Vertaileva tulkinta vyöhykekuvien sarja perustuu kuvassa esitettyjen kohteiden spektrikuvien käyttöön. Valokuvassa olevan kohteen spektrikuva määräytyy visuaalisesti sen kuvan sävyn perusteella sarjassa vyöhykkeellisiä mustavalkovalokuvia; sävyä arvioidaan standardoidulla asteikolla optisen tiheyden yksiköissä. Saatujen tietojen perusteella muodostetaan spektrikuvan käyrä, joka heijastaa kuvan optisen tiheyden muutosta kuvissa eri spektrivyöhykkeillä. Tässä tapauksessa tulosteiden optisen tiheyden arvot piirretään pitkin ordinaatta-akselia D, Toisin kuin hyväksytty, ne pienenevät akselia ylöspäin siten, että spektrikuvakäyrä vastaa spektrin kirkkauskäyrää. Jotkut kaupalliset ohjelmat tarjoavat automaattisen spektrikuvien piirtämisen digitaalisista kuvista. Monivyöhykkeiden kuvien vertailevan tulkinnan looginen kaavio sisältää seuraavat vaiheet: kohteen spektrikuvan määrittäminen kuvilla- verrattuna tunnettuun spektriheijastukseen- kohteen tunnistaminen.

Kun ääriviivoja tulkitaan koko kuvan alueella, spektrikuvaa käytetään menestyksekkäästi myös purettavien kohteiden jakautumisen rajojen määrittämiseen, mikä suoritetaan vertailevan purkamisen menetelmillä. Selitetään ne. Jokaisessa vyöhykekuvassa tietyt objektijoukot on erotettu kuvan sävyillä, ja nämä sarjat ovat erilaisia ​​eri vyöhykkeiden kuvissa. Vyöhykekuvien vertailu mahdollistaa näiden joukkojen erottamisen ja yksittäisten kohteiden tunnistamisen. Tällainen vertailu voidaan toteuttaa yhdistämällä ("vähentämällä") kaavioita vyöhykekuvien purkamiseksi, joissa kussakin on tunnistettu eri joukko esineitä, tai hankkimalla differentiaalikuvia vyöhykekuvista. Vertaileva tulkinta soveltuu parhaiten kasviobjektien, ensisijaisesti metsien ja viljelykasvien, tutkimiseen.

Monivyöhykekuvien peräkkäisessä tulkinnassa hyödynnetään myös sitä tosiasiaa, että kasvillisuuden tummat ääriviivat punaisella vyöhykkeellä vaaleammalla taustalla, sen kuvan kirkkauden lisääntymisen vuoksi lähi-infrapunavyöhykkeellä, näyttävät "kadonneen" ” kuvasta häiritsemättä tektonisen rakenteen ja kohokuvion suurten piirteiden havaitsemista. Tämä avaa mahdollisuuden esimerkiksi geomorfologisissa tutkimuksissa tulkita eri syntyperäisiä maamuotoja eri vyöhykekuvista - endogeenisiä lähi-infrapunavyöhykkeen kuvista ja eksogeenisiä - punaisista. Sekvenssidekoodaus tarjoaa teknisesti suhteellisen yksinkertaisia ​​tulosten vaiheittaisen summauksen operaatioita.

Moniaikaisten kuvien salaus. Moniaikaiset kuvat tarjoavat kvalitatiivista tutkimusta tutkittavien kohteiden muutoksista ja kohteiden epäsuoraa tulkintaa niiden dynaamisten ominaisuuksien perusteella.

Dynaamiikan tutkimus. Dynaamisen tiedon poimimiseen kuvista kuuluu muutosten tunnistaminen, niiden graafinen esittäminen ja mielekäs tulkinta. Moniaikakuvien muutosten tunnistamiseksi niitä on verrattava toisiinsa, mikä suoritetaan vaihtoehtoisella (erillisellä) tai samanaikaisella (yhteisellä) havainnolla. Teknisesti moniajallisten kuvien visuaalinen vertailu suoritetaan yksinkertaisimmin tarkkailemalla niitä yksitellen. Hyvin vanha "vilkkumismenetelmä" mahdollistaa esimerkiksi yksinkertaisesti ilmaantuneen erillisen kohteen havaitsemisen katsomalla nopeasti kahta kuvaa eri aikoina vuorotellen. Muuttuvan kohteen otosten sarjasta voidaan koota havainnollinen elokuva. Joten jos geostationaarisista satelliiteista samassa kulmassa 0,5 tunnissa saadut kuvat Maasta kootaan animaatiotiedostoksi, on mahdollista toistaa toistuvasti pilvien päivittäinen kehitys näytöllä.

Tunnistaa pieniä muutoksia se osoittautuu tehokkaammaksi, ei peräkkäin, vaan useiden ajallisten kuvien yhteinen havainnointi, johon käytetään erityisiä tekniikoita: kuvien yhdistäminen (monokulaarinen ja binokulaarinen); erotus- tai summakuvan syntetisointi (yleensä värillinen); stereoskooppisia havaintoja.

klo monokulaarinen Tarkkailun aikana samaan mittakaavaan ja projektioon pienennetyt ja läpinäkyvälle pohjalle tehdyt kuvat yhdistetään asettamalla päällekkäin ja katsottuna valon läpi. Kuvien tietokonetulkinnassa kuvien yhteistä katselua varten on suositeltavaa käyttää ohjelmia, jotka tarjoavat yhdistettyjen kuvien havainnon yhden kuvan läpikuultavina tai "avaavina" alueina toisen taustaa vasten.

kiikarit havainnointi, kun kutakin kahta eri aikaan otettua kuvaa katsotaan yhdellä silmällä, on kätevintä tehdä stereoskoopilla, jossa havainnointikanavilla on itsenäinen kuvan suurennus ja kirkkaussäätö. Kiikarit ovat hyviä havaitsemaan muutoksia kirkkaissa kohteissa suhteellisen tasaista taustaa vasten, kuten muutoksia joen suunnassa.

Eri aikakausien mustavalkovalokuvista on mahdollista saada syntetisoitu värillinen kuva. Totta, kuten kokemus osoittaa, tällaisen värikuvan tulkinta on vaikeaa. Tämä tekniikka on tehokas vain, kun tutkitaan rakenteeltaan yksinkertaisten ja terävien rajojen omaavien objektien dynamiikkaa.

Kun tutkitaan liikkeestä johtuvia muutoksia, esineiden liikkeitä parhaat tulokset antaa stereoskooppinen havainto multi-temporaaliset kuvat (pseudo-stereoefekti). Täällä voit arvioida liikkeen luonnetta, havaita stereoskooppisesti liikkuvan kohteen rajoja, esimerkiksi aktiivisen maanvyörymän rajat vuoren rinteellä.

Toisin kuin moniajallisten kuvien peräkkäiset yhteishavainnointimenetelmät, ne vaativat alustavia korjauksia - niiden saattamista samaan mittakaavaan, muunnoksia, ja nämä menettelyt ovat usein monimutkaisempia ja aikaa vievämpiä kuin itse muutosten määrittely.

Dekoodaus dynaamisilla ominaisuuksilla. Maantieteellisten kohteiden ajallisten muutosten kuviot, joille on ominaista tilojen muutos ajan myötä, voivat toimia niiden salausominaisuuksina, joita, kuten jo todettiin, kutsutaan kohteen väliaikaiseksi kuvaksi. Esimerkiksi eri vuorokauden aikoina otetut lämpökuvat mahdollistavat kohteiden tunnistamisen, joilla on tietty määrä päivittäinen kurssi lämpötila. Työskennellessäsi useiden ajallisten kuvien kanssa käytetään samoja tekniikoita kuin monivyöhykkeiden kuvien tulkinnassa. Ne perustuvat peräkkäiseen ja vertailevaan analyysiin ja synteesiin, ja ne ovat yleisiä minkä tahansa kuvasarjan kanssa työskentelyssä.

Kenttä- ja kameratulkinta. klo ala Salauksen purkamisessa esineiden tunnistaminen tapahtuu suoraan maassa vertaamalla luontoismuotoista esinettä sen valokuvassa olevaan kuvaan. Dekoodauksen tulokset lisätään kuvaan tai siihen liitettyyn läpinäkyvään peittokuvaan. Tämä on luotettavin salauksen purkutyyppi, mutta myös kallein. Kenttätulkinta voidaan suorittaa paitsi valokuvatulosteille, myös kuvaruutukuville (digitaalisille) kuville. Jälkimmäisessä tapauksessa käytetään yleensä kenttämikrotietokonetta, jossa on herkkä tabletin näyttö, sekä erityistä ohjelmisto. Dekoodauksen tulokset merkitään kenttään näytöllä tietokonekynällä, kiinnitetään joukolla tavanomaisia ​​symboleita ja tallennetaan teksti- tai taulukkomuodossa mikrotietokoneen muistin useisiin kerroksiin. On mahdollista syöttää lisää äänitietoja salauksenpurkuobjektista. Kenttätulkinnan aikana on usein tarpeen laittaa puuttuvia kohteita kuviin. Lisäammunta suoritetaan silmällä tai instrumentaalisella menetelmällä. Tätä varten käytetäänia, joiden avulla voidaan määrittää kentällä kuvasta puuttuvien kohteiden koordinaatit lähes kaikilla vaaditulla tarkkuudella. Kun kuvia puretaan mittakaavassa 1:25 000 tai pienemmässä mittakaavassa, on kätevää käyttää mikrotietokoneeseen kytkettyjä kannettavia satelliittivastaanottimia yhdeksi dekooderikenttäsarjaksi.

Eräänlainen kenttätulkinta on aerovisuaalinen dekoodaus, joka on tehokkain tundralla, autiomaassa. Helikopterin tai kevyen lentokoneen lennon korkeus ja nopeus valitaan kuvien mittakaavan mukaan: ne ovat mitä suurempia, sitä pienempi mittakaava. Aerovisuaalinen tulkinta on tehokasta työskenneltäessä satelliittikuvien kanssa. Sen toteuttaminen ei kuitenkaan ole helppoa. Esiintyjän tulee pystyä nopeasti navigoimaan ja tunnistamaan esineitä.

klo kamerallinen dekoodaus, joka on pääasiallinen ja yleisin dekoodaustyyppi, kohde tunnistetaan suorilla ja epäsuorilla salakoodausominaisuuksilla ilman, että se mene kenttään ja vertaa kuvaa suoraan kohteeseen. Käytännössä molemmat salauksenpurkutyypit yhdistetään yleensä. Niiden rationaalinen yhdistelmä mahdollistaa ilmailukuvien alustavan kamerallisen, valikoivan kentän ja lopullisen kamerallisen tulkinnan. Kentän ja kameran tulkinnan suhde riippuu myös kuvien mittakaavasta. Suuren mittakaavan ilmakuvat tulkitaan pääasiassa kentällä. Kun työskennellään laajoja alueita kattavien satelliittikuvien kanssa, kameratulkinnan rooli kasvaa. Maakenttätiedot avaruuskuvien kanssa työskennellessä korvataan usein kartografisilla tiedoilla, jotka on saatu kartoista - topografisista, geologisista, maaperän, geobotanisista jne.

Viitedekoodaus. Kameran tulkinta perustuu käyttöön salatut standardit, luotu kentällä tietylle alueelle tyypillisille avainalueille. Siten purkamisstandardit ovat kuvia tyypillisistä alueista, joihin on painettu tyypillisten kohteiden purkamisen tulokset, joihin liittyy salakirjoitusominaisuuksien ominaisuus. Lisäksi standardeja käytetään kamerallisessa tulkinnassa, joka suoritetaan maantieteellisellä menetelmällä interpolointi ja ekstrapolointi, eli levittämällä tunnistettuja salakirjoitusominaisuuksia standardien välisille alueille ja niiden ulkopuolelle. Standardien avulla tapahtuva kameratulkinta kehitettiin vaikeapääsyisten alueiden topografisessa kartoituksessa, kun useissa organisaatioissa luotiin standardien valokuvakirjastoja. Maamme kartografiapalvelu julkaisi näytteiden tulkintaalbumeita erilaisia ​​tyyppejä esineitä ilmakuvissa. Avaruuskuvien, joista suurin osa on monivyöhykkeisiä, temaattisessa tulkinnassa tällainen opetusrooli on Moskovan valtionyliopistossa koulutetuilla. M.V. Lomonosov tieteelliset ja metodologiset kartastot "Multi-vyöhykkeiden ilmailukuvien purkaminen", jotka sisältävät ohjeita ja esimerkkejä eri komponenttien dekoodauksen tuloksista luonnollinen ympäristö, sosioekonomiset kohteet, ihmisen toiminnan seuraukset luontoon.

Kuvien valmistelu visuaalista tulkintaa varten. Maantieteellisessä tulkinnassa alkuperäisiä kuvia käytetään harvoin. Ilmakuvien tulkinnassa käytetään yleensä kontaktitulosteita, ja satelliittikuvat on toivottavaa tulkita "lähetyksen kautta" käyttämällä filmillä olevia kalvoja, jotka välittävät täydellisemmin avaruuskuvan pieniä ja vähäkontrastisia yksityiskohtia.

Kuvan muuntaminen.Nopeampi, helpompi ja täydellisempi kuvanpoisto tarvittavat tiedot suorittaa muunnoksensa, joka pelkistyy toisen kuvan saamiseksi määritetyillä ominaisuuksilla. Sen tarkoituksena on korostaa tarpeellista ja poistaa tarpeettomat tiedot. On syytä korostaa, että kuvan muuntaminen ei lisää uusi tieto, mutta vain tuo sen muotoon, joka on kätevä myöhempää käyttöä varten.

Kuvamuunnos voidaan tehdä valokuvaus-, optinen- ja tietokonemenetelmillä tai niiden yhdistelmällä. Valokuvausmenetelmät perustuvat erilaisiin fotokemiallisiin prosessointitapoihin; optinen - kuvan läpi kulkevan valovirran muutoksesta. Yleisimmät tietokonekuvamuunnokset. Voidaan sanoa, että tällä hetkellä tietokonemuunnoksille ei ole vaihtoehtoa. Kuvien yleisiä tietokonemuunnoksia visuaalista tulkintaa varten, kuten pakkaus-dekompressio, kontrastimuunnos, värikuvan synteesi, kvantisointi ja suodatus sekä uusien johdannaisten geokuvien luominen.

Suurenna kuvat. Visuaalisessa tulkinnassa on tapana käyttää teknisiä keinoja, laajentaa silmän mahdollisuuksia, esimerkiksi suurennuslasit eri suurennoksilla - 2x - 10x. Hyödyllinen mittaussuurennuslasi, jossa on asteikko näkökentässä. Suurennuksen tarve käy selväksi kuvien ja silmän resoluution vertailusta. Silmän erotuskyvyn parhaan näön etäisyydellä (250 mm) oletetaan olevan 5 mm-1. Esimerkiksi kaikkien yksityiskohtien erottamiseksi avaruusvalokuvasta, jonka resoluutio on 100 mm-1, sitä on suurennettava 100/5 = 20 kertaa. Vain tässä tapauksessa voit käyttää kaikkia valokuvan sisältämiä tietoja. On otettava huomioon, että suuren suurennoksen (yli 10x) kuvien saaminen valokuvaus- tai optisilla menetelmillä ei ole helppoa: tarvitaan valokuvaussuurentimia. suuret koot tai erittäin korkea, vaikeasti toteutettavissa oleva alkuperäisten kuvien valaistus.

Kuvien tarkkailun ominaisuudet tietokoneen näytöllä. Kuvien havaitsemisen kannalta näytön ominaisuudet ovat tärkeitä: parhaat tulkintatulokset saavutetaan suurilla näytöillä, jotka toistavat enimmäismäärä värit ja korkeat kuvien virkistystaajuudet. Digitaalisen kuvan suurennus tietokoneen näytöllä on lähellä optimaalista, kun yksi kuvan pikseli vastaa yhtä pikselinäytön pikseliä.

Jos pikselikoko PIX-maastossa (tilaresoluutio) tunnetaan, näyttöruudun kuvan asteikko on yhtä suuri:

Esimerkiksi digitaalinen satelliittikuva TM/Landsat Kun pikselikoko on maassa PIX = 30 m, toistetaan näytöllä pix d = 0,3 mm mittakaavassa 1:100 000. Jos on tarpeen ottaa huomioon pieniä yksityiskohtia, tietokoneohjelmalla otettu kuvaruutu voidaan lisäksi suurentaa 2, 3, 4 kertaa tai enemmän; tässä tapauksessa yksi kuvapiste näkyy vähintään 4, 9, 16 kuvapisteen verran, mutta kuva saa silmällä havaittavan "pikselirakenteen". Käytännössä yleisin lisäkorotus 2 - Zx. Jos haluat nähdä koko kuvan näytöllä samanaikaisesti, kuvaa on pienennettävä. Tässä tapauksessa kuitenkin vain joka 2., 3., 4. jne. näytetään. kuvan rivejä ja sarakkeita ja siinä yksityiskohtien ja pienten esineiden katoaminen on väistämätöntä.

Tehokkaan työn aika kuvakaappausten salakirjoituksessa on lyhyempi kuin visuaalisia tulosteita. On myös tarpeen ottaa huomioon virta hygienianormit työskennellä tietokoneella säätelemällä erityisesti dekooderin silmien vähimmäisetäisyyttä näytöstä (vähintään 500 mm), jatkuvan toiminnan kestoa, sähkömagneettisten kenttien voimakkuutta, melua jne.

Välineet ja apuvälineet. Usein visuaalisen tulkinnan prosessissa on tarpeen tehdä yksinkertaisia ​​mittauksia ja kvantitatiivisia arvioita. Tätä varten käytetään erilaisia ​​​​aputyökaluja: paletteja, asteikkoja ja äänitaulukoita, nomogrammeja jne. Stereoskooppeja käytetään kuvien katsomiseen stereoskooppisesti. erilaisia ​​malleja. Paras laite kameralliseen tulkintaan on stereoskooppi, jossa on kaksoishavaintojärjestelmä, joka mahdollistaa stereoparin katselun kahdella dekooderilla. Tulkintatulosten siirto yksittäisistä kuvista yhteiselle kartografiselle pohjalle tehdään yleensä pienellä erikoismekaanisella optis-mekaanisella laitteella.

Salauksenpurkutulosten muotoilu. Visuaalisen tulkinnan tulokset esitetään useimmiten graafisessa, tekstissä ja harvemmin digitaalisessa muodossa. Yleensä selvitystyön tuloksena saadaan tilannekuva, johon tavanomaisia ​​merkkejä tutkittuja esineitä. Dekoodaustulokset on myös kiinnitetty läpinäkyvälle peittokuvalle. Kun työskentelet tietokoneella, tulokset on kätevä esittää tulostintulosteena (paperikopioina). Satelliittikuviin perustuen ns salauksen purkuohjelmat, jotka sisällöltään edustavat katkelmia teemakartoista, jotka on koottu kuvan mittakaavaan ja projektioon.

Automaattinen dekoodaus on kuvan tietojen tulkinta, jonka suorittaa elektroninen tietokone. Tätä menetelmää käytetään mm. valtavan tietomäärän käsittelyn ja digitaalisten teknologioiden kehittymisen vuoksi, tarjoten kuvan automaattisille tekniikoille sopivassa muodossa. Kuvien tulkitsemiseen käytetään tiettyjä ohjelmistoja (ohjelmistoja): ArcGIS, ENVI (katso kuva 5), ​​Panorama, SOCETSET jne.

Kuva 5. ENVI 4.7.01 -ohjelmaliittymä

Huolimatta kaikista tietokoneiden ja erikoisohjelmien käytön eduista, tekniikan jatkuvasta kehityksestä, automatisoidussa prosessissa on myös ongelmia: muodontunnistus koneen luokittelussa käyttämällä kapeasti formalisoituja salauksenpurkuominaisuuksia.

Objektien tunnistamiseksi ne jaetaan luokkiin, joilla on tietyt ominaisuudet; tätä prosessia tilan jakamiseksi osiin ja objektiluokkiin kutsutaan segmentoinniksi. Koska kohteet kuvauksen aikana ovat usein suljettuja ja niissä on "ääniä" (pilvet, savu, pöly jne.), koneen segmentointi on luonteeltaan todennäköistä. Laadun parantamiseksi objektien spektriominaisuuksiin (väri, heijastus, sävy) lisätään tietoa esineiden muodosta, tekstuurista, sijainnista ja suhteellisesta sijainnista.

Kohteiden konesegmentointia ja luokittelua varten on olemassa algoritmeja, jotka on kehitetty erilaisille luokittelusäännöille:

koulutuksella (valvottu luokitus);

ilman koulutusta (valvomaton luokitus).

Luokittelualgoritmi ilman koulutusta voi segmentoida kuvan melko nopeasti, mutta suurella määrällä virheitä. Ohjattu luokittelu edellyttää viitealueiden osoittamista, joilla on luokiteltavien kanssa samantyyppisiä kohteita. Tämä algoritmi vaatii paljon vaivaa tietokoneelta ja antaa tuloksen suuremmalla tarkkuudella.

3.1. Automaattinen salauksen purku envi 4.7.01:n avulla

Avaruuskuvien tulkinta- ja käsittelymenetelmien tutkimiseksi Landsat-8-satelliitista kuva purettiin Udmurtin tasavallan alueelle. Kuva saatu US Geological Survey -sivustolta. Iževskin kaupunki näkyy kuvassa selvästi, Iževskin lampi, Kamajoen virtaus Votkinskin kaupungista Sarapulin kaupunkiin luetaan myös vääristymättä. Kuvauspäivä: 15.5.2013 ja 10.5.2017. Vuoden 2013 kuvan peittoprosentti pilvillä on 45 % ja kuvan yläosa on vaikeasti tulkittavissa (tosin lähes koko kevät-kesätutkimusjakso sisältää runsaasti pilviä kuvassa). Siksi pääasiallinen tiedon analysointityö tapahtuu ajantasaisemmalla kuvalla.

Vuoden 2017 kuvan peittoprosentti pilvillä on 15 % ja kuvan oikea yläkulma ei sovellu käsittelyyn alueen pintaa peittävän pilviryhmän vuoksi.

Kuvassa käytettävä koordinaattijärjestelmä on UTM-Universal Transverse Mercator, joka perustuu WGS84-ellipsoidiin.

ENVI-ohjelmistopaketti (PC) on ohjelmistotuote, joka tarjoaa täyden syklin Maan kaukokartoituksen (ERS) optoelektronisten ja tutkatietojen käsittelyä sekä niiden integrointia paikkatietojärjestelmien (GIS) tietoihin.

ENVI:n etuja ovat myös intuitiivinen graafinen käyttöliittymä, jonka avulla aloitteleva käyttäjä hallitsee nopeasti kaikki tarvittavat tietojenkäsittelyalgoritmit. Loogisten pudotusvalikon kohteiden avulla on helppo löytää toiminto, jota tarvitaan tietojen analysoinnissa tai käsittelyssä. On mahdollista yksinkertaistaa, rakentaa uudelleen, venäläistää tai nimetä uudelleen ENVI-valikkokohtia tai lisätä uusia toimintoja. Versiossa 4.7 on toteutettu ENVI- ja ArcGIS-tuotteiden integrointi.

Kuvan valmistelemiseksi dekoodausprosessia varten on tarpeen käsitellä se ja hankkia itse spektrikuva analyysiä varten. Kuvan saamiseksi kuvasarjasta on välttämätöntä järjestää kaikki kanavat yhdeksi streamiksi/säilöksi käyttämällä ohjauspaneelin Layerstacking-komentoa (katso kuva 6). Kaikkien muunnosten jälkeen saamme monikanavaisen säiliön/kuvan, jonka kanssa voimme jatkaa työskentelyä: suodatus, sidonta, valvomaton luokittelu, dynamiikan havaitseminen, vektorointi. Kaikki kuvakanavat tuodaan samaan resoluutioon ja samaan projektioon. Lataa tämä komento valitsemalla: BasicTools>LayerStacking tai Map>LayerStacking .

Kuva 6. ENVI-ohjelmaliittymä - kanavien pinoaminen Layerstackingissa

Monispektristä kuvaa visualisoitaessa on valittava ENVI-ohjelmistopaketin valikosta seuraavat komennot: File>OpenExternalFile>QuickBird. Uudessa AvailableBandsList-ikkunassa (katso kuva 7) kuvan syntetisoimiseksi RGB-riveissä valitsemme punaisen, vihreän ja sinisen kanavan, vastaavasti - kanavien sarjan "4,3,2". Tuloksena saamme ihmissilmälle tutun kuvan (katso kuva 8.) ja ruudulle ilmestyy 3 uutta ikkunaa - Kuva, vieritys, zoomaus.

Kuva 7. AvailableBandsList -ikkuna

Kuva 8. Syntetisoitu kuva kuvasta, joka on otettu 15. toukokuuta 2013 - kanavien sarja "4,3,2".

Viime aikoina ENVI:n Landsat-8-kuvan suhteen kanavien sekvenssiä "3,2,1" käytetään useammin kuvan saamiseksi, joka on lähellä luonnollisia värejä. Vertaaksemme kahta sarjaa, suoritetaan suodatus (Kuva-ikkunassa on Suodatin-välilehti), jolloin molemmat tulokset näytetään näytöllä (katso kuva 9).

Kuva 9. Tilannekuvan suodattaminen järjestyksessä "3,2,1"

Tämän komennon ansiosta voit parantaa kuvan laatua: tässä tapauksessa pilvien läpinäkyvyys on lisääntynyt, pintojen (vesialueet, metsät, ihmisperäiset alueet) erottelun selkeät ääriviivat ovat ilmestyneet. Itse asiassa suodatin auttaa korjaamaan kuvan "kohinaa".

Hallitsematon luokitus suoritetaan pikselien jakamisesta luokkiin - samankaltaisilla kirkkausominaisuuksilla. ENVI:ssä on kaksi valvomatonta luokitusalgoritmia: K-means ja IsoData. K-means-komento on suuruusluokkaa monimutkaisempi: se vaatii tiettyjä taitoja kuva-asetusten ja tulostetulosten valinnassa. IsoData-komento on yksinkertaisempi ja vaatii vain järjestelmässä määritettyjen parametrien muuttamisen (katso kuva 10): pääpaneeli, Luokitus - Valvomaton - K-means/ IsoData-komento (katso kuva 11) .

Kuva 10. IsoData-asetusikkuna ENVI:ssä

Tuloksena olevassa esimerkissä valvomattomasta luokittelusta hallitsevat infrapuna- ja sininen kanavat, jotka tarjoavat yksityiskohtaista tietoa kuva-alueen vesiverkosta.

Kuva 11. Valvomaton luokitus

ENVI-kompleksin kautta on helppoa ja kätevää rekisteröidä kuva käyttämällä georeferoitua kuvaa, jonka jälkeen saatua kuvaa käytetään MapInfossa. Voit tehdä tämän valitsemalla päävalikosta Kartta>Rekisteröinti>Valitse GCP:t: Kuva karttaan. Tulos voidaan heti näyttää MapInfossa vertailua varten tallentamalla erityiseen muotoon (katso kuva 12).

Kuva 12. Kuvan geoviite käytettäväksi MapInfossa

Kuvan vektorointi ENVI:ssä tapahtuu samalla tietojoukolla kuin kuvan sidonta ENVI:stä MapInfossa vektorointikomennon kautta: sinun on määritettävä projektio, ellipsoidi, vyöhykkeen numero (katso kuva 13).

Valitun alueen muutosten dynamiikkaa seurataan usean ajallisen monivyöhykkeen kuvilla (vuosille 2013 ja 2017). Dynamiikkaa voidaan seurata kolmella tavalla:

vilkkuva menetelmä;

"sandwich"-menetelmä - kerrosten yhdistelmä MapInfossa;

käyttämällä muuta karttaa.

Kuva 13. Kuvan vektorointi

Vilkkuva menetelmä luo kaksi erilaista ikkunaa, joissa on 2 tilannekuvaa käyttämällä ikkunan NewDisplay-komentoa näytettävien tasojen valintaa varten. Molemmat kuvat linkitetään Kuva-ikkunan LinkDisplays-komennolla ja näet molemmat kuvat näytöllä, jotka liikkuvat samalla tavalla eri ajankohtina ja näyttävät saman alueen (katso kuva 14). Tietokoneen hiiren napsautuksella kuvien näytöt vaihtavat paikkoja - vilkkuvat, jolloin voit havaita muutokset (dynamiikka).

Kuva 14. Dynaaminen tunnistus - vilkkuva menetelmä

"Sandwich"-menetelmä koostuu molempien kuvien samanaikaisesta yhdistelmästä, jotka on tallennettu aiemmin Jpeg2000/.jp2-muotoon käyttämällä Tiedosto - Tallenna kuvat -komentoa. Vaihtoehtoisesti molemmat kuvat on avattava Mapinfossa yhdessä projektiossa (Universal Transverse Mercator). Vertailun helpottamiseksi ylemmän kerroksen/kuvan läpinäkyvyys muutetaan 50 %:iin ja suoritetaan visuaalinen muutosten haku, jonka jälkeen jaetaan dynamiikka-alueet (katso kuva 15).

Jos 2 vastaanotettua kuvaa on georeferoitu, erotettu kerroksilla ja geotiff/tiff-muodossa, on olemassa nykyaikainen varsinainen menetelmä - vaihda kartta. Molemmissa kuvissa on valittava samantyyppinen taso, esimerkiksi kolmas - vihreä. Muutosten tuloksena saadaan kartta, jossa on paljon kohinaa ja vaatii suodattimen säätöjä.

Kuva 15. Paljastava dynamiikka - "voileipä" tapa

Jos vertaamme kaikkia kolmea menetelmää, työn tekijä on vaikuttunut enemmän "sandwich"-menetelmästä, koska Räpytysmenetelmä kuormittaa voimakkaasti näköä ja aiheuttaa ennenaikaista fysiologista silmien väsymistä. Muutoskartan luominen ei aina ole tehokasta, koska. Melua ei voida poistaa kokonaan.

Esimerkiksi ilmakameralla otetuille kuville, joiden polttoväli on / = 70 mm, C = 250 = 3,5. Siten,

lyhyttarkenteisilla ilmakameroilla otettujen valokuvien stereoskooppisessa katselussa maasto koetaan liioitelluksi, mikä helpottaa sen eri mikromuotojen tutkimista. Tässä tapauksessa on pidettävä mielessä, että tällaisten kuvien stereoskooppisella havainnolla rinteet näyttävät paljon jyrkemmiltä kuin ne todellisuudessa ovat.

Visuaalisessa tulkinnassa on hyödyllistä kiikarin näön ominaisuuksia käyttäen tarkkailla stereoskooppisten kuvaparien lisäksi myös kuvista koostuvia pareja. eri väriä(binokulaarinen värisekoitus), mustavalkoinen ja värillinen, terävät (kiiltävät) ja pehmeät (matta) laukaukset jne.

3.1.3. Kuvien visuaalisen tulkinnan tyypit ja menetelmät

Visuaalisen tulkinnan aikana esiintyjä tunnistaa esineitä ilmailukuvassa, määrittää niiden laadun ja osan määrälliset ominaisuudet, paljastaa esineiden, ilmiöiden ja prosessien väliset suhteet sekä kiinnittää tulkinnan tulokset graafiseen muotoon.

Tärkeä metodologinen lähestymistapa maantieteellisessä tulkinnassa on kehitysvaiheessa olevien ja niiden ympäristöön läheisessä yhteydessä olevien objektien analysointi. Dekoodaus suoritetaan periaatteen mukaisesti yleisestä erityiseen. Ilmailukuva maantieteilijälle on ennen kaikkea informaatiomalli tutkittavasta alueesta kokonaisuutena hahmotettuna. Kohdistetussa dekoodauksessa esiintyjä kuitenkin kohtaa yleensä sekä kuvassa olevan ylimääräisen (ylimääräisen) informaation että tarpeellisen tiedon puutteen. Jälleen kerran on syytä korostaa, että ilmailukuvien tulkinta vaatii tiettyjä tietoja ja taitoja. Mitä syvemmälle ammatillista tietämystä Mitä tarkempi, täydellisempi ja luotettavampi on kuvasta poimittu tieto. Taiteeseen rajautuvan älyllisen toiminnan, visuaalisen dekoodauksen tulokset riippuvat merkittävästi paitsi kuvien ominaisuuksista, myös dekooderin kokemuksesta, eruditiosta, ymmärryskyvystä ja usein myös intuitiosta.

Dekoodauksen tekniset kaaviot. Kuvien tulkinta, niin tutkimus kuin tuotanto, tehdään aina määrätietoisesti. Maantieteilijät tutkivat kuvien avulla eri tasoisia geojärjestelmiä, niiden komponentteja sekä yksittäisiä esineitä.

sinä, ilmiöt ja prosessit, suorittaen maisema-, geomorfologisia, hydrologisia, glaciologisia ja muunlaisia ​​tulkintoja.

Tulkkaustyön tekniikka ja organisointi riippuvat merkittävästi sen tehtävistä, alueesta, mittakaavasta ja kuvien tyypistä (valokuva tai skanneri, lämpö, ​​tutka jne.), yksittäisten kuvien tai niiden sarjojen käytöstä (monivyöhyke, moni- ajallinen). Salauksen purkamiseen on olemassa erilaisia ​​organisatorisia ja teknisiä järjestelmiä, mutta ne kaikki sisältävät seuraavat vaiheet:

2) salauksenpurkuobjektien joukon tunnistaminen (alustavan selitteen valmistelu tulevaa salauksenpurkusuunnitelmaa tai karttaa varten);

3) kuvien valinta tulkintaan, kuvien muuntaminen ilmaisukyvyn lisäämiseksi, instrumenttien valmistelu ja aids salauksen purku. On pidettävä mielessä, että kuvat, jotka ovat optimaaliset yhden ongelman ratkaisemiseen, eivät välttämättä ole tehokkaita toiselle;

4) ilmailu- ja avaruuskuvien oikea tulkinta ja niiden luotettavuuden arviointi;

5) dekoodauksen tulosten rekisteröinti.

Minkä tahansa työn keskeinen kohta on ilmailukuvien varsinainen tulkinta. Temaattinen tulkinta voidaan suorittaa kahden pääasiallisen loogisen kaavion mukaisesti. Ensimmäinen malli mahdollistaa ensin objektien tunnistamisen ja sitten niiden graafisen valinnan; toinen järjestelmä - ensin graafinen valinta kuvassa alueista, joilla on samantyyppinen kuva, ja sitten niiden tunnistus. Molemmat kaavat päättyvät tulkintavaiheeseen, purkamisen tulosten tieteelliseen tulkintaan. Kuvien, erityisesti avaruuskuvien, kanssa työskennellessä dekooderi käyttää laajasti lisämateriaalia, yleensä kartografiaa, jonka tarkoituksena on tarkentaa salakirjoitusominaisuuksia ja arvioida purkutuloksia.

Ensimmäinen järjestelmä osoittautuu universaaliksi useimpien ongelmien ratkaisemiseksi; se on saanut laajaa tunnustusta visuaalisen tulkinnan käytännössä. Toinen menetelmä on erittäin tehokas suhteellisen yksinkertaisten kohteiden tulkinnassa kirkkausominaisuuksien perusteella, mutta sillä on rajoitettu sovellus. Molemmat tietokonetulkinnan skeemat toteutetaan luokittelutekniikoissa koulutuksella ja ilman.

salauksen purkumerkkejä. Ilmailu-avaruuskuvassa esineet eroavat toisistaan ​​useiden salauksen purkamis- (paljastus) ominaisuuksien osalta. Tunnista tärkeimmät ominaisuudet

on tapana jakaa suoriin (yksinkertainen ja monimutkainen) ja epäsuoraan (väri mukaan lukien I, 5). Suorat yksinkertaiset tulkintaominaisuudet ovat kuvan ja varjon muoto, koko, sävy (väri) ja monimutkainen (monimutkainen) ominaisuus, joka yhdistää yllä olevat ominaisuudet, on kuvan kuvio. Epäsuorat merkit perustuvat esineiden välisiin suhteisiin, mahdollisuuteen tunnistaa kohteet, jotka eivät näy kuvassa muilla hyvin kuvatuilla esineillä. Epäsuorat merkit ovat myös kohteen sijainti, maantieteellinen läheisyys, jäljet ​​kohteen vaikutuksesta ympäristöön.

Jokaisella esineellä on omat ominaisuutensa, jotka ilmenevät suorina ja epäsuorina purkamisominaisuuksina, jotka eivät yleensä ole vakioita, vaan riippuvat vuodenajasta, mittauksen ajasta ja spektrialueista, kuvan mittakaavasta jne. Näillä ominaisuuksilla on omat ominaisuutensa lämpö- ja tutkakuvissa. Joten kuvan sävy kuvissa näkyvällä alueella riippuu kohteiden kirkkaudesta, lämpöinfrapunassa - niiden lämpötilasta ja radioalueella - pinnan karheudesta, kosteuspitoisuudesta ja pinnan geometriasta. valaistus radiosäteen avulla. Lämpö-infrapunakuvissa ei ole sellaista salausominaisuutta kuin varjo, ja tutkakuvissa tasaisten alueiden kuvarakenteen käyttöä vaikeuttaa pilkkukohina. Erikoisolosuhteista riippuen tulkintamerkkien suhteellinen merkitys ja itse merkit muuttuvat. Aloitteleva esiintyjä työskentelee enemmän suorien merkkien salauksen avulla; epäsuorien merkkien taitava käyttö on todiste dekooderin korkeasta pätevyydestä.

Suorassa (välittömässä) tulkinnassa käytetään suoria merkkejä. Esittelemme niiden ominaisuudet näkyvän alueen kuville.

Muoto on tehokas suora merkki visuaalisessa tulkinnassa. Juuri ääriviivan muotoon sisältyy suurin osa objektia koskevasta tiedosta. Ihmistoiminnan esineillä on geometrisesti oikea, vakiomuotoinen - maatalouspellot erottuvat suorakaiteen muotoiselta (väri sis. I, 5, a), lentokentät tunnistetaan leikkaamalla raidat. Kolmiulotteisen muodon avulla voit tunnistaa esineet stereoskooppisesti.

Koko on ominaisuus, jota käytetään pääasiassa suuren mittakaavan kuvien käsittelyssä. Eri toiminnalliset rakennukset erotellaan koon (sis. I, 5, b) mukaan, vilja- ja rehuviljelypellot on erotettu toisistaan. Koon estimointi tulkintaprosessissa tehdään yleensä visuaalisella vertailulla tunnetun kohteen kokoon. Sekä absoluuttisilla mitoilla että niiden suhteilla on merkitystä.

Kuvan sävy (mustuusaste), joka määräytyy kohteen kirkkauden ja kuvan spektrialueen mukaan, auttaa erottamaan

päätyypit: lumi, avoin maa, kasvillisuus. Kohta auringon häikäisy kuvassa viittaa usein vesistöihin. Ääni ei kuitenkaan ole vakaa ominaisuus. Jopa samalla valaistuksella sama kohde voi ilmestyä sisään eri osat kuvan eri sävyllä ja päinvastoin. Sävyjen suhde on paljon vakaampi - sävykontrastit. Monivyöhykekuvassa saman kohteen sävy vyöhykekuvien sarjassa on erilainen. Korreloimalla spektrin kirkkauskäyrän kanssa se muuttuu monimutkaiseksi suoramerkiksi - kohteen spektrikuvaksi.

Väri on informatiivisempi ja luotettavampi ominaisuus kuin mustavalkoisen kuvan sävy. Vesikohteet, metsät, niityt, kynnetyt pellot erottuvat hyvin värin perusteella (väri sis. I, 5, c). Erottele erilaisia ​​kasvillisuustyyppejä käyttämällä tarkoituksellisesti vääristyneitä värejä sisältäviä kuvia, kiviä jne.

Varjon voidaan katsoa johtuvan sekä suorista että epäsuorista tulkintaominaisuuksista. Valokuva- ja skannerikuvissa se on jaettu oikeaan ja sattumanvaraiseen. Yksityiskohtaisten valokuvien varjo heijastaa kuvatun kohteen siluettia ja mahdollistaa sen korkeuden arvioimisen (väri sis. I, 5, d). Koska varjon suhteellinen kontrasti on aina paljon suurempi kuin itse esineellä, usein vain putoava varjo mahdollistaa pienten, mutta korkeiden kohteiden, kuten tehtaan savupiippujen, havaitsemisen. Vuoristoisilla alueilla syvät varjot vaikeuttavat tulkintaa. Varjot vaikuttavat merkittävästi kuvan piirtämiseen.

Kuva piirustus - vakaa monimutkainen salausominaisuus, joka tarjoaa erehtymättömän tunnistamisen paitsi sellaisille kohteille kuin maatalouspellot, siirtokunnat, mutta myös eri tyyppejä geosysteemit. Ilmailu- ja avaruuskuvamalleille on olemassa useita luokituksia, joissa ne on jaettu alaryhmiin käyttämällä termejä, joissa on yksi tai kaksi adjektiivia: rakeinen, mosaiikki, radiaalinen suihku jne. Jokaiselle luonnonalueelliselle kompleksille on ominaista kuvan tietty kuvio, joka heijastaa sen morfologista rakennetta (väri sis. I, 6). Kuvassa kuvilla erotetaan tekstuuri - kuvion muodostavien elementtien muoto ja rakenne - tekstuurin elementtien tilajärjestely. Joskus kuvan kuviolle on ominaista kvantitatiiviset indikaattorit, jotka toimivat morfometrisen tulkinnan perustana.

Tietokonetulkinnassa digitaalisen kuvan tekstuurilla tarkoitetaan yleensä pikselien kirkkausarvojen tilallista vaihtelua, joka osittain yhdistää visuaalisessa tulkinnassa yleensä erottuvien tekstuuri- ja rakennekäsitteiden sisällön.

Morfometrinen tulkinta. Kohteiden salausattribuutti - muoto - määritetään yleensä purkamisen aikana

visuaalisesti, mutta tarkempi kohteiden erottelu muodon mukaan on mahdollista sen mittojen perusteella. Yksittäisten esineiden muodon lisäksi määritetään esineiden muodon kvantitatiiviset tilastolliset ominaisuudet. massajakaumaa ja niiden leviäminen - ne voivat toimia myös merkkeinä tiettyä tyyppiä esineitä.

Esineiden tunnistamista ja tutkimista, jotka perustuvat niiden muotoa, kokoa, alueellisen jakautumisen piirteitä, kuvakuviota - sen tekstuuria ja rakennetta kuvaavien kvantitatiivisten indikaattoreiden määrittämiseen, kutsutaan nimellä morfometrinen salauksen purku. Morfometristen parametrien määritysmenetelmät, joiden lukumäärä eri tutkimusalueilla mitataan kymmeniä, vaihtelevat yksinkertaisista visuaalisista ja instrumentaalisista mittauksista kuvien tietokonekäsittelyyn.

Morfometristä tulkintaa käytetään työskennellessäsi laajamittaisten kuvien kanssa - laajamittaisista ilmakuvista satelliittimittauskuviin. Sitä käytetään erilaisissa temaattisia alueita tutkimusta. Esimerkiksi metsäinventoinnissa yksi tärkeimmistä istutusarvioinnin tehtävistä - metsien bonitetin (eli niiden laadun, puuvarantojen) määrittäminen - ratkaistaan ​​epäsuorasti latvushalkaisijan ja latvustiheyden analyysin perusteella laajamittaisella ilmalla. valokuvat; näiden ominaisuuksien tilastolliset indikaattorit saadaan mittaamalla profiileja stereofotogrammetrisilla laitteilla.

Toinen geologisissa ja geomorfologisissa tutkimuksissa käytetty kuvien morfometrisen analyysin tyyppi on vikatektonisten elementtien (pituus, suunta, lineamenttien tiheys) jakautumisen analyysi. Lineamenttien purkamisen tuloksista saadut kaaviot niiden jakautumisesta toimivat perustana tunnistaa eri kellarirakenteisia alueita, joilla on erilaiset mahdollisuudet etsiä mineraaliesiintymiä. Tällaiseen kuvien analysointiin sitä käytetään laajalti ohjelmisto tietokoneen käsittely. sulje tehtävä- alueen kaavoitus eroosion dissektion voimakkuuden mukaan, esimerkiksi rotko-loistoverkoston tiheyden mukaan. Eristäminen kuvista alueista, joilla on eri tiheys ja dissektion syvyys, kaltevuuskulmat ja rinteiden valotus stereomalliin ja kuvista luotuun digitaaliseen malliin perustuvat nyt myös tietokoneohjelmat. Maisematutkimuksissa käytetyn kuvakuvion morfometrinen tulkinta on vaikeampaa, koska kuvion ominaisuuksia on vaikeampi formalisoida ja kvantifioida. Siitä huolimatta maisemapiirustusten kvantitatiivisia ominaisuuksia tutkitaan, jotta niiden pohjalta voidaan kehittää algoritmeja maiseman morfometriseen tietokonetulkintaan.

Ohjeellinen dekoodaus. Toisin kuin suora epäsuora dekoodaus, joka perustuu objektiivisesti luonnossa esiintyvien esineiden ja ilmiöiden keskinäiseen yhteyteen ja keskinäiseen riippuvuuteen, dekooderi ei määritä itse kohdetta, joka ei ehkä ole kuvassa, vaan sen osoittimen, indikaattori. Kasvipeitettä sekä topografiaa ja hydrografiaa käytetään useimmiten indikaattorina. Epäsuorat merkit alla maisema tulkintamenetelmä, joka perustuu monenvälisiin yhteyksiin maiseman yksittäisten komponenttien, purettavan kohteen ja kaiken välillä luonnollinen kompleksi. Yleensä kun kuvien mittakaava pienenee, epäsuorien tulkintaominaisuuksien rooli kasvaa.

tsv:ssä. sis. I, 5 ovat esimerkkejä objekteista, jotka on tulkittu epäsuorien merkkien avulla. Maaperän liotukset pelloilla osoittavat vajoamisen kehittymistä ja pohjaveden tiivistä tasoa. Jäätikön pintamoreenien silmukat ja laskokset osoittavat, että tämä jäätikkö on sykkivä ja sen odotetaan liikkuvan.

Indikaattorien avulla tapahtuvaa epäsuoraa tulkintaa kutsutaan indikaattorien tulkitsemiseksi, jossa havaitaan maiseman "fysiognomisten" komponenttien perusteella tunnistetaan komponentteja tai prosesseja, jotka ovat vähemmän havainnoitavissa. Sellaisen purkamisen maantieteellinen perusta on indikaattoriopetus (indikatiivinen maisematiede). Suuntaava tulkinta on erityisen tärkeä rooli työskennellessään satelliittikuvien kanssa, kun suorat piirteet menettävät merkityksensä kuvan voimakkaan yleistymisen vuoksi. Tasaisten alueiden satelliittikuvissa näkyy ensisijaisesti ulompi kasvipeite. maanpinta, jonka vuoksi mikroreljeef ilmestyy; kasvillisuutta voidaan käyttää myös maaperän ja maaperän arvioimiseen. Indikatiivisen purkamisen aikana ne muodostavat ns indikaattoritaulukot, jossa jokaiselle indikaattorityypille tai tilalle ilmoitetaan sitä vastaava näytetyn kohteen tyyppi. Tällainen tekniikka on kehitetty erityisen huolellisesti hydrogeologista tulkintaa varten, kun kasvillisuuden jakautumisen perusteella voidaan määrittää pohjaveden esiintymisen lisäksi myös esiintymisen syvyys ja mineralisaatio.

Indikaattorina voivat toimia objektit, joiden yhteydet tutkittavaan ilmiöön eivät ole ilmeisiä ensi silmäyksellä. Siten havaittiin toistuvasti kumpupilvien lineaaristen harjujen muodostumista suurten tektonisten vaurioiden päälle. Geofysikaaliset kenttätutkimukset ovat osoittaneet, että tällaisten vaurioiden varrella nousee ylimääräisiä lämpövirtoja, mikä selittää pilvien muodostumisen, jotka voivat siten toimia vikojen indikaattorina.

Indikaatiodekoodauksella siirtyminen tilaominaisuuksista ajallisiin on mahdollista. Tunnustuksen perusteella tila-ajallinen Riveillä indikaatiomerkeillä voidaan määrittää prosessin suhteellinen ikä tai sen kehitysvaihe. Useita muotoja alasov päällä

Riisi. 3.9. Liikkeiden merkkiaineet:

a - mediaanimoreenit jäätikön pinnalla; b - hiekkaiset harjut autiomaassa, pitkänomaiset vallitsevien tuulien suuntaan; c - joen mereen kuljettamat eri sameusvesivirrat d - kasviplanktoni merenpinnalla, visuaalinen

lyysaava sienivirta

satelliittikuvat ikiroutavyöhykkeellä, niiden suhde termokarstijärviin osoittavat ikiroutatermokarstiprosessien kehitysvaiheet, mikä mahdollistaa nuoren, kypsän, rappeutuneen termokarstireljefin erottamisen.

Vesimassojen liikkeen osoittimet valtameressä, pintatuulet, jäätiköiden jää ovat usein massakohteita (jäljitteitä), jotka yhdessä havainnollistavat liikkeen suuntaa ja luonnetta (kuva 3.9). Heidän roolinsa voidaan esittää rikki jäätä, suspensiot, kasviplanktoni, joka seuraa vesien liikettä meressä, mediaanimoreenit, halkeamia tai kerrostumista vuoristojäätikön pinnalla. Vesien liikkeen havainnollistavat hyvin vedenpinnan lämpötilakontrastit - lämpöinfrapunakuvista paljastuu Maailmanmeren pyörrerakenne. Eoliset hiekkamassiivit ja sastrugit jäätiköiden lumisella pinnalla osoittavat pintatuulen virtausten hallitsevan suunnan. Ei vain suunta paljastuu, vaan myös joitain liikkeen määrällisiä ominaisuuksia, sen nopeutta. Esimerkiksi jääputouksen alla näkyvät, jään mukana alas liikkuvat vuoristojäätikön ogivien kaaret ulottuvat jäätikön akselia pitkin, mikä osoittaa suurempaa nopeutta keskiosassa verrattuna jään liikkeen nopeuteen sivuilla. jäätikkö, mikä osoittaa laminaarista eikä lohkotyyppistä jään liikettä.

Monivyöhykkeiden kuvien dekoodaus. Usean vyöhykkeen ilmailukuva koostuu yleensä 4-6 suhteellisen kapeilla spektrialueilla saatuja kuvia. Tämän tyyppiset kuvat voivat sisältää myös tutkakuvia, jotka saadaan sekä rekisteröitäessä eripituisia heijastuneita radioaaltoja että niiden eri polarisaatioilla. Vyöhykekuvasarjan kanssa työskentely on monimutkaisempaa kuin yksittäisen kuvan kanssa, ja usean vyöhykkeen kuvien tulkinta vaatii erityisten metodologisten lähestymistapojen käyttöä. Monipuolisin lähestymistapavärikuvan synteesi,mukaan lukien värisynteesivaihtoehdon valinta, joka on optimaalinen tietyn purkuongelman ratkaisemiseen. Lisätuloksia voidaan saada myös työskentelemällä akromaattisten sarjan kanssa(mustavalkoinen) vyöhykkeen kuvat. Tässä tapauksessa käytetään kahta päämenetelmää -vertaileva ja peräkkäinen salauksen purku.

Vertaileva tulkinta vyöhykekuvien sarja perustuu kuvassa esitettyjen kohteiden spektrikuvien käyttöön. Valokuvassa olevan kohteen spektrikuva määräytyy visuaalisesti sen kuvan sävyn perusteella vyöhykesarjassa. mustavalkoinen kuvat; sävyä arvioidaan standardoidulla asteikolla optisen tiheyden yksiköissä. Saatujen tietojen perusteella muodostetaan spektrikuvakäyrä (kuva 3.10), joka heijastaa kuvan optisen tiheyden muutosta

Riisi. 3.10. Pääasiallisten metsää muodostavien lajien ja muiden esineiden spektrikuvan käyrät, jotka on saatu sarjasta vyöhykekuvien MKF-6 / Sojuz-22 valokuvatulosteita (pystysuorat viivat kaavioissa

vastaavat kuvausalueita):

1 - hiekka; 2 - niityt (alases); 3 - mänty; 4 - lehtikuusi; 5 - koivu, paju,

poppeli; 6 - kuusi; 7 - tuhka; 8 - vesi

kuvia eri spektrialueilla. Tässä tapauksessa ordinaatta-akselille piirrettyjen tulosteiden D optisen tiheyden arvot, toisin kuin hyväksytty, pienenevät ylöspäin akselia pitkin siten, että spektrikuvakäyrä vastaa spektrin kirkkauskäyrää. Jotkut kaupalliset ohjelmat tarjoavat automaattisen spektrikuvien piirtämisen digitaalisista kuvista. Monivyöhykkeiden kuvien vertailevan tulkinnan looginen kaavio sisältää seuraavat vaiheet: kohteen spektrikuvan määrittäminen kuvista - vertailu tunnettuun spektriheijastavuuteen - kohteen tunnistaminen.

Kun ääriviivoja tulkitaan koko kuvan alueella, spektrikuvaa käytetään menestyksekkäästi myös purettavien kohteiden jakautumisen rajojen määrittämiseen, mikä suoritetaan vertailevan purkamisen menetelmillä. Selitetään ne. Jokaisessa vyöhykekuvassa tietyt objektijoukot on erotettu kuvan sävyillä, ja nämä sarjat ovat erilaisia ​​eri vyöhykkeiden kuvissa. Esimerkiksi siinä, joka on esitetty kuvassa. 3.11 esimerkki kuvassa punaisella alueella (K), mänty, kuusimetsät ja palaneet alueet sekä lähi-infrapuna (IR) - kuusimetsät ja palaneet alueet. Ottelu-! Vyöhykekuvien jako mahdollistaa näiden aggregaattien erottamisen ja yksittäisten kohteiden, tässä tapauksessa mäntymetsien, erottamisen. Tällainen vertailu voidaan toteuttaa yhdistämällä ("vähentämällä") vyöhykekuvien purkamiskaavioita / joissa kussakin tunnistetaan erilaisia ​​esinejoukkoja / tai saamalla differentiaalikuvia vyöhykekuvista. Vyöhykekuvien vähentämisen toimintosarja tai niiden dekoodausmallit voidaan kirjoittaa dekoodauskaavojen muodossa (katso kuva 3.11). Vertaileva tulkinta soveltuu parhaiten kasviobjektien, ensisijaisesti metsien ja viljelykasvien, tutkimiseen.

K - IR tai IR - K

Lehtikuusimetsät (L) mäntymetsät(KANSSA)

Kuusimetsat ja palaneet alueet (F + D) Alasy

L \u003d (L + C) ik - C \u003d (L + C) ik - [(C + E + G) k - (E + G) "]

Riisi. 3.11. Vertaileva tulkinta monivyöhykkeisistä kuvista MKF-6 / Sojuz-22 keskimmäisen taiga-vyöhykkeen metsien lajikoostumuksen erottamiseksi (Keski-Jakutin tasango, Vilyuy-joen keskijuoksu)

Jaksottainen salauksen purku perustuu siihen, että eri kohteet esitetään optimaalisesti kuvissa eri spektrialueilla. Esimerkiksi valokuvissa matalasta vedestä johtuen säteiden erilaisesta tunkeutumisesta eri spektrialueilta (K, O, 3) vesiympäristö löytää kartoitusobjekteja, jotka sijaitsevat eri syvyys, ja usean vyöhykkeen kuvien sarjan tulkinta mahdollistaa monisyvyysanalyysin suorittamisen (kuva 3.12).

Riisi. 3.12. Monivyöhykkeiden kuvien peräkkäinen tulkinta

IFF-v / Soyuz-22 eri syvyyksiin

pohjan kohokuvioiden analyysi Kaspianmeren matalassa koillisosassa:

1 - vedenalaisten harjojen harjat; 2 - rinteiden yläosat; 3 - rinteiden alaosat; 4 - litistetty intercree-

nye-masennus; 5 - väliset ontelot

Monivyöhykkeiden kuvien peräkkäisessä tulkinnassa hyödynnetään myös sitä tosiasiaa, että kasvillisuuden tummat ääriviivat punaisella vyöhykkeellä vaaleampaa taustaa vasten, sen kuvan kirkkauden lisääntymisen vuoksi lähi-infrapunavyöhykkeellä, näyttävät "kadonneen" ” kuvasta häiritsemättä tektonisen rakenteen ja kohokuvion suurten piirteiden havaitsemista. Tämä avaa mahdollisuuden esimerkiksi geomorfologisissa tutkimuksissa tulkita eri syntyperäisiä maamuotoja eri vyöhykekuvista - endogeenisiä lähi-infrapunavyöhykkeen kuvista ja eksogeenisiä - punaisista. Sekvenssidekoodaus tarjoaa teknisesti suhteellisen yksinkertaisia ​​tulosten vaiheittaisen summauksen operaatioita.

Moniaikaisten kuvien salaus. Moniaikaiset kuvat tarjoavat kvalitatiivista tutkimusta tutkittavien kohteiden muutoksista ja kohteiden epäsuoraa tulkintaa niiden dynaamisten ominaisuuksien perusteella.

Dynaamiikan tutkimus. Dynaamisen tiedon poimimiseen kuvista kuuluu muutosten tunnistaminen, niiden graafinen esittäminen ja mielekäs tulkinta. Moniaikakuvien muutosten tunnistamiseksi niitä on verrattava toisiinsa, mikä suoritetaan vaihtoehtoisella (erillisellä) tai samanaikaisella (yhteisellä) havainnolla. Teknisesti moniajallisten kuvien visuaalinen vertailu suoritetaan yksinkertaisimmin tarkkailemalla niitä yksitellen. Hyvin vanha "vilkkumismenetelmä" (flicker-method) mahdollistaa esimerkiksi yksinkertaisesti uuden ilmaantuneen erillisen kohteen havaitsemisen tutkimalla nopeasti kahta kuvaa eri aikoina vuorotellen. Muuttuvan kohteen otosten sarjasta voidaan koota havainnollinen elokuva. Joten jos geostationaarisista satelliiteista samassa kulmassa 0,5 tunnissa vastaanotetut Maan kuvat liitetään "soivat" -filmiin tai animaatiotiedostoon, on mahdollista toistaa toistuvasti pilvien päivittäinen kehitys näytöllä.

Pienten muutosten havaitsemiseksi osoittautuu tehokkaammaksi, ei vuorotellen, vaan useiden ajallisten kuvien yhteinen havainnointi, johon käytetään erityisiä tekniikoita: kuvien yhdistäminen (monokulaarinen ja binokulaarinen); erotus- tai summakuvan syntetisointi (yleensä värillinen); stereoskooppisia havaintoja.

Monokulaarisessa havainnoissa samaan mittakaavaan ja projektioon pienennetyt ja läpinäkyvälle pohjalle tehdyt kuvat asetetaan päällekkäin ja katsotaan valon läpi. Kuvien tietokonetulkinnassa kuvien yhteistä katselua varten on suositeltavaa käyttää ohjelmia, jotka tarjoavat yhdistettyjen kuvien havainnoinnin

yhden kuvan läpikuultavat tai "paljastavat" alueet toisen taustaa vasten.

Binokulaarinen havainnointi, kun kutakin kahta eri aikaan otettua kuvaa tarkastellaan yhdellä silmällä, on kätevintä tehdä stereoskoopilla, jossa havainnointikanavilla on itsenäinen kuvan suurennus ja kirkkaussäätö. Kiikarit ovat hyviä havaitsemaan muutoksia kirkkaissa kohteissa suhteellisen tasaista taustaa vasten, kuten muutoksia joen suunnassa.

Moniaikaisista mustavalkokuvista on mahdollista saada syntetisoitu värillinen kuva. Totta, kuten kokemus osoittaa, tällaisen värikuvan tulkinta on vaikeaa. Tämä tekniikka on tehokas vain, kun tutkitaan rakenteeltaan yksinkertaisten ja terävien rajojen omaavien objektien dynamiikkaa.

Liikkeestä, esineiden liikkeestä johtuvia muutoksia tutkittaessa parhaat tulokset antavat stereoskooppinen havainto multi-temporaaliset kuvat (pseudo-stereoefekti). Täällä voit arvioida liikkeen luonnetta, havaita stereoskooppisesti liikkuvan kohteen rajoja, esimerkiksi aktiivisen maanvyörymän rajat vuoren rinteellä.

Toisin kuin moniajallisten kuvien peräkkäiset yhteishavainnointimenetelmät, ne vaativat alustavia korjauksia - niiden saattamista samaan mittakaavaan, muunnoksia, ja nämä menettelyt ovat usein monimutkaisempia ja aikaa vievämpiä kuin itse muutosten määrittely.

Dekoodaus dynaamisilla ominaisuuksilla. Maantieteellisten kohteiden ajallisten muutosten kuviot, joille on ominaista tilojen muutos ajan myötä, voivat toimia niiden salausominaisuuksina, joita, kuten jo todettiin, kutsutaan kohteen väliaikaiseksi kuvaksi. Esimerkiksi eri vuorokaudenaikoina otetut lämpökuvat mahdollistavat kohteiden tunnistamisen, joilla on tietty päivittäinen lämpötilavaihtelu. Työskennellessäsi useiden ajallisten kuvien kanssa käytetään samoja tekniikoita kuin monivyöhykkeiden kuvien tulkinnassa. Ne perustuvat peräkkäiseen ja vertailevaan analyysiin ja synteesiin, ja ne ovat yleisiä minkä tahansa kuvasarjan kanssa työskentelyssä.

Kenttä- ja kameratulkinta. Kentällä Salauksen purkamisessa esineiden tunnistaminen tapahtuu suoraan maassa vertaamalla luontoismuotoista esinettä sen valokuvassa olevaan kuvaan. Dekoodauksen tulokset lisätään kuvaan tai siihen liitettyyn läpinäkyvään peittokuvaan. Tämä on luotettavin salauksen purkutyyppi, mutta myös kallein. Kenttätulkinta voidaan suorittaa paitsi valokuvatulosteille, myös kuvaruutukuville (digitaalisille) kuville. Jälkimmäisessä tapauksessa käytetään yleensä kenttämikrotietokonetta, jossa on herkkä näyttö. haava-tabletti, sekä erikoisohjelmistoja

ei. Dekoodauksen tulokset merkitään kenttään näytöllä tietokonekynällä, kiinnitetään joukolla tavanomaisia ​​symboleita ja tallennetaan teksti- tai taulukkomuodossa mikrotietokoneen muistin useisiin kerroksiin. On mahdollista syöttää lisää äänitietoja salauksenpurkuobjektista. Kenttätulkinnan aikana on usein tarpeen laittaa puuttuvia kohteita kuviin. Lisäammunta suoritetaan silmällä tai instrumentaalisella menetelmällä. Tätä varten käytetäänia, joiden avulla voidaan määrittää kentällä kuvasta puuttuvien kohteiden koordinaatit lähes kaikilla vaaditulla tarkkuudella. Kun kuvia puretaan mittakaavassa 1:25 000 tai pienemmässä mittakaavassa, on kätevää käyttää mikrotietokoneeseen kytkettyjä kannettavia satelliittivastaanottimia yhdeksi dekooderikenttäsarjaksi.

Eräs kenttätulkintatyyppi sisältää aerovisuaalisen tulkinnan, joka on tehokkainta tundralla, autiomaassa. Helikopterin tai kevyen lentokoneen lennon korkeus ja nopeus valitaan kuvien mittakaavan mukaan: ne ovat mitä suurempia, sitä pienempi mittakaava. Aerovisuaalinen tulkinta on tehokasta työskenneltäessä satelliittikuvien kanssa. Sen toteuttaminen ei kuitenkaan ole helppoa - esiintyjän tulee pystyä nopeasti navigoimaan ja tunnistamaan esineitä.

Kameraalisessa dekoodauksessa, joka on pääasiallinen ja yleisin dekoodaustyyppi, kohde tunnistetaan suorilla ja epäsuoralla purkamisominaisuuksilla menemättä kentälle ja vertaamalla kuvaa suoraan kohteeseen. Käytännössä molemmat salauksenpurkutyypit yhdistetään yleensä. Niiden rationaalinen yhdistelmä mahdollistaa ilmailukuvien alustavan kamerallisen, valikoivan kentän ja lopullisen kamerallisen tulkinnan. Kentän ja kameran tulkinnan suhde riippuu myös kuvien mittakaavasta. Suuren mittakaavan ilmakuvat tulkitaan pääasiassa kentällä. Kun työskennellään laajoja alueita kattavien satelliittikuvien kanssa, kameratulkinnan rooli kasvaa. Maakenttätiedot avaruuskuvien kanssa työskennellessä korvataan usein kartografisilla tiedoilla, jotka on saatu kartoista - topografisista, geologisista, maaperän, geobotanisista jne.

Viitedekoodaus. Kameran tulkinta perustuu käyttöön salauksen purkustandardit luotu kentällä tietylle alueelle tyypillisille avainalueille. Siten purkamisstandardit ovat kuvia tyypillisistä alueista, joihin on painettu tyypillisten kohteiden purkamisen tulokset, joihin liittyy salakirjoitusominaisuuksien ominaisuus. Lisäksi standardeja käytetään kamerallisessa dekoodauksessa, joka suoritetaan geo-

graafinen interpolointi ja ekstrapolointi, ts. levittämällä tunnistetut dekoodausominaisuudet standardien välisille alueille ja sen ulkopuolelle. Standardien avulla tapahtuva kameratulkinta kehitettiin vaikeapääsyisten alueiden topografisessa kartoituksessa, kun useissa organisaatioissa luotiin standardien valokuvakirjastoja. Maamme kartografinen palvelu julkaisi albumeja erilaisten esineiden tulkintanäytteistä ilmakuvissa. Avaruuskuvien, joista suurin osa on monivyöhykkeisiä, temaattisessa tulkinnassa tällainen opetusrooli on Moskovan valtionyliopistossa koulutetuilla. M.V. Lomonosov tieteelliset ja metodologiset kartastot "Monivyöhykkeiden ilmailukuvien salaus", jotka sisältävät metodologisia suosituksia ja esimerkkejä luonnonympäristön eri komponenttien, sosioekonomisten kohteiden, seurausten tulkinnan tuloksista antropogeeninen vaikutus luonnossa.

Kuvien valmistelu visuaalista tulkintaa varten. Maantieteellisessä tulkinnassa alkuperäisiä kuvia käytetään harvoin. Ilmakuvien tulkinnassa käytetään yleensä kontaktitulosteita, ja satelliittikuvat on toivottavaa tulkita "lähetyksen kautta" käyttämällä filmillä olevia kalvoja, jotka välittävät täydellisemmin avaruuskuvan pieniä ja vähäkontrastisia yksityiskohtia.

Kuvan muunnos. Tarvittavien tietojen nopeampaa, yksinkertaisempaa ja täydellisempää poistamista varten kuvasta suoritetaan sen muunnos, joka rajoittuu toisen kuvan saamiseksi määritetyillä ominaisuuksilla. Sen tarkoituksena on korostaa tarpeellista ja poistaa tarpeettomat tiedot. On syytä korostaa, että kuvan muuntaminen ei lisää uutta tietoa, vaan vain tuo sen jatkokäyttöön sopivaan muotoon.

Kuvamuunnos voidaan tehdä valokuvaus-, optinen- ja tietokonemenetelmillä tai niiden yhdistelmällä. Valokuvausmenetelmät perustuvat erilaisiin fotokemiallisiin prosessointitapoihin; optinen - kuvan läpi kulkevan valovirran muutoksesta. Yleisimmät tietokonekuvamuunnokset. Voidaan sanoa, että tällä hetkellä tietokonemuunnoksille ei ole vaihtoehtoa. Kuvien yleisiä tietokonemuunnoksia visuaalista tulkintaa varten, kuten pakkaus-dekompressio, kontrastimuunnos, värikuvan synteesi, kvantisointi ja suodatus sekä uusien johdannaisten geokuvien luominen, käsitellään jaksossa. 3.2.

Suurenna kuvat. Visuaalisessa tulkinnassa on tapana käyttää teknisiä keinoja, jotka laajentavat mahdollisuuksia

silmät, esimerkiksi suurennuslasit eri suurennoksilla - 2x - 10x. Hyödyllinen mittaussuurennuslasi, jossa on asteikko näkökentässä. Suurennuksen tarve käy selväksi kuvien ja silmän resoluution vertailusta. Silmän erotuskyvyn parhaalla näköetäisyydellä (250 mm) oletetaan olevan 5 mm-1. Erottaa esimerkiksi kaikki yksityiskohdat avaruusvalokuvassa resoluutiolla

100 mm-1, sitä on lisättävä ^ ^ = 20 kertaa. Vain tässä

tapauksessa voit käyttää kaikkia valokuvan sisältämiä tietoja. On syytä muistaa, että valokuvien saaminen suurella suurennuksella (yli 10x) ei ole helppoa valokuvaus- tai optisilla menetelmillä: vaaditaan suurikokoisia valokuvasuurentimia tai alkuperäisten valokuvien erittäin korkea valaistus.

Kuvien tarkkailun ominaisuudet tietokoneen näytöllä. Näytön ominaisuudet ovat tärkeitä kuvien havaitsemisen kannalta: parhaat tulkintatulokset saavutetaan suurilla näytöillä, jotka toistavat mahdollisimman paljon värejä ja joilla on korkea kuvan virkistystaajuus. Digitaalisen kuvan suurennus tietokoneen näytöllä on lähellä optimaalista tapauksissa, joissa kuvaruudun yksi pikseli rf vastaa yhtä pikseliä kuvan pikselistä c . Tässä tapauksessa lisäys v kuvakaappaus tulee olemaan:

piXrf v = --

PIXc

Jos pikselikoko PIX-maastossa (tilaresoluutio) tunnetaan, näyttöruudun kuvan asteikko on yhtä suuri:

1 = pix

Md PIX"

Esimerkiksi TM/Landsat-digitaaliavaruuskuva, jonka pikselikoko PIX = 30 m maassa, toistetaan näyttöruudulla pix d = 0,3 mm mittakaavassa 1:100 000. 2, 3, 4 kertaa tai enemmän ; tässä tapauksessa yksi kuvapiste näkyy vähintään 4, 9, 16 kuvapisteen verran, mutta kuva saa silmällä havaittavan "pikselirakenteen". Käytännössä yleisin lisäkorotus 2 - Zx. Jos haluat nähdä koko kuvan näytöllä samanaikaisesti, kuvaa on pienennettävä. Tässä tapauksessa kuitenkin vain joka 2., 3., 4. jne. näytetään. kuvan rivejä ja sarakkeita ja siinä yksityiskohtien ja pienten esineiden katoaminen on väistämätöntä.

Tehokkaan työn aika kuvakaappausten salakirjoituksessa on lyhyempi kuin visuaalisia tulosteita. On myös tarpeen ottaa huomioon nykyiset tietokoneella työskentelyn terveysstandardit, jotka säätelevät erityisesti dekooderin silmien vähimmäisetäisyyttä näytöstä (vähintään 500 mm), jatkuvan työn kestoa ja tehokkuutta. sähkömagneettiset kentät, melu jne.

Välineet ja apuvälineet. Usein visuaalisen tulkinnan prosessissa on tarpeen tehdä yksinkertaisia ​​mittauksia ja kvantitatiivisia arvioita. Tätä varten käytetään erilaisia ​​​​aputyökaluja: paletteja, asteikkoja ja äänitaulukoita, nomogrammeja jne. (Kuva 3.13). Kuvien stereoskooppiseen katseluun käytetään erilaisia ​​​​stereoskooppeja. Paras laite kameralliseen tulkintaan on stereoskooppi, jossa on kaksoishavaintojärjestelmä, joka mahdollistaa stereoparin katselun kahdella dekooderilla. Tulkintatulosten siirto yksittäisistä kuvista yhteiselle kartografiselle pohjalle suoritetaan yleensä käyttämällä pientä erikoiskuvaketta opto-mekaaninen laite.

Salauksenpurkutulosten muotoilu. Visuaalisen tulkinnan tulokset esitetään useimmiten graafisessa, tekstissä ja harvemmin digitaalisessa muodossa. Yleensä tulkintatyön tuloksena saadaan tilannekuva, jossa tutkittavat kohteet korostetaan graafisesti ja osoitetaan tavanomaisilla merkeillä. Dekoodaustulokset on myös kiinnitetty läpinäkyvälle peittokuvalle. Kun työskentelet tietokoneella, tulokset on kätevä esittää tulostintulosteena (paperikopioina). Satelliittikuviin perustuen nssalauksen purkuohjelmat,jotka sisällöltään edustavat katkelmia teemakartoista, jotka on koottu kuvan mittakaavaan ja projektioon.

Riisi. 3.13. Yksinkertaisimmat mittaustarvikkeet: a - mittauskiila; b - ympyrän mittakaava

Tieteellisen ja teknologisen vallankumouksen ja avaruustutkimuksen aikakaudella ihmiskunta jatkaa maapallon huolellista tutkimista, luonnonympäristön tilan tarkkailua, luonnonvarojen järkevästä käytöstä huolehtimista sekä nykyisten rajallisten luonnonvarojen arviointimenetelmien jatkuvaa parantamista. Kehittyvistä menetelmistä Maan tutkimiseen avaruudesta ja avaruusseurannasta, monivyöhykevalokuvaus on tulossa tiukasti elämään, mikä avaa uusia mahdollisuuksia kuvantulkinnan luotettavuuden lisäämiseen.

Syyskuussa 1976 Interkosmos-ohjelman kansainvälisen yhteistyön puitteissa Neuvostoliiton ja DDR:n asiantuntijat suorittivat yhdessä Raduga-avaruuskokeilun, jonka aikana Neuvostoliiton lentäjä-kosmonautit V.f. Bykovsky ja V. V. Aksenov saivat Sojuz-22-avaruusaluksen kahdeksan päivän lennolla yli 2500 monispektrikuvaa maan pinnasta. Kuvaus toteutettiin monivyöhykkeisellä avaruuskameralla MKf-6, jonka DDR:n kansanyrityksen "Carl Zeiss Jena" ja Neuvostoliiton tiedeakatemian avaruustutkimuslaitoksen asiantuntijat ovat kehittäneet yhdessä ja joka valmistettiin DDR:ssä. Monivyöhykekuvaus MKf-6-laitteella tehtiin myös laboratoriolentokoneista ja sitten Salyut-6 miehitetyltä kiertorata-asemalta. Samanaikaisesti MKf-6-laitteen kanssa kehitettiin monivyöhykkeinen syntetisoiva projektori MSP-4, joka avasi mahdollisuuden tuottaa korkealaatuisia värisyntetisoituja kuvia, joita käytetään nykyään laajalti tieteellisessä, käytännön ja opetustyössä.

Tämä kuvien ja niistä koottu karttojen kartasto havainnollistaa tyypillisin esimerkein mahdollisuuksia käyttää monivyöhykkeisen ilmailuvalokuvauksen materiaalia erilaisissa luonnonympäristön tutkimuksissa, taloudellisen toiminnan suunnittelussa ja operatiivisessa johtamisessa sekä monilla teemakartoituksen osa-alueilla. . Atlas esittelee laajan valikoiman maapallon tutkimuksen alueita. Se kattaa luonnonolojen ja luonnonvarojen tutkimuksen paitsi maalla myös matalissa merissä. Vuoristopoimualueiden geologisten tutkimusten tulkintatekniikka on esitetty Pamir-Alay-alueen esimerkissä. Tutkimuksen geomorfologisia-glakiologisia ja hydrologisia näkökohtia tarkastellaan esimerkiksi eteläisen Cis-Baikalin alueen tektonisen rakenteen ja kohokuvion, Okhotskinmeren rannikon kohokuvion, jokien tulvatasantojen ja alueiden kohokuvion tutkimisessa. Keski-Jakutian ikirouta termokarstireljeef, Pamir-Alay-jäätikkö, kiinteän joen valumavesien jakautuminen Baikal-järvelle ja jäätikkömaisemat DDR:n pohjoisosassa. Kasvillisuustutkimukset suoritettiin Kaakkois-Kazakstanin puoli-aavikon ja aavikon kasvillisuuden sekä eteläisen Cis-Baikalin alueen ja Keski-Jakutian metsäkasvillisuuden esimerkillä. Maisemakartoitus kattaa Kaakkois-Kazakstanin ja Keski-Aasian juuret ja vuoristoalueiden kuivia maisemia sekä pohjoisen vuoristotaiga-maisemia

Baikalin alue sekä DDR:n keskiosan maisemat. Kaakkois-Kazakstanin ja DDR:n keskiosassa sijaitsevan kohteen esimerkeissä esitetään mahdollisuudet käyttää satelliittikuvia alueen fyysistä ja maantieteellistä vyöhykettä varten. Luonnonvaratutkimuksen lisäksi atlas esittelee myös sosioekonomisen tutkimuksen osa-alueita - maatalousmaan käytön ja asutuksen kartoittamista sekä ihmisen vaikutusten tutkimusta luonnonympäristöön esimerkkinä kartoittamalla nykyaikaisia ​​maisemia niiden antropogeenisten tekijöiden kanssa. muutoksia. Nämä tutkimukset suoritettiin Neuvostoliiton Keski-Aasian alueilla ja DDR:ssä.

Kirjallisuudessa kuvataan riittävän yksityiskohtaisesti menetelmä "klassisten" ilmakuvien tulkitsemiseksi. Perinteistä ja vakiintunutta teknologiaa tällaisten kuvien käsittelyyn käytetään menestyksekkäästi käytännössä. Atlas esittelee joukon metodologisia tekniikoita monivyöhykkeiden ilma- ja avaruuskuvien käsittelyyn teknisten laitteiden eri tasoilla - visuaalisesti, instrumentaalisesti ja automatisoidusti. Visuaalisessa tulkinnassa monipuolisin työ on värisyntetisoiduilla kuvilla. Kun käytetään sarjaa vyöhykekuvia, käytetään useita tekniikoita. Yksinkertaisin tekniikka - optimaalisen spektrivyöhykkeen valinta tiettyjen ilmiöiden tulkitsemiseen - on tehokas vain joissakin kohteissa, esimerkiksi matalien vesistöjen rannikolla, ja siksi sillä on suhteellisen rajoitettu sovellus. Vyöhykekuvien sarjan vertailu käyttämällä mittausobjektien spektrikuvaa, joka on likimäärin määritetty standardoidulla tiheysasteikolla, on suositeltavaa tulkitaessa objekteja, joille on ominaista tietty spektrin kirkkaus, erityisesti erotettaessa metsää muodostavia kiviä metsän kasvillisuutta kartoittaessa. , tunnistaa jäätiköiden rajat ja firn-viiva kosteuspitoisen lumen kuvan eroista jne.

Vyöhykekuvien sarjan peräkkäistä tulkintaa käyttämällä spektrin tietyillä vyöhykkeillä olevien eri objektien optimaalisen näytön vaikutusta käytetään erottelemaan eri tasoisia tektonisia vikoja, tutkimaan johdonmukaisesti eri syvyyksillä olevia vesialueita jne.

Monivyöhykkeisten avaruuskuvien tulkinta suoritetaan käyttämällä valikoivasti sub-satelliittikokeissa saatuja ilmakuvia. Sellaisten dekoodattujen kohteiden välisten hienovaraisten erojen tunnistamiseksi, joita ei kuvata visuaalisesti, esimerkiksi viljelykasvien tilaan liittyvien, käytetään mittaustulkintaa, joka perustuu vyöhykekuvista saatuihin objektien spektrin kirkkauden fotometrisiin määrityksiin, ottaen huomioon kuvaamisesta johtuvat vääristymät. ehdot. Tämä tarjoaa spektrofotometrisiä määrityksiä 3-5 %:n virheellä.

Monimutkaisempaan tiedon analysointiin, mukaan lukien suureen prosessoitavaan tietomäärään liittyvien operatiivisten ongelmien ratkaisemiseen, tarvitaan automaattista kuvankäsittelyä, jonka kykyjä havainnollistavat esimerkki maankäytöstä ja puuvillakasvien kunnosta riippuen.

Kaikki kartastoon sisältyvät monivyöhykekuvista kootut kartat ovat uudentyyppisiä kartografisia teoksia ja havainnollistavat mahdollisuuksia parantaa ilmailututkimuksiin perustuvia temaattisia karttoja.

Ilma-aluksesta saaduilla monivyöhykekuvilla on erityinen rooli erilaisten ongelmien ratkaisemisessa suhteellisen pienillä, klassisilla menetelmillä hyvin tutkituilla alueilla. Tämä luonnonvarojen ja ympäristön valvonnan yksityiskohtaisen tutkimuksen menetelmä on lupaava esimerkiksi DDR:n alueella. Esitetyt esimerkit monivyöhykkeistä ilmakuvista kattavat koealueen järven alueella. Süsser See DDR:n keskiosassa, samoin kuin alueet Ferghanan laaksossa, Okhotskin rannikolla ja muilla Neuvostoliiton alueella. Avaruuskuvissa puolestaan ​​on tunnetut edut näkyvyys, spektri- ja tilakuvan yleistäminen. Esitetyt avaruuskuvat kattavat Itämeren, Koillis-Kaspianmeren ja Okhotskinmeren, eteläisen Cis-Baikalin ja pohjoisen Baikalin alueen, Keski-Jakutian, Kaakkois-Kazakstanin ja Keski-Aasian.

Ilmailu-avaruusmenetelmä Maan tutkimiseen on periaatteeltaan monimutkainen ja monitieteinen. Jokainen kuva soveltuu pääsääntöisesti monikäyttöiseen käyttöön Maan tutkimuksen eri alueilla. Tämä on sopusoinnussa myös atlasen alueellisen rakenteen kanssa, jossa jokaiselle kuvalle esitetään salaustekniikka niihin suuntiin, joissa se osoittautui tehokkaimmaksi. Jokainen osio, joka avautuu värisyntetisoidulla kuvalla tutkimusalueesta viitekaavion ja alueen tekstin kuvauksella, esittää kuvien tulkinnan tulokset teemakarttojen muodossa, pääasiassa mittakaavassa 1:400 000- 1:500 000, lyhyillä tekstikommenteilla. Pääaiheista annetaan selityksiä ja suosituksia monivyöhykkeiden kuvien temaattisen tulkinnan menetelmästä.

Atlas voi toimia tieteellisenä ja metodologisena oppaana monivyöhykkeiden tulkinnassa luonnonvarojen etätutkimukseen osallistuville asiantuntijoille, ja sitä voidaan käyttää laajemmin visuaalisena apuvälineenä satelliittikuvien käyttöön laadittaessa teemakarttoja. kartografia, geologia, maaperätieteilijät, maa- ja metsätalouden asiantuntijat sekä luonnonsuojelijat. Epäilemättä se löytää laajan sovelluksen yliopistoissa. Opiskelija osaa käyttää sitä opiskellessaan ilmailun teoriaa ja käytäntöä

cal menetelmät, hallita taidot työskennellä avaruuskuvien kanssa karttojen kehittämisessä ja kokoamisessa sekä luonnonvarojen tutkimuksessa.

Päätyön atlasin valmistelussa suorittivat Moskovan valtionyliopiston maantieteen tiedekunta, Neuvostoliiton tiedeakatemian avaruustutkimuslaitos ja DDR:n tiedeakatemian maanfysiikan keskusinstituutti.

Atlas on koottu Moskovan yliopiston maantieteen tiedekunnan kartografian laitoksen ilmailu-avaruusmenetelmien laboratoriossa, johon osallistuivat geomorfologian, kartografian, glasiologian ja kryolitologian laitokset, Neuvostoliiton fyysinen maantiede, ulkomaiden fyysinen maantiede, ongelma. Saman tiedekunnan monimutkaisia ​​kartoituksia ja kartastoja, maaperän eroosio- ja kanavaprosessien laboratorioita sekä geologian tiedekuntaa, Moskovan valtionyliopiston tieteellisen valokuvauksen ja elokuvan laitos, All-Union Association "Aerogeology", Maan etätutkimuskeskuksessa DDR:n tiedeakatemian Maan fysiikan keskusinstituutin, Potsdamin pedagogisen instituutin maantieteen osaston ja yliopiston maantieteen laitoksen menetelmät. M. Luther Halle-Wittenbergistä.

Avaruuskuvien tulkinta- tutkittujen luonnonkompleksien ja ekologisten prosessien tai niiden indikaattorien tunnistaminen valokuvakuvan kuviosta (sävy, väri, rakenne), sen koosta ja yhdistelmästä muihin esineisiin (valokuvan tekstuuri). Nämä ulkoiset ominaisuudet ovat luontaisia ​​vain niille maiseman fysiognomisille komponenteille, jotka heijastuvat suoraan kuvaan.

Tässä suhteessa vain pieni määrä luonnollisia komponentteja voidaan tulkita suorilla merkeillä - maanmuodot, kasvillisuus, joskus pintakertymät.

Salauksen purku sisältää havaitsemisen, tunnistamisen, tulkinnan sekä kohteiden laadullisten ja kvantitatiivisten ominaisuuksien määrittämisen ja tulosten näyttämisen graafisessa (kartografisessa), digitaalisessa tai tekstimuodossa.

Kuvista on yleismaantieteellisiä (topografisia), maisemallisia ja temaattisia (alakohtaisia) geologisia, maaperän, metsän, jäätikkö-, maatalous- jne. tulkintoja.

Avaruuskuvien tulkinnan päävaiheet: sidonta; havaitseminen; tunnustaminen; tulkinta; ekstrapolointi.

Tilannekuva- tämä on kuvan rajojen avaruudellisen sijainnin määritelmä. Se koostuu kuvassa esitetyn alueen tarkasta maantieteellisestä muodostamisesta. Se suoritetaan topografisten karttojen avulla, joiden mittakaava vastaa kuvan mittakaavaa. Tilannekuvan tunnusomaisia ​​ääriviivoja ovat tekoaltaiden rannikot, hydrografisen verkoston kuvio ja makroreljeefin muodot (vuoret, suuret painaumat).

Havaitseminen koostuu valokuvan eri piirustusten vertailusta. Kuvan ominaisuuksien (sävy, väri, kuvan rakenne) mukaan maisemien fotofysiognomiset komponentit erotetaan toisistaan.

Tunnustus, tai salauksenpurkuobjektien tunnistaminen,- sisältää valokuvakuvan rakenteen ja tekstuurin analyysin, jolla tunnistetaan maisemien fotofysiologiset komponentit, teknogeeniset rakenteet, maankäytön luonne, fysiognomisten komponenttien teknogeeniset häiriöt. Tässä vaiheessa havaitaan valofysiologisten komponenttien suorat tulkintamerkit.

Tulkinta koostuu tunnistettujen kohteiden luokittelemisesta tietyn periaatteen mukaan (riippuen dekoodauksen temaattisesta painopisteestä). Joten maiseman tulkinnassa geosysteemien fysiognomiset komponentit tulkitaan ja tunnistetut teknogeeniset kohteet palvelevat vain oikeaa orientaatiota. Taloudellista käyttöä tulkittaessa huomio kiinnitetään tunnistettuihin maankäyttökohteisiin - peltoihin, teihin, asutusalueisiin jne. Maiseman ratkaisevien (piilo-)komponenttien tai niiden teknogeenisten muutosten tulkinta suoritetaan maisema-indikaatiomenetelmällä. Kuvien täydellinen ja luotettava tulkinta on mahdollista vain suorien ja epäsuorien tulkintamerkkien monimutkaisen käytön perusteella. Tulkintaprosessiin liittyy ääriviivojen piirtäminen, eli purkamiskaavioiden luominen yksittäisistä kuvista.

Ekstrapolointi- sisältää samankaltaisten kohteiden tunnistamisen koko tutkimusalueella ja alustavan karttaasetelman laadinnan. Tätä varten kaikki aikana saadut tiedot dekoodaus yksittäisiä kuvia. Ekstrapoloinnin aikana samankaltaisia ​​kohteita, ilmiöitä ja prosesseja tunnistetaan muilla alueilla; luoda maisemia-analogeja.

Salauksen purku suoritetaan periaatteen mukaisesti yleisestä erityiseen. Jokainen kuva on ennen kaikkea alueen tietomalli, jonka tutkija näkee kokonaisuutena, ja esineitä analysoidaan kehityksessä ja erottamattomassa yhteydessä ympäristöönsä.

On olemassa seuraavat salaustyypit.

Temaattinen dekoodaus suorittaa kahden loogisen mallin mukaan. Ensimmäinen tarjoaa kohteiden ensimmäisen tunnistamisen ja sitten niiden graafisen valinnan, toinen - ensin samankaltaisten alueiden graafisen valinnan kuvassa ja sitten niiden tunnistamisen. Molemmat kaaviot päättyvät tulkintaan - tieteelliseen tulkintaan salakirjoituksen tuloksista. Tietokonetulkinnan avulla nämä skeemat toteutetaan klusterointi- ja luokittelutekniikoissa koulutuksen avulla.

Kuvien kohteet erotetaan tulkintaominaisuuksilla, jotka on jaettu suoraan ja epäsuora. Vastaanottaja suoraan sisältää muodon, koon, värin, sävyn ja varjon sekä monimutkaisen yhdistävän ominaisuuden - kuvan piirustuksen. epäsuora merkit ovat kohteen sijainti, sen maantieteellinen läheisyys, jäljet ​​vuorovaikutuksesta ympäristön kanssa.

klo epäsuora dekoodaus, joka perustuu objektiivisesti olemassa oleviin yhteyksiin ja esineiden ja ilmiöiden keskinäiseen riippuvuuteen, dekooderi paljastaa kuvassa ei itse esineen, jota ei ehkä ole kuvattu, vaan sen indikaattorin. Tällaista epäsuoraa tulkintaa kutsutaan indikatiiviseksi, jonka maantieteellinen perusta on suuntaa-antava maisematiede. Sen rooli on erityisen suuri, kun suorat merkit menettävät merkityksensä kuvan voimakkaan yleistymisen vuoksi. Samalla kootaan erityisiä indikaattoritaulukoita, joissa jokaiselle indikaattorityypille tai tilalle ilmoitetaan näytettävän kohteen vastaava tyyppi.

Ohjeellinen dekoodaus voit siirtyä tilaominaisuuksista ajallisiin ominaisuuksiin. Tila-aikasarjojen perusteella voidaan määrittää prosessin suhteellinen ikä tai sen kehitysvaihe. Esimerkiksi monien Siperian jokien laaksoihin jääneiden jättimäisten jokien mutkien mukaan niiden koon ja muodon perusteella arvioidaan vesien menneisyyttä ja tapahtuneita muutoksia.

Meressä olevien vesimassojen liikkeen indikaattoreina toimivat usein murtuneet jäät, suspensiot jne. Veden liikkeen havainnollistavat hyvin myös vedenpinnan lämpötilakontrastit - lämpö-infrapunakuvista heijastuu vesimassan pyörrerakenne. Maailmanmeri paljastettiin.

Monivyöhykkeiden kuvien dekoodaus. Neljästä kuuteen vyöhykekuvan sarjan kanssa työskentely on vaikeampaa kuin yhden kuvan kanssa, ja niiden tulkinta vaatii erityisiä metodologisia lähestymistapoja. Erota vertaileva ja peräkkäinen tulkinta.

Vertaileva tulkinta koostuu spektrikuvan määrittämisestä kuvista, sen vertaamisesta tunnettuun spektriheijastuskykyyn ja kohteen tunnistamisesta. Ensin vyöhykekuvissa tunnistetaan objektijoukot, jotka ovat erilaisia ​​eri vyöhykkeillä, ja sitten niitä vertaamalla (vähentämällä vyöhyketulkintakaaviot) yksittäiset objektit eristetään näissä ryhmissä. Tällainen dekoodaus on tehokkain kasviobjekteille.

Jaksottainen salauksen purku perustuu siihen, että aluekuvat näyttävät optimaalisesti erilaisia ​​kohteita. Esimerkiksi matalan veden kuvissa eri spektraalisten säteiden epätasaisen tunkeutumisen vuoksi vesiympäristöön eri syvyyksillä sijaitsevat kohteet ovat näkyvissä, ja kuvasarjan avulla voit suorittaa kerros kerrokselta analyysin. ja tee sitten vähitellen yhteenveto tuloksista.

Moniaikaisten kuvien salaus tarjoaa tutkimusta kohteissa tapahtuvista muutoksista ja niiden dynamiikasta sekä epäsuoraa tulkintaa muuttuvista kohteista niiden dynaamisten ominaisuuksien mukaan. Esimerkiksi viljelykasvit tunnistetaan imagomuutoksen perusteella kasvukauden aikana maatalouskalenteri huomioon ottaen.