23705 (653698), страница 2

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

К особенностям предложенного в настоящее работе подхода относится оценка значений указанных спектральных индексов отдельно для хвойных и лиственных насаждений, что продиктовано их различной чувствительностью к воздействию негативных факторов среды. При этом, в отличие от лиственных лесов, значения спектральных индексов для хвойной растительности могут выступать в качестве чувствительного индикатора их состояния. Это объясняется тем, что, не будучи подверженным сезонной дефолиации, хвойные насаждения в условиях повышенного уровня загрязнения окружающей среды аккумулируют в вегетативных органах значительно более высокий уровень вредных веществ, что проявляется в снижении уровня хлорофилла и влагосодержания, и как следствие в более высоком уровне угнетения хвойных деревьев. Данное положение нашло подтверждение в результатах экспериментальных исследований, выполненных в рамках диссертационной работы.

С целью обеспечения сопоставимости и возможностей совместного анализа индикаторов состояния лесов, получаемых по спутниковым данным различного пространственного разрешения, снижения влияния случайных факторов, а также удобства пространственного моделирования в среде ГИС предложенная методика предполагает осреднение характеристик состояния лесов в ячейках покрывающей территорию регулярной сети. Исходя из необходимости обеспечения репрезентативности получаемых оценок и пространственного разрешения изображений MODIS, используемых в качестве одного из основных источников спутниковых данных для исследований, было признано целесообразным использовать ячейки сети с размером 10х10 км.

Представленная на рисунке 1 логическая схема отражает основные этапы предложенной методики региональной оценки экологического состояния лесов по спутниковым данным. Как следует из схемы, для апробации методики на примере Московской области используются приборы MODIS (250 м) и Landsat-ETM+ (28,5 м) в качестве основных источников спутниковых данных. При этом данные MODIS обеспечивают полное покрытие региона и используются в сочетании с репрезентативной выборкой изображений высокого разрешения.

Предварительная обработка спутниковых данных призвана обеспечить их более эффективный тематический анализ за счет снижения влияния мешающих факторов. Так предварительная обработка ежедневных данных наблюдений прибором MODIS направлена на формирование очищенных от влияния облачного покрова композитных изображений региона путем селекции данных за некоторый период наблюдений на основе набора заданных критериев. Предварительная обработка данных Landsat-ETM+ включает в себя их географическую привязку и взаимную радиометрическую нормализацию, и направлена на обеспечение возможности совместной классификации совокупности спутниковых изображений на регион исследований с целью снижения временных затрат на этапе тематической обработки.

На первом этапе тематического анализа изображений предусматривается построение карт лесов по результатам независимой классификации обоих видов спутниковых данных. Набор классов, выделяемых в ходе анализа спутниковых данных, должен обеспечивать отделение покрытых лесом от непокрытых лесом участков, а также подразделение покрытых лесом территорий на хвойные, лиственные и смешанные насаждения. Целесообразно также выделять хвойные насаждения с преобладанием светлохвойных (сосна) и темнохвойных (ель, пихта) пород. В качестве источника вспомогательных данных для классификации изображений могут использоваться лесоустроительные и другие тематические карты, отражающие территориальное распределение лесов региона и их породный состав. Интеграция полученных по результатам классификации изображений MODIS данных о характеристиках лесов в базу данных ГИС предваряется выполнением калибровки с использованием результатов анализа изображений высокого разрешения. Предложенной методикой предлагается восстановление вида и параметров калибровочных функций путем регрессионного анализа, в качестве входных переменных для которых используются значения лесистости для ячеек сети, полученные по спутниковым изображениям среднего и высокого разрешения.

Полученные в результате классификации изображений MODIS маски хвойных и лиственных лесов используются на дальнейших этапах для вычисления в ячейках сети средних значений индексов NDVI и NDWI, отражающих физиологическое состояние насаждений в части обеспеченности их хлорофиллом и водой.

При этом целесообразно установить связь значений спектральных индексов с независимыми данными об антропогенной нагрузке на экосистемы, которая, в частности, может выражаться в уровне загрязнения атмосферы и почв вредными веществами.

Получаемые данные об индикаторах экологического состояния лесов позволяют формировать постоянно обновляемую базу данных в составе ГИС по лесам региона. Банк данных ГИС должен также включать в состав информационного обеспечения ряд дополнительных баз данных и цифровых карт.

Глава 2. Картографирование лесов по многоспектральным спутниковым данным высокого пространственного разрешения

Предложенная методика региональной экологической оценки лесов предусматривает использование репрезентативной выборки данных спутниковых наблюдений высокого пространственного разрешения для классификации лесного покрова и оценки таких ключевых индикаторов как лесистость и доля чистых хвойных насаждений в составе покрытой лесом площади. Одним из широко используемых в настоящее время источников спутниковых данных высокого разрешения является портал программы Global Land Cover Facility (GLCF http: // glcf. umiacs. umd. edu). Отобранный из архива набор изображений Landsat ETM+ включал в себя пять спутниковых сцен с незначительным влиянием облачности и максимально возможно приближенных по фазе фенологического развития растительности. Схема покрытия области изображениями Landsat ETM+ представлена на рисунке 2.

Р

ис.2 Схема покрытия Московской области данными Landsat-ETM+

Используемые в работе изображения были приведены в проекцию UTM на эллипсоиде WGS84, а уточнение их взаимной пространственной привязки производилось методом аффинных преобразований по опорным точкам в зоне перекрытия изображений с уровнем погрешности, не превышающей размера одного пикселя.

При построении карт лесов регионального уровня с использованием данных высокого пространственного разрешения, как правило, для обеспечения полного покрытия территории приходится использовать совокупность неоднородных по времени и условиям спутниковой съемки изображений. При этом возникает задача разработки методов использования разнородных изображений с целью минимизации временных затрат и объема необходимых опорных данных при условии обеспечения достаточной тематической точности и информационной детальности получаемых карт.

Один 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.

Характеристики

Список файлов реферата