Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем

Приведена постановка и решение задачи компьютерного измерения проективного покрытия растительности. Дан программный алгоритм автоматического анализа цифровых изображений проективного покрытия. С использованием метода подтверждена эффективность проведения мероприятий по активизации формирования втори...

Повний опис

Збережено в:

Бібліографічні деталі
Опубліковано в: :	Екологія і природокористування
Дата:	2011
Автори:	Балалаев, A.К., Скрипник, О.А.
Формат:	Стаття
Мова:	Російська
Опубліковано:	Інститут проблем природокористування та екології НАН України 2011
Теми:	Природноресурсний потенціал території та його раціональне використання
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/57432
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем / A.К. Балалаев, О.A. Скрипник // Екологія і природокористування. — 2011. — Вип. 14. — С. 114-123. — Бібліогр.: 14 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859463821263896576
author	Балалаев, A.К. Скрипник, О.А.
author_facet	Балалаев, A.К. Скрипник, О.А.
citation_txt	Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем / A.К. Балалаев, О.A. Скрипник // Екологія і природокористування. — 2011. — Вип. 14. — С. 114-123. — Бібліогр.: 14 назв. — рос.
collection	DSpace DC
container_title	Екологія і природокористування
description	Приведена постановка и решение задачи компьютерного измерения проективного покрытия растительности. Дан программный алгоритм автоматического анализа цифровых изображений проективного покрытия. С использованием метода подтверждена эффективность проведения мероприятий по активизации формирования вторичных экосистем нарушенных горными работами земель. Наведена постановка та рішення задачі комп'ютерного вимірювання проективного покриття рослинності. Данин програмний алгоритм автоматичного аналізу цифрових зображень проективного покриття. З використання метод}' підтверджена ефективність проведення заходів з активізації формування вторинних екосистем порушених гірничими роботами земель. The formulation and solution of computer measurement of a projective cover of vegetation are shown. Programming algorithm for automatic analysis of digital images of a projective cover is given. Using the method the effectiveness of measures to enhance the formation of secondary ecosystems disturbed mining lands are confirmed.
first_indexed	2025-11-24T05:40:18Z
format	Article
fulltext	ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 114 УДК 379.85:712.23: 332.32 A. К. Балалаев* О. A. Скрипник** ПРЕДВАРИТЕЛЬНЫЕ РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ МЕТОДА ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЯ ДЛЯ ОПРЕДЕЛЕНИЯ ПРOЕКТИВНОГО ПОКРЫТИЯ РАСТИТЕЛЬНОСТИ КАК ОСНОВНОГО ИНДИКАТОРА СОСТОЯНИЯ ЭКОСИСТЕМ Институт геотехнической механики НАН Украины, Днепропетровск Институт проблем природопользования и экологии НАН Украины, Днепропетровск Приведена постановка и решение задачи компьютерного измерения проективного покрытия растительности. Дан программный алгоритм автоматического анализа циф- ровых изображений проективного покрытия. С использованием метода подтверждена эффективность проведения мероприятий по активизации формирования вторичных экосистем нарушенных горными работами земель. Наведена постановка та рішення задачі комп'ютерного вимірювання проективного покриття рослинності. Даний програмний алгоритм автоматичного аналізу цифрових зображень проективного покриття. З використання методу підтверджена ефективність проведення заходів з активізації формування вторинних екосистем порушених гірни- чими роботами земель. Вступление Проблема оценки состояния экосистем остается актуальной и в наши дни. Сущест- вующие методы основаны, главным образом, на непрямых оценках концентрации загряз- няющих веществ, и установлении соотноше- ний их с величинами экологического норми- рования, в том числе, предельно-допустимы- ми концентрациями (ПДК), временно допус- тимыми концентрациями (ВДК), смертель- ными дозами (LD50), и другими. Величины экологического нормирования носят услов- ный характер [1], являются результатом об- щественного договора и, часто, такие оценки страдают несовершенством в виде временно- сти, условности, неточности и др. Перспективные методы биоиндикации, которые основываются на оценке прямых изменений в морфологии, физиологии, со- стоянии популяций живых организмов, так- же имеют ряд недостатков. Прежде всего, они ориентируются на состояние отдельного вида, экологические особенности которого сужают возможности оценки состояния со- обществ. Сложность и порой неожиданность © Балалаев A.К., Скрипник О.О., 2011 реакции живых организмов на изменение условий среды, создает неопределенность в интерпретации результатов исследований. Применение методов биоиндикации требует использования сложных культивационных установок, продолжительных наблюдений для получения достоверных результатов. Как правило, такие методы применяют в лабора- торных условиях, что усложняет последую- щую оценку результатов. Применение биофизических методов оценки состояния организмов, которыми яв- ляются флуориметрия, импедансометрия и другие, возможно в полевых условиях. Осо- бенно продуктивным является исследование параметров фотосинтеза, который составляет энергетическую основу функционирования экосистем [3,4]. В настоящее время разрабо- таны и применяются, особенно, для оценки состояния сельскохозяйственных культур, мобильные приборы, позволяющие получать экспресс-результаты в полевых условиях. Однако, высокая стоимость оборудования сдерживает применение биофизических ме- тодов оценки состояния экосистем в нашей стране. Одним из направлений поиска простых и эффективных методов оценки состояния ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 115 экосистем может служить определение про- странственных параметров экосистем, осо- бенно, их базового элемента – растительно- сти. Индикаторная роль растительности была доказана еще великим А. Гумбольдтом при обосновании глобальной природной зональ- ности [5]. Геоботаническая оценка расти- тельных сообществ всегда основывалась на показателях обилия, основным параметром которого являлось проективное покрытие [6]. Однако, глазомерное определение проектив- ного покрытия, которое традиционно приме- нялось при изучении растительности, давало приемлемый по точности и достоверности результат при оценке ресурсов кормопроиз- водства пастбищ и сенокосов, запасов лекар- ственного, плодово-ягодного сырья и других. Необходимость восстановления экоси- стем, разработки технических средств обес- печения экологической безопасности требует повышение точности и достоверности оце- нок, разработки количественных методов их осуществления. Применение методов дистанционного зондирования Земли обеспечивает получение информации в виде изображения раститель- ности фактически на всей поверхности Зем- ли и во все сезоны года. Существующие ме- тоды анализа изображения растительности основываются, главным образом, на цвето- вых индексах, что не исчерпывает исследо- вательских возможностей, заложенных в космических снимках. Определение пара- метров состояния растительности, в том чис- ле, лесистости, степени дефолиации, которые входят в состав системы индикаторов устой- чивого развития ООН, может обеспечивать работу системы экологического мониторин- га, технологий оперативного управления природопользованием. Неудержимый рост объемов баз космических данных требует разработки и применения автоматизирован- ных методов их обработки. Привлечение современных способов об- работки графической информации создает дополнительные возможности получения новых знаний. Таким образом, целью данной работы является совершенствование методов оценки состояния растительности на основе компьютерного анализа изображения. Постановка и решение задачи Проективное покрытие широко применя- ется в геоботанических исследованиях как наиболее объективный параметр определе- ния пространственной организации расти- тельного покрова. Однако, классические оп- ределения показателя требуют некоторого уточнения и формализации. Определение по П. Д. Быкову «величина горизонтальной проекции надземных органов растения»[6] не является тождественным следующим: «процент площади покрываемой надземны- ми частями растений» [7], «показатель ха- рактеристики роли отдельных растений в сложении фитоценоза (кроме того, популя- ций, ярусов, синузий и т.д.), определяемый абсолютной или относительной площадью проекций надземных частей растений» [8], «площадь поверхности почвы, занятая осно- ваниями или равная проекциям крон какого- либо вида» (Алехин, 1925, 1931, 1933, 1938; Алехин, Сырейщиков, 1926; Braun-Blaunket, 1929, 1951; Cain, 1932; Лавренко, 1932.) [9]. Ни одно из приведенных определений не отвечает требованиям однозначности, изме- римости, точности, предъявляемым к фор- мальным параметрам. Прежде всего, необходимо учесть, что проективное покрытие является пространст- венным параметром и для его точного опре- деления необходимо установить простран- ственную систему отсчета. Все геодезиче- ские, топографические и другие измерения производятся относительно горизонтальной (уровенной) поверхности Земли. Измерения относительно криволинейной поверхности почвы ставят дополнительные задач приве- дения. Таким образом, формальное опреде- ление проективного покрытия требует по- строения горизонтальной проекции надзем- ных частей растительных систем. При определении параметров раститель- ных систем возникает задача определения размеров и формы учетной площадки, кото- рая отражает все структурные, функцио- нальные и другие особенности. Однозначно- го ее решения пока геоботаникам получить не удалось. В связи с этим любое абсолют- ное определение обилие (площадь, объем, вес) не будет объективным, в силу своей за- висимости от параметров учетной площади. В связи с этим наиболее эффективным па- раметром будет отношение покрытой пло- ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 116 щади к общей площади учета. Как правило, практическая геоботаника использует имен- но такой относительный показатель, выра- женный в процентах. Глазомерно определя- ется процент проективного покрытия на площадке площадью 1- 100м2 [6], 10 см2 (се- точка Раменского) и других. Очевидно то, что проективное покрытие применяется в основном как пространствен- ный параметр, оценивающий состояние рас- тительности. Учитывая сложность расти- тельной системы, как объекта однозначного определения, следует указывать предмет, которым может служить организм, вид, по- пуляция, ярус, синузия, ценоз, комбинация, и другие растительные системы. Учитывая сказанное выше, проективное покрытие следует формально определять следующим образом: отношение площади горизонтальной проекции надземных частей растительных систем к общей площади го- ризонтальной проекции территории иссле- дований. Проективному покрытию в зарубежной геоботанике соответствует понятия «покры- тое растениями» (plant cover) и «покрытое листьями» (foliage cover, projective cover). Проективное покрытие подвержено су- щественным колебания в процессе вегета- ционного периода в соответствии со стадия- ми развития основных образующих видов (эдификаторов) и его измерение следует производить в фазу полного развития над- земных органов растений, которым является начало плодоношения. Традиционные методы определения про- ективного покрытия подразделяются на то- чечные линейные, площадные, в соответст- вие с геометрическими особенностями объ- ектов опробования. Точечный метод ( the steel point method, the point quadrat method, point sampling ) применяется американскими, австралийски- ми, новозеландскими геоботаниками. Его объектом является нульмерный территори- альный элемент. Определение пространст- венного положения точек учета производит- ся при помощи стойки со спицами [9]. При опускании спиц фиксируется столкновение с органами растения. Проективное покрытие определяется как отношение количества то- чек столкновения к общему количеству то- чек. Для обеспечения удовлетворительной точности требуется многократное опускание от 100 до 1000 раз в разных фитоценозах. Низкая производительность описанного ме- тода потребовало его модернизации. В ре- зультате был создан колесный точечный ме- тод учета проективного покрытия. Преиму- ществом точечного метода является точ- ность глазомерной оценки пересечения и обеспечение случайности выборки, недос- татками – малая производительность, трудо- емкость. Кроме того, при его применении не учитывается высота пробной точки, то есть, учет производится не в точке горизонталь- ной проекции, а в ином положении в про- странстве. Применение метода наклонных спиц дает дополнительную пространствен- ную ошибку. В целом, применение метода суживает площадь исследования до точки, что неизбежно влечет за собой ошибки и упущения. Линейный метод (line transect, line interception) или метод трансект (transect), или метод расстояний нашел широкое при- менение в практике геоботанических иссле- дований. Его сущность состоит в построе- нии на поверхности почвы линии и измере- нии отрезков ее пересечения с проекциями растений. Его объектом служит одномерный территориальный элемент. Проективное по- крытие определяется как отношение суммы длины отрезков пересечения к общей длине отрезка. Метод трансект требует не мень- ших, чем предыдущий затрат труда и требу- ет измерения всех растений трансекта, длина которого превышает 10 м. В тоже время, в поле зрение здесь попадает вся линия на территории системы, что значительно по- вышает исследовательские возможности. Дальнейшим развитием метода трансект следует считать метод ленточного трансекта (belt transect), который исследует полосу территориальной системы. Площадной метод применяется в основ- ном как метод квадратов. Его предметом является двумерный территориальный эле- мент. Квадрат со стороной равной 1 м при- меняется в геоботанике с 1837 года [9], при- знается наилучшей формой для учетных ис- следований. Размеры учетных площадок ко- леблются от 0,1 – 2 500 м2 в соответствии с преобладающими жизненными формами и их размерами (Сукачев и др, 1909; Алехин, 1910; Раменский, 1915; Ильинский 1915, 1925, 1934; Лавренко та Прянішніків, 1926; Лавренко та Зоз, 1928; Braun-Blaunket, 1929, ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 117 1951; Stallard, 1929; Шенников, 1930, 1938; Lutz, 1930; Du Rietz, 1932; Лавренко, 1931; Robertson, 1939; Корчагин, 1946; Ларин, 1952; Марков, 1954 и другие). В качестве приспособлений для определения проектив- ного покрытия использовались квадрат- рамка, сеточка Раменского, масштабные ви- лочки, которые в основе имеют геометриче- ский принцип палетки. При этом произво- дится учет площади не горизонтальной про- екции, а проекции на поверхность почвы. Ошибка при этом, особенно на крутых скло- нах, может достигать 40%. Проективное по- крытие при применении двумерного метода равна отношению площади занятой надзем- ными частями растений к площади поверх- ности почвы. При оценке состояния растительного со- общества используются следующие проек- тивные показатели: общее проективное по- крытие; видовое (частное) проективное по- крытие; ярусное проективное покрытие; си- нузиальное проективное покрытие, проек- тивное покрытие оснований (истинное). Они измеряются в относительных единицах, свя- заны соответствующими закономерностями, особенно в пределах одного фитоценоза. Традиционное глазомерное определение обилия растений выполняется на качествен- ном уровне установлением степени с приме- нением специальных шкал обилия по Друде (6 градаций), по Рюбелю (10 градаций), по Браун-Бланке (5 градаций), по Высоцкому (5 градаций), по Алехину (10 градаций) и дру- гим. Соответствие между ними и показате- лем проективного покрытия установлено с точностью до процента [6]. То есть, задача перехода от шкалы обилия к величине про- ективного покрытия решена еще в середине прошлого века. Часто используются количественные ме- тоды определения обилия: численность (ко- личество особей) на единицу площади, густо- та стояния вида (средняя площадь на единицу учета), расстояние между растениями, соот- ветствие которых шкалам обилия установле- но, по крайней мере, 50 лет тому назад [6,9]. Методы определения объема растений широко применяются при изучении произ- водительности лесных сообществ, в том числе, и для учета запасов древесины. Осно- вой метода определения объемного обилия является изучение модельных растений и их проективного покрытия. Объем модельного дерева в лесном хозяйстве определяется не- посредственным измерением его частей. Объем модельного травянистого растения принимается равным объему вытесненной жидкости (Алехин, 1925). Исходя из показателей проективного по- крытия и модельных растений, осуществля- ется переход к показателям биомассы. Оп- ределение биомассы является центральным показателем продуктивности растительного сообщества, почвообразующей и ценообра- зующей роли растительности, биосферных функций экосистем. Таким образом, параметр проективного покрытия на основе установленной объек- тивной связи с основными параметрами эко- системы, может рассматриваться как глав- ный индикатор ее состояния. Решение задачи, определения численных характеристик проективного покрытия рас- тительности с применением компьютерных технологий, сводится, по крайней мере, к трем этапам: 1. Получение качественного цифрового снимка объекта в полевых условиях доста- точного разрешения для последующих рас- четов с заданной точностью. Для этой цели необходимо использование цифровой фото- камеры или пленочного фотоаппарата с по- следующей оцифровкой слайдов, либо бу- мажных фотографий. 2. Обработка полно цветного файла изо- бражения растительности на персональном компьютере в лаборатории или непосредст- венно на пробной площади, используя ноут- бук. Вычисление необходимых метрических показателей с помощью специализированно- го программного обеспечения. Выбор пара- метров зависит от тех функций фитоценоза в экосистеме, которые необходимо оценить. К самой простой и информативной интеграль- ной характеристике относится проективное покрытие. 3. Расчет информативности, статистиче- ской достоверности массива искомых вели- чин их законов распределения и других ве- роятностных оценок стандартными стати- стическими методами. Данная работа посвящена изложению ме- тодов и подходов применяемых на втором этапе решения задачи. В этой фазе исследования наиболее сложной и неоднозначной является проце- дура сегментации изображений, т. е. разбие- ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 118 ния изображения на множество областей, однородных в соответствии с некоторым набором критериев, которые ассоциируются с объектами и фоном. Результат сегмента- ции представляется в виде карты не пересе- кающихся сегментов. Качество разделения обычно оценивают по ряду свойств: одно- родность регионов, различие соседних ре- гионов, гладкость границы и др. [10,11]. Сама по себе постановка задачи сегмен- тации не является определенной, т. к. ре- зультат разбиения зависит от многих факто- ров: подробности разделения, алгоритма вы- числения, набора исходных признаков и их значимости, выбора метрики и др. Оценка качества сегментации и последующих изме- рений сильно зависит от субъективных предпочтений исследователя. Результат вы- числительно «правильной» сегментации может быть воспринят пользователем нега- тивно из-за особенностей восприятия зри- тельной информации. Классическим приме- ром ошибок такого рода является оптиче- ская иллюзия Мюллера-Лайера (рисунок 1). Рисунок 1 – Пример субъективности человеческого зрения Стрелки кажутся разной длины, в тоже время машинный анализ покажет одинако- вые значения. Аналогичные явления наблю- даются при оценке фигур одинаковых пло- щадей, но разной формы. Причина подоб- ных эффектов – присущий человеческому зрению гештальтквалитат, т. е. психологиче- ское восприятие свойства целого, а не свойств отдельных сегментов. Другая особенность человеческого зре- ния – концентрация внимания на одном фрагменте изображения в определенный момент времени при рассматривании слож- ной картины большого размера. В этом слу- чае, сделать объективные выводы относи- тельно всего многообразия объектов распре- деленных по изображению чрезвычайно сложно. Здесь также кроется источник большой погрешности. В этих условиях необходимо опираться на объективные показатели измерений, а не на визуальную оценку таких сложных по своему содержанию изображений, как фото- графии растительного покрова. Основное преимущество компьютерной морфометрии состоит в том, что применяя единый подход к анализу близких по содержанию изобра- жений снятых одной камерой в одинаковых режимах, найденные отличия можно считать достоверными. В силу указанных причин, необходимо стремиться по возможности использовать про- граммные алгоритмы автоматической сегмен- тации без вмешательства или при минималь- ном участии оператора в интерактивном ре- жиме. Для этих целей хорошо подходит кла- стерный анализ как метод распознавания без учителя. Его суть заключается в группирова- нии некоего многомерного пространства при- знаков изображения на нужное число классов, основываясь на отличиях в плотности распре- деления по какому-либо критерию близости внутри и вне классов [12]. Успешная кластеризация зависит от пра- вильного выбора признаков с высокой ин- формативностью по отношению к выделяе- мым объектам. К наиболее чувствительному признаку наземных органов растительности в период вегетации относится зеленый цвет. Причисляемые к фону отмершие раститель- ные остатки, поверхность почвы, горная по- рода и минералы на исследуемых пробных площадях не отражают свет с аналогичными спектральными характеристиками. Каждый пиксель цветной фотографии любой цифровой камеры представлен в виде вектора в трехкомпонентном RGB цветовом пространстве. Значение координат каждого компонента изменяется в диапазоне [0, 255] пропорционально уровню сигнала светочув- ствительного ПЗС сенсора соответствующе- го цветового канала. Предварительные эксперименты показа- ли, что выделение растительных объектов только на основе фиксированного порогово- го уровня зеленой (G) составляющей не приводит к позитивному результату. Для повышения точности сегментации необхо- дим учет дополнительных цветовых компо- нентов, т. к. основной зеленый цвет листьев сопряжен с желтоватыми, красноватыми и голубоватыми оттенками. В силу своей аппаратной направленности линейная цветовая модель RGB не является оптимальной для целей выделения объектов на изображении по их цветовым признакам. ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 119 Аппаратно независимое нелинейное цвето- вое пространство LAB обладает колоримет- рическим и равноконтрастным свойствами. Важно, что однородная модель LAB, где расстояние однозначно указывает на вели- чину отличия двух цветов, хорошо разделяет интенсивность представленную яркостью L и цветность соответствующую двум цвето- разностям AB. Причем отделение яркости от цветности максимально по сравнению со всеми существующими альтернативными цветовыми системами. Это позволяет про- водить независимую обработку яркостных и цветовых признаков [13]. Алгоритм обработки изображений про- ективного покрытия можно представить в виде блок-схемы (рисунок 2). Данный алго- ритм направлен на решение простейшей задачи выделения объектов проективного покрытия, т. е. вычисления двух непересе- кающихся кластеров принадлежащих объ- екту и фону. Рисунок 2 – Блок-схема программного алгоритма для автоматического анализа проективного покрытия. Предварительные вычисления показали, что для качественной сегментации проек- тивного покрытия недостаточно опираться только на цветовые признаки изображения необходимо использовать также простран- ственные критерии. Так как вероятность присоединения к одному классу признаков у геометрически соседних пикселей должна возрастать, даже если они имеют различные цветовые оттенки. Применение координат пикселей не является удачным выбором хотя бы потому, что в два раза возрастает объем анализируемой информации, что увеличива- ет время расчета и объем задействованной памяти. Здесь реализован другой подход, основанный на вычислении локальной дис- персии наиболее информативной зеленой компоненты по окрестности размером 11×11 пикселей. Логика применения такого подхо- да заключается в том, что если окружение центрального пикселя сильно изменяет зе- леный цвет, то дисперсия этой точки будет иметь высокое значение, а значит, увеличи- вается расстояние в пространстве признаков и данный пиксель может принадлежать кон- курирующему классу. Логика применения такого подхода за- ключается в том, что если окружение цен- трального пикселя сильно изменяет зеленый цвет, то дисперсия этой точки будет иметь высокое значение, а значит, увеличивается расстояние в пространстве признаков и дан- ный пиксель может принадлежать конкури- рующему классу. Современные фотоаппараты способны давать цифровые снимки размером от 5 до 15 мегапикселей. Изображения с таким раз- решением обладают определенной избыточ- ностью для целей анализа проективного по- крытия. Для получения сегментов с плавны- ми границами и малым количеством дыр необходима предобработка путем сглажива- ния изображения низкочастотным фильтром Гаусса или взвешенным усредняющим фильтром. Размер маски зависит от размера исходного изображения и степени его дета- лизации. Мы применяли маску с 10 пик- сельной окрестностью сглаживания. Оба фильтра дают хорошие результаты. ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 120 После сглаживающей предобработки ис- ходных фотографий, изображения преобра- зуются в LAB цветовой формат. Причем, для снижения влияния эффектов затенения и уменьшения объема вычислений использу- ется только цветоразностные компоненты А и В. В результате формируется 3 карты при- знаков размером соответствующих размеру изображения, которые стандартизируются для уравнивания весовых коэффициентов всех признаков при последующей кластери- зации. Сегментация осуществляется агломе- ративным методом по схеме К-средних с использованием евклидовой метрики [14]. Далее проводится поиск выделенных сегментацией участков проективного по- крытия и вычисление различных морфомет- рических показателей с последующим со- хранением в файл данных. В качестве тестовых использовались 7 фотоснимков размером 3888 × 2592 пиксе- лей с различных растительных сообществ. Очевидно (рисунок 3), что предложенная методика анализа дает в целом удовлетвори- тельные результаты. а) б) в) г) Рисунок 3 – а), в) Фрагменты изображений, б), г) результат выделения проективного покрытия (фоновый кластер закрашен черным цветом). Сегмент проективного покрытия имеет сглаженные края, куда попадают не только зеленые листья растений, но и желтые цве- ты. В тоже время отдельные элементы рас- тительности тускло зеленого цвета, а также цветы голубых и фиолетовых оттенков мо- гут попасть в область фона. Эффективность разделения по цветовым признакам можно оценить по расположению сегментированных пикселей на плоскости цветоразностных координат (рисунок 4). Видно, что фрагмент 1 несколько лучше разбивается на 2 класса, чем фрагмент 2. В том числе, и потому, что фрагмент 1 име- ет более широкий цветовой охват по коор- динате В. ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 121 Фрагмент 1 В А Фрагмент 2 В А Рисунок 4 – Расположение сегментированных пикселей в АВ координатах цветового пространства LAB. Оценка площади проективного покрытия по представленным снимкам 7 участков со- ставила 38,06±12,5%. Кроме площади не- сложно рассчитать и другие показатели: ли- нейных размеров, формы, ориентации и т. д. Применение метода позволило получить предварительные результаты оценки эколо- гического состояния вторичных экосистем нарушенных земель на опытном участке 3 отвала Игулецкого ГОКа. На откосе отвала проводились наблюдения развития вторич- ных экосистем с 2004 года. В 2005 году про- ведена обработка части откоса органическим веществом сточных вод. Расположенная ря- дом аналогичная по абиотическим условиям часть откоса была оставлена как контроль- ная. На обработанной части после 5 лет вос- становления общее проективное покрытие вторичных растительных сообществ достиг- ло 60%. В тоже время, на контрольном уча- стке общее проективное покрытие расти- тельных группировок составило лишь 25%. Полученные с применением метода цифро- вой обработки изображений результаты объ- ективно свидетельствуют об эффективности проведенных мероприятий по формирова- нию вторичных экосистем нарушенных зе- мель. Рост общего проективного покрытия рас- тительных сообществ обеспечивает сниже- ние пыления отвалов, загрязнения окру- жающих земель, рост биомассы, рост морт- массы, обеспечивает условия формирования вторичных почв и, в конечном итоге, обес- печивает экологическую безопасность на- рушенных земель. Применение цифровых методов оценки проективного покрытия создает возможность получение количест- венной информации о состоянии одного из основных параметров состояния экосистем. На основе использование количественных методов оценки возникает перспектива раз- работки современных технологий формиро- вания вторичных экосистем. Перспективы дальнейших исследований Дальнейшее развитие описываемого ме- тода в первую очередь связано с повышени- ем точности компьютерных измерений и расширением спектра вычисляемых призна- ков. Здесь можно наметить несколько па- раллельных направлений: 1. Повышение гибкости программного ал- горитма. Применение нескольких более ин- теллектуальных методов сегментации для увеличения качества распознавания объектов с использованием не только цветовых, но и структурно-текстурных показателей, призна- ков формы. К таким подходам можно отне- сти, нейронные сети, методы водораздела, выращивания регионов, пирамидальный ал- горитм, оптимизационный подход, сегмента- ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 122 ция на графах и др. Применение более разви- тых классификационных подходов, в частно- сти, позволит уменьшить ошибку сегмента- ции в зоне тени, полутени и бликов. 2. Переход от относительных величин к абсолютным значениям и уменьшение по- грешности измерений. Все изложенное выше касается относительных измерений в процен- тах от общей площади, если переходить к абсолютным величинам, то необходимо ре- шение задачи калибровки камеры. Эта задача тесно связана с проблемой компенсации гео- метрических аберраций оптической системы фотоаппарата. Также сильным источником геометрических искажений является распо- ложение оптической оси камеры под некото- рым углом к вертикали при съемке проектив- ного покрытия без специальных приспособ- лений. Чем больше угол, тем сильнее ошибка измерения, которой можно пренебречь при относительных измерениях. 3. Развивая описываемый подход можно, кроме измерения проективного покрытия как интегрального показателя, реализовать дифференцирование живой и отмершей час- ти растительного покрова, сегментацию на- земных органов травянистых растений и разделение по видовому составу. Последняя задача является наиболее сложной и потре- бует, помимо геометрической градуировки, калибровки цвета по балансу белого для бо- лее точного определения цвета органов рас- тений и компенсации неизбежных хромати- ческих аберраций. Появится необходимость применения стереосъемки и перехода к 3D измерениям для правильной сортировки по видовому составу, что в целом повысит точ- ность измерения проективного покрытия за счет учета трехмерной структуры расти- тельного покрова. Решение этой задачи пе- реводит компьютерную морфометрию фи- тоценоза на качественно новый уровень. 4. Автоматизированный анализ изобра- жений космических снимков, основанный на аналогичных подходах, дает возможности охватить огромные территории, выявлять особенности строения растительного покро- ва, преобладающие виды, жизненные фор- мы. Цифровые методы создают условия для привлечения к анализу цифровых моделей рельефа, систем глобального позициониро- вания. Выводы 1. Цифровой анализ изображений позво- ляет в первом приближении получать коли- чественные данные оценки проективного покрытия растительных сообществ. Наме- ченные пути развития метода создают воз- можность повышения точности компьютер- ной фотометрии и выхода на приближения более высокого порядка точности. 2. Преимущества предложенной методи- ки, в сравнении с традиционными, состоят в объективности и оперативности измерений, что, в целом, повышает эффективность рабо- ты профильного специалиста. 3. Метод цифрового анализа изображения растительности, в том числе, и космических снимков, создает возможность экологическо- го контроля значительных территорий, слу- жит основой оперативного решения задач природопользования, исследования террито- рий с пересеченной местностью, особенно, нарушенных горными работами земель (тех- ногенных ландшафтных заказников, участков самозаростания, применения методов активи- зации восстановления и других). 4. Предварительные результаты оцен- ки, проведенной с применением метода, свидетельствуют об эффективности акти- визации формирования экосистем при по- мощи обработки органическим веществом сточных вод. Перечень ссылок 1. Инженерная экология : Учебник – М.:Гардарики, 2002. – 687 с. 2. Биоиндикация загрязнений наземных экосистем. – М. : Мир, 1988. – 348 с. 3. Современные методы биофизических исследований : Практикум по биофизике / [Булы- чев А.А., Верхотуров В.Н., Гуляев Б.А. и др.] ; под ред. А.Б. Рубина. – М. : Высш. шк., 1988.- 359 с. 4. Гаевский Н.А. Использование переменной и замедленной флуоресценции хлорофилла для изучения фотосинтеза растений / Гаевский Н.А., Моргун В.Н. // Физиология растений. – 1993. – Т.40, №1. – С.136-145. ЕКОЛОГІЯ І ПРИРОДОКОРИСТУВАННЯ, 2011, Випуск 14 123 5. Гумбольдт А. Картины природы. – M., 1959. – 269 с. 6. Быков Б.А. Геоботаника. – Алма-Ата : Изд-во АН Каз. ССР, 1957 – 372 с. 7. Ярошенко П.Д. Геоботаника. – М. : Просвещение, 1969. – 200с. 8. Миркин Б.В. Толковый словарь современной фитоценологии / Б.В. Миркин, Г.С. Розен- берг. – М. : Наука, 1983. – 135 с. 9. Понятовская В. М. Учет обилия и особенности размещения видов в естественных расти- тельных сообществах // Полевая геоботаника [под общей редакцией Е.М. Лавренко и А.А. Кор- чагина]. – М.-Л. : Наука, 1964. – Т III. –С. 209-299. 10.Haralick R.M., Shapiro L.G. Image Segmentation Techniques. / Computer Vision, Graphics, Image Processing. 1985, Vol. 29, No. 2, p. 100–132. 11. Дуда Р., Харт П. Распознавание образов и анализ сцен. – М.: Мир, 1978. – 510 с. 12. Jain A.K., Murty M.N., Flynn P.J. Data clustering: a review. // ACM Comput. Surv. Vol. 31, Iss. 3, 1999, p. 264-323 13. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2005. – 1072 с. 14. Jain A.K., Dubes R.C. Algorithms for Clustering Data. Prentice Hall, Englewood Cliffs, NJ., 1988, 334 p. А. К. Вalalaev О.А. Skrypnyk** PRELIMINARY RESULTS OF THE APPLICATION OF THE METHOD OF DIGITAL IMAGE PROCESSING FOR DETERMINING PROJECTIVE COVER VEGETATION AS MAIN INDICATOR OF CONDITION OF ECOSYSTEMS Institute of Geotechnical Mechanics, National Academy of Sciences of Ukraine, Dnipropetrovsk *Institute for Nature Management Problems and Ecology of National Academy of Sciences of Ukraine, Dnipropetrovsk The formulation and solution of computer measurement of a projective cover of vegetation are shown. Programming algorithm for automatic analysis of digital images of a projective cover is given. Using the method the effectiveness of measures to enhance the formation of secon- dary ecosystems disturbed mining lands are confirmed. Надійшла до редколегії 02 лютня 2011 р. Рекомендовано членом редколегії канд. геол.-мін. наук О.К. Тяпкіним
id	nasplib_isofts_kiev_ua-123456789-57432
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	XXXX-0010
language	Russian
last_indexed	2025-11-24T05:40:18Z
publishDate	2011
publisher	Інститут проблем природокористування та екології НАН України
record_format	dspace
spelling	Балалаев, A.К. Скрипник, О.А. 2014-03-09T08:59:01Z 2014-03-09T08:59:01Z 2011 Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем / A.К. Балалаев, О.A. Скрипник // Екологія і природокористування. — 2011. — Вип. 14. — С. 114-123. — Бібліогр.: 14 назв. — рос. XXXX-0010 https://nasplib.isofts.kiev.ua/handle/123456789/57432 379.85:712.23: 332.32 Приведена постановка и решение задачи компьютерного измерения проективного покрытия растительности. Дан программный алгоритм автоматического анализа цифровых изображений проективного покрытия. С использованием метода подтверждена эффективность проведения мероприятий по активизации формирования вторичных экосистем нарушенных горными работами земель. Наведена постановка та рішення задачі комп'ютерного вимірювання проективного покриття рослинності. Данин програмний алгоритм автоматичного аналізу цифрових зображень проективного покриття. З використання метод}' підтверджена ефективність проведення заходів з активізації формування вторинних екосистем порушених гірничими роботами земель. The formulation and solution of computer measurement of a projective cover of vegetation are shown. Programming algorithm for automatic analysis of digital images of a projective cover is given. Using the method the effectiveness of measures to enhance the formation of secondary ecosystems disturbed mining lands are confirmed. ru Інститут проблем природокористування та екології НАН України Екологія і природокористування Природноресурсний потенціал території та його раціональне використання Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем Preliminary results of the application of the method of digital image processing for determining projective coyer vegetation as main indicator of condition of ecosystems Article published earlier
spellingShingle	Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем Балалаев, A.К. Скрипник, О.А. Природноресурсний потенціал території та його раціональне використання
title	Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем
title_alt	Preliminary results of the application of the method of digital image processing for determining projective coyer vegetation as main indicator of condition of ecosystems
title_full	Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем
title_fullStr	Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем
title_full_unstemmed	Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем
title_short	Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем
title_sort	предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем
topic	Природноресурсний потенціал території та його раціональне використання
topic_facet	Природноресурсний потенціал території та його раціональне використання
url	https://nasplib.isofts.kiev.ua/handle/123456789/57432
work_keys_str_mv	AT balalaevak predvaritelʹnyerezulʹtatyprimeneniâmetodacifrovoiobrabotkiizobraženiâdlâopredeleniâproektivnogopokrytiârastitelʹnostikakosnovnogoindikatorasostoâniâékosistem AT skripnikoa predvaritelʹnyerezulʹtatyprimeneniâmetodacifrovoiobrabotkiizobraženiâdlâopredeleniâproektivnogopokrytiârastitelʹnostikakosnovnogoindikatorasostoâniâékosistem AT balalaevak preliminaryresultsoftheapplicationofthemethodofdigitalimageprocessingfordeterminingprojectivecoyervegetationasmainindicatorofconditionofecosystems AT skripnikoa preliminaryresultsoftheapplicationofthemethodofdigitalimageprocessingfordeterminingprojectivecoyervegetationasmainindicatorofconditionofecosystems

Репозитарії

Схожі ресурси