Содержание к диссертации
Введение
Глава 1. Анализ гиперспектральной аппаратуры дистанционного мониторинга агросистем 14
1.1. Почвенные покровы и сельскохозяйственные угодия как важнейший ресурсный параметр агросистем 14
1.2. Физические основы формирования гиперспектральных изображений земной поверхности 19
1.3. Сравнительный анализ современных гиперспектрометров авиационного и космического базирования 24
35 Выводы по 1 главе
Глава 2. Информационное обеспечение гиперспектральной аппаратуры мониторинга состояния агросистем 37
2.1. Структура информационного обеспечения и технология обработки данных гиперспектральной съемки в системе ДЗЗ.. 37
2.2. Современные методы и пакеты прикладных программ обработки гиперспектральных данных
2.2.1. Программный комплекс ENVI
2.2.2. Программный комплекс ERDAS IMAGINE .
2.2.3. Программный пакет MultiSpec .
2.2.4. Обобщение результатов анализа программных продуктов обработки гиперспектральных изображений 47
2.3. Место и роль атмосферной коррекции в процессе обработки данных ДЗЗ 55
57 Выводы по 2 главе
Глава 3. Алгоритмическое и программное обеспечение комплекса обработки гиперспектральных данных при решении задач мониторинга агросистем
3.1. Принципы создания программно-алгоритмического комплекса обработки гиперспектральных данных
3.2. Системная и функциональная компоненты программно алгоритмического комплекса обработки гиперспектральных данных
3.3. Структура специализированного программного комплекса обработки гиперспектральных данных, полученных с космических носителей
3.3.1. Основные принципы, положенные в разработку специализированного программного обеспечения 70
3.3.2. Особенности, связанные с обработкой гиперспектральных данных 72
3.3.3. Базовые математические операции и модули для реализации этапов обработки гиперспектральных данных.. 74
3.4. Алгоритмы и методы атмосферной коррекции гиперспектральных данных.. 76
86 Выводы по 3 главе
Глава 4. Обработка экспериментальных данных гиперспектральной съемки агросистем с учетом атмосферной коррекции 89
4.1. Описание авиационного гиперспектрометра, использованного для съемки земной поверхности 89
4.2. Обработка данных авиационного гиперспектрометра, использованного для съемки агросистем 91
4.3. Обработка данных гиперспектрометра космического базирования, использованного для съемки агросистем 104
4.4. Разработка алгоритма атмосферной коррекции, адаптивного к составу и свойствам входных данных 112
4.5. Обработка данных гиперспектральной съемки агросистем с учетом атмосферной коррекции 115
128 Выводы по 4 главе .
130 Заключение
135
Список литературы
- Сравнительный анализ современных гиперспектрометров авиационного и космического базирования
- Современные методы и пакеты прикладных программ обработки гиперспектральных данных
- Системная и функциональная компоненты программно алгоритмического комплекса обработки гиперспектральных данных
- Обработка данных авиационного гиперспектрометра, использованного для съемки агросистем
Сравнительный анализ современных гиперспектрометров авиационного и космического базирования
Данное утверждение объясняется тем, что использование почвы в сельском хозяйстве, как отмечено в работе [9], дает человечеству около 99% (по весу) количества продуктов питания, в том числе 85% белкового. При этом следует помнить, что почва является практически невоспроизводимым видом природных ресурсов. В связи с ростом народонаселения и соответственно обострением проблемы продовольственной безопасности в последние годы на передний план выходят вопросы охраны почв и их рационального и эффективного использования. Кроме того, важнейшим является вопрос, связанный прогнозированием будущего состояния почвенных покровов, в том числе в экологическом плане. Отметим, что по данным работы [10] из-за недостаточного внимания к проблеме охраны и воспроизводства плодородия почв только Россия ежегодно теряет треть бюджета. А на сельскохозяйственном использовании земель базируется до 75% национальной экономики! Несмотря на это с каждым годом площадь пахотных земель на Земле неуклонно сокращается в результате, например, такого явления как деградация почв. В работе [4] утверждается, что по состоянию на начало XXI века состояние почвенного покрова в России было неудовлетворительным и продолжало ухудшаться. Исходя из официальных данных следует отметить, что 40 млн га представлены низкоплодородными, засоленными и солонцовыми почвами, 26 млн га переувлажнены и заболочены, а 5 млн га загрязнены радионуклидами [4]. Кроме того, из 186 млн га сельскохозяйственных угодий около 60 млн га эродированы, а в некоторых южных районах России идет опустынивание. Вопросам деградации почв в настоящее время уделяется достаточно пристальное внимание [11]. Возникновение и развитие деградации почв является закономерной реакцией природных экосистем особенно на такие воздействия, в которых не учитываются или игнорируются законы их функционирования. Деградация почв представляет собой, по сути, совокупность природных и антропогенных процессов, приводящих к изменению функции почв, количественному и качественному ухудшению их состава, а также широкого круга различных свойств и режимов природно-хозяйственной значимости земель. Очевидно, что в соответствии с вышесказанным место и роль почвенных покровов в современных условиях жизнедеятельности человека чрезвычайно высоки.
Новейшее время предъявляет человеку новые вызовы и в том числе в сфере рационального использования почвенных покровов. В то же время по мере развития передовых инновационных технологий наряду с другими научными направлениями у почвоведения появляются не только новые задачи, но и новые возможности. Среди новых задач, которые стоят перед почвоведением на современном этапе следует отметить, например, такие, как: - полная инвентаризация почвенных покровов; - оценка состояния почвенных покровов и их потенциальных возможностей; - разработка таких экологических технологий землепользования, которые бы во всех случаях были почвоохранительными и направленными на улучшение почв и расширенное воспроизводство их плодородия; - разработка таких экономических подходов и методов землепользования, которые бы характеризовались высокой эффективностью и т.д.
В связи с этим проведение оперативного мониторинга и контроля состояния земной поверхности в общем случае и, в частности, почвенных покровов, несомненно, становится чрезвычайно актуальным. При этом, оперативная и достоверная информация о типах земной поверхности, формируемая в результате обработки данных ДЗЗ, получаемых с авиационных и космических носителей с помощью таких новейших оптико-электронных средств, как гиперспектрометры, является определяющим источником при пространственном анализе различных почв. Данная информация представляет собой основу получения объективных данных для оценки состояния и мониторинга почвенных покровов, а также эффективного управления сельскохозяйственных угодий. Решение такой задачи является особенно важным в точном земледелии. Отметим также, что в данной работе основное внимание будет уделяться дистанционному мониторингу агросистем, включающих в первую очередь почвенные покровы и сельскохозяйственные угодия, посредством гиперспектральной съемки, существенное влияние на которую оказывает атмосфера. Такой подход вызван тем, что именно почвенный покров на микро- и мезоуровне своей организации, а не почва (слишком узко), и не педосфера (слишком широко) является более емким и значимым для рассмотрения его в качестве ландшафтного каркаса и источника информации о ландшафте [12, 13].
Гиперспектральная съемочная аппаратура относится к классу оптико электронных систем, работающих в оптическом диапазоне электромагнитного спектра. Оптический диапазон подразделяется [14] на ультрафиолетовую часть спектра (10 нм - 0.4 мкм), видимую часть спектра (0.4-0.72 мкм), ближний инфракрасный (ИК) диапазон (0.72 - 1.3 мкм), средний ИК диапазон (1.3 - 3.0 мкм), и тепловой ИК диапазон (8 - 15 мкм). Основным источником принимаемого излучения является Солнце, освещающее земную поверхность и расположенные на ней объекты в дневное время. В соответствии с рассматриваемым диапазоном регистрируемых длин волн в качестве анализируемого сигнала будет приниматься во внимание отраженное и рассеянное земной поверхностью солнечное излучение, а также собственное тепловое излучение расположенных на земной поверхности нагретых тел.
В случае функционирования гиперспектрометра в дневное время основным источником регистрируемого рассеянного земной поверхностью сигнала является солнечное излучение. Излучение Солнца проходит достаточно длинный и сложный путь до земной поверхности, а впоследствии и до гиперспектрометра, регистрирующего рассеянную в его сторону оптическую электромагнитную волну. Общая яркость земной поверхности с расположенными на ней объектами, регистрируемая гиперспектрометром, состоит из нескольких составляющих компонент, включая прямое и многократно отраженное и рассеянное поверхностью и атмосферой солнечное излучение, а также собственное излучение поверхности и атмосферы (рис. 1.1.). При построении гиперспектральных изображений земной поверхности важнейшую роль играют оптические свойства наблюдаемых агросистем, которые определяются закономерностями их взаимодействия с электромагнитным излучением рассматриваемого Рисунок 1.1. Составляющие регистрируемого гиперспектрометром излучения. интервала оптического диапазона.
Современные методы и пакеты прикладных программ обработки гиперспектральных данных
Для обработки гиперспектральных данных может быть использован MultiSpec – программный пакет кампании Purdue Research Foundation (США), специально предназначенный для интерактивного анализа многозональных изображений земной поверхности и бесплатно распространяемый в Интернете. Широкий инструментарий пакета MultiSpec позволяет использовать его для самых различных задач эколого-географического картографирования, включая картографирование растительности, почв, ландшафтов, использования земель и т. п. Основным условием надежности результатов является зависимость между картографируемыми характеристиками и спектральными яркостями пикселей снимка. С помощью программы возможно получение информации о динамике спектральной яркости по серии снимков, сделанных в разное время, а также учет особенностей пространственного распределения яркости.
MultiSpec включает следующие функции: импорт данных, вывод на экран многозональных и гиперспектральных снимков и результатов их обработки, изменение формата данных, построение гистограмм распределения яркости, создание новых слоев данных, кластеризация снимка с использованием одношагового или итеративного алгоритма, определение характеристик классов, выявление наилучших для классификации спектральных зон, классификация выбранного снимка или его части с применением любого из шести алгоритмов (минимального расстояния, максимального правдоподобия, линейного дискриминанта Фишера, спектрально-пространственной классификации ECHO, спектральной корреляции SAM, сравнения фильтра), вывод результатов классификации, вывод графиков спектральных яркостей, цветное представление корреляций, экспорт промежуточных и окончательных результатов, черно-белых или цветных изображений и текстов в другие программы, например, офисные и графические, путем копирования в буфер либо сохранения в обменном формате.
В пакете MultiSpec имеется цельный и логически обоснованный набор алгоритмов для двух основных типов компьютерной классификации снимков: без обучения и с обучением.
Сохранение результатов классификации происходит в виде тематической карты с показом или без показа обучающих и тестовых полей. Применение порога к классификации и создание карты вероятности или пороговой величины позволяет оценивать степень принадлежности каждого пикселя к классам, к которым он был отнесен. Также реализован вывод результатов классификации в табличной форме по обучающим и тестовым выборкам, с разделением по выборкам, по классам или по группам классов.
Наряду с инструментами классификации снимков в MultiSpec имеются следующие возможности по обработке много- и гиперспектральных изображений: 1. Изменение формата данных. 2. Создание новых каналов (слоев данных) из существующих. 3. Определение классов (характеристик) полей изображений и тестовых участков для использования в оценивании количественных результатов классификации. 4. Определение наилучших спектральных признаков (каналов) для использования в классификации. 5. Вывод графиков спектральных значений текущих (выбранных) пикселей или среднего ± стандартное отклонение для выбранной области (пространства изображения). 2.2.4. Обобщение результатов анализа программных продуктов обработки гиперспектральных изображений Практически все рассмотренные пакеты прикладных программ обработки аэрокосмических данных обеспечивают выполнение следующих таких основных операций с изображениями, как: 1. Радиометрическая коррекция: солнечная и атмосферная коррекции, радиометрическая калибровка, коррекция, учитывающая угол визирования. 2. Автономная обработка отдельных изображений (изображений, полученных одним прибором или в одном диапазоне длин волн). 3. Совместная обработка нескольких изображений одного и того же участка местности, полученных различной аппаратурой (в разных диапазонах длин волн), а также совместная обработка изображений различных участков поверхности (например, анализируемого или фонового) или полученных в разное время (текущих съемок и архивных данных). 4. Выделение отдельных анализируемых участков путем геометрического оконтуривания или подкраски определенными значениями серого или цветного тона. При этом предусмотрены следующие варианты: – определение значений яркости вдоль выбранной прямой (линии); – определение гистограммы распределения яркостей вдоль выбранной линии или внутри выделенной площади; – расчет статистических характеристик (среднего значения, дисперсии, автокорреляционной функции – для линейных областей, поля автокорреляционных функций – для площадных объектов, взаимнокорреляционной функции для двух одинаковых по геометрической форме и количеству пикселей области). 5. Проведение простейших арифметических операций со значениями яркостей пикселей выбранных областей и их статистическими характеристиками (сложение, вычитание, перемножение, определение отношения, весовая обработка). 6. Формирование новых слоев изображений путем: – представления полученных или рассчитанных массивов данных с попиксельной привязкой в каждом отдельном слое; – наложения различных слоев одинаковых по геометрии областей. 7. Осуществление перевода измеренных или рассчитанных параметров значений фототона в другие параметры путем учета калибровочных характеристик аппаратуры, условий проведения съемок, природных климатических особенностей наблюдаемых участков местности. 8. Проведение оценки полученных статистических характеристик или рассчитанных параметров путем сравнения с заданными критериями, характеристиками фоновых участков или архивными данными. 9. Выполнение операций выделения индикаторных (косвенных) признаков и оценки принадлежности выделенных признаков анализируемого объекта или участка местности к различным классам (образам) методами статистического распознавания образов для цветных, многоспектральных и гиперспектральных изображений, а также при обработке данных от различных приборов.
Обзор основных автоматизированных методов классификации гиперспектральных изображений, используемых в стандартных пакетах обработки данных ДЗЗ, представлен в таблице 2.1.
Основным недостатком применения рассмотренных программных комплексов является отсутствие возможности решения узких тематических задач – идентификации конкретного объекта по заранее рассчитанным спектрально-энергетическим или пространственным признакам. При этом пространственные свойства элементов ландшафта на гиперспектральных изображениях в большинстве случаев не учитываются в процессе обработки, хотя и обладают высоким уровнем информативности, повышающим вероятность распознавания некоторых объектов.
Системная и функциональная компоненты программно алгоритмического комплекса обработки гиперспектральных данных
В данном методе предполагается нормировка всех спектров на средний уровень по сцене, что подходит для засушливых регионов без растительности, то есть только для специальных случаев, относящихся, как правило, к полевой калибровке и верификации корректности работы гиперспектральной аппаратуры.
Перейдём теперь к методам, подразумевающим расчёт параметров атмосферной коррекции с помощью модели переноса излучения в атмосфере. Вне зависимости от конкретной реализации (DISORT/MODTRAN, 6S, 4A, RRTM и т.д.), используемые алгоритмы решают прямую задачу рассеяния, поэтому для решения обратной задачи требуется дополнительная интерпретация полученных результатов. Для этого используется уже описанное выше представление о компонентах излучения, достигающего сенсора. Основная сложность (и разница между различными алгоритмами) заключается в подборе входных параметров для проведения численного моделирования. Так, в MODTRAN5 принимается на вход от нескольких десятков параметров до более, чем сотни. В этом случае встает вопрос о воспроизводимости и объективности результатов работы каждого алгоритма атмосферной коррекции, работающего на его основе. Важным положительным фактором в работе подобных алгоритмов, однако, является использование данных о геометрии съёмки, чего, как правило, не происходит при проведении эмпирической коррекции.
В популярных пакетах по обработке гиперспектральных данных, таких как ENVI и ERDAS Imagine, в соответствии с концепцией мультиверсионности реализовано множество алгоритмов атмосферной коррекции [95-97]. По сути, в них включены все описанные выше методы. В реализации эмпирических методов практически отсутствует параметризация и условности, вызванные выбором модели, поэтому эти методы работают практически одинаково в различных пакетах. Иначе обстоит дело с более сложными алгоритмами атмосферной коррекции, претендующими на большую универсальность. На настоящий момент одним из главных факторов, ограничивающих их применимость и эффективность, является сложность внесения данных о съёмке. Так, на рис. 3.3. приведён интерфейс модуля QUAC пакета ENVI, использующего сложную эмпирическую модель для расчёта коэффициентов отражения. К достоинствам алгоритма можно отнести простоту использования и относительно высокую эффективность, к недостаткам – невозможность повышения эффективности за счёт получения дополнительных данных в ходе измерений. Наиболее известным, "эталонным" модулем атмосферной
Интерфейс модуля атмосферной коррекции QUAC пакета ENVI. коррекции гиперспектральных снимков является FLAASH,представленный в пакете ENVI. Этот алгоритм является признанным лидером в области коррекции гиперспектральных снимков в видимой и ближней ИК области спектра для последующей тематической обработки, слабо уступая только модулю ATCOR пакета ERDAS Imagine для сцен, содержащих почву без растительности (минералогический анализ) [98-99]. Интерфейс модуля FLAASH представлен на рис. 3.4.
Первая из указанных проблем особенно существенна при обработке данных отечественных гиперспектрометров, в частности, производства ЗАО "НПО "Лептон". Это объясняется ограничением спектрального диапазона сверху по границе 1000 нм, что делает невозможным восстановление содержания воды в атмосфере (см. рис. 3.4, water retrieval и water absorption feature). В этом случае остаются два выхода – использование наиболее слабо выраженной полосы поглощения 820 нм или привлечение дополнительных данных, что частично обуславливает постановку задачи.
При разработке собственного метода атмосферной коррекции ключевыми факторами являются такие, как эффективность, универсальность и простота использования. По этой причине за основу при разработке собственного модуля атмосферной коррекции в части алгоритмов, касающихся прохождения излучения через атмосферу была взята концепция, используемая в модуле FLAASH (большое количество доступных для изменения параметров) и дополнена принципом минимизации возможности человеческой ошибки путём максимально автоматизированного заполнения всех необходимых полей для ввода параметров. В числе прочего это включает автоматизацию импорта данных всех используемых при съёмке сопутствующих приборов. Помимо реализации подобного сложного параметрического алгоритма были реализованы также все простые эмпирические методы (эмпирическая линейная аппроксимация, вычет фона, метод плоского поля, IARR) в соответствии с концепцией мультиверсионности для того, чтобы специалист-обработчик данных мог выбрать наиболее эффективный из доступных методов.
Двумя основными параметрами, влияющими на результаты атмосферной коррекции в видимом и ближнем ИК диапазонах с использованием моделей переноса излучения, являются метеорологическая дальность видимости и влагосодержание атмосферы. Для этого используются таблицы поиска (LUT, lookup table), итеративные методы и эмпирические оценки. При работе с гиперспектральными данными итерирование слабо применимо в силу высоких вычислительных затрат, эмпирические оценки используются более широко (для FLAASH [100], аналогично для данных MODIS [101]). При этом алгоритм является многопроходным в любом из случаев, а его вычислительная сложность существенным образом зависит от проведения дополнительной обработки (коррекция на фон от смежных участков, сглаживание спектров, учёт облаков). Типичное время работы составляет от единиц до десятков минут [100, 102].
Как видно из вышеописанного, наиболее универсальными алгоритмами атмосферной коррекции являются алгоритмы, основанные на численном моделировании прохождения излучения через атмосферу. В настоящий момент предпринимаются попытки решения проблемы отсутствия данных об актуальном состоянии атмосферы на момент съёмки самыми разнообразными методами. Здесь стоит выделить два основных используемых подхода – использование дополнительных данных с различных приборов, например, установку специальной сопровождающей гиперспектральную камеру аппаратуры или использование данных наземных измерений, либо совершенствование эмпирических методов подбора параметров атмосферной коррекции. Так, в работе [103] был разработан метод автоматического учёта данных сети AERONET [104] при обработке мультиспектральных снимков. Данная задача несомненно важна особенно в условиях облачности [105]. Однако для гиперспектральных данных эта проблема до сих пор не была решена.
Автором в разрабатываемом программном комплексе были реализованы эмпирическая линейная аппроксимация и её производные – вычет фона и метод плоского поля, а также атмосферная коррекция на основе MODTRAN5 методом «трёх альбедо» в соответствии с работой [106], результаты которой использованы также в [107]. Также впервые была реализована и опробована методика, позволяющая при атмосферной коррекции гиперспектральных снимков учитывать данные с приборов наземного базирования, а именно солнечного фотометра и спектрорадиометра. Указанная методика позволила уменьшить разброс значений вегетационных и почвенных индексов в мультивременных данных, использовавшихся при анализе состояния почв, на 22%. Отдельно стоит отметить реализованную возможность автоматического поиска данных наземных станций сети AERONET в радиусе 100 км и в интервале получаса от места и даты съёмки. Это позволяет повысить степень автоматизации и надёжности обработки гиперспектральных снимков, получаемых как с космических, так и авиационных носителей. Интерфейс модуля атмосферной коррекции приведён на рис. 3.5.
Обработка данных авиационного гиперспектрометра, использованного для съемки агросистем
Классы сгруппированы в несколько категорий, которые могут более или менее надежно интерпретированы по имеющимся справочным данным. Однако в пределах каждой категории интерпретация классов невозможна в связи с отсутствием более детальной информации на отснятую территорию. Некоторые ошибки в интерпретации классов воды могут быть вызваны и эффектом вторичного рассеяния, и неизвестным нам характером приливной динамики.
При интерпретации почвенных и растительных классов необходимо также учитывать, что в пределы одного пикселя могут попадать застройка, дороги и другие искусственные объекты. Значительная часть выделенных на суше классов представляет собой именно такие смеси, за исключением мангровых рощ и участков садов. При этом спектры разных объектов в определенных пропорциях определенно могут попасть в один класс. Но в данном случае нечеткая классификация не может решить задачу, поскольку мы не можем получить эталоны «чистых» классов.
Выделенный на изображении крупный искусственный объект имеет ярко выраженные особенности спектра отражения, не сопоставимые с другими классами. Однако судить о типе материала здесь невозможно из-за отсутствия атмосферной коррекции. Тем не менее, результат обработки показывает, что изображение с ГСК МКА ФКИ в пределах пространственного разрешения позволяет выполнять детальную классификацию объектов подстилающей поверхности.
Анализируя результаты обработки гиперспектральных данных, полученных с ГСК МКА ФКИ и обработанных с помощью пакета Альбедо, следует отметить, что гиперспектральная информация представляет большой интерес для решения задач геоботаники, геоэкологии, лесного хозяйства, почвоведения и т.д. В то же время для практической реализации методик, предложенных в работе и реализованных в пакете Альбедо, требуется выполнение следующих условий: - проведение орбитальной калибровки гиперспектральной аппаратуры в штатном режиме функционирования, - выбор модели атмосферной коррекции с учетом ряда специфических особенностей калибровочных характеристик данной аппаратуры. В этом случае тематическая обработка может выполняться только в интерактивном режиме с интерпретацией энергетических спектров по их специфической форме и взаимному положению. Возможно, что такие методики в ряде случаев могут дать более удачные результаты, чем автоматическая обработка, поскольку в них используются исходные данные, не искаженные погрешностями атмосферной модели.
Как видно из материалов, приведенных в главе 3, существует множество методов проведения атмосферной коррекции, причём в зависимости от исходных данных выбор оптимального метода может варьироваться. В соответствии с принципами мультиверсионного программирования, целесообразна реализация различных алгоритмов с последующим из них выбором, обусловленным составом и свойствами предоставленных входных данных.
К сожалению, полная автоматизация всего блока атмосферной коррекции недостижима – как и у любого функционального модуля программного обеспечения для обработки гиперспектральных данных, результат подвержен влиянию оператора в части задания набора входной информации. В последнюю могут входить сами гиперспектральные снимки, сопутствующие данные о съёмке, эмпирические выводы, сделанные оператором о подстилающей поверхности, как правило, на основании визуального анализа. Во многих случаях этот вклад оператора позволяет добиться существенного облегчения процесса обработки, однако при этом результат обработки снимка сильно зависит от навыков и опыта оператора, что ограничивает употребимость ПАО и делает обработку существенно субъективной, плохо стандартизуемой и масштабируемой. Исходя из вышесказанного, в части задания входных параметров для блока атмосферной коррекции целесообразно оставить возможность их тонкой настройки для опытного оператора и максимально упростить и стандартизовать задание параметров для всех обработчиков данных.
С учётом разнородности входных данных, необходимо отранжировать методы проведения атмосферной коррекции и перебирать их, двигаясь от лучшего к худшему, при анализе их доступности в зависимости от заданных исходных данных.
Из всех методов проведения атмосферной коррекции наиболее точным является метод эмпирической линейной аппроксимации, т.к. он подразумевает прямое измерение всех необходимых параметров. Сразу за ним следует класс методов, основанный на моделировании прохождения излучения через атмосферу при наличии дополнительных данных о состоянии атмосферы. При отсутствии этих данных данный класс методов по точности схож с методом плоского поля, что напрямую следует из источников ошибок (информация об аэрозоле, дымке). Наконец, замыкают список методы, дающие заведомо существенно неверный ответ о коэффициенте отражения подстилающей поверхности или не дающие его вовсе – DOS и IARR.
Последовательной проверкой наличия данных, требуемых для реализации каждого метода, можно добиться высокой степени автоматизации и точности работы блока атмосферной коррекции. Схема проверки представлена на рис. 4.21.
Описанный алгоритм был разработан и реализован автором в качестве модуля ПАО «Альбедо» для обработки ГСИ.
Выше в результате проведенных экспериментов как с авиационным гиперспектрометром на учхозе «Кубань», так и тем более с космическим видеоспектрометром, было выявлено, что атмосферная коррекция является необходимым этапом при анализе состояния растительности с последующей оценкой по нему характеристик почвы. Существенную проблему в проведении атмосферной коррекции представляет сильная зависимость от выбранных параметров. По этим причинам была проведена серия работ, целью которой являлось измерение оптических параметров атмосферы и восстановление с их помощью спектральных отражательных характеристик поверхности.
Измерения проводились 24 июля 2014 года к юго-западу от города Плавск Тульской области на территории полигона Почвенного института им. В.В. Докучаева. Участок представляет собой полигон сельскохозяйственных угодий с различным типом почв. Карта-схема почвенного покрова на данную и прилегающую территорию представлена на рисунке 4.22.
Измерения проводились при невысокой облачности с 9.00 до 14.30 местного времени. На основе данных, предоставленных Почвенным институтом им. В.В. Докучаева, было выбрано по несколько точек на выдел, в которых предстояло производить исследования.