Техники за обработка на сателитни изображения в геофизиката
Дистанционното наблюдение, базирано на сателити, се е превърнало в ключов гръбнак на съвременните геофизични изследвания и приложения. Чрез сателитни изображения геофизиците могат да наблюдават земната повърхност обширно, периодично и последователно – от геоложки характеристики и тектонична динамика до промени в бреговата линия и деформации на повърхността, причинени от земетресения или вулканична активност. Сателитните изображения обаче не са лесно използваеми. Необходими са редица техники за обработка, за да се подобри качеството на данните, да се извлече съответна геофизична информация и да се сведат до минимум смущенията, като облаци, шум или геометрични изкривявания. Тази статия разглежда основните техники за обработка на сателитни изображения в геофизичен контекст, от предварителна обработка до разширен анализ.
1. Видове сателитни изображения, често използвани в геофизиката
В геофизиката често се използват няколко вида сателитни данни:
1. Мултиспектрална оптика (напр. Landsat, Sentinel-2)
Предоставя информация за повърхностното отражение при множество дължини на вълните. Полезно за картографиране на литологията, минерални промени, растителност (като косвен индикатор за почвените условия) и промени в ландшафта.
2. Термични (напр. Landsat TIRS, MODIS)
Измерване на повърхностните топлинни емисии за анализ на термични аномалии, например наблюдение на вулкани, потоци от лава или промени в температурата на повърхността, свързани с хидротермална активност.
3. Радар (радар със синтетична апертура/SAR: Sentinel-1, ALOS PALSAR)
Способен да прониква в облаци и да работи денонощно, той е от съществено значение за картографиране на структури, промени в повърхността и анализ на деформации, използвайки InSAR техники.
4. Спътникова алтиметрия и гравитация (напр. CryoSat, GRACE/GRACE-FO)
Въпреки че не са „изображения“ в конвенционалния визуален смисъл, тези данни често се обработват в геофизични карти, като например промени във водната маса, гравитационни аномалии или промени в дебелината на леда.
Изборът на тип данни ще определи подходящия поток на обработка, тъй като шумовите характеристики, разделителната способност и физическите свойства на сигналите варират.
2. Предварителна обработка: основата на качеството на анализа
Етапът на предварителна обработка има за цел да подготви данните, така че да са подходящи за количествен анализ и да могат да бъдат сравнявани във времето или между сензори.
а. Радиометрични и атмосферни корекции
Оптичните изображения записват интензитета, който е повлиян от атмосферните условия (аерозоли, водни пари) и ъгъла на слънчевата радиация. Радиометричната корекция преобразува цифровите стойности (DN) във физически значима отражателна способност или сияние. Атмосферната корекция – например, използвайки метода за изваждане на тъмни обекти или подходи, базирани на атмосферни модели – помага за получаване на по-точно повърхностно отражение. В геофизиката това е от решаващо значение, така че разликите в спектралните стойности наистина да отразяват разликите в повърхностния материал или условия, а не атмосферните промени.
б. Геометрична корекция, орторектификация и репроекция
Геометричното изкривяване може да възникне от ъгли на сканиране на сензорите, топография и движение на сателита. Орторектификацията използва цифров модел на релефа (DEM), за да коригира релефните ефекти, така че позициите на пикселите да се подравнят с действителните координати. Тази стъпка е от решаващо значение за картографиране на разломи, гънки, литоложки граници или промени в повърхността, които изискват висока пространствена точност.
в. Маскиране на облаци и сенки
В оптичните изображения облаците са основна пречка. Техниките за маскиране използват качествени ленти (QA ленти), спектрални прагове или алгоритми като Fmask за идентифициране на облаци и техните сенки. За проучвания на промените в земята или геоложко картографиране в тропическите региони често се използват стратегии за многовременно композиране, за да се „запълнят“ областите, затъмнени от облаци.
г. Филтриране на петна за SAR данни
SAR изображенията имат характерен шум, наречен „петна“. Използват се различни филтри (Lee, Frost, Gamma-MAP) за намаляване на „петната“, без да се елиминират детайлите по ръбовете, което е важно за интерпретирането на геоложките структури. Изборът на филтър изисква баланс: твърде агресивният ще замъгли линеамента, докато твърде слабият ще остави шум.
3. Подобряване на изображението за геоложка интерпретация
При структурното и литоложко картографиране, подобряването на изображението има за цел да подчертае определени характеристики, така че те да бъдат лесно разпознаваеми.
а. Комбинация от ленти и трансформация на цветовете
RGB композитите от специфични ленти могат да подчертаят разликите в материалите. Например, комбинация от близки инфрачервени и късовълнови инфрачервени ленти често е ефективна за разграничаване на видовете скали или зоните на промяна. Техниките за декорелационно разтягане също се използват за подобряване на контраста между лентите, правейки фините вариации видими.
б. Заостряне и пространствена трансформация
Високочестотен филтър или неостро маскиране могат да подчертаят ръбовете и линеаментите, които често са свързани с разломни или фрактурни зони. Освен това, текстурният анализ (напр. GLCM - Gray Level Co-occurrence Matrix - матрица на съвместното появяване на сивите нива) помага за количествено определяне на разнообразието от повърхностни модели, което е полезно за разграничаване на геоморфологични и литоложки единици.
в. Спектрална трансформация: PCA и съотношение на лентите
Анализът на главните компоненти (PCA) намалява размерността на мултиспектралните данни и подчертава доминиращите вариации, които могат да бъдат свързани с геоложки различия. Съотношенията на лентите често се използват при проучване на минерали, тъй като някои минерали имат характерно поглъщане при специфични дължини на вълните. В приложната геофизика съотношенията на лентите могат да предоставят първоначална индикация за перспективни зони преди полеви проучвания или подробна геофизика.
4. Класификация и извличане на информация
След като изображението е готово, следващата стъпка е систематично извличане на геофизичната информация.
а. Класификация с контролиран и неконтролиран контрол
Контролираната класификация (напр. SVM, Random Forest) изисква данни за обучение от полето или референтна карта. Неконтролираната класификация (k-means, ISODATA) групира пикселите въз основа на спектрално сходство без предварително етикетиране. В геофизиката резултатите от класификацията могат да помогнат при картографирането на повърхностната литология, разпределението на седиментите, зоните на хидротермални промени или геоморфологичните единици, свързани с тектонични процеси.
б. Сегментация и обектно-базиран анализ на изображения (OBIA)
OBIA групира пикселите в обекти въз основа на спектрални характеристики и форма, след което ги класифицира. Този метод често е по-добър за изображения с висока резолюция, защото геоложките структури – като линеаменти, алувиални ветрила или дренажни модели – са по-смислени като обекти, отколкото единичните пиксели.
в. Извличане на линеаменти
Линеаментите са линейни обекти, които могат да представляват разломи, фрактури или литоложки контакти. Техниките за извличане включват откриване на ръбове (Canny, Sobel), трансформация на Hough и насочено филтриране. Картите на линеаментите могат да бъдат сравнени с други геофизични данни, като например магнитни аномалии или сеизмични данни, за да се интерпретират подземните структури.
5. Интерферометрия SAR (InSAR) за повърхностна деформация
Един от най-големите приноси на сателитните изображения към геофизиката е InSAR, който използва фазовите разлики на радарните вълни от две или повече събирания на данни, за да изчисли промените в разстоянието между сателита и повърхността. С InSAR деформации от няколко сантиметра до милиметри могат да бъдат картографирани върху големи площи, за да:
– косеизмична и постсеизмична деформация,
– вулканична инфлация/дефлация,
– слягане на земята поради извличане на подпочвени води,
– стабилност на склоновете и свлачища.
InSAR обработката включва корегистрация на изображения, формиране на интерферограма, топографско фазово намаляване (с помощта на DEM), фазово филтриране, разгъване и атмосферна корекция. Техники за времеви серии, като PSInSAR или SBAS, повишават точността чрез анализ на множество изображения за дълъг период от време.
6. Интегриране с други геофизични данни и валидиране на терен
Сателитните изображения рядко съществуват самостоятелно. Най-голямата им стойност се проявява, когато се комбинират с други геофизични данни, като например:
– магнитни и гравитационни данни за оценка на структурата и плътността на подземните пластове,
– сеизмични данни за геометрията на пластовете и разломите,
– геохимия за проверка на промените,
– GPS и нивелиране за валидиране на резултатите от InSAR деформации.
Полевата валидация остава важна, особено за потвърждаване на литоложки интерпретации, потвърждаване на активни разломи и вземане на проби.
7. Предизвикателства и насоки на развитие
Някои от основните предизвикателства при обработката на сателитни изображения в геофизиката включват топографска хетерогенност, облачна покривка, разлики в характеристиките на сензорите и изчислителни изисквания за големи масиви от данни. Развитието на облачните изчисления и платформи като Google Earth Engine, заедно с напредъка в машинното обучение и дълбокото обучение, обаче ускоряват многовремевата и многосензорната обработка. В бъдеще интегрирането на оптични, SAR, термични и класически геофизични сателитни данни ще подобри допълнително способността за наблюдение на динамичните процеси на Земята в почти реално време.
Затваряне
Техниките за обработка на сателитни изображения в геофизиката включват предварителна обработка (радиометрични, геометрични и филтриращи корекции), подобряване на изображението, класификация и извличане на характеристики, както и усъвършенстван анализ, като например InSAR за повърхностни деформации. С правилния подход сателитните изображения могат да бъдат високоефективен инструмент за разбиране на геоложките и геодинамичните процеси, подпомагане на проучването на ресурси и смекчаване на последиците от бедствия. Ключът към успеха се крие в подходящ подбор на данни, внимателна обработка, интеграция на множество източници и адекватна полева проверка.
