нашедшими отражение в рельефе: крепкие породы образуют гряды, а менее прочные — межгрядовые понижения (рис. 2 и 5). В геологически закрытых районах плит, где на поверхности на больших площадях распространены четвертичные отложения, возможно выделение генетических типов четвертичных отложений (флювиальных, ледниковых, делювиальных). Информативность космических снимков разная в регионах с различным геологическим и геоморфологическим строением.
КС нашли широкое применение при геологических исследованиях, прогнозировании и поисках месторождений полезных ископаемых, изучении сейсмоопасных зон и активности экзогенных процессов (эрозионных, абразионных, карстово-суффозионных, склоновых обвально-оползневых), инженерно-геологических изысканиях, структурно-геоморфологических и неотектонических исследованиях, изучении шельфа, мониторинге геологической среды, в геоэкологии. Применению космической информации в геологии посвящено много работ, в том числе.
3.3 Методика выделения линеаментов в ArcView
Для решения поставленной задачи был выбран следующий алгоритм:
1. Конвертирование в грид – тему исходный снимок;
2. Анализ статистики соседства;
3. Расчет функции аспекта;
4. Расчет функции экспозиции.
Первоначально я загрузила снимок, полученный со спутника Terra 16 января 2004 года в формате TIF.
Рис. 6. Снимок со спутника TERRA.
Так как функции анализа поверхностей модуля Spatial Analyst используют грид-темы, для дальнейшего исследования появилась необходимость в конвертации снимка в Grid-темы.
GRID формат является собственным форматом ESRI, который поддерживает так называемые гриды - целочисленные и с плавающей запятой 32-разрядные растровые данные.
Гриды особенно подходят для представления географических объектов и явлений, непрерывно распределенных в пространстве, а также для задач пространственного моделирования и анализа потоков, трендов и поверхностей.
Грид-тема представляет собой географический слой, где пространство разделено на квадратные ячейки. Каждая ячейка хранит числовое значение данных, которое передает информацию о географическом слое, который она представляет.
Каждая грид-тема имеет собственное изображение легенды в Таблице Содержания. Легенда грид-темы определяет, какой цвет присваивается ячейкам в соответствии с их значениями. Это влияет на отображение грид-темы в Виде.
В зависимости от информации, которую она представляет, грид-тема может быть создана как из целочисленных значений, так и из значений с плавающей точкой. Грид-тема, создаваемая из целочисленных значений, может иметь связанную таблицу, которая объединяет содержащиеся в ней атрибуты. Ячейки, имеющие одинаковые значения, будут иметь одинаковые атрибуты. Грид-темы, создаваемые из значений с плавающей точкой, не имеют связанных таблиц. Как правило, для данных с плавающей точкой не найдется двух ячеек с одинаковыми значениями, поэтому нет необходимости объединения отдельных значений в связанной таблице.
Грид-тема указывает на данные, которые она представляет; но сама данных не содержит.
Гриды представляют поверхности по регулярно распределённым точкам. Оценка значений поверхности между этими точками проводится путём осреднения значений в окружающих точках с учётом степени их близости к данной точке.
Итак, для конвертирования в грид-тему в меню Тема выбрали Конвертировать в грид и установлены параметры вывода, размер ячейки и метод интерполяции. В нашей работе мы использовали Метод обратных взвешенных расстояний (ОВР). Этот метод интерполяции предполагает, что каждая входная точка имеет влияние, убывающее с расстоянием. Чем ближе точка к обрабатываемой ячейке, тем больше ее вес. При определении выходного значения для каждой точки поверхности могут использоваться либо заданное число точек, либо все точки в пределах заданного радиуса. При использовании этого метода предполагается, что влияние переменной, по которой ведется расчет, уменьшается при увеличении расстояния от исходной точки.
Затем был проведен статистический анализ соседства по грид-темам в пределах прямоугольника размером 7 х 7 ячеек.
Для каждой ячейки в выходной грид-теме функции анализа соседства вычисляют статистические характеристики, основываясь на значении обрабатываемой ячейки и значениях ячеек в пределах заданной области соседства. В пределах области соседства вычисляются следующие статистические характеристики: большинство, максимум, среднее, медиана, минимум, меньшинство, диапазон, стандартное отклонение, сумма, число уникальных значений. Область соседства может задаваться прямоугольником произвольного размера, окружностью произвольного радиуса, кольцом, клинообразным сегментом в любом направлении или кривой произвольной формы.
Функции уклона и экспозиции носят название функций анализа поверхностей. Применение этих функций позволяет получить дополнительную информацию путем создания новых данных и выделения характерных участков (шаблонов) для существующих поверхностей.
Функция уклона определяет уклон или максимальную степень изменения значения от ячейки к соседним ячейкам. Выходная грид-тема уклона может быть вычислена либо в процентах (например, 10%-уклон) либо в градусах (например, 45-градусный уклон).
Функция экспозиции определяет направление максимального уклона от каждой ячейки к соседним. Значения выходного Grid-а представляет экспозицию по сторонам света. «0» соответствует направлению на север, 90 градусов – на восток и т. д.
3.4 Методика выделения линеаментов в WinLESSA
Программа WinLESSA предназначена для автоматизации анализа в геологических исследованиях данных различного типа - изображений, схем, цифровых моделей рельефа (ЦМР). WinLESSA - это инструмент позволяющий получить единообразное численное описание рисунка (текстуры) этих данных. Описывается распределение и ориентация мелких линейных элементов рисунка.
Первый шаг анализа - обнаружение этих линейных элементов, которые мы будем называть штрихами. На полутоновом изображении выявляются спрямленные участки границ областей разной яркости. В бинарном изображении выделяются оси линий. В цифровой модели рельефа выявляются спрямленные участки хребтов и долин. Для каждой точки штриха определяется его направление с точностью до 22,5 градусов, т. е. одно из следующих восьми направлений 0, 22.5, 45, 67.5, 90, 111.5, 135, 157.5 (угол измеряется от горизонтали справа - налево). Уверенно выявляются только штрихи, размер которых не меньше 5-10 пикселей.
Второй шаг анализа - подсчет в скользящем окне суммарной длины штрихов каждого направления, плотности штрихов. Эти и другие “ориентационные” характеристики текстуры отображаются растровыми изображениями (матрицами), а также строятся поля векторов, розы-диаграммы (сокращенно, розы), и др. Можно получать объединенные розы для разных слоев многозонального изображения или сравнивать разновременные данные.
Еще одна возможность анализа штрихов - формирование на их основе прямых протяженных линеаментов. Пользователь получает возможность просматривать линеаменты, отбирать их по направлению и по степени выраженности, составлять из них схему.
Результаты расчетов используются для прямого дешифрирования, для анализа в ГИС, а также для дальнейшей обработки с помощью стандартных программ обработки изображений. Возможен и анализ с помощью WinLESSA результатов, предварительно полученных в WinLESSA (например, поиск линеаментов в поле плотности).
При использовании WinLESSA для прямого дешифрирования необходимо иметь ввиду, что в этой программе не ставится цель указать все явно различимые структуры. Задача WinLESSA - обратить внимание на слабо заметные структуры, границы, особенности изображения.
Необходимо отметить, что методически чрезвычайно важен выбор шага дискретизации изображения (реальный размер пикселя) и размера окна анализа. Этим выбором пользователь задает размер мелких структур, которые он хотел бы учесть, и размер структур, которые он предполагает выявить.
Методические рекомендации использования модуля LESSA
Здесь рассмотрим основные, фундаментальные рекомендации грамотного использования LESSA. С приемами анализа результатов LESSA - экстремальные области, сопряженные экстремумы, цепочки экстремумов, линии вытянутости, градиентные зоны, протяженные линеаменты - можно познакомиться на примере анализа изображения юго-западной Африки. А конкретные методики можно найти в описании приложений автоматизированного линеаментного анализ.
Информация, которую можно получить с помощью LESSA, и, в первую очередь, статистические характеристики (розы-диаграммы, поля) - это объективные данные о свойствах рисунка (о текстуре) исследуемой территории. На сколько этот рисунок отражает объекты конкретного поиска - решать специалисту, но чтобы получить адекватные характеристики рисунка необходимо правильно выбрать исходные данные.
В первую очередь, необходимо обратить внимание: не покрыт ли снимок облаками, техногенными объектами, шумами и т. п. Отметим, однако, что в конкретных исследованиях изображений полностью покрытых сельхозугодиями областей Украины и Венгрии при аккуратном анализе была получена искомая структурная информация.
Второй важнейший методический вопрос, который необходимо решить - это степень детализации снимка, масштаб (размер пикселя). Важно помнить, что этот выбор совершенно отличается от традиционного выбора масштаба данных для визуального анализа. С одной стороны, можно ориентироваться на размер базовых структур, то есть тех структур, которые "создают" штрихи - основу всего анализа. Соответственно этому размеру должен быть выбран и масштаб изображения (шаг сканирования, размер элемента изображения на местности). Необходимо учитывать, что, меняя масштаб, мы можем получить не более (или менее) точное описание рисунка, которые могут существенно различаться. Очевидно также, что при слишком грубом разрешении можно пропустить базовые структуры, а при слишком высоком разрешении будут выявляться не искомые структуры, а их детали, возможно, с другой ориентацией.
|
Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4 5 6 7 8 9 |
