Инновации, основанные на данных дистанционного зондирования.
От дронов и спутников до бортовых датчиков и лидаров — достижения в области дистанционного зондирования и геопространственной информационной науки стимулируют разработку инновационных методов сбора, обработки и хранения данных. В этой статье рассматривается, как эти методы могут способствовать эффективному управлению земельными ресурсами.
Системы управления земельными ресурсами (УЗ), включая кадастровые и земельные регистрационные системы, призваны поддерживать управление стоимостью земли, правами собственности на землю, освоением земель и планированием землепользования. Эти системы имеют важное значение для достижения Целей устойчивого развития ООН (ЦУР). Разрабатываются инновационные методы сбора, обработки и обслуживания данных для поддержки эффективного управления земельными ресурсами (ЭУЗ). В них используются достижения в области дистанционного зондирования и геопространственной информационной науки, включая беспилотные летательные аппараты (БПЛА или «дроны»), спутниковые и бортовые датчики, а также лидар — все с высоким пространственным, спектральным, радиометрическим и временным разрешением. Также разрабатываются системы автоматической ориентации изображений, реконструкции поверхности, анализа сцен, обнаружения изменений, классификации и автоматического извлечения признаков — с помощью искусственного интеллекта, пространственной статистики и машинного обучения.
Подтвержденный опыт работы
Европейские страны впервые продемонстрировали возможность использования фотограмметрии для создания подробных кадастровых карт более ста лет назад (рисунки 1 и 2). Сейчас трудно обосновать какие-либо сомнения относительно использования фотограмметрии и дистанционного зондирования в управлении земельными ресурсами. Тем не менее, во многих регионах по-прежнему преимущественно используются наземные методы. Причина этого — сопротивление изменениям, личные интересы отрасли или анализ затрат и выгод — остается предметом дискуссий. Между тем, в последние годы значительно развились технологии сбора данных с датчиков, облачные вычисления и обработка изображений. Учитывая все это, геодезические сообщества в разных странах должны стремиться найти наилучший способ интеграции кадастрового картографирования на основе изображений с наземными методами.
Последние разработки демонстрируют сближение наземных и фотограмметрических/дистанционных методов. Благодаря цифровизации различие между наземными и воздушными методами становится все более размытым, а инструменты, методы, данные и карты, а также программы обучения, все больше интегрируются.
Методы дистанционного зондирования не всегда требуют интенсивной технической полевой работы (хотя определенный уровень личных консультаций и информирования владельцев и землепользователей всегда необходим). Спутниковые снимки или аэрофотоснимки могут использоваться в качестве базовых карт для мероприятий по картографированию с участием общественности, где определяются физические объекты, представляющие границы собственности, такие как дороги и тропы, соединенные участки или здания. Исследования подтверждают, что границы могут быть обнаружены на нанесенных на карту спутниковых снимках и обозначены или очерчены с помощью ручных или автоматизированных методов извлечения объектов. Разрешение изображений должно соответствовать рельефу местности и землепользованию. Спутниковые снимки могут иметь недостатки, такие как недостаточное разрешение для городских условий, длительное и дорогостоящее время обработки или трудности с получением актуальных данных из-за частой облачности, особенно в тропических регионах. Беспилотные летательные аппараты (БПЛА) могут помочь преодолеть некоторые из этих проблем и поэтому рассматриваются как жизнеспособное решение для получения аэрофотоснимков для дальнейшего определения границ.
В дистанционном зондировании для управления земельными ресурсами крайне важно учитывать «невидимые границы». Это юридические границы, невидимые на местности (то есть, на них нет межевых знаков). Поскольку они фактически существуют в сознании людей, в настоящее время их невозможно обнаружить с помощью методов дистанционного зондирования, хотя дальнейшие исследования в этой области могут включать прогнозирование возможных местоположений невидимых границ в сочетании с наземными исследованиями и знаниями экспертов. Несмотря на эту сложность, использование изображений в этих контекстах очень ценно. Управление земельными ресурсами давно признает различные способы представления кадастровых границ. Они представлены в различных формах: как физические природные объекты, созданные человеком объекты (колышки или межевые знаки), юридический статус, социальное признание, текстовые описания (границы), графические изображения (с точным масштабом или без него), числовые или координатные описания и, в последнее время, цифровые представления. Ни один технологический подход не может охватить все эти аспекты. Однако дистанционное зондирование и фотограмметрия, безусловно, могут помочь в некоторых из них.
Расцвет беспилотных летательных аппаратов
За последнее десятилетие беспилотные летательные аппараты (БПЛА) стали большим преимуществом как для научных, так и для коммерческих целей. За последние пять-шесть лет стоимость и размеры БПЛА значительно уменьшились, что сделало их экономически эффективным способом проведения картографирования и исследований в короткие сроки. Они быстро приобрели важное значение как инструмент для быстрого сбора изображений высокого разрешения в качестве базовых данных для кадастрового картографирования.
Для картографирования с использованием БПЛА необходимы сам БПЛА, пилоты и законное разрешение на полет. Миссия состоит из трех этапов: планирование полета, сбор данных и их обработка. Хотя полет БПЛА является центральным элементом, он занимает всего 20% от общего времени миссии; сбор эталонных данных и обработка изображений могут быть в два-три раза более трудоемкими. Тем не менее, доказано, что конфигурация полета оказывает существенное влияние на качество данных, собранных с помощью БПЛА для создания и обновления кадастровых карт.
В ходе экспериментов в Европе и Африке оценивалось влияние типа землепользования, расположения опорных точек (GCP) и планов полетов на точность и полноту автоматически определяемых кадастровых объектов. Результаты показывают, что каждый из этих факторов оказывает существенное влияние на конечное качество данных. Точность и полнота автоматически определяемых кадастровых объектов могут значительно различаться между ортофотоснимками, полученными на основе разных планов полетов.
Улучшение сбора данных с БПЛА
Ниже приводится краткое изложение некоторых ключевых рекомендаций для специалистов по наземным работам по улучшению существующих и будущих рабочих процессов сбора данных с помощью БПЛА:
- Землепользование может существенно влиять на количество опорных точек на изображении. Для сцен с высокой долей растительности, таких как деревья или леса, необходимо перекрытие в 80-90%, чтобы обеспечить достаточное соответствие изображений.
— Независимо от размера исследуемой области, уровень погрешности планиметрических и вертикальных остатков остается постоянным, когда семь опорных точек равномерно распределены (как показано на рисунке 3), а прямое и боковое перекрытие составляют не менее 70%. Поскольку добавление дополнительных опорных точек существенно не изменяет абсолютную точность, семь опорных точек являются оптимальной схемой съемки.
- Качество реконструированных тонких кадастровых объектов, таких как бетонные стены, в значительной степени зависит от конфигурации полета. Увеличение перекрытия изображений повысило надежность сгенерированных ортофотоснимков. С другой стороны, результаты выделения крыш показали меньшую чувствительность к конфигурации полета.
- Остаточные значения контрольных точек могут указывать на высокую абсолютную точность ортофотоснимка. Однако важно измерять их не только после пакетной блочной корректировки (BBA), но и в сгенерированном ортофотоснимке, чтобы точно оценить надежность реконструированных объектов сцены, особенно в неблагоприятных условиях с большими колебаниями высотной составляющей.
Результаты данного анализа имеют важное значение для использования БПЛА в задачах управления земельными ресурсами. Существует риск использования БПЛА без понимания принципов фотограмметрии и доступных вариантов настройки параметров полета. Это может привести к получению высококачественных конечных продуктов, но с пространственными смещениями, деформациями или некачественными результатами реконструкции важных объектов, которые могут остаться незамеченными. В то же время, результаты этого анализа открыли огромные возможности для настройки рабочих процессов с использованием БПЛА. Различные конфигурации полета и разнообразные справочные данные предоставляют широкий спектр вариантов для адаптации задачи сбора данных к финансовым, кадровым и временным возможностям, а также для удовлетворения потребностей и требований клиентов в земельном секторе. Это делает рабочие процессы с использованием БПЛА жизнеспособным и устойчивым инструментом для предоставления надежной и экономически эффективной информации для решения текущих и будущих кадастровых задач.
ГеоИИ и глубокое обучение
В последние годы растет интерес к концепции использования изображений дистанционного зондирования для определения видимых границ кадастровых участков. Это привело к увеличению активности в разработке автоматизированных методов извлечения таких границ. Недавние исследования в области искусственного интеллекта (ИИ), машинного обучения, а точнее, глубокого обучения и изображений дистанционного зондирования для целей извлечения границ кадастровых участков, внушают оптимизм. Традиционные методы обучения без учителя в значительной степени основаны на настройке параметров, таких как форма, цвет и размер желаемых сегментированных объектов. Они были разработаны путем комбинирования нескольких параметров в качестве входных данных – включая масштаб, компактность, вес слоя и форму/цвет – для прогнозирования сегментированных векторных полигонов. На основе этих методов были исследованы различные выходные данные, такие как изображения, в которых каждое значение пикселя представляет вероятность границы, или выходные данные в виде замкнутых контуров пикселей. В отличие от традиционных методов обучения без учителя, методы обучения с учителем используют обучаемые сети, которые принимают размеченные данные в качестве входных данных модели. Эффективность традиционных методов обучения без учителя и с учителем была продемонстрирована, особенно когда входные данные ограничены. С другой стороны, при наличии больших наборов данных глубокое обучение часто оказывается более подходящим выбором.
Модели глубокого обучения состоят из множества слоев, которые обучаются представлению данных на разных уровнях абстракции, начиная с пикселей, углов и краев и заканчивая сложными пространственными паттернами. Одной из архитектур глубокого обучения, часто используемых в классификации изображений, является сверточная нейронная сеть (CNN). Особым типом CNN является так называемая полностью сверточная сеть (FCN), предназначенная для выполнения семантической сегментации изображений. Оба метода доказали свою перспективность для определения границ, однако успех конечного результата в значительной степени зависит от видимости физически обозначенных границ на изображении. Сравнение различных методов автоматического извлечения границ также показало превосходство методов машинного обучения (рисунки 4 и 5).
По сравнению с традиционными методами, наиболее существенным преимуществом моделей глубокого обучения является то, что все представления изучаются с учителем, а не создаются вручную человеком. Существует явная необходимость в дальнейшем развитии методов, особенно в направлении обнаружения или прогнозирования местоположения невидимых кадастровых границ.
Новая роль для лидара
Значительное количество работ посвящено изучению роли лидара в кадастровой картографии. В Польше была предложена автоматизированная система для извлечения контуров крыш зданий на основе модифицированного алгоритма глубокого обучения U-Net. Этот алгоритм был разработан для обеспечения точной сегментации крыш при ограниченном количестве обучающих изображений. Размер карты признаков используемой архитектуры U-Net составлял 416 × 416 × 1, а анализ проводился с использованием общедоступных данных, состоящих из ортофотоснимков и плотно классифицированных данных лидара в цифровой модели поверхности (ЦМП).
Использование методов глубокого обучения, аэрофотоснимков высокого разрешения и данных земельного управления (полученных с помощью лазерного сканирования) может обеспечить эффективный и экономически выгодный метод получения контуров зданий для кадастровых целей. Хотя автоматически извлеченные контуры не могут быть напрямую включены в кадастровые данные из-за расхождений между контурами земли и крыш, они все же могут быть использованы в процессе кадастровой модернизации. Эксперимент показал, что предложенный подход дает удовлетворительные результаты и адаптируется при настройке параметров под здания региона. Однако это может быть неприменимо к другим районам с различными характеристиками зданий.
Экономически выгодно и справедливее
Рассматривая другой пример, выходящий за рамки кадастровых или земельных границ, следует отметить, что оценка недвижимости – фундаментальный элемент управления земельными ресурсами – обычно определяется рядом факторов, таких как географическое положение, физические характеристики, правовые аспекты и экономические соображения. Хотя оценка недвижимости имеет важное значение для экономического роста, во многих развивающихся странах часто отсутствуют официальные правила или конкретные требования к данным. Поэтому в исследовании, проведенном в Руанде, изучалась эффективность трех технологий дистанционного зондирования в отношении налогообложения: 1) аэрофотоснимки, полученные с помощью цифровой камеры, 2) спутниковые снимки WorldView2 и 3) снимки, полученные с помощью беспилотного летательного аппарата (БПЛА) DJI Phantom 2 Vision Plus. Было показано, что БПЛА представляют собой наиболее перспективный метод сбора данных для поддержки оценки недвижимости в целях налогообложения. Они могут предоставлять точную и актуальную информацию, что крайне важно для справедливого налогообложения.
Хотя прошлые тенденции могут быть ненадежными предикторами будущего прогресса, расширение использования технологий дистанционного зондирования в управлении земельными ресурсами представляется неоспоримым. Цифровая трансформация снижает правовые и институциональные барьеры для перемен, позволяя стартапам и другим поставщикам услуг в сфере управления земельными ресурсами легче выходить на рынок. Искусственный интеллект и методы извлечения признаков будут по-прежнему использоваться и объединяться с другими источниками данных, такими как законодательные и ненормативные, а также социальные и экологические данные, для создания более совершенных алгоритмов распознавания границ. Тем не менее, люди останутся в центре этих процессов. В конечном итоге именно они должны определять, использовать и обеспечивать соблюдение границ.
Авторы:
Мила Коева — доцент Международного института геоинформационных наук при Университете Твенте.
Рохан Беннетт занимает должность советника по управлению земельными ресурсами (Кадастр, Нидерланды).
Клаудио Перселло— заместитель декана по научным исследованиям и доцент факультета ITC Университета Твенте.