Пространственный Анализ В Геоинформационных Системах

Пространственный Анализ: Что Это Такое?

Пространственный анализ – это процесс интерпретации ГИС-данных, их изучение и моделирование, от получения данных до понимания результатов. Полученную информацию обрабатывают с помощью компьютерных программ для пространственного анализа геоданных и классифицируют по количеству и сложности задач. Самый простой способ – это визуализация, а более глубокий подход предполагает комплексную аналитику с помощью специальных инструментов, которая помогает сделать важные практические выводы.

Примеры анализа пространственных данных ГИС включают измерение расстояний и форм, проложение маршрутов и отслеживание перевозок, установку взаимосвязи между объектами, событиями, территориями методом соотнесения их местоположения с точкой на географической карте (как текущие, так и исторические данные).

Как правило, пространственный анализ состоит из пяти ключевых этапов: понимания цели, подготовки данных, выбора подходящих методов и приемов, проведения исследования и оценки результатов.

Итак, прежде всего важно понять, что вы хотите узнать. Следующим шагом будет определить соответствующие методы пространственного анализа для обработки и интерпретации данных. Если вы точно знаете, что хотите получить в результате, то сможете подобрать приемы исследования, которые оптимально подойдут для достижения цели. Как только вы это сделаете, вы сможете приступить к следующему шагу – обработке и интерпретации данных. Завершающий этап пространственного анализа – это оценка результатов, чтобы понять, достигли вы цели или нет.

Пространственный Анализ В ГИС: Обозначим Цель

Особенность пространственного анализа и моделирования заключается в гибкости. Вы можете комбинировать любое количество слоев и получить различные результаты соответственно.

Пространственный анализ геоданных применяется во многих сферах: сельском хозяйстве, лесоводстве, морских науках, добыче нефти и газа, горнодобывающей промышленности, демографических исследованиях, экономике и других отраслях. В частности, пространственный анализ территорий сельскохозяйственного назначения определяет густоту растительного покрова, степень влажности почвы, температуру почвы, состояние посевов и т. д. Благодаря этому, фермеры могут максимально эффективно распределить свои ресурсы (например, экономно вносить химикаты).

В лесничестве аналитика пространственных данных помогает обнаружить обезлесение и прогнозировать возникновение пожаров по критически высоким температурам.

На основе результатов пространственного анализа океанологи обнаруживают разливы нефти, а демографы определяют, достаточно ли образовательных и медицинских учреждений для населения на исследуемой территории.

Пространственный анализ в геоинформационных системах помогает логистам построить самый быстрый и безопасный маршрут, владельцам магазинов – выбрать наиболее удачное расположение торговой точки, а спасательным отрядам направиться в регионы, которые пострадали больше всего.

Комплексные вопросы, которые необходимо решить методом пространственного анализа данных ГИС, важно разбить на конкретные подпункты. Ответы на каждый из них шаг за шагом приблизят к цели.

Например, владельцу сети магазинов может быть интересно “Где открыть новый магазин в Лос-Анжелесе лучше всего?” Этот вопрос может включать в себя еще много смежных, например:

• Сколько конкурентов предоставляют такие же услуги в Лос-Анжелесе?
• В каких районах Лос-Анжелеса живут целевые потребители?
• Сколько людей живет в этих районах?
• Равномерно ли размещены магазины конкурентов?
• Есть ли участки на карте, где такие магазины находятся далеко?
• Какой средний доход населения в районах, где живут потенциальные покупатели?

Пространственный Анализ: Что Нужно Для Правильного Старта

Чтобы успешно провести пространственный анализ, нужно подготовить все нужное заранее. Убедитесь, что у вас есть все необходимые для изучения данные и добейтесь подходящего качества с помощью предварительной обработки. Для подготовки данных в пространственном анализе обычно может потребоваться несколько дополнительных шагов, например, геометрическая и спектральная коррекция, радиометрическая коррекция атмосферных эффектов, восстановление недостающих пикселов, усиление контраста и фильтрация.

Геометрическая Коррекция

Геометрическая ректификация для анализа пространственных данных ГИС предполагает географическую привязку изображений и исправление геометрических искажений по нескольким причинам, которые для каждого типа изображений разные.

Поверхность Земли неровная. Из-за сферической формы нашей планеты, наиболее точными являются снимки, сделанные в надире (центральной линии сканирования). Соответственно, чем дальше находится объект от надира, тем сильнее искажение.

Топографические неровности также влияют на точность спутниковых данных. Однако, благодаря тому, что орбита спутника находится на большом расстоянии от Земли, это влияние сглаживается, поэтому в пространственном анализе данный факт, как правило, не учитывается.

Другой важный аспект в аналитике пространственных данных – это непрерывное вращение нашей планеты вокруг Солнца. Она смещается на 0,25 градуса в минуту, и это движение влияет на фокусировку. В свою очередь, спутник вращается вокруг Земли, что также влияет на качество снимков.

Спектральная Коррекция

Спутниковые снимки изначально имеют так называемые “сырые” значения яркости DN (digital numbers). Этот формат данных не позволяет правильно провести сравнительный пространственный анализ данных, полученных из разных источников. По этой причине в пространственном анализе применяется спектральная (или радиометрическая) коррекция для приведения цифровых чисел к физически значимым единицам, то есть фактическим значениям коэффициента отражения или излучения поверхности.

Радиометрическая Коррекция Атмосферных Эффектов

Качество спутниковых снимков также зависит от атмосферных условий, которые уменьшают силу сигнала и от датчика, и от исследуемого объекта. Рассеивание из-за атмосферных аэрозолей (пыли, дождя, тумана, диоксида углерода, метана и др.), а также поглощение радиации и облачность являются главными факторами, которые влияют на яркость пикселов и потому требуют дополнительной коррекции.

Пространственный анализ располагает различными методами снижения влияния атмосферных явлений, например, расчеты на основе снимков или моделирование. Математические приемы подразумевают моделирование различных атмосферных условий, в зависимости от времени года, погодных условий, аэрозолей и т. д.

Кроме того, оптические свойства водных объектов схожи со свойствами абсолютно черных тел в красном и инфракрасном диапазоне. С учетом этого, выполняющий геопространственный анализ специалист может легко различить облака и дымку на фоне моря.

Восстановление Недостающих Пикселов

Некоторая информация, необходимая для проведения пространственного анализа, может отсутствовать вследствие ошибок системы во время получения и передачи данных, инверсионных следов самолетов и других факторов. Самый распространенный способ восстановить пропущенные строки для пространственного анализа данных – это взять пикселы из соседних строк и рассчитать их среднее значение. Такое замещение имеет погрешности, но упрощает дальнейшую интерпретацию данных.

Усиление Контраста (Контрастирование)

Контрастность в фотографии – это разница минимального и максимального освещения, или яркости и насыщенности цвета, благодаря которой можно выделить объект и его контуры на определенном фоне. Низкая контрастность – типичная проблема, которую часто приходится исправлять. В частности, контуры для пространственного анализа и моделирования можно усилить путем визуального дешифрования изображений.

Обработка цифровых снимков для усиления контрастности в пространственном анализе данных включает следующие приемы модификации гистограмм.

• Линейное растягивание – создание новых значений пикселов на исходном изображении и расширение их шкалы (области значений).
• Нормализация в анализе пространственных данных ГИС – расширение сегмента гистограммы с наиболее интенсивной яркостью.
• Выравнивание – исправление яркости пикселов, чтобы привести их количество к одинаковому или похожему числу для каждого уровня яркости.

Фильтрация Снимков

Фильтрация в пространственном анализе выделяет нужные объекты и уменьшает шумы путем модификаций в скользящем окне с пересчетом существующих и присвоением новых значений пикселов. Новые значения получают по соседним пикселам с помощью определенных математических функций. Коэффициенты в формуле зависят от задач дешифрования. В окне может быть 3×3 или 5×5 пикселов, и в нем перемещается по одному пикселу до тех пор, пока не закончится снимок.

Кроме усиления четкости и уменьшения шума, прием фильтрации также применяется для смягчения шумов (помех) и очерчивания контуров.

Выбираем Подходящие Методы Пространственного Анализа

Значительным преимуществом цифровых снимков является возможность компьютерной обработки, которую можно выполнить как для подготовки данных, так и собственно для анализа. В идеальном случае весь процесс автоматизирован и полностью выполняется компьютером. Однако, на практике так случается редко. В большинстве случаев работу аналитика облегчает применение специальных инструментов.

Цветовые Трансформации

Изображение с отдельного канала мультиспектрального снимка отображается в оттенках серого. Оно становится цветным только при комбинировании трех каналов – красного, зеленого и синего (так называемая модель RGB). В пространственном анализе изображение может быть представлено в натуральных или искусственных (ложных) цветах, в зависимости от того, RGB-каналы совпадают или заменяются другими каналами.

Преобладающие тона определяются яркостью канала. Например, высокие значения пикселов в канале R (Red) дадут преимущественно оттенки красного. Соответственно, в результате преобладания яркости канала G (Green) получатся оттенки зеленого.

В то время как при проведении пространственного анализа обнаруживать объекты легче на снимках в натуральных цветах, искусственные цвета позволяют их различать и выделять контуры.

Индексные Изображения

Метод индексных изображений подразумевает пересчет значений яркости для каждого пиксела в разных каналах с помощью определенных математических операций. Таким образом, пикселы, представленные для анализа, имеют не абсолютные значения яркости, а получают новые индексные значения в соответствии с цветовой матрицей. Индексация выделяет исследуемые объекты и упрощает проведение анализа.

Анализ Главных Компонентов

Метод анализа главных компонентов основан на корреляции мультиспектральных данных. Это значит, что увеличение яркости в одном канале влечет за собой увеличения яркости и в других каналах.

Этот метод пространственного анализа позволяет следующие манипуляции со спутниковыми данными:

• создание исходного изображения с тремя главными компонентами из трех и более каналов без учета менее значимых компонентов, что снижает влияние шумов;
• усиление слабо различимых объектов на однокомпонентном спутниковом изображении;
• сравнительный пространственный анализ серии изображений с разным временем съемки для понимания динамики и отслеживания изменений;
• сокращение размера спутниковых данных с минимальными потерями информации.

Спектральное Разделение

Данный метод предварительной обработки данных для пространственного анализа применяется для определения объектов, размер которых меньше размера пикселов на снимках с несколькими объектами. В этом случае специалист сравнивает полученные данные с существующими реестрами чистых спектров и анализирует количественные несоответствия между чистым спектром и примесями в спектре каждого пиксела. Полученное изображение поможет выделить главный элемент по его цвету.

Классификации

Классификация в пространственном анализе – это дешифрование изображений на компьютере или автоматическое распределение пикселов на определенные классы для дифференциации объектов (отсюда название метода). Существуют классификации с обучением и без обучения.

Классификации С Обучением

В пространственном анализе классификации этого типа основаны на сравнении яркости пиксела с определенными образцами (эталонами). Проводящий анализ специалист соотносит отдельные объекты с наиболее подходящими классами (например, в снимках городской местности (urban) это могут быть здания, дороги, вегетация). Данный метод подходит, если элементы ландшафта известны, их количество менее тридцати и их можно без труда различить на спутниковом снимке.

Наиболее часто в пространственном анализе применяются следующие способы классификации этого типа:

• метод спектрального угла с пространственной аналитике применяют для классификации объектов с близкими значениями яркости;
• классификация параллелепипедов в аналитике пространственных данных используется, когда области значений яркости не пересекаются;
• оценка минимального расстояния в пространственном анализе подходит, когда области значений яркости пересекаются;
• метод расстояния Махаланобиса дает более точные измерения в мультивариативном пространстве, по сравнению с предыдущим способом;
• оценка максимального правдоподобия помогает соотнести объект с определенным классом на основе расчетов максимальной вероятности;
• бинарное деление применяют, когда нужно разбить все пикселы на снимке на две группы.

Классификация Без Обучения

Данные алгоритмы автоматически делят пикселы по принципу статистического распределения яркости пикселов и применимы, когда объекты не определяются или их более тридцати. Классификации без обучения в пространственном анализе можно использовать перед классификациями с обучением.

Самыми распространенными примерами неконтролируемых классификаций в пространственном кластерном анализе является ISODATA и К-средних.

ISODATA – сокращение термина “Итерационная самоорганизующаяся методика анализа данных” (англ. Iterative Self-Organizing Data Analysis Technique). Этот метод предполагает соотношение пикселов с наиболее близкими значениями яркости в пространстве спектральных признаков.

Кластеризация К-средних в пространственном анализе похожа на ISODATA, но в этом методе для классификации объектов необходимы определенные базовые средние значения.

Начинаем Процесс Пространственного Анализа

Проведение собственно пространственного анализа является следующим этапом после обозначения проблемы, предварительной обработки данных и подбора наиболее подходящих методов. Как только подготовка завершена, внимание аналитика сосредотачивается на получении количественных и качественных результатов.

Анализируем Полученные Данные

После получения данных нужно проверить, насколько были достигнуты поставленные в начале анализа цели и как результаты могут дать ответы на подобные вопросы в исследуемой области и других отраслях.

На этом этапе пространственного анализа данных в ГИС специалист также рассматривает возможности практического применения и актуальность полученной информации по надежным источникам. Например, при создании карты посевов в США, спутниковые данные должны соответствовать официальной государственной статистике.

Другой вопрос, на который нужно найти ответ – это возможность валидировать информацию, т.е. проверить, насколько она является точной. Последний, но не менее важный пункт это оценить качество данных по их количеству (результатов получено мало, достаточно или много и т.д.).

Лучше понять результаты анализа помогает визуализация данных, например, статические и интерактивные диаграммы, графики, диаграммы, таблицы или карты.

Как Выполняется Пространственный Анализ В Продуктах EOSDA?

Пространственный анализ данных применяется во многих сферах, в частности, в сельском хозяйстве, лесоводстве и экологии. С одной стороны, это позволяет отслеживать текущее положение дел и увеличить прибыль, а с другой – повысить осведомленность населения об экологической ситуации и ликвидировать последствия стихийных бедствий.

Практические выводы и способы применения пространственного анализа данных в продуктах EOSDA (EOSDA LandViewer and EOSDA Crop Monitoring показаны в следующих примерах использования.

Лесные Пожары В Колорадо

Лесные пожары обернулись реальной катастрофой в конце 2020 года. Последствия бедствия усугублялись сильными засухами, жаркой погодой, а также местоположением очагов возгорания высоко в горах. Масштабы стремительно увеличивались (вшестеро больше за день) из-за отсутствия снега, выпадение которого обычно помогает справиться с этой проблемой быстрее.

Мониторинг лесных пожаров в Колорадо основан на пространственном анализе мультиспектральных данных, полученных с помощью следующих комбинаций каналов с оптического спутника Landsat-8:

• Псевдоцвет цвет (Urban) с композитами SWIR2, SWIR1, Red относительно невосприимчив к влиянию атмосферы и проходит сквозь рассеянные в ней частицы.
• Натуральный цвет в пространственной аналитике отражает объекты так же, как они воспринимаются органами зрения человека.
• Инфракрасный Цвет (Вегетация) обычно используется в пространственном анализе, чтобы различить открытую почву и здоровый растительный покров / его отсутствие. Широколиственные и/или более здоровые растения отображаются более насыщенными оттенками красного, а участки с низкой густотой растительного покрова выделены менее интенсивным красным.
• Стандартизованный индекс коэффициента выжигания NBR в аналитике пространственных данных минимизирует влияние атмосферы и позволяет обнаружить выгоревшие территории.

Наводнения В Колумбии

Сильные разливы шести рек стали причиной наводнений в Магдалене (Колумбия) в конце 2020 года, которые разрушили тысячи домов. В очаге бедствия оказались Аракатака, Альгарробо, Эль-Ретен, Фундасьон, Зона Бананера, Пуэбло-Вьехо и Сьенага.

Мониторинг наводнения в Колумбии основан на пространственном анализе данных, полученных с радарного спутника Sentinel-1 с помощью комбинаций каналов с композитами VV, VH, VV/VH*. Такие комбинации показательны при мониторинге водных объектов, увлажненных сельскохозяйственных территорий, вегетации, а также открытых почв и городской местности.
*VV – передача и прием сигнала с вертикальной поляризацией, VH – вертикальная поляризация для передачи, горизонтальная – для приема.

Тропический Циклон Гати В Сомали

Гати стал сильнейшим тропическим штормом у побережья Сомали и первым циклоном, обрушившимся на сушу в районе Аравийского моря, начиная с 1970 года (первый зафиксированный случай).

Циклон бушевал 21-24 ноября 2020 года и обрушился на сушу 22 ноября. Это стихийное бедствие было классифицировано как “очень сильное” (very severe) Метеорологическим департаментом Индии и было отнесено к “категории 3” по шкале ураганов и ветров Саффира-Симпсона. По статистическим данным, в результате экологической катастрофы как минимум восемь человек погибли, а десятки пропали без вести.

Чтобы разработать решение для мониторинга бедствия и оценки ущерба в результате обрушившегося циклона, специалисты EOSDA выполнили пространственный анализ данных, полученных с оптического спутника Sentinel-2. Для этого были использованы стандартные инфракрасные каналы для вегетации, а также каналы NIR, MIR и комбинации IR вода/суша, по которым можно выделить водные объекты на суше и разграничить сушу и водные объекты.

Последствия Града На Рисовом Поле

Пространственный анализ используется для различных сельскохозяйственных целей, в том числе для оценки ущерба в результате стихийных аномалий или обычных полевых операций. Ниже приведенный пример иллюстрирует, насколько сильно было повреждено градом рисовое поле. Приложение EOSDA Crop Monitoring показывает наиболее заметные изменения с помощью индексов NDVI и ReCI.

Преимущества Пространственного Анализа В Геоинформационных Системах

Первые попытки пространственного анализа были сделаны Канадой в 1960-х годах с целью систематизации своих природных ресурсов. В настоящее время пространственный анализ в ГИС применяется во всем мире.

Благодаря современным технологиям и методам пространственного анализа, аналитика сегодня намного точнее, чем десятки лет назад. Компьютеризированный анализ пространственных данных позволяет обрабатывать огромные массивы данных практически мгновенно.

Полученные результаты пространственного анализа в ГИС освещают ситуацию разнопланово:

• помогают понять текущее положение дел;
• отследить тенденции и соответственно на них реагировать;
• разрабатывать стратегии бизнеса, анализируя данные с привязкой к пространству и времени.

Визуализации в пространственном анализе данных упрощают восприятие информации благодаря возможности реструктурирования, классификации, моделирования, сортирования, презентации больших объемов данных в виде легко запоминающихся шаблонов с выделенными важными деталями.

Таким образом, пространственный анализ способствует пониманию ситуации и предоставляет практические выводы относительно текущего положения дел и тенденций развития событий в будущем – в любом вопросе, где географическое положение имеет значение.

Опубликовано: 23.02.2022