23705 (653698), страница 3

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

Текст из файла (страница 3)

Таблица 2

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

Табликца 3

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

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.

Характеристики

Список файлов реферата