Известия вузов Геодезия и аэрофтосъемка №6

Объекты гидрографии

Низкорослая растительность

Лес

Пустыри

Антропогенные объекты

Не клас объекты

Рис. 10. Конечный результат работы алгоритма распознавания объектов

мости прибегать к помощи программиста для реализации разработанного алгоритма. Кроме того, подобного рода реализация весьма гибка и позволяет легко вносить изменения в разработанный алгоритм в процессе работы. Достаточно всего лишь поменять несколько элементов блок-схемы, а не переписывать программный код.

Литература

1.Малинников В.А Докторская диссертация «Теория и методы информационного обеспечения мониторинга земель (тематическая обработка видеоизображений) МИИГАиК, М: 1999.

2.Феофилактова Т.В, Борисова М.В. Алгоритм выделения

объектов гидрографии на основе изображений, полученных по нелинейным спектральным признакам. // Изв. вузов. «Геодезия и аэрофотосъемка». 2009. –№6. –С. 91–96.

Поступила 13 мая 2010 г. Рекомендована кафедрой физики МИИГАиК

qf = cρvT;                     (3)

qconv = –λэффdT/dh. (4)

Здесь qcd — кондуктивный ТП, Вт/м2; qf — ТП, вызванный вынужденной конвекцией, Вт/м2;

qconv — ТП, вызванный свободной конвекцией, Вт/м2; Т — температура, K; h — глубина измерений, м; λ — коэффициент теплопроводности породы, Вт/(мK); ρ и с — плотность, кг/м3 и удельная теплоемкость, Дж/(кгK) флюида; v — скорость подъема флюида, м/с; μ — удельная площадь связанной пористости, доли единицы; λэфф — эффективный коэффициент теплопроводности, обусловленный свободной конвекцией, Вт/(мK), который определяется как λэфф = ελ, где ε — коэффициент свободной конвекции.

Предположим, что теплообмен на земной поверхности (ЗП) подчиняется закону Ньютона, тогда при h = 0 q = α [tв–T(0)], α — коэффициент теплообмена, Вт/(м2K), tв — температура воздуха, K. В случае вертикального подъема флюидов, их стационарная температура может быть найдена как решение уравнения:

При Т = Т0, h = H, где Н — глубина нижней кромки исследуемой области, если tв = 0, решение уравнения (6) имеет вид:

Анализ уравнения (6) показывает, что конвективный тепловой поток q зависит от скорости подъема флюида. Температура земной поверхности будет выше в местах, где в земной коре наблюдается более высокая скорость подъема флюида. При локальном развитии в земной коре конвективного теплообмена области с кондуктивным характером теплопередачи могут быть приняты в качестве фоновых. Над местами с высоким конвективным тепломассопереносом на ЗП следует ожидать наличие положительных температурных кон-

трастов.Ожидаемыевысокиезначенияконвективного ТП в земной коре явились физической основой для разработки алгоритма обработки изображений тепловой космической съемки (ТКС), включающего математическую модель годовых и суточных вариаций температуры земной поверхности (ТЗП).

Исходные материалы. Для решения дан-

ной задачи были использованы материалы спутника Terra (MODIS) на территорию юга Западной Сибири (в частности, восточной части Курганской области). Цифровые изображения, полученные спектрорадиометром MODIS по динамическому диапазону, за счет большого количества каналов, позволяют повысить достоверность классификации глубинных объектов. Материалы были получены на Московской станции приема спутниковой информации. Проанализировано около 400 сцен, из которых 15 отобраны для обработки.

Обработка материалов. Термодинамиче-

ская ТЗП определялась исходя из радиационной температуры и коэффициентов излучения. На первом этапе была проведена калибровка интенсивности излучения по различным яркостям изображения с использованием калибровочных функций. На втором этапе была прове-

дена радиометрическая коррекция. Значения интенсивности излучения L были пересчитаны в яркостную температуру TR согласно обратной функции Планка:

TR = С2/(λ ln ((C1 λ5) / L + 1)), (7)

где С1 и С2 — постоянные Планка; λ — длина волны для центра полосы пропускания сканирующей системы.

На третьем этапе была проведена атмосферная коррекция, которая основана на предположении о линейной связи термодинамической температуры Ttd и яркостных температур в четвертом (TR4) и пятом (TR5) каналах:

Ttd = А + В TR4 + С TR5, (8)

где A = 1,274; B = 1 + 0,15616 (1 – e)/e – 0,482 de/(e e); C = 6,26 + 3,98 (1 – e)/e – 38,33 de/(e e);е = (ε4 + ε5)/2; de = ε4 – ε5.

Важным элементом расчетов является априорное знание значений излучательных способностей земной поверхности ε4 и ε5. Для обработки тепловых изображений были использованы готовые программные продукты

с сайта MODIS’a. Примером реализованных алгоритмов для тепловых каналов может служить модуль ATCORT1.

После проведения этапов калибровки, радиометрической и атмосферной коррекции важными операциями для получения тепловых изображений являются привязка к картографической проекции и учет геометрических искажений МДЗЗ. Целью операции приведения к картографической проекции является при-

вязка данных ДЗЗ к карте. МДЗЗ, полученные космическими съемочными системами несут в себе геометрические искажения объектов земной поверхности. Для устранения искажений выполняются геометрические коррекции первичных МДЗЗ. Пересчет координат из одной системы в другую выполняется с помощью соответствующего программного обеспечения, в котором имеется широкий набор картографических проекций, например, Geomatics или

ERDAS. Геометрические искажения МДЗЗ,

вызванные принципом сканирования, исправляютсяспомощьюспециальныхпрограммных средств. Масштаб карты, к которой приводится космическое изображение, определяется геометрическим разрешением на местности съемочной системы и требованиями к тематическому картографированию. Космические съемочные системы (например Terra (MODIS)) с геометрическим разрешением от 0,25 до 1 км обеспечивают требуемую детальность картографирования.

Следующим этапом специализированной обработки является определение физических характеристик ЗП, от которых зависит ТЗП. Для дистанционного определения ТП, поступающего из недр, необходимо из исходных результатов тепловой космической съемки (ТКС) элиминировать воздействия других факторов: влияния коротковолновой и длинноволновой солнечной радиации, затрат тепла земной поверхности на турбулентный теплообмен с атмосферой, затрат тепла на испарение и затрат тепла вследствие суточных и годовых тепловых ритмов. Основная трудность измерения ТП состоит в необходимости корректного учетавлияниявариацийтепловыхсвойствповерхности, затрат тепла на испарение влаги с ЗП и учет теплообмена ЗП с приземным слоем атмосферы. Основной целью специализирован-

ной обработки тепловых космических данных является расчет физических характеристик ЗП: плотности потока суммарной солнечной радиации; альбедо; коэффициента излучения; тепловой инерции (ТИ); конвективного теплового потока (КТП) из недр; влажности почвы; геометрии дневной поверхности; структуры грунта; метеорологических условий; концентрации в атмосфере оптически активных газов (СО2, SO2) и времени. Они использовались для районированиятерритории,картированиягеоструктур и оценки параметров процессов, протекающих в земной коре. Для построения карт КТП, ТИ и СИ использовался стандартный набор метеоданных (температура, влажность и давление воздуха на высоте 2 м, скорость ветра на высоте 10 м, облачность), полученных на метеостанциях юга Тюменской области. Суммарная солнечная радиация рассчитывалась по значениям облачности по формуле Берлянд.

Алгоритм определения КТП, ТИ и СИ базировался на математической модели суточногоходаТЗП,учитывающейосновныефакторы, под влиянием которых формируется ТЗП. Для решения обратной задачи, то есть для определения по данным ТКС трех основных параметров (КТП, ТИ и СИ), необходимо выполнить трехразовую съемку в различное время суток так, чтобы результаты полностью характеризовали суточную динамику ТЗП.

Для учетавлияниярельефаземнойповерхности, поглощающего солнечную радиацию, в алгоритме предусмотрено использование цифровой модели рельефа (ЦМР). Обратная задача решается через задаваемый критерий соответствия измеренных и идеальных (находящихся в «библиотеке») ТЗП. С помощью метода наименьших квадратов находятся искомые значения КТП, ТИ и СИ. При наличии связной области, составленной из нескольких пикселей и имеющей определенную «морфологическую» форму (например, линейная зона или кольцевая структура), порог выделения аномалии мо-

жет быть снижен в N раз, где N — количество пикселей в предполагаемой аномальной области.

Проводярегулярныенаблюдениявосточной части Курганской области и восстанавливая по МДЗЗ количественные характеристики иссле-

дуемой поверхности, были получены временные ряды. Далее осуществлялся анализ временных вариаций количественных характеристик. Восстановленные количественные характеристики были нормализованы. Реализовано два подходаканализувременныхрядов:дифференциальный — сводится к вычитанию двух карт восстановленных характеристик поверхности, полученных в различное время; статистический — основанный на расчётах статистических параметров исследуемых количественных характеристик, восстановленных по МДЗЗ.

Далее применялись следующие процедуры анализа изображений. Метод выделения аномалий является дальнейшим развитием статистического метода анализа временных рядов.

Цветовое кодирование основано на совмест-

ном представлении растровых изображений, где используется три (иногда больше) изображения. Их смешение в различных пропорциях позволило на композите получить идентичные зоны, которые были окрашены одинаково. Факторный анализ представляет собой группу методов многомерного статистического анализа. Он позволил получить обобщенную информацию о структуре связей между различными изображениями на основе выделения скрытых факторов. Безэталонная классификация ис-

пользовалась для опознавания объектов на основе анализа их образов и построения тематических карт. Образ объекта есть упорядоченная совокупность данных ДЗЗ. Задача классификации — для каждого образа определить множествомалоотличающихсяотнегообразов, называемое классом. Используемая эталонная классификация предполагала построение тематических карт на основе формализованного распознавания дистанционных образов объектов. Основной особенностью эталонной классификации являлось привлечение априорной информации об объектах — типах земной поверхности. Многомерныйрегрессионныйана-

лиз является частью статистического анализа и предназначен, в основном, для определения параметров моделей, описывающих взаимосвязи в пространстве признаков. Будем называть регрессией зависимость одного из изображений от других изображений и/или других видов количественных данных, описывающих изучаемую территорию.

Схема алгоритма восстановления КТП, ТИ и СИ по материалам многократной ТКС

Факторный анализ, безэталонная и эталонная классификации, многомерный регрессионный анализ были осуществлены через программный комплекс ERDAS IMAGINE, который включает программные пакеты PCI

и Geomatics с процедурами ISOCLUS, KCLUS, MLC, FUZCLUS. Обработка подготовленного комплекта материалов проводилась для картирования термически активных линейных и кольцевых структур. Для районирования территории, определения параметров залегания геоструктур и параметров процессов, протекающих в земной коре на основе полученных количественных характеристик ЗП, были созданы цифровые мозаики методом совмещения нескольких снимков в единое изображение. Такими характеристиками являлись коэффициенты спектральной яркости, тепловая инерция, коэффициент излучения поверхности и т.д. Создание цифровых мозаик поддерживается комплексами программных средств

Geomatics и ERDAS.

На полученных тепловых изображениях температуры земной поверхности, скорости

испарения влаги, тепловой инерции, конвективного теплового потока, а также изображениях линеаментов, кольцевых структур, цифровой модели рельефа и других признаков были закартированы сходные (похожие) зоны, отражающие особенности отражения глубинных структур, особенности геологического строения региона. Полученные данные использовались для нефтепрогнозной интерпретации космических материалов. Была применена процедура, получившая название

классификации данных. Под ней подразумева-

лось разделение рассматриваемой совокупности объектов на однородные группы.

Использованы три способа классификации цифровых данных: построение цветовых композиционных изображений с последующим дешифрированием, безэталонная классификация методом K-средних и эталонная классификация для количественного прогноза нефтеперспективных площадей. В эталонной классификации применялся метод максимального правдоподобия. Многомерное признаковое пространство включало: спектральные коэффициенты яркости в каналах 1–7 видимого диапазона электромагнитных волн, плотность выявленных линеаментов, анизотропию направлений линеаментов, генеральные направления линеаментов, плотность центров кольцевых структур, глубину поверхности Мохоровичича, кажущуюся плотность эффективного 11 км слоя в земной коре (по данным гравиметрии), а также все тепловые характеристики ЗП - КТП, ТИ, СИ и др.

В качестве обучающей выборки использованы участки территории, где обнаружены нефтяные, нефтеконденсатные и газоконденсатные месторождения, указанные в ГИС «Природные ресурсы России». Для анализа были выбраны 37 эталонов, представляющих набор признаков земной поверхности, отмеченных на уже известных месторождениях нефти и газа. Точность географической привязки месторождений контролировалась по наличию промыслов внутри контуров месторождений на материалах спутника Terra с геометрическимразрешениемнаместности250  м. Прогноз нефтеперспективных площадей на основе анализа космических материалов производился в масштабе 1:500 000.

Дешифрирование тепловых изображений в восточной части Курганской области позволило закартировать крупную линейную термически активную сквозную зону субмеридионального направления, получившую название Убаган-Тобольская. Она находится в пределах Звериноголовско-Варгашинской палеодолины, выделенной в доюрском фундаменте. В результате дешифрирования комплексных данных, закартированы две термически активных кольцевых структуры, предположительно связанных с палеовулканическими аппаратами глубинногозаложения.Этимструктурамбыли даны названия Варгашинская и Частоозерная.

Дешифрирование тепловых изображений осуществлялось для выявления возможной связи термических кольцевых структур различных порядков с нефтегазоносностью. Анализ размещения месторождений углеводородов на юге Западной Сибири позволил сформулировать дешифровочные критерии:

наличие термически активных линейных зон; наличие термических кольцевых структур первого и второго порядков, осложненных кольцевыми структурами третьего порядка; наличие областей пониженных значений КТП, примыкающих к термически активным зонам.

В восточной части Курганской области выявлена единственная, наиболее перспективная на поиски углеводородов область, которая расположена в центральной части Звериноголовско-Варгашинской палеодолины доюрского фундамента. В пределах выделенной области отмечаются отдельные участки и площади, перспективные для обнаружения залежей УВ по комплексу вышеуказанных количественных признаков, соответствующих «нефтяным»эталонам.Под«нефтяным»эталоном понимается тот набор признаков, который был зафиксирован на уже известных месторождениях нефти и газоконденсата, находящихся в непосредственной близости от исследуемой территории. За эталоны были приняты 37 нефтяных,нефтегазоконденсатныхигазоконденсатныхместорождений,расположенныхнаюге Тюменской, Томской, севере Новосибирской и севере Омской областей. Из них на территории Курганской области были обнаружены признаки 11 месторождений: Тайлаковского, Яккун-Яхского, Полуньяхского, Соболиного,

Малоического,Верхне-Тарского,Тай-Дасского, Мыльджинского, Лугинецкого, Тевризского и Прирахтового. Вероятность надежного опознавания аналогов этих месторождений составила от 69 до 92%. Таких площадей насчитывается около 60.

Как правило, на периферии залежей УВ восходящие потоки глубинных флюидов индицируются положительными аномалиями температуры земной поверхности, что и нашло отображение на материалах тепловой космической съемки. Эти потоки несут в себе углеводороды, закономерно обрамляющие центры перспективных кольцевых структур. Кроме того, они контролируются системами линеаментов, которые являются проекциями глубинных геодинамически-напряженных зон на дневной поверхности.

На основании проведенных исследований можно сделать следующие выводы.

1.Для картографирования глубинных геоструктур и прогнозирования нефтеперспективных площадей применена методика тепловой космической съемки. Проведено тепловое районирование земной поверхности исследуемой территории.

2.При интерпретации тепловых космических изображений сформулированы дешифровочные критерии для выявления залежей УВ.

3.Анализ тепловых изображений показал, что единственной на поиски УВ в восточной части Курганской области является центральная часть Звериноголовско-Варгашинской палеодолины, где выделена термически активная кольцевая структура, представляющая глубинное палеовулканическое образование, примыкающее к термически активной УбаганТобольской линейной зоне.

4.По дешифрированию тепловых изображений с применением эталонов закартирована областьвцентральнойчастиЗвериноголовскоВаргашинской палеодолины, в пределах которой выделено около 60 площадей, схожих по своим признакам с месторождениями УВ, открытых в соседних областях. Вероятность надежного опознавания аналогов этих место-

рождений в восточной части Курганской области составила от 69 до 92%.

5.Использованиеспутниковыхтехнологий для прогнозирования скоплений УВ обширных территорий (какой является Курганская область) представляется перспективным малозатратным и экспрессным направлением.

литература

1.Белоносов А.Ю. Комплексирование результатов тепловизорной аэросъемки и приповерхностной геотермической съемки на нефтяных месторождениях Западной Сибири. // Материалы IV Республиканской конференции «Прямые методы поисков залежей нефти и газа». ИГГГИ, Львов, 1990. С. 41–44.

2.Горный В.И., Степанов И.В. Комплексирование тепло-

вой многоспектральной и аэромагнитной съемок при решении прогнознопоисковых задач. // Разведка и охрана недр. Вып. 9, 2001. –С. 39–43.

3.Горный В.И., Шилин Б.В., Ясинский Г.И. Тепловая аэро-

космическая съемка. М.:Недра, 1993. –128 с.

4.Белоносов А.Ю., Туренко С.К. Интерпретация спутни-

ковых данных конвективного теплового потока при прогнозировании залежей углеводородов в Курганской области // Известия вузов. «Нефть и Газ». –2009. –№6. –С. 4–9.

5.Belonosov А.Yu. The distant heat investigations within the oil and gas areas of the Western Siberia. // International conference «The earth’s thermal field and related research methods». Proceedings, Moscow, 1998, –P. 33–39.

6.Belonosov A.Yu. Application of remote thermal surver for

detection of hydrocarbon pools in West Siberia. // IV International conference“Theearth’sthermalfieldandrelatedresearchmethods

".Proceedings. Moscow. Russia. 2002, P. 17–25.

7.Belonosov A.Yu. Ground Surface Verification of Satellite

Prognosis of Promising Oil and Gas Fields. // GORS XIV international Symposium on "Remote Sensing and Development", Damascus, Syria, 2004.

8.Белоносов А.Ю., Мартынов О.С., Шешуков С.А. Космические исследования конвективного теплового потока при прогнозировании залежей нефти и газа на юге Западной Сибири. // Международная Академическая Конференция «Состояние, тенденции и проблемы развития нефтегазового потенциала Западной Сибири». Материалы конференции, Тюмень, 2008.

9.Gillespie A.R. ‘‘Spectral mixture analysis of multispectral

thermal infrared images.’’ Remote Sens. Environ., vol. 42, 1992,

p.137-145.

10. Gorny V.I. et al. Terrestrial Heat Flux Measuring and

Geothermal Zoning for Regional and Petroleum Geology on the Base of Satellite IR-Thermal Survey. Proc. of the Eleventh Thematic and Conference Geologic Remote Sensing , Vol.1. 1996, Las Vegas Nevada, USA.

11. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М., Техносфера, 2006, 1072 с.

Поступила 1 декабря 2009 г. Рекомендована кафедрой астрономии и гравиметрии СГГА

В свою очередь при D1i = D2i = 0 скорость роста площади лесного пожара растет линейно на каждом из этапов (мультиэкспоненциальная модель роста площади пожара) и решением системы уравнений (1) является мультилогистическая кривая

Как следует из соотношений (5) и (6), для оценки площади, пройденной огнем на i-м этапе распространения пожара, достаточно иметь сведения о площади пожара в моменты времени tIi и tCi , т.е. в моменты начала и завершения роста площади пожара на i-м этапе, а также в моменты tAi максимального роста площади пожара на i-м этапе.

Величины b1i =1D1i и b2i =1D2i из соотношения (5) и величины r1i и r2i из соотношения

(6) являются количественными характеристиками скорости роста площади пожара на i-м этапе и ими можно воспользоваться для оценки принятых на данном этапе мер по тушению пожара, которые в случае их эффективности должны приводить к резкому уменьшению скорости прироста площади пожара.

Итак, в основу предложенной нами методики оценки эффективности принятых мер по тушению лесных пожаров были положены следующие два положения, представляющие собой, по сути, переработанные положения описанной в работе [1] методики оценки эффективности проведенных мероприятий по тушению:

при беспрепятственном распространении пожара скорость прироста площади пожара в период замедленного ее роста практически не отличается от скорости прироста площади пожара в период ускоренного ее роста;

при вмешательстве человека либо естественных факторов (например, осадков) в процесс тушения пожара скорость прироста пройденной огнем площади в период замед-

ленного ее роста существенно ниже скорости прироста площади пожара в период ускоренного ее роста.

Исходя из обоих этих положений, приходим к заключению, что для оценки эффективности проведенных мероприятий по тушению лесного пожара на каждом из этапов его распространения можно воспользоваться показателем f, обнаруживающим различие между величинами f1 и f2, характеризующими скорость прироста площади, пройденной огнем, в периоды ускоренного и замедленного роста площади пожара на данном этапе.

На сегодняшний день существует огромное число показателей, позволяющих оценить степень различия между двумя величинами. Формулы расчета наиболее часто используемых для этой цели показателей, а также диапазон принимаемых каждым из них значений приведены в табл. 1. Вычислив значение индекса f можно сделать заключение об эффективности (неэффективности) принятых мер по тушению на соответствующем этапе распространения лесного пожара.

Например, если значение индекса fRI, используемого для оценки эффективности принятых мер по тушению лесного пожара на одном каком-либо из этапов его распространения, крайне высоко, то это свидетельствует о быстром затухании пожара на данном этапе, которое с большой степенью вероятности может быть вызвано эффективно проводимыми мероприятиями по тушению пожара. Если же

fRI близко к единице, то проведенные мероприятия существенно не повлияли на динамику распространения пожара. Если fRI близко к нулю, то мероприятия по тушению (если, конечно, они проводились) имели не положительный, а отрицательный эффект и привели в конечном счете к ускорению роста площади пожара. В последних двух случаях действия служб пожаротушения на рассматриваемом временном отрезке нельзя признать эффективными.

В перспективе для оценки эффективности принятых мер по тушению должна быть введена стандартизованная непрерывная градиентная либо дискретная шкала значений показателя f, на которой минимальное и максимальное значения могут отличаться от границ диапазона допустимых значений данного показателя (см. табл. 1).

Тогда в ходе обобщения результатов оценки эффективности тушения большого числа пожаров может быть проведена классификация всех принимаемых мер по тушению. Для этого весь диапазон значений, принимаемых показателем f, следует разбить на отдельные поддиапазоны (классы), попадание в каждый из которых позволит говорить о степени эффективности принятых мер. Подобный подход был использован для разделения лесных насаждений по степени их пожароопасности на пять основных категорий.

С учетом всего вышесказанного, методика оценки эффективности принятых мер по ту-

Т а б л и ц а 1