Авторизация

Логин:
Пароль:
Восстановить пароль
Регистрация
  • Форум
  • Блоги
  • Контакты
  • Новости
  • Продукты
  • Отрасли
  • Обучение
  • Поддержка
  • События
  • О компании
  • 2 (17) | 2001 Изучение лесов России по данным дистанционного зондирования из космоса

    1 Объединенный Исследовательский Центр Европейской Комиссии,
    Испра, Италия, Эл. почта: sergey.bartalev@jrc.it
    2 Лаборатория ДЗ и ГИС лесов, Международный Институт Леса,
    Москва, Тел.: 332-68-77,
    Факс: 332-29-17, Эл. почта: ershov@ifi.rssi.ru; novik@ifi.rssi.ru

    Современные средства дистанционного зондирования Земли в совокупности с мощными инструментами их обработки ERDAS
    IMAGINE предоставляют исследователям уникальные возможности для изучения состояния и динамики лесов России.
    В лаборатории дистанционного зондирования и геоинформационных исследований лесов Международного Института Леса с момента основания проводятся исследования и разрабатываются методы по целому ряду направлений изучения лесного покрова с использованием данных спутниковой съемки:

    • картографирование лесного покрова;
    • выявление текущих изменений в лесах;
    • исследование информативности спутниковых изображений для решения задач мониторинга состояния и динамики лесного покрова;
    • детектирование лесных пожаров и картирование пройденных огнем лесных площадей;
    • оценка повреждений лесных насаждений, вызванных массовым размножением насекомых-вредителей;
    • изучение потенциальных возможностей спутниковых данных для оценки эмиссии углерода на свежих гарях.

    Исследования в этих направлениях ведутся как в рамках научного сотрудничества Лаборатории с международными и российскими научными организациями (Российско-Американский проект РГОС по изучению бореальных лесов), так и при разработке практических приложений для ряда информационных систем мониторинга лесов (ГИС мониторинга лесных пожаров, ГИС национальный парк «Лосиный остров»).
    Примером научно-исследовательского сотрудничества является совместная работа Объединенного Исследовательского Центра Европейской Комиссии (JRC) и Международного Института Леса по изучению состояния и динамики лесов Сибири. Цель сотрудничества – получить современное представление о состоянии бореальных лесов России, разработать методы мониторинга лесов с использованием спутниковых данных и современных средств их тематической обработки.
    В 1999-2000 гг. в рамках пилотного проекта «sibTREES» были выполнены исследования возможностей континентального и регионального картографирования бореальных лесов России с использованием средств и методов дистанционного зондирования из космоса, выявления крупномасштабных изменений в этих лесах, а также начальные шаги по формированию информационной системы по лесам Сибири. В качестве базового программного обеспечения использовались пакеты ERDAS IMAGINE 8.4 Professional, ArcView GIS 3.2 и ARC/INFO 7.2.
    Ниже приводятся некоторые результаты исследований, полученные в ходе выполнения пилотного проекта. Подробную информацию о проекте можно узнать на Интернет странице Лаборатории по адресу http://www.ifi.rssi.ru/sibtrees (рис. 1).

    Рис. 1. Титульная страница проекта sibTREES.

    Картографирование лесов России по спутниковым данным низкого разрешения

    Для решения задач стратегического планирования и биосферного моделирования на национальном или континентальном уровнях существует необходимость в обобщенных картографических материалах, обеспечивающих для различных регионов страны однородное представление информации о лесах с учетом единства масштаба, пространственной детализации, легенды и уровня точности отражаемых характеристик. Последняя из существующих цифровых карт лесов, охватывающая всю территорию России, была создана компанией DATA+ на основе исходной карты лесов бывшего Советского Союза масштаба 1:2 500 000, изданной ГУГК СССР в 1990 году, с привлечением разнокачественных данных инвентаризации лесов. Инвентаризация северо-восточных регионов Сибири была основана на использовании аэровизуальных обследований с невысокой точностью и пространственной детальностью. Давность проведения лесоинвентаризационных работ в этих районах составляет 40-50 лет. К настоящему времени в лесах произошли серьезные изменения, связанные с воздействием пожаров, массовым размножением насекомых-вредителей и особенностями лесовосстановительных процессов.
    Это послужило основанием для исследования возможностей данных VEGETATION (VGT) спутника SPOT4 для мелкомасштабного картографирования лесного покрова.
    В качестве тестового региона была выбрана центральная часть Сибири (80-112° в.д., 50-72° с.ш.), по которой был накоплен динамический ряд изображений VGT за апрель-октябрь 1999 года. В состав данных вошли изображения S10, данные о зенитных и азимутальных углах визирования прибора и Солнца, зафиксированных в момент съемки. Продукты S10, входящие в набор стандартных продуктов SPOT4-VGT, представляют собой многозональные изображения, полученные путем селекции и синтеза наблюдений, соответствующих максимальным за десятидневный период значениям вегетационного индекса растительности NDVI. Это обеспечивает снижение влияния облачного покрова по сравнению с исходными данными. Для последующей обработки весь набор данных был преобразован в форматы ERDAS IMAGINE.
    Анализ изображений SPOT4-VGT включал несколько этапов:

    • сравнительная оценка разделимости основных категорий лесных земель и типов лесного покрова по данным SPOT4 и NOAA;
    • формирование сезонных композитных изображений VGT с целью устранения влияния остаточной облачности, снегов, теней от облаков;
    • тематическая обработка изображений SPOT4-VGT.

    С помощью инструментов редактора сигнатур ERDAS на основе опорных данных лесоинвентаризации были накоплены сигнатуры лесных классов, изучение которых позволило сделать выводы об информативности спутниковых данных VGT и AVHRR для картирования структуры лесного покрова. Например, по изображениям VGT, благодаря наличию среднего инфракрасного канала (1,5 мкм), с более высокой вероятностью могут распознаваться категории земель с различным влагосодержанием (болота, сенокосы, гари, населенные пункты).
    Анализ декадных изображений выявил наличие «поврежденных» пикселов, образовавшихся в результате процедуры их декадной селекции и связанных с остаточным влиянием облачности, теней от облаков и снежного покрова. Проведение классификации декадных изображений с такими помехами затруднительно без их дополнительной обработки.
    Для выявления участков, полностью закрытых снежным и облачным покровом, использовался индекс снега NDSI. Маскирование «поврежденных» пикселов выполнялось на основе анализа статистик (среднее, стандартное отклонение) профильных кривых значений NDVI по каждому пикселу серии декадных изображений.
    Фенологические фазы для формирования сезонных изображений также определялись с использованием профильных кривых NDVI. Для идентификации переходной декады между сезонами анализировались тенденции роста значений коэффициента корреляции между NDVI и порядковым номером декадного изображения во временном ряду. Например, считая, что в весенний период года идет активный рост растительности и, следовательно, значений NDVI, следует ожидать монотонного роста коэффициента корреляции при добавлении вегетационного индекса следующей декады к совокупности анализируемой выборки. По мере приближения стека к декадам летних месяцев, этот рост, в зависимости от природно-климатических условий местности, уменьшается. Изменение в тенденции свидетельствует о смене сезона для данного участка (пиксела) изображения. Каждому пикселу результирующего изображения был присвоен номер декады, отражающий смену фенологических фаз (сезонов).
    После исключения из анализа «поврежденных» пикселов для каждого сезона подготавливались многоканальные изображения усреднением значений яркостей пикселов спектральных каналов в сезонном стеке декадных изображений.
    Классификация спутниковых изображений включала следующие процедуры:

    • неуправляемая классификация методом ISODATA;
    • многоитерационная экспертная идентификация кластеров с использованием карты лесов России, выборочных данных лесоинвентаризации.

    Полученные на основе анализа данных SPOT4-VGT результаты по картографированию лесов (рис. 2) в настоящее время могут рассматриваться как предварительные до проведения валидации с использованием доступных наземных данных на сети тестовых участков, а также анализа репрезентативного набора спутниковых изображений высокого разрешения.

    Рис. 2. Фрагмент карты лесов России по данным тематической обработки SPOT4/VGT.

    Детектирование и картирование пожаров лета 1998 года на территории Дальнего Востока

    Летом 1998 г. разрушительные пожары охватили обширные территории Хабаровского края, республики Саха (Якутия), Приморского края, Амурской области и о-ва Сахалин. По данным различных источников, пройденная огнем площадь составила от 2 до 5 млн. гектар.
    Огромные масштабы лесных пожаров на Дальнем Востоке явились основанием для проведения эксперимента по их детектированию и картированию по архивным данным спутников AVHRR/NOAA 1998 г. Для выполнения эксперимента в зоне максимальных повреждений лесов пожарами был выбран тестовый регион, ограниченный координатами 50-55° с.ш. и 125-145° в.д.
    В Лаборатории разработана комплексная методика выделения очагов действующих пожаров и прогоревших участков леса (гарей) по данным спутниковых съемок AVHRR/NOAA. В основу процедуры детектирования действующих пожаров был положен модифицированный контекстный алгоритм, разработанный в Центре JRC для формирования глобального пожарного продукта.
    В основу процедуры картирования свежих гарей (пожарищ) был заложен итерационный подход последовательных приближений при выделении прогоревших участков леса с привлечением дополнительных информационных слоев (например, маска водной поверхности, урбанизированных территорий, очагов действующих пожаров). Все процедуры обработки выполняются по одиночному изображению AVHRR. При этом учитывается информация об очагах пожаров, накопленная при анализе всей последовательности спутниковых изображений.
    Алгоритм включает пять основных этапов обработки спутникового изображения AVHRR/NOAA:

    1. Формирование тематического изображения объектов, влияющих на статистические характеристики класса гарей (классы облачности, теней от облаков, дымовых шлейфов, водной поверхности и участков подстилающей поверхности, свободных от влияния вышеперечисленных природных образований).
    2. Выделение пикселов («потенциальных гарей») – кандидатов в класс «гари».
    3. Первый шаг фильтрации маски потенциальных гарей - совместный анализ слоя очагов пожаров и слоя потенциальных гарей для настройки порогов по глобальной статистике.
    4. Второй шаг фильтрации маски потенциальных гарей – уточнение решающих правил на основе анализа локальной статистики слоя потенциальных гарей с пикселами, расположенными в ближайшей окрестности.
    5. Третий шаг фильтрации маски потенциальных гарей - исключение гарей, содержащих менее 15% очагов пожаров, накопленных за весь период наблюдения, и более 10% территорий, принадлежащих населенным пунктам.

    Апробация разработанных алгоритмов выявления очагов пожаров и гарей проводилась в ERDAS IMAGINE и ArcView GIS. В результате обработки всего набора данных была получена карта гарей тестового региона пожароопасного сезона 1998 года (рис. 3). Валидация карты гарей по изображениям высокого разрешения LANDSAT-7 позволила количественно оценить предельные значения ошибок при определении площадей пройденных огнем участков земной поверхности.

    Рис. 3. Карта гарей 1998 г. на территорию тестового региона Дальний Восток по результатам обработки данных AVHRR/NOAA.

    Исследование информативности данных РЕСУРС-О/МСУ-СК для регионального картографирования лесного покрова

    Региональное картографирование лесного покрова является связующим звеном в системе мониторинга лесов Сибири на локальном и континентальном уровнях. В этом контексте информация о лесах важна с ресурсно-экологической и природоохранной точек зрения. Данные сканера среднего разрешения МСУ-СК спутников серии РЕСУРС-О по детальности и охвату территории вполне соответствуют задачам регионального картографирования.
    Экспериментальные исследования выполнялись на изображениях МСУ-СК лесных массивов Приангарья (Красноярский край). На эту территорию по тестовым площадкам были подготовлены цифровые карты и детальные базы лесоинвентаризации в соответствующих форматах для использования в программах ArcView, ARC/INFO и ERDAS IMAGINE.
    Анализ спектральных сигнатур основных категорий лесных и нелесных земель, породно-возрастной структуры лесов позволил получить примерное представление об информативных возможностях изображений МСУ-СК. Из анализа двухмерных диаграмм спектральных каналов и значений критерия дивергенции были сделаны выводы о достаточно высокой разделимости класса «покрытые лесом земли» с болотами, вырубками, сенокосами, гарями и насаждениями, погибшими от насекомых-вредителей. Отмечен также высокий уровень разделимости между спелыми пихтовыми насаждениями и разновозрастными насаждениями сосны, березы и осины. В то же время надежно различать можно только две группы возраста - молодые и спелые насаждения.
    На основе полученных знаний о разделимости классов лесных и нелесных земель разработаны соответствующие легенды тематических продуктов (карт) и методы классификации изображений МСУ-СК. Экспериментальная обработка этих изображений выполнялась в программной среде ERDAS IMAGINE 8.4 с использование стандартных процедур управляемой и неуправляемой классификации изображений. Примеры результатов тематической обработки приводятся на рис. 4.

    Рис. 4. Результаты тематической обработки изображения РЕСУРС-О / МСУ-СК.

    Полученные оценки валидации тематических продуктов по данным лесоустройства позволили оценить информативность изображений сканера МСУ-СК, а также наметить пути совершенствования методов их классификации.
    В настоящее время проект продолжает свое развитие в части совершенствования метода континентального картографирования лесного покрова, изучения возможностей данных SPOT4-VGT для картирования гарей, а также разработки лесных карт локального уровня по данным спутниковой съемки LANDSAT-7 для последующей валидации карты лесов России.




    Версия для печати