дин из возможных подходов к решению этой задачи предполагает первоначальное проведение взаимной яркостной нормализации изображений с целью их последующей совместной классификации. В основу метода яркостной нормализации изображений, полученных одним и тем же прибором дистанционного зондирования, положено предположение о том, что, при отсутствии качественных изменений лесов в период между двумя датами наблюдений, различия регистрируемой яркости, прежде всего, связаны с изменениями характеристик пропускания и рассеяния излучения атмосферой, а также фенологической динамикой растительности. При этом была принята линейная модель аппроксимации связи между значениями яркости на уровне прибора дистанционного зондирования Ra и на нижней границе атмосферы R, согласно следующему выражению:

Ra = g(Ratm + kR) (1),

где:

Ra - яркость подстилающей поверхности на верхней границе атмосферы;

Ratm - яркость отраженного атмосферой излучения;

R - яркость подстилающей поверхности на нижней границе атмосферы;

g - коэффициент пропускания атмосферы;

k - коэффициент, зависящий от функции пропускания атмосферы и геометрических условий наблюдения.

Использование линейной модели (1) позволяет выразить следующим образом связь значений яркости для одного и того же участка на двух различающихся временем получения изображениях:

CN1 = aCN2 + b (2),

где: CN1 и CN2 - уровни яркости участка поверхности в различные моменты наблюдений; a и b - коэффициенты уравнения.

Использование выражения (2) позволяет предложить простой метод взаимной яркостной нормализации спутниковых изображений, предполагающий реализацию описанных ниже последовательных этапов.

На первом этапе производится выбор базового изображения, максимально возможно отвечающего следующей группе условий:

наличие областей взаимного перекрытия базового изображения с максимально большим числом спутниковых изображений для региона наблюдения;

наличие в зонах перекрытия изображений участков, соответствующих различным, характерным для региона наблюдения, типам лесов;

соответствие даты наблюдения базового изображения наиболее благоприятной для картографирования лесов фазе фенологического развития растительности.

Следующий этап метода взаимной яркостной нормализации направлен на формирование сети опорных участков в зонах перекрытия спутниковых изображений для оценки значений коэффициентов уравнения (2). Опорные участки в зонах перекрытия соответствующих пар изображений выбираются визуально на покрытых лесом территориях исходя из следующих условий:

количество опорных участков должно удовлетворять критериям статистической репрезентативности для линейного регрессионного анализа получаемых данных;

выбранные опорные участки должны обеспечивать максимально широкий охват типов лесных насаждений, различающихся уровнем спектральной яркости;

опорные участки должны быть свободны от влияния облачности;

изображения опорных участков не должны содержать признаков качественных изменений лесов в период между датами получения спутниковых изображений.

При этом площадь каждого опорного участка на изображении должна превышать площадь пикселя в несколько раз, что позволяет при последующей оценке средних значений яркости внутри участков скомпенсировать влияние случайных факторов.

Измеренные пары значений средней спектральной яркости для опорных участков в зонах перекрытия изображений используются для оценки методом линейного регрессионного анализа значений коэффициентов уравнения (2) независимо для каждого канала. Получаемые при этом значения линейной корреляции R2 могут служить критерием достоверности оценок коэффициентов уравнения и, следовательно, потенциальной эффективности взаимной яркостной нормализации пары изображений.

Завершающим этапом процедуры нормализации является по канальное преобразование спутникового изображения с использованием коэффициентов линейного уравнения с целью компенсации яркостных различий на покрытых лесом территориях.

В соответствии с указанными выше критериями в зонах перекрытия изображений было выбрано по 30 опорных участков размером 3х3 пикселя. Полученные значения коэффициентов уравнения регрессии и корреляции для пары спутниковых изображений представленные в качестве примера в таблице 1. Как видно из приведенных данных, наиболее высокие значения R2 характерны для спектральных каналов TM4 и TM5, в то время как значение коэффициента корреляции для TM3 может свидетельствовать об относительно невысокой эффективности нормализации изображений в данном канале.

Таблица 1

Пример значений коэффициентов уравнения регрессии и корреляции при яркостной нормализации изображений (на примере сцен №2 и №5)

Канал	Коэффициенты уравнения	R2
	a	b
TM3	0.45	18.4	0.50
TM4	0.70	18.6	0.90
TM5	0.95	4.3	0.94
TM7	0.84	3.7	0.80

Оценка эффективности нормализации выполнялась с учетом ее влияния на возможности распознавания типов лесов, а ее основой служило сравнение значений критериев внутриклассовой изменчивости (стандартное отклонение уровней яркости внутри класса) и межклассовой разделимости (трансформированная дивергенция) до и после нормализации (таблицы 2 и 3). Влияние яркостной нормализации на гистограммы яркости лесного покрова демонстрируется приведенными на рисунке 3 графиками.

Таблица 2

Оценка влияния взаимной нормализации изображений на величину стандартного отклонения спектральной яркости классов лесного покрова

	Класс лесных насаждений
	Темнохвойные	Светлохвойные	Лиственные
	TM3	TM4	TM5	TM3	TM4	TM5	TM3	TM4	TM5
До нормализации	3.8	7.1	5.5	4.7	12.0	9.1	8.3	10.3	7.4
После нормализации	2.3	4.7	5.1	3.9	7.4	7.7	4.8	6.5	6.7

Табликца 3

Влияние взаимной нормализации изображений на значения трансформированной дивергенции между классами лесного покрова (до нормализации / после нормализации)

Тип леса	Темнохвойные	Светлохвойные	Лиственные
Темнохвойные	0.00	1265.68 / 1686.26	1334.06 / 1897.91
Светлохвойные	1265.68 / 1686.26	0.00	686.23 / 967.74
Лиственные	1334.06 / 1897.91	686.23 / 967.74	0.00

Рис.3 Влияние яркостной нормализации изображений Landsat-ETM на гистограмму яркости леса в спектральных каналах TM3 (слева) и TM4 (справа). Гистограммы яркостей до и после нормализации показаны соответственно сплошной и пунктирной линиями.

Для классификации совокупности радиометрически нормализованных изображений Landsat-ETM+ были использованы спектральные каналы TM3, TM4, TM5 и ТМ7, как наиболее информативные для изучения растительности. Предварительная оценка возможностей классификации лесов по данным Landsat-ETM+ продемонстрировала достаточно высокую точность распознавания классов темнохвойных, светлохвойных, лиственных и смешанных насаждений. Использование алгоритма неконтролируемой классификации ERDAS ISODATA позволило выделить на первом этапе 200 спектральных кластеров, последующая визуальная интерпретация которых была проведена с привлечением карты растительности Московской области и анализа сигнатур кластеров в пространстве яркостей в каналах TM3 и TM4.

Необходимость повышения точности распознавания темнохвойных лесов, частично перепутываемых с тенями от облаков и участками водной поверхности в прибрежных зонах, потребовала дополнительной тематической обработки спутниковых изображений. Повторная классификация изображений была выполнена только для пикселей отнесенных на предыдущем этапе к указанной совокупности классов с использованием текстурного признака, характеризуемого значениями дисперсии яростей в скользящем окне размером 5х5 пикселей. При этом для участков водной поверхности, как пространственно более однородных, характерны относительно низкие значения признака, что позволило улучшить точность классификации темнохвойных лесов. Дальнейшее улучшение точности выделения темнохвойных лесов было направлено на исключение ошибочно классифицированных участков теней от облаков. Это обеспечивалось процедурой пространственного анализа изображений в окрестности предварительно выявленных участков облачного покрова, детектированных по высоким значениям спектральной яркости во всех используемых спектральных каналах.

Результатом классификации спутниковых изображений Landsat-ETM+ стала карта лесов для части территории Московской области. Сравнительные данные о лесистости ряда лесохозяйственных предприятий области, полученные с использованием полученной карты и материалов Государственного учета лесов (ГУЛ) РФ по состоянию на 1998 год, представлены на рисунке 4.

Рис.4 Связь данных о лесистости для лесхозов Московской области по результатам классификации Landsat ETM+ и материалам ГУЛ (1998 г)

Глава 3. Региональная экологическая оценка характеристик состояния лесов по многоспектральным спутниковым данным MODIS

Для проведения экспериментальных работ был использован набор очищенных от влияния облачного покрова сезонных композитных изображений, полученных по данным прибора Modis со спутника Terra. Полученные данные обеспечивают полное покрытие территории области и включают композитные изображения для летнего (июнь-август) и зимнего (декабрь-февраль) периодов 2002 года. При этом использовались данные наблюдений с пространственным разрешением 250 м в красном (620-670 нм) и ближнем инфракрасном (841-876 нм) спектральных диапазонах и разрешением 500 м в среднем инфракрасном (1628-1652 нм) диапазоне.

На первом этапе была выполнена классификация изображений MODIS для построения карты лесов области с выделением темнохвойных, светлохвойных, лиственных и смешанных лесов. Классификация выполнялась в два последовательных этапа с применением алгоритма кластерного анализа ERDAS ISODATA на основе совместного использования изображений летнего и зимнего периода спутниковых наблюдений. На первом этапе был выполнен кластерный анализ зимнего изображения с последующей тематической интерпретацией спектральных кластеров, позволившей построить бинарную маску покрытия территории области лесами. Последующая более детальная классификация типов лесов проводилась по данным MODIS, полученным в летний период. При этом в рассмотрение принимались только пиксели, включенные в бинарную маску лесов на предыдущем этапе. Такая последовательность использования разносезонных спутниковых изображений позволяет достаточно просто исключить ошибки, связанные с перепутыванием классов, относящихся к покрытым и непокрытым лесом территориям.

Оценка по данным MODIS значений спектральных индексов, отражающих относительное содержание хлорофилла и влагообеспеченность лесной растительности, проводилась согласно следующим выражениям:

NDVI = (NIR - RED) / (NIR + RED) (3)

NDWI = (NIR - SWIR) /(NIR + SWIR) (4)

где NDVI - нормализованный разностный индекс растительности; NDWI - нормализованный разностный индекс влагосодержания; RED, NIR и SWIR - соответственно значения спектральной яркости в каналах 620-670 нм, 841-876 нм и 1628-1652 нм.

Глава 4. ГИС-анализ экологического состояния лесов Московской области

Возможность комплексной экологической оценки состояния лесов Московской области на основе результатов обработки данных спутниковых наблюдений и информации из других источников может быть обеспечена интеграцией имеющихся данных в среду ГИС, обладающей эффективными средствами анализа и представления разнородной пространственной информации. Решение этой задачи потребовало формирования банка данных, являющегося информационным ядром региональной ГИС и включающим в себя ряд взаимосвязанных цифровых картографических слоев и атрибутивных таблиц, характеризующих различные аспекты состояния лесов региона и организации территории.

Согласно принятой методологии ГИС-анализа предусматривается интеграция результатов обработки спутниковых изображений на уровне ячеек, покрывающей территорию области, регулярной сети. Размер ячеек (10х10 км) сети выбран исходя из условий обеспечения статистической репрезентативности интегральных оценок, получаемых по спутниковым данным MODIS, а также уровня пространственной детальности необходимых для проведения анализа вспомогательных данных об антропогенной нагрузке на территорию области. Регулярная сеть на территорию области, сформированная в проекции UTM на эллипсоиде WGS84, включает в себя 553 ячейки.

Основу банка данных региональной ГИС составляет база данных об индикаторах экологического состояния лесов по данным спутниковых наблюдений. В атрибутивной таблице базы данных для каждой ячейки сети содержатся значения таких показателей как: лесистость, доля хвойных насаждений в покрытой лесом площади, а также значения NDVI и NDWI отдельно для хвойных и лиственных лесов.

Наряду с базой данных об индикаторах экологического состояния лесов, информационное обеспечение ГИС включает базу данных по антропогенной нагрузке, базу данных ГУЛ для лесохозяйственных предприятий, а также вспомогательные векторные слои границ ячеек регулярной сети, границ административных районов и лесохозяйственных предприятий, покрытия с информацией о дорожной сети и населенных пунктах. Все перечисленные базы данных были сформированы в среде ArcView GIS 3.2. в виде согласованных картографических слоев и атрибутивных таблиц.

Относительная близость времени получения обоих видов спутниковых данных (Landsat-ETM+ и Terra-MODIS) обеспечивает возможность их совместного использования без учета изменений в лесах в период между наблюдениями. Регрессионный анализ данных о лесистости, полученных по обоим видам спутниковых данных, проводился для совокупности ячеек регулярной сети в зоне покрытия территории области изображениями Landsat-ETM+ (рис.5).

Рис.5 Связь между значениями лесистости в ячейках регулярной сети (10х10 км) для территории Московской области по данным MODIS и Landsat ETM+

При этом полином второго порядка принят в качестве модели аппроксимация связи между значениями лесистости по данным Landsat ETM+ и MODIS, при значении коэффициента корреляции R2=0,94. Полиномиальный характер связи объясняется различием величины пространственного разрешения спутниковых данных и свидетельствует о том, что использование данных MODIS приводит к недооценке лесистости для малолесных территорий за счет пропуска мелких массивов лесов. Одновременно при значительном уровне лесистости использование данных MODIS приводит к завышению значений этого показателя за счет большого числа смешанных пикселей, классифицируемых как лесной покров.

Использование представленного на рисунке 5 уравнения позволило уточнить полученные по данным MODIS оценки лесистости для всей территории области. При этом, после проведения процедуры коррекции значение лесистости для области (41,8%) практически не отличается от данных официальной статистики (41%), что может служить свидетельством эффективности предложенного методического подхода.

Последующий анализ показал наличие статистически значимой положительной корреляции между значениями NDWI и NDVI для хвойной растительности (Рис.6) и отсутствие таковой для лиственных лесов. Этот факт видимо является следствием более высокой чувствительности хвойных лесов к уровню антропогенной нагрузки, а также взаимосвязи между усыханием и снижением концентрации хлорофилла в лесной растительности. Одним из объяснений этому может являться то, что лиственные леса менее подвержены антропогенному влиянию в силу характерной для них сезонной дефолиации и, следовательно, частичному выводу вредных веществ из органов древесных растений.

При анализе рисунка 6, отображающем связь спектральных индексов для хвойных лесов видно, логично предположить, что соответствующая области низких значений обоих спектральных индексов растительность находится в более угнетённом состоянии по сравнению с другими хвойными насаждениями области.

Рис.6 Связь между значениями спектральных индексов NDWI и NDVI для хвойных лесов Московской области по данным MODIS

Подтверждением этому предположению могут служить результаты анализа взаимосвязи значений спектральных индексов для хвойных лесов с независимо полученными данными об уровне антропогенной нагрузки на территорию области, сравнение которых в ячейках регулярной сети показало пространственную корреляцию.

Дальнейший анализ также продемонстрировал очевидную тенденцию к снижению средних значений обоих спектральных индексов для хвойных лесов по мере роста уровня антропогенной нагрузки на территорию (рис.7).

а)
б)

Рис.7 Средние значения и диапазоны изменений индексов NDVI (а) и NDWI (б) в зависимости от уровня антропогенной нагрузки на территорию

При этом можно наблюдать, что для индекса NDWI характерно более устойчивое снижение значений после достижения некоторых критических значений уровня антропогенной нагрузки, что может служить его характеристикой, как более чувствительного, по сравнению с NDVI, индикатора экологического состояния лесов. Из сравнения динамики обоих спектральных индексов можно также предположить, что реакция лесов на возрастание антропогенной нагрузки, проявляющаяся в снижении концентрации хлорофилла происходит с некоторой задержкой после начала процессов обезвоживания древесной растительности.

Объяснением вариабельности значений спектральных индексов в пределах однородных по условиям антропогенной нагрузки территорий могут служить различия в устойчивости древесных пород, возрастных категорий и, наконец, индивидуальных особенностей отдельных деревьев. В анализе также нуждаются ландшафтные особенности территории, а также дополнительные неучтенные факторы негативного воздействия на окружающую среду.

Анализ сформированной базы данных ГИС об индикаторах экологического состояния лесов области позволяет выявить территории с наиболее высоким уровнем угнетения лесной растительности. В частности, для хвойных насаждений Ленинского, Люберецкого, Каширского, Химкинского, Красногорского и Домодедовского районов, расположенных в непосредственной близости к городу Москва, характерны относительно низкие значения спектральных индексов NDVI и NDWI, что может свидетельствовать о высоком уровне угнетения лесов вследствие антропогенной нагрузки на окружающую среду.

Заключение

Диссертационная работа содержит результаты исследований и научных разработок автора, которые можно рассматривать как решение важной научной задачи по развитию методов мониторинга экологического состояния лесов по данным спутниковых наблюдений. По результатам диссертационной работы можно сделать следующие основные выводы:

Современное состояние развития методов дистанционного зондирования обеспечивает возможность оценки характеристик состояния лесного покрова и создания системы регионального мониторинга лесов на основе комбинированного использования данных различного пространственного разрешения;

Методика региональной оценки экологического состояния лесов, предполагает использование спутниковых данных среднего и высокого пространственного разрешения (в частности, Terra/Aqua-MODIS и Landsat-ETM+) и направлена на определение индикаторов, отражающих покрытие территории лесами, породный состав насаждений и их физиологическое состояние, характеризуемое относительным уровнем концентрации хлорофилла и влагообеспеченности;

Разработанный метод взаимной радиометрической нормализации различающихся по условиям съемки изображений Landsat-ETM+ повышает эффективность использования данных спутниковых наблюдений для региональной оценки состояния лесов;

Эксперименты по классификации лесов по многоспектральным спутниковым изображениям показали возможность выделения темнохвойных, светлохвойных, лиственных и смешанных лесов с достаточным уровнем достоверности;

Комплексное использование результатов классификации лесов по данным MODIS и Landsat-ETM+ обеспечивает эффективную возможность оценки лесистости, как одного из важнейших индикаторов экологического состояния лесов региона;

Анализ взаимосвязей между значениями вегетационных индексов NDVI и NDWI по данным MODIS и уровнем антропогенной нагрузки показал возможность их использования в качестве индикаторов состояния хвойных лесов;

Анализ сформированной по результатам обработки спутниковых изображений базы данных ГИС об индикаторах экологического состояния лесов Московской области позволяет выявить территории с высоким уровнем угнетения лесной растительности.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

Барталев С.С., Оценка индикаторов состояния лесов Московской области по данным спутниковых наблюдений. // Электронный многопредметный научный журнал "Исследовано в России" том 9 стр.948-958

Барталев С.С., Исследование возможностей классификации лесов Московской области по данным Landsat-ETM+. // Сборник трудов Х межвузовского научно-практического семинара студентов, аспирантов и молодых ученых Московского региона по актуальным проблемам экологии и природопользования стр.114-120

Мельник Н.Н., Барталев С.С., Применение информационных систем в целях оптимизации деятельности агропромышленного и рыбохозяйственного комплексов // Вестник, электротехнологии, электрификации и автоматизации сельского хозяйства. Научный журнал под редакцией Т.Б. Лещинской. Выпуск №3 (13). Раздел информационные технологии. стр.151-154

Барталёв С.С., Малинников В.А., Взаимная яркостная нормализация спутниковых изображений при региональном картографировании лесов. // Известия высших учебных заведений специальный выпуск 2006 г. стр.83-92

Барталёв С.С., Малинников В.А., Возможности региональной экологической оценки лесов по данным спутниковых наблюдений. // Известия высших учебных заведений. Геодезия и аэрофотосъёмка. №6 2006 г. стр.3-18

Барталёв С. C., Малинников В.А., Эксперименты по региональной оценке характеристик экологического состояния лесов с использованием данных спутниковых наблюдений и ГИС-технологий. Четвёртая всероссийская открытая конференция "Современные проблемы дистанционного зондирования Земли из космоса" Москва, ИКИ РАН, 13-17 ноября 2006 г. Сборник тезисов конференции стр. 202

Страницы: 1, 2