Методы обработки спутниковых изображений в геофизике
Спутниковое дистанционное зондирование стало важнейшей основой современных геофизических исследований и приложений. С помощью спутниковых снимков геофизики могут проводить обширные, периодические и регулярные наблюдения за поверхностью Земли — от геологических характеристик и тектонической динамики до изменений береговой линии и деформации поверхности, вызванной землетрясениями или вулканической активностью. Однако спутниковые снимки не всегда легко использовать. Для повышения качества данных, извлечения соответствующей геофизической информации и минимизации помех, таких как облака, шум или геометрические искажения, необходим ряд методов обработки. В данной статье рассматриваются основные методы обработки спутниковых снимков в геофизическом контексте, от предварительной обработки до углубленного анализа.
1. Типы спутниковых снимков, обычно используемые в геофизике.
В геофизике часто используются несколько типов спутниковых данных:
1. Многоспектральная оптика (например, Landsat, Sentinel-2)
Предоставляет информацию об отражательной способности поверхности на нескольких длинах волн. Полезен для картирования литологии, минералов, подвергшихся изменению, растительности (как косвенный индикатор состояния почвы) и изменений ландшафта.
2. Тепловые данные (например, Landsat TIRS, MODIS)
Измерение теплового излучения на поверхности для анализа тепловых аномалий, например, для мониторинга вулканов, лавовых потоков или изменений температуры поверхности, связанных с гидротермальной активностью.
3. Радар (Радар с синтезированной апертурой/SAR: Sentinel-1, ALOS PALSAR)
Способный проникать сквозь облака и работающий круглосуточно, он необходим для картирования структур, изменений поверхности и анализа деформаций с использованием методов InSAR.
4. Спутниковая альтиметрия и гравиметрия (например, CryoSat, GRACE/GRACE-FO)
Хотя эти данные не являются «изображениями» в традиционном визуальном смысле, их часто обрабатывают для создания геофизических карт, таких как карты изменений водных масс, гравитационных аномалий или изменений толщины льда.
Выбор типа данных определит соответствующий алгоритм обработки, поскольку характеристики шума, разрешение и физические свойства сигналов различаются.
2. Предварительная обработка: основа качества анализа.
Цель этапа предварительной обработки — подготовить данные таким образом, чтобы они были пригодны для количественного анализа и могли сравниваться во времени или между различными датчиками.
а. Радиометрические и атмосферные поправки
Оптические изображения регистрируют интенсивность, на которую влияют атмосферные условия (аэрозоли, водяной пар) и угол солнечного излучения. Радиометрическая коррекция преобразует цифровые значения (ЦЗ) в физически значимые значения отражательной способности или яркости. Атмосферная коррекция — например, с использованием метода вычитания темных объектов или подходов, основанных на атмосферных моделях, — помогает получить более точные значения отражательной способности поверхности. В геофизике это имеет решающее значение, чтобы различия в спектральных значениях действительно отражали различия в материале или условиях поверхности, а не изменения атмосферы.
б. Геометрическая коррекция, ортокоррекция и репроекция
Геометрические искажения могут возникать из-за углов сканирования датчиков, топографии и движения спутников. Ортокоррекция использует цифровую модель рельефа (ЦМР) для коррекции эффектов рельефа, чтобы положение пикселей совпадало с фактическими координатами. Этот этап имеет решающее значение для картирования разломов, складок, литологических границ или изменений поверхности, требующих высокой пространственной точности.
c. Маскировка облаков и теней
В оптической визуализации облака представляют собой серьезное препятствие. Методы маскирования используют полосы качества (QA-полосы), спектральные пороги или алгоритмы, такие как Fmask, для идентификации облаков и их теней. Для исследований изменений ландшафта или геологического картирования в тропических регионах часто используются стратегии многовременного композитинга для «заполнения» областей, скрытых облаками.
d. Фильтрация спеклов для данных SAR.
На радиолокационных изображениях с синтезированной апертурой (SAR) присутствует характерный шум, называемый спеклом. Для уменьшения спеклов без потери деталей на краях, что важно для интерпретации геологических структур, используются различные фильтры (Ли, Фрост, Гамма-MAP). Выбор фильтра требует баланса: слишком агрессивный фильтр скроет линеамент, а слишком слабый оставит шум.
3. Улучшение качества изображения для геологической интерпретации
В структурном и литологическом картировании улучшение изображения направлено на выделение определенных особенностей, чтобы их было легко распознать.
а. Композитирование полос и преобразование цвета.
Композитные изображения RGB, полученные из отдельных полос, позволяют выделить различия в материалах. Например, сочетание ближнего инфракрасного и коротковолнового инфракрасного диапазонов часто эффективно для различения типов горных пород или зон изменения. Методы декорреляционного растяжения также используются для повышения контраста между полосами, что делает видимыми тонкие вариации.
б. Повышение резкости и пространственная трансформация
Фильтр верхних частот или нерезкое маскирование могут подчеркнуть края и линейные структуры, которые часто связаны с зонами разломов или трещин. Кроме того, анализ текстуры (например, GLCM — матрица совместной встречаемости уровней серого) помогает количественно оценить разнообразие поверхностных узоров, что полезно для различения геоморфологических и литологических единиц.
c. Спектральное преобразование: PCA и отношение полос
Метод анализа главных компонентов (PCA) уменьшает размерность многоспектральных данных и выделяет доминирующие вариации, которые могут быть связаны с геологическими различиями. Соотношения полос часто используются в разведке полезных ископаемых, поскольку некоторые минералы имеют характерное поглощение на определенных длинах волн. В прикладной геофизике соотношения полос могут дать первоначальное представление о перспективных зонах до проведения полевых исследований или детальной геофизики.
4. Классификация и извлечение информации
После того как изображение будет готово, следующим шагом станет систематическое извлечение геофизической информации.
а. Классификация с учителем и без учителя
Классификация с учителем (например, SVM, случайный лес) требует обучающих данных, полученных в полевых условиях или на эталонной карте. Классификация без учителя (k-средних, ISODATA) группирует пиксели на основе спектрального сходства без предварительной разметки. В геофизике результаты классификации могут помочь в картировании литологии поверхности, распределения осадочных пород, зон гидротермальных изменений или геоморфологических единиц, связанных с тектоническими процессами.
b. Сегментация и объектно-ориентированный анализ изображений (OBIA)
OBIA группирует пиксели в объекты на основе спектральных характеристик и формы, а затем классифицирует их. Этот метод часто лучше подходит для изображений высокого разрешения, поскольку геологические структуры — такие как линеаменты, аллювиальные конусы или дренажные системы — более информативны как объекты, чем отдельные пиксели.
c. Извлечение линеаментов
Линеаменты — это линейные структуры, которые могут представлять собой разломы, трещины или литологические контакты. Методы их извлечения включают обнаружение границ (Канни, Собеля), преобразование Хафа и направленную фильтрацию. Затем карты линеаментов можно сравнивать с другими геофизическими данными, такими как магнитные аномалии или сейсмические данные, для интерпретации подземных структур.
5. Интерферометрическая SAR (InSAR) для анализа деформации поверхности.
Одним из важнейших вкладов спутниковых снимков в геофизику является технология InSAR, которая использует разность фаз радиолокационных волн, полученных в результате двух или более съемок, для расчета изменений расстояния между спутником и поверхностью. С помощью InSAR деформации размером от нескольких сантиметров до миллиметров могут быть отображены на больших территориях для:
– косейсмическая и постсейсмическая деформация,
– вулканическая инфляция/дефляция,
– проседание грунта вследствие добычи подземных вод.
– устойчивость склонов и оползни.
Обработка данных InSAR включает в себя совмещение изображений, формирование интерферограмм, уменьшение топографической фазы (с использованием ЦМР), фазовую фильтрацию, развертывание и атмосферную коррекцию. Методы анализа временных рядов, такие как PSInSAR или SBAS, повышают точность за счет анализа множества изображений за длительный период.
6. Интеграция с другими геофизическими данными и полевая проверка.
Спутниковые снимки редко используются сами по себе. Наибольшую ценность они представляют в сочетании с другими геофизическими данными, такими как:
– магнитные и гравитационные измерения для оценки структуры и плотности подповерхностных слоев.
– сейсмические исследования для определения геометрии слоев и разломов.
– геохимия для подтверждения изменений,
– Использование GPS и нивелирования для проверки результатов деформации, полученных с помощью InSAR.
Полевые исследования по-прежнему важны, особенно для подтверждения литологических интерпретаций, подтверждения наличия активных разломов и отбора проб.
7. Вызовы и направления развития
К основным проблемам обработки спутниковых изображений в геофизике относятся топографическая неоднородность, облачность, различия в характеристиках датчиков и вычислительные требования к большим наборам данных. Однако развитие облачных вычислений и таких платформ, как Google Earth Engine, наряду с достижениями в области машинного обучения и глубокого обучения, ускоряет многовременную и многосенсорную обработку. В дальнейшем интеграция оптических, радиолокационных, тепловых и классических геофизических спутниковых данных еще больше расширит возможности мониторинга динамических процессов Земли в режиме, близком к реальному времени.
обложка
В геофизике методы обработки спутниковых изображений включают предварительную обработку (радиометрическую, геометрическую и фильтрующую коррекцию), улучшение изображений, классификацию и извлечение признаков, а также расширенный анализ, например, InSAR для анализа деформации поверхности. При правильном подходе спутниковые снимки могут стать высокоэффективным инструментом для понимания геологических и геодинамических процессов, поддержки разведки ресурсов и смягчения последствий стихийных бедствий. Ключ к успеху заключается в правильном выборе данных, тщательной обработке, интеграции данных из различных источников и адекватной полевой проверке.
