuštěný satelit IKONOS společnosti Space Imaging (Thornton, Colorado, USA), či jeho potenciální následovníci QuickBird 1 a QuickBird 2 společnosti EarthWatch (Logmont, Colorado, USA). Prostorová rozlišení těchto dat, pohybující se okolo 1 metru v panchromatickém a okolo 4 metrů v multispektrálním režimu, jsou na jednu stranu schopna zachytit větší pozemní detail, jež je potřebný a žádaný pro mnohá odvětví lidské činnosti. Na stranu druhou však s sebou přináší zvýšení heterogenity tématických map, jež jsou výsledkem jejich automatického zpracování (Corbley, 1996).

Nadměrnou heterogenitu mapových kompozic lze eliminovat procesem generalizace. Podle Mullera (1991) je generalizace proces, jež se pokouší determinovat určitý univerzální stav. Standardní kartografická definice říká, že generalizace je výběr a zjednodušování reprezentace detailů objektů s ohledem na měřítko a účel mapy (Tuček, 1998). Klasickou metodou postklasifikační úpravy a generalizace obrazu je použití zhlazovacích nízkofrekvenčních filtrů jako např. modálního majoritního filtru. Velmi efektním nástrojem pro úpravu výsledků klasifikace je také specifická filtrační metoda francouzského původu CLAPAS (CLAssement de PAysages et Segmentation - Classifying landscapes) navržená a rozvíjená J.M. Robbez-Massonem ve výzkumném institutu - Institut National de la Recherche Agronomique, ENSA Montpellier.

2. Metoda CLAPAS

CLAPAS (Robbez-Masson, 1994) je algoritmus jež byl vyvinut a prvně využit svým autorem k reklasifikaci krajinných složek obrazových dat se zaměřením na pedologické charakteristiky krajiny. Jeho princip a logika je však natolik univerzální, že je možné jej použít prakticky ve všech oborech využívajících zpracování obrazových dat.

Narozdíl od klasických metod používá CLAPAS k rozhodování o začlenění pixlu do tříd statistického vyhodnocení okolí vyšetřovaného pixlu, které porovnává s uživatelem zadanými frekvenčními histogramy jednotlivých klasifikovaných kategorií tzv. referenčními krajinnými motivy (Les paysages de référence - Reference landscapes). Tyto referenční krajinné motivy mohou do zpracování vstupovat buď jako vektorové polygony, kde z pixlů vymezených těmito polygony program vypočítá statistické hodnoty frekvenčních histogramů, nebo přímo jako soubor statistických numerických hodnot. Další výhodou, jež CLAPAS uživateli umožňuje, je volba minimální velikosti T_min (limit 1 pixel) a maximální velikosti T_max (limit 101 pixlů) prozkoumávaného čtvercového okna. Po zadání těchto vstupních hodnot program sestaví statistické frekvenční histogramy pro všechna okna středového zpracovávaného pixlu obrazu v intervalu definovaného minima a maxima. Komparací těchto frekvenčních histogramů s histogramy referenčních krajinných motivů CLAPAS vypočítá hodnoty tzv. prostorových vzdálenostních vektorů, a to buď podle algoritmu Manhattan či Kolmogorov. Prostorová vzdálenost Manhattan je dána součtem absolutních hodnot rozdílů každé třídy dvou srovnávaných histogramů. Vzdálenost podle algoritmu Kolmogorov je rovna největší z těchto absolutních hodnot. V koncové fázi je vyšetřovaný pixel přiřazen do třídy referenčního krajinného motivu s níž mají všechna definovaná čtvercová okna nejkratší prostorový vzdálenostní vektor (viz. Obr 1.).

Obr 1. Reklasifikace pixlu skrze výpočet prostorového vzdálenostního vektoru (Robbez-Masson, 1998).

Pro středový pixel obrazu majícího 4 třídy (na levé straně) byl vypočítán frekvenční histogram (uprostřed) z definovaného čtvercového okna 3x3 pixly. V tomto případě bude vyšetřovaný pixel zařazen do třídy referenčního krajinného motivu  (vpravo nahoře) jehož vzdálenostní vektor 0,311 je kratší než prostorový vektor 1,870 pro referenční krajinný motiv ‚ .

Je důležité poznamenat, že CLAPAS umožňuje kromě homogenizace již existujících tříd získaných např. automatickou klasifikací, také vylišení zcela nových kategorií na základě vzájemné kombinace původních tříd. Příklad pro názornost. Jestliže klasifikací získáme mapovou kompozici využití země, kde jednou z tříd jsou listnaté porosty a další porosty jehličnaté, můžeme v CLAPASu vytvořit kategorii porostů smíšených. Stačí jen nadefinovat referenční krajinný motiv smíšeného porostu, jehož frekvenční histogram bude obsahovat 50% pixlů listnatého lesa a 50% pixlů lesa jehličnatého.

Závěrem této části několik technických parametrů programu CLAPAS. Skript je napsán v programovacím jazyce Turbo-Pascal jako modulová nadstavba geografického informačního systému IDRISI a to jak verze 1.0 pro DOS, tak verze 2.0 pro Windows. Vstupní obrazový soubor má neomezený počet řádků, ale počet sloupců je omezen na maximum 2000. Počet vstupujících tříd obrazu nesmí přesáhnout 1000 a maximální počet referenčních krajinných motivů je 20.

Program je pro studijní a vědecké účely volně šířitelný a můžete jej získat na webovské adrese:

http://sol.ensam.inra.fr/Clapas

Více detailní popis a možnosti potenciálního využití metody CLAPAS můžete nalézt v publikacích J.M. Robbez-Massona (1994,1998), Borneho et al. (1996), a V. Meunier-Caldairou (1999) nebo na internetovské adrese:

http://www.mendelu.cz/ldf/studium/doktor/docs

3. Generalizace mapy typů lesních porostů Mediteránní oblasti

V roce 1999 se Laboratoř DPZ a digitální kartografie ESA Purpan v Toulouse (Francie) stala jedním z řešitelů projektu “Providing forestry professionals with information about satellite image data” řízeného CEO (Centre for Earth Observation). Cílem projektu bylo přiblížit pracovníkům působícím každodenně na poli lesnictví možnosti využití družicových dat v tomto odvětví lidské činnosti.

Za modelovou oblast studie byla vybrána západní část masívu Alaric, lesní oblast Barbaira - územní celek Aude na jiho-východě Francie, s  Mediteránním typem podnebí a ekosystémového zastoupení. Jedním z dílčích úkolů studie byla automatická klasifikace typů lesních porostů tohoto masívu v souladu se zjednodušeným francouzským systémem lesních typů. Vstupní data představoval simulovaný družicový snímek zájmové oblasti ze satelitního systému s vysokým prostorovým rozlišením (HQSR – High Quality Spatial Resolution). Tento snímek byl vytvořen repixelací leteckého snímku s původním prostorovým rozlišením 1 metr na prostorové rozlišení 4 metry. Obraz tří spektrálních pásem – Blue, Green, Red - byl za pomocí rastrového digitálního modelu terénu (DEM – digital elevation model) masívu Alaric orthorektifikován a transformován do projekčního systému pro jižní Francii LAMBERT 3 FRANCE (Laboratoire de Télédétection de l’ESAP, 1999). Řízenou klasifikací maximální pravděpodobnosti (Maximum Likelihood) snímku byla získána tématická mapa obsahující 11 kategorií lesních typů v souladu se zjednodušenou francouzskou lesnickou typologií, plus 2 třídy dodatkové (viz. Tab 1.). Jak můžete vidět na Obr 2.a mapa typů lesních porostů je značně heterogenní a těžce interpretovatelná. Z tohoto důvodu byl využit program CLAPAS v kombinaci s modálním filtrem k postklasifikační generalizaci a vyhlazení získané mapové kompozice.

Kategorie vstupních referenčních krajinných motivů byly odvozeny od původních klasifikačních tříd, ale byly mírně přetvořeny. Ve spolupráci s pracovníkem Office National des Forets (ONF - státní správa lesů Francie) zodpovědným za lesní oblast Barbaira masívu Alaric byla vymezena nová kategorie smíšeného vzrostlého lesa, jež nemohla být vylišena během automatické klasifikace (viz. Tab 2.). Všechny předdefinované referenční krajinné motivy byly nadigitalizovány jako vektorové polygony nad rastrovou kompozicí získanou řízenou klasifikací simulovaného HQSR snímku. Statistickým vyhodnocením množin pixlů vymezených těmito polygony byly získány numerické hodnoty frekvenčních histogramů referenčních krajinných motivů (viz. Tab 3.). Ve volitelných parametrech algoritmu CLAPAS byla pro výpočet prostorového vzdálenostního vektoru vybrána metoda Manhattan. Minimální prozkoumávané okolí bodu bylo zadáno 3 pixly a maximální čtvercové okno 7 pixlů. Část výsledné tématické mapy lesních typů zgeneralizované procedurou CLAPAS a následně vyhlazené modálním filtrem o velikosti okna 3x3 pixly je znázorněna na Obr 2.b. Jak je zřetelné z obrázku, polygony typů lesních porostů jsou daleko více homogenní a jednodušeji identifikovatelné a interpretovatelné.

Tab 1.Třídy lesních typů automatické klasifikace.

* Výrazy v závorkách [ ] jsou francouzskou lesnickou nomenklaturou.

Tab 2. Definované referenční krajinné motivy vstupující do generalizace CLAPASem.

	Třídy lesních typů [ % ]
Referen- ční krajinné motivy			1	2	3	4	5	6	7	8	9	10	11
		A	71.52	1.92	0.00	23.54	1.56	0.00	1.14	0.00	0.00	0.31	0.00
		B	0.34	71.45	4.82	1.91	7.57	2.47	9.59	0.50	0.00	1.35	0.00
		C	13.88	23.73	0.00	50.29	0.34	1.57	2.46	0.00	0.00	7.74	0.00
		D	0.00	1.68	87.95	0.00	0.11	0.00	0.84	0.11	4.10	5.21	0.00
		E	5.07	1.15	0.00	88.37	0.47	3.13	1.62	0.00	0.00	0.20	0.00
		F	0.73	4.99	0.39	1.02	74.79	1.79	16.24	0.05	0.00	0.00	0.00
		G	0.00	5.23	0.15	2.23	0.23	77.76	6.77	0.00	0.15	7.46	0.00
		H	0.00	2.09	3.77	1.26	13.81	17.15	61.92	0.00	0.00	0.00	0.00
		I	0.00	2.07	15.68	0.00	1.78	0.00	0.00	75.47	0.00	5.00	0.00
		J	0.00	0.00	11.57	0.00	0.00	0.00	0.00	1.87	76.57	10.00	0.00
		K	0.00	8.94	1.03	0.06	0.06	0.78	1.68	0.00	0.00	87.44	0.00
		L	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	10.56	89.44

Tab 3. Statistika pro tvorbu frekvenčních histogramů definovaných referenčních krajinných motivů.

4. Závěr

Jak bylo ukázáno metoda CLAPAS je silným nástrojem pro generalizaci a reklasifikaci rastrových obrazových dat. Velkou výhodou CLAPASu oproti konvenčním postklasifikačním zhlazovacím metodám je možnost volby variabilního čtvercového okna pro observaci okolí vyšetřovaného bodu v podobě intervalu minimální a maximální velikosti. To umožňuje nejen důkladněji poznat vazbu zkoumaného pixlu k jeho okolí, ale i zvolit vhodnou hladinu generalizace mapové kompozice. Dalším odlišným prvkem je možnost přidání zcela nové kategorie k již existujícím klasifikovaným třídám a to jejich vzájemnou kombinací. Program je co do použitelnosti zcela univerzální a záleží jen na uživateli v jakém oboru a k jakému účelu jej využije.

Literatura:

[1] Corbley, K.P., (1996): One-Meter Satellites: Expanding Imagery for GI;GeoInfo Systems–6, pp. 28-33.

[2] Borne, F., et al., (1996): Description et Segmentation de Motifs d'Organisation Spatiale: Aplication à l'obtention d'esquisses paysagères; Actes du Colloque INRA "Phenomènes Spatiaux en Agriculture", La Rochelle.

[3] Laboratoire de Télédétection l’ESAP, (1999):Providing Forestry Professionals with Information about Satellite Image Data – CD ROM; ESA Purpan, Toulouse.

[4] Marceau, D.J., et al., (1994): Remote Sensing and the Measurement of Geographical Entities in a Forest Environment; 2. The Optimal Spatial Resolution; Remote Sensing Environment; Elsevier Science Inc., New York , pp. 105-117.

[5] Meunier-Caldairou, V., (1999): Analyse des transformations de l'information dans des images satellitales classees au cours de procedures de generalisation de leur contenu: Influence de differents niveaux de precision cartographique et de nomenclatures de type "occupation du sol", "utilisation du sol", et "motif paysager"; Thèse de doctorat, ESA Purpan, Toulouse, 135p.

[6] Robbez-Masson, J.M., (1994): Reconnaissance et délimitation de motifs d'organisation spatiale. Application à la cartographie des pédopaysages; Thèse de doctorat, ENSA Montpellier, 161p.

[7] Robbez-Masson, J.M., (1998): L'esquiesse cartographique pédologique numérique: un nouvel util au service du prospercteur. Producing dynamic cartographic sketches within a GIS in order to improve efficiency of pedological survey; Congrès AISS Science du Sol, Montpellier.

[8] Muller, J.C., (1991): Generalization of Spatial Databases. In: Maguire, Goodchild, Rhind, (1991); GIS: Principles and Applications, Longmann.

[9] Tuček, J., (1998): Geografické informační systémy – Pricipy a praxe; Computer Press, Brno, p. 216 .