Расчётно-графическая работа. Мониторинг территории по данным Landsat 8

Расчётно-графическая работа (РГР) — итоговый самостоятельный проект курса. В отличие от лабораторных работ, где каждый шаг расписан пошагово, здесь нужно самостоятельно собрать в одну модель мониторинга приёмы уже нескольких практик: паншарпенинг (Практика 9), обучение выборки и классификацию SVM в SCP (Практики 6–8) и количественный анализ изменений территории по годам.

Задача — по снимкам Landsat 8 за лето 2016 и лето 2021 года на закреплённой по варианту территории обучить модель классификации земного покрова, применить её к обеим датам и сделать вывод о том, как изменилась территория за пять лет: сократился ли лес, водный объект, выросла ли застройка.

Структура работы

1. Введение
2. Глава 1. Подготовка набора данных
3. Выбор территории мониторинга
4. Описание материалов ДЗЗ
5. Глава 2. Создание модели классификации на основе SVM
6. Паншарпенинг
7. Формирование обучающей выборки в SCP
8. Анализ обучающей выборки
9. Обучение модели SVM
10. Глава 3. Анализ динамики развития территории
11. Выводы
12. Список использованных источников

Указания к работе

Глава 1. Подготовка набора данных

1.1 Выбор территории мониторинга

1. Скачайте файл данные.gpkg по ссылке от преподавателя и откройте его в QGIS.

2. Вы увидите 30 квадратных зон, разбросанных по территории европейской части России. Идентификатор объекта (fid) каждой зоны соответствует номеру вашего варианта.

3. Чтобы найти свою зону, воспользуйтесь инструментом Определить объекты и кликайте по квадратам, пока не найдёте тот, у которого fid совпадает с вашим номером варианта.

4. Приблизьтесь к своей зоне и сделайте слой полупрозрачным (Слои → Свойства → Стиль → Непрозрачность), чтобы видеть подложку под контуром территории.

5. Сделайте скриншот территории (Рис. 1) и вставьте его в пункт Выбор территории мониторинга. Кратко опишите, в каком регионе расположена территория, и дайте её географическую характеристику: рельеф, гидрография, характер застройки и растительности — то, что потребуется для интерпретации результатов классификации в Главе 3.

1.2 Описание материалов ДЗЗ

6. Скачайте снимки Landsat 8 на свою территорию через STAC API Browser (подробно интерфейс плагина и порядок скачивания разобраны в Практике 1): коллекция Landsat 8-L-1, каналы 2 (Blue), 3 (Green), 4 (Red) и 8 (Panchromatic).

7. Скачайте два набора снимков на одну и ту же территорию: за лето 2016 года и за лето 2021 года. Оба набора понадобятся на всех следующих этапах — паншарпенинг, классификация и сравнение придётся выполнить дважды, отдельно для каждого года.

8. В пункте Описание материалов ДЗЗ опишите используемые каналы Landsat 8 (диапазон длин волн, назначение) со ссылкой на официальный источник — например, страницу миссии Landsat 8 на сайте U.S. Geological Survey.

9. Постройте цветосинтезированные изображения (RGB: канал 4 → Red, канал 3 → Green, канал 2 → Blue) для обоих годов и приложите их как Рис. 2 (2016) и Рис. 3 (2021).

Глава 2. Создание модели классификации на основе SVM

2.1 Паншарпенинг

Технология паншарпенинга, метод IHS и метод Бровея подробно разобраны в Практике 9 — там же приведена пошаговая схема сборки модели в конструкторе моделей QGIS. В РГР эту модель нужно применить дважды: отдельно к набору 2016 года и отдельно к набору 2021 года.

10. Опишите в пункте Паншарпенинг используемый метод (IHS или Брovey) и приложите Рис. 4 (классификация методов повышения пространственного разрешения) и Рис. 5 (схема работы выбранного метода) — эти иллюстрации есть в материалах Практики 9.

11. После паншарпенинга на результате обычно остаётся паразитная синеватая дымка. Устраните её тонированием (Свойства → Стиль → Тонирование, интенсивность около 23%, цвет — противоположный голубому на цветовом кубе; инструмент для подбора цвета — RGB_1.html из Лекции 2).

12. Приложите результаты паншарпенинга после цветокоррекции для обоих годов — Рис. 6 (2016) и Рис. 7 (2021).

2.2 Формирование обучающей выборки в SCP

Установка плагина Semi-Automatic Classification Plugin через OSGeo4W Shell и базовые приёмы рисования обучающих полигонов (ROI) разобраны в Практике 6 и Практике 7, раздел «Формирование обучающей выборки» — здесь эти шаги не повторяются.

13. Выберите набор из четырёх классов земного покрова в зависимости от того, есть ли на вашей территории водный объект:

14. Загрузите паншарпенированный растр в SCP (Band set) и нарисуйте обучающие полигоны для каждого класса, задав MC ID/MC Name (макрокласс) и C ID/C Name (класс) — так же, как в Практике 7.

2.3 Анализ обучающей выборки

Инструменты Spectral Signature Plot и таблица спектральных расстояний подробно разобраны в Практике 7, раздел «Исследование спектральных сигнатур» — используйте их без изменений.

15. Приложите график спектральных сигнатур ваших четырёх классов (Рис. 8), таблицу статистики (Рис. 9) и таблицу спектральной разделимости (Рис. 10).

16. Дайте письменный вывод, насколько хорошо разделяются выбранные классы.

2.4 Обучение модели SVM

Модель Support Vector Machine, доступная в SCP через Band → Band processing → Classification, разобрана в Практике 7 (теория) и Практике 8 (запуск классификации в SCP).

17. Обучите модель на обучающей выборке 2016 года и классифицируйте снимок 2016 года; повторите то же самое для снимка 2021 года — обучающая выборка и классификация выполняются отдельно для каждого года.

18. Приложите результаты классификации обоих лет (Рис. 11 — 2016, Рис. 12 — 2021) и не менее двух примеров хорошей и не менее двух примеров плохой классификации со скриншотами (Рис. 13–14) и объяснением, почему модель ошиблась.

Глава 3. Анализ динамики развития территории

19. Для каждого года постройте отчёт о классификации: SCP → Postprocessing → Classification report. Инструмент выводит для каждого класса количество пикселей, процентную долю и площадь в квадратных метрах.

20. Сведите площади и доли классов за оба года в единую таблицу (Таблица 1) и постройте по ней две круговые диаграммы — за 2016 и за 2021 год.

21. Сделайте вывод, как изменилась территория: какие классы выросли, какие сократились, и совпадает ли это с известной информацией о регионе (например, известно ли о вырубке леса или обмелении водного объекта на этой территории за 2016–2021 годы).

Выводы

22. В пункте Выводы кратко опишите: какие инструменты освоены, что получилось, а что нет, и как итоговые числа соотносятся с ожиданиями по территории.

Список использованных источников

23. В список источников включите как минимум: официальный источник по Landsat 8 (миссия USGS), документацию QGIS по паншарпенингу, документацию плагина SCP и документацию по модели SVM в SCP.

Пример выполненной работы

Ниже — фрагмент реально сданной РГР (мониторинг территории города Коряжма, Архангельская область, вариант 12, снимки Landsat 8 за 2016 и 2021 год). Работа полезна как пример оформления, но её результат — не эталон для копирования: автор сам отмечает в выводах, что объекты городской инфраструктуры на классифицированном растре слились с болотами, из-за чего точную динамику этих двух классов оценить не удалось.

Пример правильно оформленной круговой диаграммы для отчёта о классификации (реальные площади классов из этой же работы, 2016 и 2021 год):

Обе диаграммы плоские — доли секторов сравниваются на глаз без искажений перспективы, в отличие от 3D-варианта, которого нужно избегать (см. предупреждение в пункте 20). Обратите внимание: доля класса «город» на этих диаграммах выросла почти вдвое за пять лет — но, как показано на иллюстрации выше, часть этого прироста может быть не реальной застройкой, а тем самым смешением города с болотом, которое автор упоминает в выводах. Вывод о динамике территории должен учитывать такие ограничения метода, а не принимать цифры отчёта буквально.