Мониторинг лесной растительности по данным спутниковых снимков

  • Вид работы:
    Дипломная (ВКР)
  • Предмет:
    Сельское хозяйство
  • Язык:
    Русский
    ,
    Формат файла:
    MS Word
    5,83 Мб
  • Опубликовано:
    2016-01-21
Вы можете узнать стоимость помощи в написании студенческой работы.
Помощь в написании работы, которую точно примут!

Мониторинг лесной растительности по данным спутниковых снимков

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

(ФГБОУ ВПО «КубГУ»)

Кафедра геоинформатики

ДОПУСТИТЬ К ЗАЩИТЕ В ГАК

Заведующий кафедрой

д-р геогр. наук, проф.

А.В. Погорелов

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА БАКАЛАВРА

мониторинг лесной растительности по данным спутниковых снимков

Работу выполнил А.К. Головань

Факультет географический

Направление 021300.62 «Картография и геоинформатика»

Научный руководитель

преп., канд. физ.-мат. наук М.В. Кузякина

Нормоконтролер

доц., канд. геогр. Наук  А.Н. Пелина



Краснодар 2015

СОДЕРЖАНИЕ

Введение

. Подходы к исследованию лесной растительности по данным спутниковой съемки

.1      Возможность применения космических методов исследования для оценки состояния лесных экосистем горных территорий

.2      Интеграция алгоритмов обработки космических снимков для автоматизированного дешифрирования лесной растительности

.3      Картографирование лесостепной растительности

.4      Анализ структуры, состояния и динамики агролесоландшафтов по материалам аэрокосмического мониторинга

. Методы оценки пожарной опасности по данным спутниковых наблюдений

. Оценка последствий лесных пожаров

.1      Обоснование выбора спутниковых снимков

.2      Обоснование выбора вегетационных индексов

.3      Оценка последствий лесных пожаров на примере пожаров в Пермском крае в 2010 г.

Заключение

Список использованных источников

ВВЕДЕНИЕ

Лесная растительность - один из системообразующих компонентов ландшафта, индикатор состояния окружающей среды и ценный природный ресурс. Оперативная и достоверная оценка свойств лесной растительности способствует её рациональному использованию, охране и восстановлению.

В последние годы геоинформационные системы (ГИС) стремительно становятся стандартным инструментом для решения ряда фундаментальных и прикладных проблем метеорологии и климатологии. Благодаря способности хранить, обрабатывать, анализировать и визуализировать в структурированной электронной форме огромные объемы пространственно распределенных разнородных данных, ГИС позволяют быстро генерировать синтетическую информацию в удобной для принимающих решения специалистов форме.

В природоохранных приложениях имеется широкий класс задач, решение которых в значительной степени облегчается или ускоряется при использовании ГИС. К ним можно отнести: раннее оповещение о стихийных бедствиях и опасных погодных явлениях, наблюдения за температурой земной поверхности и Мирового океана, контроль за уровнем поверхности Мирового океана, определение границ снежного покрова, наблюдения за площадями затопления и разлива рек, наблюдения за распространением дыма от лесных пожаров.

Проблема эффективного применения ГИС в подобных задачах состоит в необходимости усвоения и анализа данных дистанционного зондирования, в особенности от метеорологических радиолокаторов и спутников, для исследования различных объектов климатической системы.

Целью дипломной работы - анализ методов и подходов к исследованию лесной растительности по данным спутниковой съемки, в частности, оценка последствий лесных пожаров.

Для достижения цели необходимо решить следующие задачи:

- проанализировать существующие методы и подходы к дешифрированию лесной растительности по данным ДЗЗ;

проанализировать методы и походы к мониторингу природных лесных пожаров по данным ДЗЗ;

провести оценку последствий лесных пожаров как мониторинг угнетения лесной растительности по данным ДЗЗ.

1. Подходы к исследованию лесной растительности по данным спутниковой съемки

.1 Возможность применения космических методов исследования для оценки состояния лесных экосистем горных территорий

В настоящее время одной из важнейших исследовательских задач является оценка состояния лесных ценозов дистанционными методами. Применение данных дистанционного зондирования Земли (ДДЗ) является особенно актуальным для труднодоступных горных территорий, так как они способствуют уменьшению трудоемкости и увеличению степени объективности распознавания характеристик лесных ценозов.

Данные дистанционного зондирования Земли - совокупность сведений о поверхности Земли и объектах, расположенных на ней или в ее недрах, полученные в процессе съемок с помощью аппаратуры космического базирования, позволяющей получать изображения в одном или нескольких участках электромагнитного спектра.

Основой дистанционных методов исследования являются спектральные характеристики природных образований. При этом практический интерес для съемки имеет отраженная энергия - отношение количества отраженной и рассеянной вверх радиации к плотности потока падающей прямой радиации Солнца. Она зависит у древесной растительности от строения клеток мезофилла хвои и листьев. Па красную зону спектра (0,62-0,75 мкм) приходится максимум поглощения солнечной радиации хлорофиллом, а на ближнюю инфракрасную зону (0,75-1,3 мкм) - максимум отражения энергии клеточной структурой листа. Высокая фотосинтетическая активность ведет к более низким значениям коэффициента отражения в красной зоне спектра и большим значениям в ближней инфракрасной. Отношение этих показателей друг к другу позволяет четко отделить растительность от прочих природных объектов.

Оценка факторов возмущающего воздействия на растительность - приоритетная составляющая спутникового мониторинга наземных экосистем, поскольку такого рода воздействия в значительной мере определяют потоки углерода между наземными экосистемами и атмосферой. Спутниковые изображения позволяют определить участки леса, нарушенные вследствие антропогенного воздействия, основные факторы воздействия, выделить лесопокрытые площади, выявить следы лесоразработок и пожаров, а также сельскохозяйственного использования территорий. На основе ДДЗ можно создать информационное обеспечение, необходимое для организации лесного хозяйства и многоцелевого лесопользования. Не менее важным является контроль мест проведения рубок ухода и санитарных рубок не реже 1 раза в 2 года, сравнивая данные о фактических местах сплошнолесосечных вырубок, полученных на основе дешифрирования космических изображений с планами рубок. Это обусловлено тем, что как показывает практика лесопользования, нередко органами лесного хозяйства допускаются отступления от утвержденных планов рубок.

С использованием космических снимков высокого пространственного разрешения можно определить породный состав лесов. Для получения достоверных данных вместе со снимками необходимо иметь набор обучающих эталонов - наземных площадок с известным породным составом для «обучения» алгоритма распознавания в начале работы и проверки итогов в конце. Отдельные группы деревьев и группы пород определяются с разным уровнем достоверности. Легко отделить друг от друга лиственные породы и темнохвойные. Сложнее лиственные от светлохвойных. Близкие по спектральным характеристикам ель и пихту, березу и осину, сосну и лиственницу разделить невозможно.

Для того чтобы отобразить разнообразие растительного покрова, желательно использовать сцены за различные сезоны года. Так зимние сцены позволяют выделить типы растительного покрова еловою второго яруса под пологом мелколиственных пород, весенние сцены - разделить сосновые и еловые леса. Наиболее полную информацию содержат изображения, полученные в сентябре, когда структура спектра хорошо отображает различия в степени пожелтения-покраснения от породного состава и местоположения древостоев.

Следует отметить, что, используя ДДЗ, нельзя провести оперативный мониторинг лесопокрытой территории для выявления несанкционированных рубок в текущий момент времени. Во-первых, получение космического снимка для обработки в лучшем случае требует несколько часов времени при условии, что есть сеть станций для приема спутниковой информации, что весьма затруднительно. Другим фактором, затрудняющим оперативный мониторинг хозяйственной деятельности в лесах, является постоянная высокая облачность над основными лесными территориями России. Из-за значительного количества облаков каждый конкретный участок бывает покрыт безоблачной съемкой лишь несколько раз в году. В связи с этим не стоит говорить о выявлении незаконных лесопользований в реальном времени.

Накопленные к настоящему времени архивы данных спутников Landsat-TM и ЕТМ открывают уникальную возможность использования космоснимков высокого пространственного разрешения для оценки масштабов вырубок лесов. Разрабатываются методы детектирования и классификации изменений в лесных массивах на основе анализа разновременных спутниковых данных Landsat. Одним из важных этапов использованных методов ДДЗ является построение карт лесов и других типов земного покрова на основе классификации спутниковых данных. Получаемые маски лесов различных типов используются для взаимной радиометрической нормализации разновременных изображений с целью компенсации негативного влияния различий в атмосферных условиях, в фенологическом состоянии растительности во время спутниковой съемки.

Применение космических снимков в картографировании позволяет получить картографический материал с разреженной нагрузкой, большим пространственным охватом, отобразить на карте объекты с указанием их специальных характеристик, которых нет на топографических материалах. Следует отмстить, что, чем более комплексно предполагается использовать снимок, тем более выгодным становиться его приобретение. Составлению экологических карт лесопокрытой территории предшествует тщательное изучение растительного покрова, выявление связей растительных сообществ с условиями среды, рельефом, режимом увлажнения. Применение геоинформационных систем способствует более углубленному изучению характера распределения растительных сообществ на фоне условий среды.

Характерным признаком растительности и ее состояния, как было сказано выше, является спектральная отражательная способность, отличающаяся большими различиями в отражении излучения разных длин волн. При дешифрировании данных спутниковой съемки используются значения яркостей в каналах и построенные на их основе индексы. Индексы отражают особенности преобразования солнечной энергии ландшафтных покровов; степень неравновесности поглощения энергии в разных зонах спектра - энтропия Кульбака; биологическую продуктивность - NDVI, TVI, RVI, gNDVI; содержание влаги в растительности - LMT, NDWI. Наиболее популярный и часто используемый вегетационный индекс - NDVI [15].

Для растительности NDVI принимает положительные значения, и чем больше зеленая фитомасса, тем он выше. Для зеленой растительности - от 0,2 до 0,8. Следует отметить, что вегетационные индексы дают только относительные оценки свойств растительного покрова, которые могут быть интерпретированы и с привлечением полевых данных пересчитаны в абсолютные. Значения NDVI для разных типов объектов приведены в таблице 1.

На основе ДДЗ Земли можно получить оценки чистой биологической продуктивности, эксергии - доли солнечной энергии, затраченной на транспирацию и производство биологической продукции. Данные характеристики отражают энергетическое состояние Земли в момент съемки в различных спектральных диапазонах, что необходимо учитывать при планировании лесного хозяйства. В целом леса имеют большую эксергию и сильные различия в доле энергии, идущей на производство продукции. Зарастающие поля характеризуются высокой долей энергии, идущей на производство продукции. Хвойные породы характеризуются большой эксергией и меньшими затратами энергии на производство продукции, чем широколиственные и мелколиственные леса.

Таблица 1 - Значения индекса NDVI

Тип объекта

Отражение в красной области спектра

Отражение в инфракрасной области спектра

Значение NDVI

Густая растительность

0,1

0,5

0,7

Разреженная растительность

0,1

0,3

0,5

Открытая почва

0,25

0,3

0,025

Облака

0,25

0,25

0

Снег и лед

0,375

0,35

-0,05

Вода

0,02

0,1

-0,25

Искусственные материалы (бетон, асфальт)

0,3

0,1

-0,5


Технологии современного дистанционного зондирования позволяют осуществлять мониторинг различных параметров состояния атмосферы, гидросферы и биосферы. Принятие оперативных решений на основе такой информации удобнее всего осуществлять с помощью ГИС-технологий. Между тем, приходится констатировать отсутствие единого методологического подхода к анализу данных дистанционного зондирования атмосферы и подстилающей поверхности для проведения комплексной оценки состояния территорий в контуре ГИС в реальном масштабе времени. Это обстоятельство во многих случаях системно ограничивает возможности оперативного нахождения наилучших решений.

1.2 Интеграция алгоритмов обработки космических снимков для автоматизированного дешифрирования лесной растительности

горный лесной картографирование космический

Лесная растительность - один из системообразующих компонентов ландшафта, индикатор состояния окружающей среды и ценный природный ресурс. Оперативная и достоверная оценка свойств лесной растительности способствует её рациональному использованию, охране и восстановлению. Различные методики обработки данных аэрокосмического зондирования, в особенности автоматизированные, - мощный инструмент для исследования лесной растительности. Появление космических снимков со сверхвысоким пространственным разрешением (лучше 1 м) открыло новые возможности в картографировании лесной растительности. Минимальным картографируемым объектом теперь может являться не площадка с растительностью, а отдельные деревья и кустарники.

Эти возможности особенно интересны при изучении экосистем переходных зон (экотонов). Среди них - лесотундра - экотон, занимающий огромные площади в России, Скандинавии и Канаде и являющийся чувствительным индикатором глобальных изменений. В рамках Международного полярного года (2007-2009) современное состояние, пространственные вариации и динамика лесотундровых экосистем детально изучаются в международном проекте PPS Arctic. Работа входит в аэрокосмический блок исследований по проекту, конечной целью которых является циркумполярная характеристика состояния и динамики лесотундры на разных масштабных уровнях. Снимки сверхвысокого пространственного разрешения используются для наиболее детальных исследований в сочетании с полевыми данными [12].

Традиционные методики анализа изображений высокого пространственного разрешения базировались на методах глобального (попиксельного) анализа. В изображениях со сверхвысоким пространственным разрешением большое значение имеют текстурные характеристики и пространственные взаимоотношения между изобразившимися объектами. Эта особенность учитывается при фокальном объектно-ориентированном анализе, исследующем распределение яркости в рамках участков изображения, включающих некоторое количество пикселей. Размер участка определяется в зависимости от размера и характеристик изобразившихся на снимке объектов.

Разработана методика автоматизированной обработки космических изображений, основанная на комбинации глобальных и фокальных алгоритмов обработки снимков [12]. Методика апробирована на примере снимка QuickBird (имеющего разрешение 2.4 м в спектральных зонах и 0.6 м для панхроматического изображения) Съёмка выполнена 28 июня 2006 г. на территорию долины реки Тульок в Хибинском горном массиве, Мурманская область (рисунок 1). Обработка снимка проводилась в программных пакетах ERDAS IMAGINE 9.3 и ESRI ArcGIS 9.3

Методика включает несколько этапов:

создание многозонального изображения с улучшенным пространственным разрешением путём его объединения с панхроматическим каналом;

построение классифицированного изображения растительности на основе глобального анализа изображения путём определения пороговых значений для яркостных характеристик (нормализованного вегетационного индекса NDVI, результатов кластеризации снимка в IHS представлении) и текстурных характеристик (дисперсии значений яркости в пределах «скользящего окна») с целью выделения на изображении следующих классов: растительность, тени растительности, прочие объекты;

фокальный анализ классифицированного изображения с использованием матричных моделей деревьев, изобразившихся на космическом снимке, на основе методики Гринберга и др. [23] для обнаружения деревьев и кустарников с кронами заданных размеров;

фокальная фильтрация промежуточного изображения, совмещённого с индексным изображением NDVI, в результате которой из двух слишком близко расположенных деревьев или кустарников одинакового размера выбирается дерево или кустарник, имеющий большее значение вегетационного индекса;

преобразование результатов дешифрирования деревьев в векторную форму для последующей обработки в ГИС- пакете;

pасчёт высоты деревьев по длинам их теней, измеренным на этапе определения положения стволов;

заключительный этап фильтрации, в результате которого удаляются меньшие по размеру ложно обнаруженные деревья и кустарники, которые перекрываются кроной больших по размеру деревьев и кустарников;

оценка достоверности результатов;

оформление результатов дешифрирования.


Рисунок 1 - Классифицированное изображение, используемое для выделения отдельных деревьев по пространственному сочетанию освещённых и затенённых участков крон


Результатом анализа изображения QuickBird с применением разработанной методики, формализованной в виде двух моделей автоматической обработки снимков (для ERDAS IMAGINE и для ArcGIS), являются электронные карты на ключевой район в долине реки Тульок [12]. Среди них - карты деревьев и кустарников (рисунок 2), границ леса и лесотундры (рисунок 3), проективного покрытия крон, которые рассчитываются для элементарных площадок заданного размера (рисунок 4), Высокая достоверность результатов автоматизированного дешифрирования подтверждена на основе визуального дешифрирования для 16 тестовых участков изображения.


Рисунок 2 - Результат выявления деревьев и кустарников. Фон: космоснимок QuickBird от 28 июня 2006 г

Рисунок 3 - Результат автоматического определения границ леса

Следует отметить, что в изучаемом районе деревья на границе леса часто имеют кустарниковую форму, поэтому деревья и кустарники дешифрируются нами как единый класс объектов.


Рисунок 4 - Карты проективного покрытия крон для элементарных площадок, соответствующих размеру пиксела на снимках Terra ASTER (15 м), Landsat TM (30 м), Landsat MSS (80 м)

Полученная карта деревьев и кустарников позволяет оценивать количество деревьев и крупных кустарников на единицу площади, с разделением их на несколько классов по высоте, а также расстояние между стволами деревьев и проективное покрытие древостоев. Оценка высот объектов позволяет автоматизировано проводить границу между лесной, лесотундровой и стланиковой древесной растительностью (основные экологические классы в лесотундровом экотоне). Разработанная методика детального картографирования позволяет определять важные морфометрические параметры экотона лесотундры. Результаты детального дешифрирования будут использованы при оценке достоверности картографирования экотона лесотундры по снимкам более низкого пространственного разрешения для обширных территорий [12].



1.3 Картографирование лесостепной растительности

Растительность, благодаря высоким индикационным и физиономическими свойствам, является центральным объектом дистанционного мониторинга природной среды. Важнейшим продуктом, интегрирующим результаты аэрокосмического исследования растительности той или иной территории, является геоботаническая карта [24].

В современных условиях без системы детальных геоботанических карт немыслимы научно-обоснованная разработка классификации и районирования растительного покрова, определение биологического потенциала и ресурсов, выявление закономерностей размещения и формирования растительности, успешная реализация перспективных региональных и локальных проектов по освоению природных ресурсов, мероприятий по охране окружающей среды и формированию сети особо охраняемых природных территорий. Они являются неотъемлемым элементом и базовой основой в решении ряда других научных и практических задач [4]. К концу истекшего столетия возможности картографического метода исследования растительного покрова необыкновенно расширились за счет создания и внедрения геоинформационных технологий (ГИС-технологий), свободного доступа к данным дистанционного зондирования Земли (ДДЗ). Их применение позволяет при наличии адекватной пространственно распределенной информации по региону создавать практически неограниченное число виртуальных тематических карт и анализировать их в самых различных сочетаниях [17]. Как справедливо заметил известный французский картограф П. Озанда «...картографирование растительности является одним из направлений биологии, сделавшим рывок во второй половине XX века и добившимся блестящих достижений» [13].

В Беларуси, например, картография растительности является одним из направлений ботаники активно развивающимся со второй половины XX века. Это было продемонстрировано созданием серии мелко- и среднемасштабных геоботанических карт, внесших значительный вклад в познание структуры растительного покрова Европы. Среднемасштабная (М 1:600 000) карта растительности Белорусской ССР [19], например, единственная карта в СССР, которая была опубликована, вопреки цензуре, в открытой печати [20]. По утверждению одного из крупнейших ботаников-картографов Европы Т.К. Юрковской - это стало сенсационным событием для всех геоботаников СССР [20, 21].

Методологические концепции регионального геоботанического картографирования, которые развивались ботаниками-картографами, еще не исчерпали себя, однако ограниченное узкими задачами картографирования растительности, на рубеже столетий это научное направление стало перед серьезными вызовами научно-технического прогресса.

Во-первых, существенно изменились методические подходы составления геоботанических карт: стремительно обновляется программно-информационная платформа процесса картографирования, стал свободным доступ к материалам аэрокосмической съемки, активно развивается национальный сегмент системы дистанционного мониторинга природной среды.

Во-вторых, карту растительности стали рассматривать не как конечный документ, а скорее как промежуточную площадку, от которой усилия исследователей устремлены в двух направлениях: с одной стороны, на использование карты как средства анализа среды, с другой - на применение полученной при помощи карты информации для реализации практических задач.

Наиболее интересным, с точки зрения концентрации научных проблем, перспектив развития прикладного тематического картографирования, а также востребованности результатов исследований является сегмент крупномасштабного картографирования (М 1:10 000 - М 1:200 000). Именно с ним (крупномасштабным картографированием) связано дальнейшее обсуждение результатов и перспектив использования дистанционного зондирования растительности в научных и практических целях.

Безусловно, техническое совершенство - важная вещь. Особенно в картографировании - ведь карта во многом плод развития технических средств и достижений математики. Но это, прежде всего технические успехи. Задача ботаников-картографов не превратиться в оператора ЭВМ, а развивать научные основы картографирования, создавать новые типы карт растительности, используя современные успехи синтаксономии, экологии [20].

Крупномасштабное картографирование растительности с использованием ДДЗ и ГИС-технологий. В результате выполнения ряда заданий государственных программ научных исследований, международных проектов разработана методика крупномасштабного картографирования растительности с использованием данных дистанционного зондирования [17].

Методика работы состоит из 3 этапов (рисунок 5).

Предполевой камеральный этап:

а) сбор данных на территорию исследуемого объекта;

б) подбор данных космической съемки с различных спутниковых систем;

в) обработку космоснимков;

г) выполнение визуальной и автоматической классификации снимков объекта исследования;

д) проведение предварительной классификации и создание цифровой прекарты.

Все подготовительные работы начинаются с анализа имеющихся для исследуемой территории проектов лесо- и землеустройства, техникоэкономических обоснований проведения хозяйственных и/или природоохранных мероприятий, обработки документов по освоению лесного фонда. Информация, содержащаяся в указанных документах, является основой баз данных, для создания которых осуществлялись: сканирование, привязка лесоустроительных планшетов и абрисов лесосек, векторизация данных и добавление атрибутивной информации.

Для решения задач геоботанического и прикладного тематического картографирования в наших исследованиях используются космические снимки с пространственным разрешением от 8-15 до 30-50 м, получаемые с помощью съемочных систем Landsat ETM+ и «TERRA» ASTER (США), SPOT (Франция), ALOS (Япония) и др.

Ряд задач по картографированию и оценке состояния растительности решаются с помощью космических систем, имеющих низкое пространственное разрешение (250-1000 м) типа AVHRR (NOAA), MODIS (США) и др.

Наиболее оптимальными для целей геоботанического картографирования являются снимки с разрешением лучше 2 м, которые позволяют выявить даже незначительные изменения в растительном покрове. При этом, в последнее время активно развиваются космические системы со сверхвысоким пространственным разрешением (0,3-0,5 м), которые по информативности приближаются к материалам аэрофотосъемки и могут заменить их при инвентаризации и оценке состояния растительного покрова. В этом секторе космических данных дистанционного зондирования лидируют QuickBird, IKONOS, WorldView-1, -2, GeoEye-1 (США), EROS (Израиль), Cartosat-1, -2 (Индия), Ресурс-ДК (Россия) и др.

При изучении растительности на сравнительно больших площадях наиболее привлекательным по соотношению цена/качество являются снимки с разрешением от 2 до 10 м.

Снимки с пространственным разрешением до 1,5 м (в панхроматическом диапазоне) распространяются по достаточно высоким ценам, по данным 2013 г. в среднем примерно 5-20 у.е. за 1 км2 архивной съемки, при минимальной площади заказа 25 км2. Среди снимков высокого разрешения своей «демократичной» ценой выделяются также данные японского спутника ALOS (близкими по качеству являются и космические снимки, полученные с БелКА). Важной сферой применения снимков среднего разрешения является отслеживание долговременных изменений в растительном покрове. Так, спутники серии Landsat работают на орбите с 70-х гг. XX в, т. е уже почти 40 лет. Накоплен огромный архив свободно доступной съемки всей территории суши. Используя ее, мы можем «заглянуть в прошлое» назад, что позволяет в отдельных случаях отслеживать процессы, происходящие в природнорастительных комплексах.

Благодаря приобретшим большую популярность интерактивным вебсервисам типа Google Earth широкая общественность смогла за последние годы познакомиться со снимками сверхвысокого разрешения. Поскольку снимки, представленные в Google Earth, уже ортотрансформированы с использованием грубой модели рельефа, в них внесены неисправимые ошибки. К сожалению, в силу этой причины использование данных материалов ограничено. Максимальную точность могут обеспечить лишь коммерческие данные дистанционного зондирования.

Обработка материалов космической съемки выполняется в программном пакете Scanex Image Processor и включает:

- геопроецирование снимка в географическую систему координат WGS84 проекции UTM;

корректировку привязки снимка по опорным точкам или точному координатно-увязанному снимку;

увеличение пространственного разрешения многоканальных (многоспектральных) снимков;

создание синтезированных цветных изображений из комбинации спектральных каналов космического снимка.

На первом подэтапе камерального предполевого дешифрирования (классификации) территории для удобства дешифрирования серия цветных композитных изображений сопоставлялись с топографической картой участка, что позволило создать предварительную природную классификацию (типологию) территории на ландшафтной основе. При построении данной классификации учитывалась взаимосвязь основных природных компонентов рельефа, почв, растительности. Под природной классификацией понимается выделение с использованием ландшафтного подхода экосистем, или природнотерриториальных комплексов (ПТК).

Рисунок 5 - Схема выполнения работ по созданию карты растительности с использованием данных дистанционного зондирования (на примере лесоболотного комплекса «Морочно», Столинский район Брестской области)

Наиболее значимыми признаками при дешифрировании являются рисунок изображения, его морфологический облик, структурно-текстурные и топологические особенности. Здесь (первый подэтап) не отличается от общепринятых подходов предварительного экспертного дешифрирования территории по аэрофотоснимкам и позволяет создать легенду к карте экосистем, в котором растительность представлена как основной, физиономически информативный компонент [9]. Предварительная легенда ПТК в крупных структурных подразделениях уже представляет каркас будущей окончательной легенды карты растительности.

Второй подэтап камерального периода включает создание неконтролируемой (unsupervised) автоматической классификации с дальнейшей интерпретацией классов и формированием карты. Автоматическую классификацию выполняли с помощью специализированных пакетов ENVI или Erdas Imagine. Количество классов при этой обработке в зависимости от качества снимка и поставленных задач составляет от 10 до 40.

После выполнения указанных процедур было получено цветное изображение - электронная карта (прекарта). Она отражает закономерности распределения определенного (заданного нами) количества классов. Сопоставление данных визуального дешифрирования композитных снимков и прекарты, полученной на основе неконтролируемой классификации, позволяет лучше определить закономерности распределения и разнообразие растительности тестового участка и тем самым более осмысленно подойти к анализу использованных материалов.

Полевые исследования. Полученная информация позволила наметить расположение точек для сбора фитоценотических описаний с целью более точной интерпретации полученных классов. В ходе полевых описаний проведен сбор данных о состоянии растительности классическими геоботаническими методами, но с использованием GPS-приемника для привязки точек описаний и треков путевых маршрутов. При проведении работ сопоставлялись предварительные результаты дешифрирования космоснимков с наземными данными. В зависимости от полученных результатов ранее выделенные классы могли объединяться или, наоборот, разделяться на несколько независимых. Количество точек описания для каждого класса могло варьировать в зависимости от однородности или неоднородности рисунка растительного покрова. Для всех новых или сложных для интерпретации классов количество точек описания было увеличено, что бы при контролируемой автоматизированной классификации можно было набрать достаточное количество эталонных пикселов [9, 17].

Постполевой камеральный этап включает несколько этапов:

а) Обработка геоботанических описаний. В камеральных условиях составлялись сводные таблицы описаний фитоценозов с их последующей сортировкой. Помимо флористического состава и структуры сообществ, большое внимание уделялось характеристике древесного яруса. Это было необходимо не только для типизации лесных сообществ, но и для отграничения их от сообществ лесных болот.

Обработка геоботанических описаний осуществлялась при помощи компьютерной программы JUICE, при этом алгоритм включал следующие последовательные шаги:

) обработка (предварительно вручную сгруппированных) геоботанических описаний методом TWINSPAIN;

) составление синоптической таблицы с константностью и привязанностью видов;

) анализ колонок постоянства с выделением групп диагностических, константных, доминантных видов;

) составление характеризующей обзорной таблицы картируемых синтаксонов.

Следует более подробно прокомментировать стремление всесторонне обрабатывать фитоценотические описания. На большинстве обследованных участков происходили разнообразные по характеру и силе антропогенные воздействия, в результате чего большая роль в современном растительном покрове принадлежит разнообразным производным сообществам, которые являются различными стадиями восстановления или деградации естественной растительности. Эти неустойчивые (серийные) сообщества в значительной степени увеличивают пестроту растительного покрова. В связи с этим использование автоматических методов классификации геоботанических описаний (после предварительной сортировки вручную) позволяет выделить группы дифференцирующих видов и соответственно более точно провести демаркацию между картируемыми единицами. Кроме этого, применение специализированных программ (JUICE, PC-ORD) позволяет автоматизировано обработать экологический составляющую описаний (расчет фитометрических индексов, ординация сообществ в пространстве факторов среды и т.д.), что позволяет оперативно использовать информацию для целей фитоиндикационного картографиторования.

б) Разработка легенды геоботанической карты. Структура легенды отражает типологическую дифференциацию растительного покрова. При ее составлении нами используются единицы эколого-физиономической (доминантной) классификации (основывается при выделении единиц всех рангов на экобиоморфе доминантных видов господствующей синузии).

Высшие подразделения легенды соответствуют типам растительности: (лесной, болотной, луговой, прибрежной-водной и т.д.). Самостоятельными разделами приводится типологически разнородная растительность на месте гарей и вырубок, условно названная «пустошной», а также вторичная мелколесная и кустарниковая растительность.

Лесной тип растительности подразделяется на классы формаций: хвойные, широколиственные, мелколиственные производные и лиственные коренные леса на болотах. Картируемые таксоны хвойных (в подавляющем большинстве сосновых) лесов на болотах рассматриваются как градации этих лесов, коренные лиственные леса на болотах выделены в отдельную таксономическую категорию высшего ранга. Это продиктовано стремлением сохранить единство формационной структуры лесной растительности. Лиственные леса на болотах - пушистоберезовые и черноольховые - образуют самостоятельные, сопряженные друг с другом формации, тогда как типы сосняков на болотах составляют часть эколого-фитоценотического ряда сосновых лесов. Подзаголовками следующего ранга для лесной растительности являются формации (сосновые, еловые, осиновые, черноольховые и т.д.). Далее в легенде приводится разделение лесной растительности по таксонам, соответствующим единицам лесотипологической классификации.

Следует заметить, что при создании геоботанических карт многие исследователи не видят серьезной альтернативы эколого-физиономической классификации. Это обусловлено, тем, что единицы доминантной классификации в отличие от флористической, не имеют жестких синтаксономических рамок, что позволяет более адекватно отображать географические, хорологические особенности растительного покрова, а также его динамику при разнообразных антропогенных нарушениях [5].

Затрудняет использованием флористической классификации и сложность с выбором синтаксономического ранга единиц картирования. Обзор литературных источников, показывает, что среди сторонников школы Ж. Браун-Бланке наиболее популярная единица при крупномасштабном геоботаническом картировании является ассоциация [24]. Однако, если жестко придерживаться установки и не покидать рамок созданной синтаксономической схемы растительности Европы, то использование географически обширных ассоциаций, включающих большое количество различающихся между собой сообществ не способствует познанию закономерностей растительного покрова, затушевывает его существенные черты. Можно ли получить достаточную информацию о растительном покрове той или иной территории, имея в легенде, например, Sphagnetum magellanici (Male. 1929) Kastner et Flossner 1933 или Vaccinio uliginosi-Pinetum sylvestris (Hueck 1929) R.Tx.1955? Географический ареал этих ассоциаций огромен и они были бы уместны при картировании растительности Германии, Польши, Беларуси, Литвы или даже европейской части России. Или, как например, с использованием традиций франко-швейцарской школы при картировании болот разделить болотные леса (сосняки сфагновые) и облесенные болота (сосновое редколесье), относящиеся к разным типам растительности (лесному и болотному)? Арсенал флористической классификации предлагает в этом случае только один таксон - Sphagno-Pinetum sylvestris Kobendza 1930. Применение синтаксонов ранга ниже, чем ассоциация (субассоциация, вариант, фация) в наших исследованиях тормозится в связи с отсутствием в доступных литературных источниках достаточного опыта подобных использований.

Не стоит забывать и о прикладной стороне вопроса: пользователь цифровой и (или) аналоговой картографической продукции (лесоустроитель, проектировщик) в подавляющем большинстве случаев не владеет базовыми основами флористической классификаций, в результате чего легенда для него остается зашифрованной и область применения карт растительности в таком случае сокращается только до научных целей. Вместе с тем, мы нисколько не отрицаем, необходимость более широкого использования единиц флористической классификации для крупномасштабного картографирования растительности, и первые исследования нами уже начаты.

в) Создание контролируемой автоматической классификации. На основе экспертной оценки проводится окончательная контролируемая автоматическая классификация и оценивается информативность полученных данных относительно совокупности наших знаний (картографические, полевые, литературные материалы) по установленным эталонам (классам растительности). Анализ полученных результатов и сопоставление их с полевыми данными позволили сделать коррекцию распределения некоторых классов за счет увеличения количества эталонных пиксел, необходимых для проведения классификации.

г) Создание картографической модели. На основе систематизации классов (кластеров) полученного классифицированного изображения создается картографическая модель изучаемого участка. Для составлении ведомости площадей картируемых таксонов растительности использовали модуль, встроенный в платформу программы Arc GIS (ESRI, USA). Создание карты сопряжено с созданием единой ГИС, включающей электронный фотоплан, топооснову, материалы обработки космических снимков, прекарту, базы данных (в формате dbf) геоботанических описаний. Анализ и оформление карт осуществляется в программной среде ArcGIS.

В последнее десятилетие нами составлены крупномасштабные карты растительности практически для всех крупнейших объектов природно-заповедного фонда страны, а также 30 км зоны БелАЭС и других природных территорий (рисунок 6). При их составлении использовались, как правило, традиционная доминантная классификация и структурно-динамические принципы построения легенды.

В качестве примера итоговой работы приведем геоботаническую карту нарушенного лесоболотного комплекса «Жада», созданной по итогам комплексного изучения растительности болота в 2010-2013 гг. (рисунок 7, таблица 2) [5].

Вместе с тем важнейшим этапом работ была необходимость «конвертировать» содержимое геоботанической карты в серию прикладных тематических карт. На основе карты актуальной растительности тестового полигона и сопряженной с нею базы данных создавался ряд прикладных тематических карт (рисунок 8).

Не вдаваясь подробно в методические вопросы прикладной геоботанической картографии, которые довольно подробно изложены нами в специальном издании [16], кратко обозначим содержание основных тематических карт.

Карта факторов антропогенного воздействия показывает действие (одного-двух) наиболее значимых факторов на каждый выдел растительности: сплошные и выборочные рубки последних лет, пожары, сенокошение и выпас, подтопление и т.д.

Рисунок 6 - Обобщенные сведения о результатах геоботанического и прикладного тематического картографирования, выполненных с использованием ДДЗ

Таблица 2 - Легенда карты растительности

Картируемый таксон

Площадь



га

%

ЛЕСА

2128,99

43,29

Сосновые и пушистоберезово-сосновые

1613,27

32,80

1

Сосновые кустарничково-долгомошные в сочетании с чернично-зеленомошными

34,20

0,76

2

Сосновые кустарничково-сфагновые

698,86

15,53

3

Сосновые кустарничково-сфагновые леса

485,55

10,79

4

Сосновые и пушистоберезово-сосновые осоково-кустарничково-сфагновые леса

119,38

2,65

5

Сосновые кустарничково-сфагново-зеленомошные

275,28

6,12


Рисунок 7 - Заключительные этапы создания геоботанической карты проектируемого заказника «Жады». А - фрагмент снимка ALOS Avnir и контуры растительности, установленные после контролируемой автоматической классификации; Б - карта растительности

ПРИКЛАДНАЯ ГЕОБОТАНИЧЕСКАЯ КАРТОГРАФИЯ

Рисунок 8 -Тематические блоки прикладного геоботанического картографирования

Карта современного состояния отражает два процесса - деградацию растительности под воздействием антропогенных факторов и восстановительные процессы, развивающиеся после этих воздействий. Выделены 4 градации: слабо-, средне-, сильнонарушенная и полностью уничтоженная растительность.

Фитоиндикационные карты, характеризуют экологические режимы местообитаний (увлажнение, кислотность, трофность, освещение), детектируемые на основе экошкал.

Карта направленности современных процессов в природных экосистемах отражает процессы изменения экологических условий, индицируемых по характеру сукцессий растительности.

Карта изменений условий увлажнения, индицируемых по сукцессиям растительности. Определяет 4 направления изменений условий увлажнения: стабилизация, увеличение (заболачивание), уменьшение (осушение) и разнонаправленные процессы в комплексных местоположениях.

Карты устойчивости природных экосистем: к пожарам - разработана на основе стандартной лесохозяйственной шкалы пожарной опасности; к рекреационному воздействию составлена на основе существующих предельно допустимых рекреационных нагрузок на растительность.

Карта оценки местообитаний с точки зрения поддержания биологического и ландшафтного разнообразия построена на основе выделения таксонов, охраняемых в соответствии с Директивой Евросоюза по местообитаниям.

Карта особо ценных растительных сообществ. На ней отражены:

редко встречающиеся лесные сообщества;

природные эталоны, наименее измененные хозяйством антропогенно-природные леса;

хозяйственные естественные и искусственно созданные леса местных лесообразователей высокой продуктивности и целевого соответствия;

лесные фитоценозы на болотах, вокруг озер, у истоков рек;

редкие комплексные болотные сообщества;

фитоценозы с редкими видами растений;

ресурсоведческие участки;

опытные объекты.

Карта а-разнообразия, составленная на основе системы балльных оценок обилия, исходя из видового обилия на единицу площади.

Карты ресурсного потенциала растительности отображают сведения о биологических ресурсах (общих запасов стволовой древесины лесов, урожайности ягод клюквы, запасов лекарственных растений и т.д.).

Карты стоимостной оценки экосистемных услуг и биологического разнообразия отображают:

интегральную оценку экосистемных услуг;

экономическую оценку первичной и вторичной продукции;

стоимостную оценку биологического разнообразия.

Карта экологических функций растительности отражает средообразующий и ландшафтно-защитный потенциал растительности.

Мониторинг лесохозяйственной деятельности. В последние годы при инвентаризации ООПТ значительное внимание уделяется мониторингу лесохозяйственной деятельности.

Выявление новых лесосек проводится путём сравнения свежих данных космической съёмки со снимками годичной (и более) давности. Лесосеки на снимках выглядят как объекты повышенной яркости на фоне более тёмного нетронутого леса. Основное отличие лесосек от похожих объектов - пожаров и ветровалов - состоит в наличии связанной инфраструктуры (лесовозные дороги, погрузочные площадки, магистральные и пасечные волоки) [11].

Основным признаком, по которому лесосеки разделяется на классы выборочных и сплошных рубок, выступает текстура. Если для сплошных вырубок характерна практически полная её однородность, то более выраженная текстура выборочных рубок обусловлена наличием волоков, дорог, погрузочных площадок, «окон» в пологе в сочетании с нетронутой частью насаждений. Чем выше пространственное разрешение, тем лучше различимы элементы инфраструктуры внутри лесосеки, в первую очередь волоки (технологические коридоры). Так, на снимках SPOT (разрешение 10 м) различимы лишь самые наезженные волоки, тогда как на более детальных данных IRS-P5 (разрешение 2,5 м) и EROS B (разрешение 0,7 м) видны не только большинство волоков, но и кроны отдельных деревьев [11].

Другими важными отличительными признаками для разделения выборочных и сплошных рубок выступают яркость и форма объектов. Сплошные вырубки обычно имеют правильную прямоугольную форму. Исключение могут составлять санитарные рубки, например, после пожара. Яркость сплошных свежих вырубок, как правило, велика за счёт большого процента открытой почвы [11].

При выборочных рубках форма лесосек может сильно варьировать, особенно в случае рубок ухода или незаконных самовольных рубок. При промышленной заготовке древесины форма лесосеки обычно более правильная. Яркость выборочных рубок варьирует в широких пределах и зависит от ряда факторов: сезона съёмки, выраженности рельефа, освещённости склона, на котором распложена рубка, давности и интенсивности рубки, доли темнохвойных и мягколиственных пород в составе древостоя, наличия и сомкнутости второго яруса и подлеска, а также степени их повреждения при рубке. Надо отметить, что возможность достоверно выявлять выборочные рубки, в том числе и на местности с выраженным рельефом, позволяет проводить мониторинг нарушений в защитных лесах различных [5].

На основе анализа результатов исследования составляются карты [8, 11, 17].

- Нарушения правового режима особо охраняемых природных территорий (ООПТ). Примером данного типа нарушений являются:

а) проведение сплошных рубок на участках где они запрещены в пределах заповедников, национальных парков, заказников;

б) гибель насаждений в результате нарушения режима хозяйственного использования земель.

Кроме этого, анализ сопоставление карт плановых и фактически выполненных хозяйственных и природоохранных мероприятий на территории ООПТ позволяет составить карты и сводные ведомости нарушений хозяйственной и природоохранной деятельности.

- Нарушения правового режима водоохранных зон и особо защитных участков леса (берегозащитных полос). Мониторинг проведение рубок в водоохранных зонах и особо защитных участков леса (берегозащитных полос) актуальная проблема. Высокодетальные снимки с пространственным разрешением 2,5 м и выше позволяют выявить данный тип нарушений, так как на столь детальных снимках хорошо просматриваются русла ручьёв и небольших рек. Это позволяет (с помощью ГИС) построить вдоль русел буферные водоохранные зоны и берегозащитные полосы заданной ширины и, соответственно, выявить факты рубок в водоохранной зоне.

- Превышение предельно допустимых параметров лесосек. По данным космической съёмки высокого разрешения можно надёжно определять такие нарушения правил заготовки древесины, как превышение предельно допустимой площади, ширины лесосеки и нарушение сроков примыкания лесосек.

- Дистанционный мониторинг незаконных рубок. Борьба с незаконными рубками на сегодняшний день не является одной из важнейших задач, однако, наличие в арсенале методов оперативной ревизии лесного фонда, является надежным инструментов профилактики подобных нарушений законодательства.

Схема выполнения работ включает 5 этапов [8].

- Подготовительные работы включают обработку разрешительных документов: проектов освоения лесов, лесных деклараций, лесорубочных билетов, абрисов лесосек. Информация, содержащаяся в разрешительных документах, является электронной базы данных мониторинга, для создания которой осуществлялись:

а) сканирование;

б) привязка планшетов и абрисов лесосек;

в) добавление атрибутивной информации о лесосеках

- Приобретение и обработка космических снимков.

- Дешифровочные работы материалов космической съемки и анализ разрешительных документов Дешифровочные работы осуществляются визуально-интерактивным методом. В процессе анализа проводилось измерение площадей лесосек, выявление нарушений, формирование ведомости нарушений, расчет ориентировочной суммы вреда в денежной эквиваленте. Незаконно вырубленные лесосеки формируются в отдельный векторный слой.

- Проведение выборочной полевой проверки. Выборочная полевая проверка проводится с применением GPS-приемника и в количестве не менее 3% от числа лесосек с выявленными нарушениями лесного законодательства.

Составление итоговой карты и ведомости наущений лесного законодательства

С использованием стандартных функций, реализованных в большинстве существующих ГИС, разработаны ряд оригинальных методик определения негативного воздействия антропогенных и естественных факторов и масштабов экономического ущерба (рисунок 9).

Технической (аппаратной и программной) основой для геоботаническо- го и экологического картографирования является многофункциональная многоуровневая геоинформационная система (ГИС), обеспечивающая совместимость и агрегирование разнородных данных.

При создании ГИС используются следующие виды базового программного обеспечения:

а) системы обработки данных дистанционного зондирования Земли ENVI, Scanex Image Processor;

б) геоинформационные платформы MapInfo, Quantum GIS, ArcGIS;

в) системы управления базами данных MS Access;

г) электронные таблицы MS Excel;

д) языки высокоуровневого программирования С++, Visul Basic, IDL, Map Basic.

Окончательный подбор компонентов ПО осуществляется на этапе рабочего проектирования.

Перечень тематических блоков в типовой ГИС выглядит следующим образом [17].

Базовый блок. Предназначен для географической привязки и согласования пространственных данных. Он включает:

а) слой с выбранными элементами топографической основы;

б) слой с гидрографической сетью.

Блок дистанционных данных (космоснимков, материалов автоматической классификации), который используется как для составления или уточнения базового слоя, так и для получения данных о характеристиках растительного покрова в результате дешифрирования.

Рисунок 9 - Методика стоимостной оценки последствий для территорий лесного фонда, поврежденных пожарами

Геоморфологический блок. Включает следующие слои:

а) гипсометрический (оцифрованные горизонтали с топографической карты);

б) цифровую модель рельефа.

Блок с данными лесоустроительных работ:

а) слой с границами лесоустроительных кварталов и выделов;

б) слой таксационных данных (возраст, состав, высота, диаметр, полнота насаждения, запас древесины) болотных лесов и примыкающих территорий;

в) слой информации о выполненных хозяйственных мероприятиях.

Фитоценотический блок. Включает следующие слои:

а) пункты проведения наземных полевых обследований растительности (геоботанических описаний, учета популяций древесных или травянистых растений на постоянных пробных площадях, профилях и трансектах;

б) пункты находок редких или ценных видов растений;

в) границы выделов геоботанической карты.

Экологический блок включает слои:

а) инструментальные измерения экологических параметров местообитаний (pH, электропроводность и уровень стояния вод, физико-химические свойства почв);

б) фитометрические индексы (увлажнение, кислотность, трофность, освещение).

Антропогенный блок включает слои:

а) данные выделения защитных территорий разного назначения;

б) данные о лесных пожарах;

в) информацию о состоянии растительности и негативных факторах воздействия;

г) сведения о прокладке или функционировании коммуникаций.

Кроме этого, для целей обучения составлен каталог космоэталонов, где в единый проект нами были сведены материалы, которые необходимы для дистанционной диагностики природных экосистем. При этом их размещение отражает последовательности обработки и синтеза информации при космическом исследовании природных экосистем.

Экономическая эффективность применения данных дистанционного зондирования для изучения растительного покрова определяется следующими факторами:

- исследованию может быть подвергнута любая точка земного шара, включая труднодоступные и опасные регионы.

не требуется предоставления наземного персонала, организации полевых работ, экспедиций, выделения дополнительных ресурсов и т.д.

масштабность исследований. Покрываемая одним снимком площадь может достигать десятков тысяч квадратных километров.

- стоимость единицы объема материалов аэросъемки в соотношении с наземными съемками составляет пропорцию 1:3, и в соотношении с данными космических съемок 1:1.

Безусловно, сегодня космос является одним из ярких брендов научнотехнического потенциала не только Национальной академии наук Беларуси, но и всей нашей страны. Являясь технологией двойного значения (ВПК и народное хозяйстве), космос остро нуждается в расширении применения данных дистанционного зондирования в отраслях реального сектора экономики.

Для нашей страны развитие тематического геоботанического картографирования с использованием данных дистанционного зондирования и геоинформационных технологий является перспективным направлением, которое может стимулировать развитие как фундаментальных направлений современной ботаники (классификация растительности, фитоиндикация, прогнозное моделирование), так и современных, имеющих сугубо прикладной аспект (технологии мониторинга растительности, прогнозирование состояния природной среды в результате хозяйственной деятельности, контроль природопользования и экологическая безопасность).

К числу перспективных направлений представляются следующие исследования.

- Создание цифровой карты растительности Беларуси. Разработка и внедрение этой технологии может стать настоящим прорывом в сфере формирования национального контента в области науки, культуры и системы научно-технической информации. Созданные в 1960-1970 гг. печатные карты растительности страны (М 1:1 000 000, 1:600 000), уже морально устарели, поскольку они создавались на основе послевоенных материалов и в условиях ограниченного доступа ко многим территориям (в первую очередь, военным полигонам). За этот период на территории страны реализовался ряд крупномасштабных социально-экономических проектов (мелиорация Полесья, индустриальное и аграрное развитие регионов), выделена зона отчуждения после аварии на ЧАЭС, значительно усилился антропогенный пресс на природную среду. Все это привело к существенному измению картины растительного покрова территории современной Беларуси. Эти исследования необходимо осуществлять на принципиально новой платформе с использованием ГИС-технологий и данных аэрокосмического зондирования.

Разработка системы дистанционного мониторинга земель лесного фонда на основе использования материалов лесоустройства, радарной и мультиспектральной космических съемок высокого разрешения.

Система мониторинга позволит оперативно и эффективно решать задачи планирования хозяйственных мероприятий, выявления «проблемных участков» гослесфонда, а также проводить оперативно-розыскные мероприятия при контролю за соблюдением лесного и природоохранного законодательства.

- Разработка технологий и программного комплекса, позволяющие осуществлять динамическое картографирование наземных экосистем с ежегодным выявлением и прогнозированием масштабных изменений в структуре растительного покрова.

Это открывает широкие перспективы использования электронных карт для решения различных государственных задач и выполнения международных обязательств в области лесного хозяйства, охраны природы.

- Создание корпоративных геоинформационных систем с возможностью одновременного подключения пользователей и редакторов с помощью интранет/интернет-сетей.

Серверные ГИС могут стать примером инновационной технологии в области изучения и инвентаризации биоразнообразия, управления природно-заповедными объектами.

На платформе ГИС возможно создания серии прикладных научнотехнических разработок, которые найдут широкий круг потребителей в экономической и природоохранной сфере.

Необходимо также широкомасштабное внедрение технологий ДДЗ и геоинформационных систем в практику работы всех сфер, связанных с эксплуатацией и охраной природных ресурсов (лесное хозяйство, проектно-изыскательские работы, охрана природы, контролирующие органы).

Таким образом, создание крупномасштабных карт растительности на территории страны и ее отдельных регионов, перспективны в хозяйственном отношении, имеет большое научно-теоретическое, методическое и хозяйственно-прикладное значение. В настоящее арсенал методов геоботанического картографирования значительно расширился за счет внедрения ГИС-технологий, материалов ДДЗ. Их применение позволяет создавать практически неограниченное число виртуальных тематических карт и анализировать их в самых различных сочетаниях. Развитие картографии растительности, особенно актуально в связи с формированием национальной системы аэрокосмического мониторинга природной среды.

1.4 Анализ структуры, состояния и динамики агролесоландшафтов по материалам аэрокосмического мониторинга

Структура, состояние и динамика агролесных ландшафтов в первую очередь зависят от состояния земель сельскохозяйственного назначения и защитных лесных насаждений. Согласно методологии и методике картографо-аэрокосмического мониторинга [10] подходы к анализу этих структурных экосистем агролесоландшафтов должны быть различны, так как для пашни важным является плодородие почв, уровень ее деградации, для кормовых угодий - состояние и состав травянистого фитоценоза, а для лесонасаждений - сохранность, состояние деревьев, их таксационные характеристики.

Для успешного анализа состояния агролесоландшафтов необходимо правильно оценить ситуацию на основе критериев, которые определяют количественные характеристики процессов их деградации, материалов аэрокосмического мониторинга и других источников информации, а именно: черно-белые, мультиспектральные или спектрозональные космоснимки с разрешением не менее 10 м для отдельных малоразмерных агролесомелиоративных объектов, ЗЛН и не менее 30 м для площадных объектов (лесные массивы, пашня, пастбища). Выбор разрешения обусловлен возможностью дешифрирования параметров объекта мониторинга (характеристик его экологического состояния).

В связи с этим агролесомелиоративное картографирование и аналитическое моделирование на основе космической фотоинформации в сочетании с геоинформационными технологиями становятся важнейшими методологическими и методическими приемами, позволяющими осуществлять не только мониторинг состояния земель, но и анализировать динамику деградационных процессов. Математико-картографические модели дают возможность разрабатывать систему управленческих решений по адаптивному обустройству.

В агролесомелиоративном картографировании принята оценочная шкала экологической деградации ландшафтов, включающая четыре уровня [3]: норма, риск, кризис, бедствие. Параметры для различных компонентов агролесоландшафта, определяющие соответствующий уровень его деградации, различны.

Для компьютерного анализа и дешифрирования изображения с целью получения статистически достоверных данных о состоянии ландшафтных участков необходимо знать не только величину, но и распределение тона на них. В связи с этим для такого анализа изображения должны использоваться цифровые или оцифрованные аналоговые аэро- и космоснимки, которые являются основой растровых цифровых моделей местности. В результате преобразования анализируемое изображение становится композицией растровых пикселей, чем и обеспечивается возможность его компьютерной статистической обработки. Так как положение каждого пикселя на изображении в цифровом виде точно определено, то появляется возможность привязать его положение к координатной сетке и обеспечить точность ландшафтного анализа.

Файлы растровых цифровых моделей изображений имеют достаточно большой размер, возрастающий с увеличением разрешения сканирования, поэтому это разрешение приходится ограничивать. При работе в графических редакторах рекомендуется выбор такого разрешения сканирования, при котором размер полученного файла оцифрованного изображения не превышал бы размера оперативной памяти компьютера (максимально возможный размер оперативной памяти для 32- и 64-разрядные систем составляет 4 и 8 Гб соответственно). Исходя из размеров исходного аналогового снимка или выбранного на снимке участка, можно предложить примерные варианты разрешения для сканирования: максимальный размер снимка более 200x200 мм - разрешение сканера 300 dpi и далее соответственно 100x100, 200x200 - 400; 50x50, 100x100 - 600; 10x10, 50x50 - 1200; менее 10x10 - 2400.

Исходный снимок может быть черно-белым (моноxромным), цветным или спектрозональным. Цветные и спектрозональные снимки обрабатываются в одной из цветовые сxем - RGB, CMYK, LAB (некоторые компьютерные программы работают только в системе RGB, поэтому предпочтение отдается этой сxеме). Оцифрованные черно-белые изображения несут информацию в 256 оттенкаx серого тона. Для идентификации и дешифрирования xарактеристик объектов, представленные оцифрованными цветными многоканальными изображениями, можно использовать информацию по 256 тонам каждого канала. Анализ распределения пикселей как по серому тону, так и по цветным каналам дает возможность получать количественные xарактеристики исследуемого объекта. Для черно-белые космоснимков особо выделяется задача идентификации объектов, присутствующих на изображении, так как прямые дешифровочные признаки не всегда однозначно позволяют ее выполнить. В этом случае важную роль играет опыт дешифровщика и дополнительные косвенные признаки.

Необxодимые данные по объектам мониторинга могут быть выявлены в дополнительные источникаx, к которым можно отнести почвенные, литологические карты, атрибутивную текстовую информацию, результаты полевые исследований и др. Объектами для экспериментальные и полевые работ по проверке методов ведения агролесомелиоративного мониторинга выбираются ландшафты с типичными зональными агроэкологическими условиями, где выделяются защитные лесные насаждения и земли сельскоxозяйственного назначения.

Для пространственной организации информации в системе мониторинга принят треxмерный подxод. Он заключается в выделении на территории объекта мониторинга структур различного пространственного уровня. Иерарxичность рельефа позволяет проводить группировку территориальные структур и обобщать собранные данные о ресурсном и агроэкологическом потенциале агроландшафта, задаваясь определенным масштабом и уровнем детализации.

Районирование и картографирование выполняется на оцифрованной топографической карте масштаба 1:10000, 1:25000. Границы категорий земель и функциональные зоны выделяются послойно и могут быть представлены в виде отдельные изображений. Картографирование деградации агроландшафтов осуществляется в два этапа для обеспечения управляющая: решений по рациональному использованию природные ресурсов и соxранения плодородия земель [22].

Этап 1 - выбор территориальные объектов - регионов или областей, подверженные процессам деградации и опустынивания, - осуществляется на основании аэрокосмического мониторинга агроландшафтов. Потенциально такими объектами могут считаться следующие: предрасположенные к водной эрозии участки с углом склона более 1°; предрасположенные к ветровой эрозии открытые, не защищенные лесными насаждениями, участки пашни или пастбищ без травостоя; интенсивно используемые участки поверхности для сельскохозяйственного производства (пашня, пастбища) с антропогенной нагрузкой, превышающей их продуктивность при отсутствии систем мелиорации ландшафта; агроландшафты с неблагоприятными почвенно-климатическими условиями; любые регионы, подвергшиеся критическому воздействию природно-антропогенных «катастроф», таких как сели, наводнения, ураганы, ливневые (затяжные) дожди и др.

Этап 2 - создание картографической и топологической базы данных.

Информационное обеспечение картографирования агроландшафтов региона (области), выбранного в качестве объекта исследований, осуществляется созданием картографической и топологической базы данных, подбором и цифрованием топографических и тематических карт, созданием электронных таблиц для описания свойств объекта, а также использованием существующих геоинформационных систем в качестве внешней базы данных. При необходимости уточняются межхозяйственные, административные и государственные границы, проходящие по территории региона исследований, и создается тематический слой границы. Эта операция проводится для отнесения площадей территорий к определенному субъекту землепользования. В результате реализации такой технологии создаются тематические картографические слои, несущие необходимую предварительную информацию об объектах исследований.

Создание обзорной космофотокарты осуществляется с целью оценки общего состояния территорий, подверженных деградации и определения координат объектов мониторинга. Масштаб обзорной космофотокарты (1:1000000, 1:2000000) выбирается таким образом, чтобы достоверно определялись границы ландшафтных элементов (в т. ч. большие лесные массивы, водоемы, поля и др.). Обзорная карта обеспечивает взаимосвязанность информации отдельных объектов на всей территории региона исследований. Такая карта создается на основе оцифрованной топографической карты соответствующего масштаба, которая в оцифрованном виде является тематическим слоем для привязки аэрокосмоснимка региона исследований к географическим координатам и нанесения координатной сетки.

Аэрокосмоснимки региона исследований в масштабе 1:1000000, 1:2000000 оцифровываются и сохраняются в виде тематического слоя в используемом программном продукте (например, «MapInfo»). Далее они трансформируются таким образом, чтобы координаты контрольных объектов на снимке и на топографической основе совпадали. После этого проводится контрольное измерение объектов на фотоплане и сверка их координат с координатами на топографической основе. Для повышения точности привязки изображения осуществляется корректирующая трансформация, обеспечивающая приемлемую точность.

На основе данных топографической карты создается тематический слой «границы» путем проведения полилиний, совпадающих с границами, обозначенными на топографической основе. Для проведения дополнительных границ используется достоверная информация, которая переносится на тематический слой «границы» также путем проведения полилиний по контрольным точкам или наложением графической информации на существующий слой.

В результате компьютерной обработки и трансформации космоснимков создается обзорная космофотокарта, на которую нанесены координатная сетка, границы и дополнительная атрибутивная информация. Ее создание дает возможность установить объекты в агролесоландшафтах, подверженные деградации, и определить их точные координаты.

Для определения вида и уровня деградации, уточнения координат очагов, количественной оценки состояния агроландшафтов и его составляющих необходимы фотокарты более крупного масштаба (1:10 000, 1:25 000).

Создание космофотокарты объекта исследования заключается в следующем: на имеющейся обзорной космофотокарте полигоном выделяется объект исследований. Определяются его координаты, общая площадь и периметр. При необходимости устанавливается расстояние до контрольных пунктов. Проводится привязка этого полигона к координатам и создается новый тематический слой космофотокарты объекта исследований.

В зависимости от типа объекта исследований осуществляется трансформация полученной космофотокарты объекта до получения нужного масштаба. Необходимо учитывать, что разрешение исходных космоснимков, используемых при создании обзорной космофотокарты в цифровом виде, должно обеспечивать соответствующий масштаб космофотокарты. Создание космофотокарты завершается нанесением необходимой атрибутивной информации и уточнением географических координат.

Основными критериями состояния агроландшафтов могут являться содержание гумуса в почве, проективное травянистое покрытие и относительная площадь крон деревьев (полога), входящих в исследуемый ландшафт.

Для обеспечения постоянного обновления информации, а также выявления динамики экзогенных процессов разработана методология картографо-аэрокосмического динамического мониторинга агроландшафтов, основанная на компьютерном анализе информации и геоинформационных технологиях, которая включает следующие операции:

сопряженный картографический анализ и диагностику деградации агроландшафтов на основании полевых, дистанционных методов и компьютерного картографирования;

анализ структуры агроландшафтов, природных экзогенных процессов на основе ландшафтно-экологического дешифрирования космофотоснимков;

обоснование и разработку критериев оценки антропогенной деградации агроландшафтов;

составление геоэкологических (ландшафтно-экологических) карт состояния сельскохозяйственных угодий;

проведение ландшафтно-типологического и лесомелиоративного;

районирования на основе космофотоинформации;

разработку и составление региональных схем и локальных ландшафтных проектов противодеградационных фито- и лесомелиоративных мероприятий.

2. Методы оценки пожарной опасности по данным спутниковых наблюдений

На настоящий момент оценка природной пожарной опасности (ПО) лесных массивов производится на основе расчета индексов, использующих наземные метеорологические измерения температуры и влажности воздуха, а также количества выпавших осадков. Расчет класса пожарной опасности производится по методике Нестерова с учетом региональных особенностей по сети действующих метеостанций на территории РФ. К примеру, действующая существующая сеть метеостанций на территории Иркутской области, особенно в северной и северо-восточной её части является весьма разряженной, и поэтому оценка пожарной опасности в обширной таежной зоне производится весьма приближенно. Использование спутниковых средств наблюдения для оценки класса пожарной опасности на основе сравнения мультисовременных измерений физических параметров подстилающей поверхности таких как: отражательная способность растительности в видимом и ближнем инфракрасном диапазоне, эндогенное (собственное) излучение поверхности в инфракрасной области спектра, и их производных продуктов может в некоторой мере повысить информативность о возможном риске возгорания.

Как хорошо известно, природный риск или вероятность возникновения возгорания зависит в целом от влагосодержания лесогорючих материалов. Проведение напрямую количественных измерений в реальном времени влагосодержания лесогорючих материалов в лесах на территории большей (авиабаза, авиаотделение) или меньшей (квартал) территории практически не возможно. Поэтому на практике применяют существующие модели или проводят их модернизацию путем ввода в модель значимых параметров учитывающих региональные, физико-географические особенности территории. Важность разработки и проверки существующих моделей для оценки пожарной опасности в лесах признана во всех сообществах связанных с лесными пожарами. На сегодняшний день в различных странах и регионах существуют и функционируют несколько моделей для количественной оценки пожарной опасности. Наиболее хорошо известными и проверенными на практике системами являются Канадская система оценки пожарной опасности (CFFDRS), Национальная система оценки пожарной опасности в США (WFAS), система оценки пожарной опасности МакАртура в Австралии. Все три упомянутых системы в этих странах адоптированы к региональным условиям, имеют научную основу и проверены на практике. Системы оценки пожарной опасности в этих станах включают в себя длинные временные ряды наблюдений за возникновением пожаров, наблюдения на метеорологических станциях, а также большой объем дополнительной информации, такой как мелкомасштабные карты покрытия земной поверхности, топографические данные и цифровые модели рельефа.

Карты «зелености» древесной растительности формируются ежедневно из данных нормализованного разностного вегетационного индекса (Normalized Difference Vegetation Index-NDVI), получаемых радиометром AVHRR и поставляемых в центр данных EROS геологической службы США. Эти карты являются недельным композитом и имеют 1-километровое пространственное разрешение.

- Карта визуальной зелености (Visual Greenness Maps) - отображают зеленость сравниваемую с очень зелеными участками типа полей люцерны или полей для игры в гольф. Получаются изображения подобные тем, которые можно увидеть с воздуха. Обычно сухие области никогда не будут казаться столь же зелеными, как нормальной смачиваемые области.

Карты относительной зелености (Relative Greenness Maps) - отображают зеленость растительности по сравнению с зеленостью в период с 1984 по 2003 гг. Поскольку каждый пиксель нормализован относительно его собственного исторического диапазона, все области могут выступать полностью зелеными некоторое время в течение вегетационного периода.

Карты отклонения от средней зелености (Departure from Average Greenness Maps) отображают зеленость каждого пиксела по сравнению с его средней зеленостью в течение текущей недели, основанной на данных 1984-2003 гг.

- Карты VG, RG и DA доступны для текущего периода. Архив изображений RG и DA доступен в формате обмена географическими данными (GIF-формате). Центр данных EROS, начиная с января 2004 г. применяет новый алгоритм «просеивания» облаков и атмосферы и корректировки изображений.

Таким образом, система WFAS еженедельно формирует карты визуальной (VG) и относительной RG зелености, отклонений от средней зелености DA) и архивирует изображения RG и DA.

Кроме этого методики для определения вероятности возникновения пожаров на основе измерения динамики так называемых индексов растительного покрова применяются в Испании. В предложенной авторами модели расчета индекса потенциального пожара (Fire Potential Index) наряду с метеорологическими данными и информации о типах лесогорючих материалов, в качестве входных параметров модели требуется информация о значениях нормализованного индекса вегетации (NDVI). Значения максимальных значений индекса NDVI за 10-ти дневный период времени используются для расчета индекса «относительной зелёности» (RG) (1):

= [(NDo - NDmin)/(NDmax - NDmin)]*100, формула (1)

где для каждого пикселя изображения: NDo равно максимальное значение NDVI текущего изображения; NDmax(min) равно максимальное или минимальное историческое значение индекса NDVI в этом пикселе за тот же фенологический период времени;или другими словами относительный индекс «зелености» показывает как ведет себя текущее значение индекса NDVI по сравнению с предшествующими годами, пожароопасная ситуация которых уже известна.

По данным методикам можно сделать выводы, что методики, основанные на сравнении текущих индексов вегетации за один фенологический период с историческими значениями может не сработать в условиях сильной задымленности территории или в условиях незначительных атмосферных помех, которые не удалось отфильтровать при классификации облачного покрова.

Еще одна методика, использующая значения индекса вегетации основана на расчете индекса засухи. По используемым нами космическим снимкам можно отследить два параметра, свидетельствующие о наступлении засухи, это ухудшение состояния растительности в процессе вегетации (вплоть до полной гибели) и повышенные температуры подстилающей поверхности. Под индексом засухи понимается отношение нормализированного индекса вегетации NDVI к температуре поверхности. Поскольку засуха характеризуется повышенными температурами подстилающей поверхности, то одним из важных параметров при её диагностике является ход температурных кривых во время засухи. Анализ ряда ночных и дневных изображений в год засухи и во «влажный» год, показал, что засуха характеризуется не только повышенными дневными, но и повышенными ночными температурами. Понижение температур ночью приводит к образованию росы и туманов, то есть к конденсации паров воды на растениях, что позволяет им избегать стресса обезвоживания. В этом случае наступление атмосферной и почвенной засухи не приводит к высушиванию лесогорючих материалов.

Поскольку при наступлении засухи вегетационный индекс падает, а температуры подстилающей поверхности растут, то для более точного определения момента наступления засухи и территории её распространения предлагается использовать «Индекс засухи» ID (Index of Drought), который прямо пропорционален сумме ночной и дневной температур и обратно пропорционален значению нормализованного вегетационного индекса (2):

ID = (Т4д + Т4н) / NDVI, формула (2)

где Т4д и Т4н дневная (максимальная) и ночная (минимальная) температуры в 4-ом канале прибора AVHRR или 31-ом канале прибора MODIS.

Очевидно, что чем выше значения индекса ID и дольше его длительность, тем с большей вероятностью на наблюдаемой территории возможна засуха и тем самым выше риск возникновения пожаров. Эмпирически установлено, что для некоторых территорий Европейской части России (для открытых поверхностей) для июня значения индекса ID 1000-1400 являются нормальными, 1400-1600 свидетельствуют о средней и сильной засухе, свыше 1600 катастрофической. Для прогноза возникновения пожаров целесообразно выбрать в качестве «спокойного года» период с большим количеством осадков и малым количеством пожаров.

Слабой стороной данной методики является тот факт, что в условиях, например, Сибири, где преобладают хвойные породы деревьев, изменение нормализированного индекса вегетации происходит медленно в течение сезона и очень слабо реагирует на засушливые периоды. Данная должна хорошо работать для открытых типов земных поверхностей, таких как луга, поля, пастбища, может быть старые гари. Поэтому введение в уравнение (2) в виде знаменателя нормализированного индекса вегетации для хвойных лесов на наш взгляд условно и мало значимо. Проще просто вести подсчет накопленной (суммарной) температуры в ИК канале. В тоже время «Индекс засухи» имеет преимущества перед другими индексами в том, что он применим в весенний период в начале пожароопасного сезона. Сравнение развития вегетации в фенологических периодах двух сезонов только по индексу вегетации может и не выявить различие в значениях индексов.

На основе суммирования значений температуры подстилающей поверхности разработана еще одна методика. Данная методика имеет очень сильную связь с применяемой на практике методикой Нестерова. Но это и стоило ожидать из предложенной методики, так как главным, ключевым параметром, входящим в данную модель является количество выпавших осадков, определяемое по сети наземных метеорологических станций. Понижение индекса пожарной опасности в известных датах на одну и ту же величину как модели Нестерова так и в предложенной методике и дает практически 90% корреляцию хода индекса пожарной опасности.

Можно сделать следующий вывод. Недостатком данной методики является применение данных об выпавших осадках, полученных с сети пунктов метеорологических станций. Тем самым детальность данных о распределении температуры зависит от плотности сети функционирующих метеостанций на наблюдаемой территории. Также остается открытым вопрос об интерпретации данных на участках закрытыми облачным покровом. Так как наличие облачного покрова над определенной территорией может достигать нескольких дней, а для расчета пожарной опасности требуется ряд непрерывных наблюдений температуры поверхности.

3. Оценка последствий лесных пожаров

.1 Обоснование выбора спутниковых снимков

Программа Landsat - наиболее продолжительный проект по получению спутниковых фотоснимков планеты Земля. Первый из спутников в рамках программы был запущен в 1972; последний, на настоящий момент, Landsat 8 - 11 февраля 2013. Оборудование, установленное на спутниках Landsat, сделало миллиарды снимков. Снимки, полученные в США и на станциях получения данных со спутников по всему миру, являются уникальным ресурсом для проведения множества научных исследований в области сельского хозяйства, картографии, геологии, лесоводства, разведки, образования и национальной безопасности. К примеру, Landsat 7 поставляет снимки в 8 спектральных диапазонах с пространственным разрешением от 15 до 60 м на точку; периодичность сбора данных для всей планеты изначально составляла 16-18 суток.

Спутники Landsat-1, 2, 3 имели следующие параметры орбиты - орбита солнечно-синхронная, субполярная; высота орбиты -900-920 км; наклонение орбиты к плоскости экватора - 99°; период обращения - 103 минуты; повторяемость съемки - 1 раз в 18 дней.

Спутники Landsat-4, -5, -7, -8 имели следующие параметры орбиты - орбита солнечно-синхронная, субполярная; высота орбиты - 705 км; период обращения - 98,9 минут; повторяемость съемки - 1 раз в 16 дней.

На спутниках серии Landsat стояли следующие съемочные системы:

мультиспектральные видеокамеры Return Beam Vidicon (RVB; использовалась на Landsat-1, -2; 3 канала, 80 м);

панхроматические видеокамеры RVB (Landsat-3; 40 м);

сканирующий мультиспектральный сканер: MSS (Landsat-1, 2, 3, 4, 5);

сканирующий тематический сканер: TM (Landsat-4, 5);

улучшенный тематический сканер: ETM (Landsat-6);

улучшенный тематический сканер плюс: ETM+ (Landsat-7).

Мультиспектральные сканеры MSS спутников LandSat 1-5, созданные в Santa Barbara Research Center (Hughes <https://ru.wikipedia.org/wiki/Hughes>), предназначены для получения мультиспектральных снимков все поверхности Земли. MSS является оптикомеханической системой со сканирующим зеркалом (период 74 мс) и телескопом рефлектором системы Ritchey-Chretien с диаметром зеркала в 22,9 см. Пространственное разрешение 80 метром, спектральные диапазоны: 0.5 - 0.6 мкм (зеленый), 0.6 - 0.7 мкм (красный), 0.7 - 0.8 мкм, 0.8 - 1.1 мкм. Калибровка детекторов происходит от каждые 2 сканирования.

Кварцевые зеркала телескопа крепятся на Инваровых <https://ru.wikipedia.org/wiki/%D0%98%D0%BD%D0%B2%D0%B0%D1%80> стержнях. Система сконструирована таким образом, чтобы не терять фокусировку даже при сильной вибрации, которую создает колеблющееся 36 сантиметровое бериллиевое зеркало сканирования. Такое инженерное решение позволило США запустить спутники LANDSAT на 5 лет раньше французского спутника ДЗЗ SPOT <https://ru.wikipedia.org/w/index.php?title=Spot_(%D1%81%D0%BF%D1%83%D1%82%D0%BD%D0%B8%D0%BA)&action=edit&redlink=1> (1986 год), на котором впервые использовалась двумерная матрица ПЗС-датчиков и не требовалась система сканирования.

Сборка в фокальной плоскости инструмента MSS состоит из 24 диэлектрических волноводов (оптических волокон) с экструдированными торцами размера 5 мкм, организованными в массив 4x6. Пучок волокон подводит свет к 6 кремниевым фотодиодам и 18 фотоумножительным трубкам. Для каждого из 4 спектральных диапазонов использовался свой набор из 6 детекторов. Радиометрическое разрешение каждого детектора - 0-255.1 (МФА lжndsat <https://ru.wikipedia.org/wiki/%D0%9C%D0%B5%D0%B6%D0%B4%D1%83%D0%BD%D0%B0%D1%80%D0%BE%D0%B4%D0%BD%D1%8B%D0%B9_%D1%84%D0%BE%D0%BD%D0%B5%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%B0%D0%BB%D1%84%D0%B0%D0%B2%D0%B8%D1%82>, ERTS A, ERTS 1, Earth Resources Technological Satellite) - первый спутник программы «Landsat« (США). Построен на модифицированной базе метеорологического спутника «Nimbus 4» (запущен 08.04.1970) в Valley Forge, Пенсильвания <https://ru.wikipedia.org/wiki/%D0%9F%D0%B5%D0%BD%D1%81%D0%B8%D0%BB%D1%8C%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F> подразделением Space Division компании General Electric <https://ru.wikipedia.org/wiki/General_Electric>. Запущен 23 июля 1972 г. ракетой Дельта <https://ru.wikipedia.org/wiki/%D0%94%D0%B5%D0%BB%D1%8C%D1%82%D0%B0_(%D1%80%D0%B0%D0%BA%D0%B5%D1%82%D0%B0-%D0%BD%D0%BE%D1%81%D0%B8%D1%82%D0%B5%D0%BB%D1%8C)>-900 574/D-89 со второго стартового комплекса авиабазы Ванденберг <https://ru.wikipedia.org/wiki/%D0%91%D0%B0%D0%B7%D0%B0_%D0%92%D0%B0%D0%BD%D0%B4%D0%B5%D0%BD%D0%B1%D0%B5%D1%80%D0%B3> в Калифорнии <https://ru.wikipedia.org/wiki/%D0%9A%D0%B0%D0%BB%D0%B8%D1%84%D0%BE%D1%80%D0%BD%D0%B8%D1%8F>. Спутник на околополярной орбите служил как стабилизированная, ориентированная на Землю платформа для получения информации о сельском хозяйстве, лесных ресурсах, геологии, минеральных ресурсах, гидрологии, водных ресурсах, географии, картографии, загрязнении окружающей среды, океанологии, морских ресурсах, а также метеорологических явлениях.

Для достижения этих целей, на аппарате установлены:

трёхкамерный видикон <https://ru.wikipedia.org/wiki/%D0%92%D0%B8%D0%B4%D0%B8%D0%BA%D0%BE%D0%BD> с возвращаемым лучом (RBV) для получения фотографических изображений Земли ввидимом <https://ru.wikipedia.org/wiki/%D0%92%D0%B8%D0%B4%D0%B8%D0%BC%D0%BE%D0%B5_%D0%B8%D0%B7%D0%BB%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5> и коротковолновом инфракрасном <https://ru.wikipedia.org/wiki/%D0%98%D0%BD%D1%84%D1%80%D0%B0%D0%BA%D1%80%D0%B0%D1%81%D0%BD%D0%BE%D0%B5_%D0%B8%D0%B7%D0%BB%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5> излучениях. Использовался с 23 июля 1972 по 5 августа 1972 и сделал 1692 снимка;

пространственное разрешение - 80 м;

диапазоны спектра - видимый синий-зеленый (475-575 нм), видимый оранжевый-красный (580-680 нм), видимый красный-околоинфракрасный (690-830 нм);

- четырёхканальный мультиспектральный сканер (MSS) для получения радиометрических изображений Земли;

- пространственное разрешение - 80 м;

диапазоны спектра - видимый зелёный(0,5-0,6 мкм), видимый красный(0,6-0,7 мкм), околоинфракрасный (0,7-0,8 мкм) и околоинфракрасный (0,8-1,1 мкм);

- подсистема сбора данных (DCS) для сбора информации с удаленных, индивидуально оборудованных наземных станций и передачи данных на центральные станции обнаружения.

Спутник также нес два широкополосных видеомагнитофона <https://ru.wikipedia.org/wiki/%D0%92%D0%B8%D0%B4%D0%B5%D0%BE%D0%BC%D0%B0%D0%B3%D0%BD%D0%B8%D1%82%D0%BE%D1%84%D0%BE%D0%BD> (WBVTR-1 и WBVTR-2), способных хранить до 30 минут данных со сканера или камеры, давая датчикам аппарата возможности почти глобального охвата.

Усовершенствованная система пространственной стабилизации состоящая из сканеров горизонта, солнечных датчиков, и антенны командной связи в сочетании с двигательной установкой на фреоне позволяла поддерживать ориентацию космического аппарата в пределах плюс-минус 0,7 градуса по всем трем осям. Система связи КА включала командную подсистему работающую на 154,2 и 2106,4 МГц и узкополосную PCM телеметрическую подсистему работающую на 2287,5 и 137,86 МГц, для данных: служебных, пространственных и характеристик датчика. Видеоданные из трёхкамерного ребикона передавались как в режиме реального времени и в режиме воспроизведения записей с магнитофона на 2265,5 МГц, в то время как информация от MSS вжималась в 20-ти МГц радиочастотном диапазоне на 2229,5 МГц.

В 1976 году Landsat 1 обнаружил крошечный необитаемый остров в 20 км от восточного побережья Канады. Впоследствии этот остров был назван «Landsat Island <https://ru.wikipedia.org/w/index.php?title=Landsat_Island&action=edit&redlink=1>«, в честь спутника.

Космический аппарат был выключен 6 января 1978 г., когда совокупная прецессия <https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%B5%D1%86%D0%B5%D1%81%D1%81%D0%B8%D1%8F> плоскости орбиты привела к тому, что аппарат стал перегреваться под почти постоянным воздействием солнечного света.

Landsat-5 - спутник ДЗЗ геологической службы США USGS. Был запущен 1 марта 1984 г. в рамках программы Landsat. В октябре 2007 г. эксплуатация спутника была приостановлена на 4 месяца из-за выхода из строя одной из двух аккумуляторных батарей. В марте 2008 г. возобновлена эксплуатация спутника с дополнительными ограничениями, при этом время существования спутника на орбите составило 24 года.

Представляет полную копию спутника LandSat-4, использует такие же инструменты - Thematic Mapper (TM) и Multi-Spectral Scanner (MSS).

Высота орбиты 705 км, орбита приполярная, солнечно-синхронная.

Наклонение 98,2 градуса.

Обзор всей поверхности планеты занимает 16 суток.

В январе 2005 г. начались сбои системы поворота основной солнечной батареи. В ноябре с похожими симптомами столкнулись на запасной батарее. Получение изображений было приостановлено. После расследования в декабре 2005 и тестирования в январе 2006 были разработаны контрмеры, и работа аппарата была возобновлена.

На март 2009 г. Landsat 5 находился на орбите уже 25 лет (превысив изначальный трёхлетний срок существования на 22 года) и всё ещё использовался по назначению.

В декабре 2009 отказала запасная ЛБВ в радиоусилителе, которая использовалась вместо основной, выключенной ещё в 1987 году. Через 22 года после отключения основная ЛБВ была введена в строй, и работа канала передачи данных возобновилась в январе 2010.

В ноябре 2011 г. получение изображений было приостановлено на 90 дней. USGS заявила, что спутник практически выработал все ресурсы, проработав более 27 лет.

В марте-апреле 2012 г., на 28 году миссии, инструмент MSS, выключенный в 1995 году, был вновь включён.

декабря 2012 г. было объявлено о намерении вывода спутника из эксплуатации. За время функционирования Landsat 5 несколько раз выходил из строя, однако его работу удавалось возобновлять. Но в конце декабря 2012 г. на аппарате произошла поломка одного из гироскопов, которая не поддаётся ремонту. Всего на спутнике установлены три гироскопа, и для функционирования требуются два из них. Спутник будет выведен из эксплуатации в течение ближайших нескольких месяцев, скорее всего после введения в строй Landsat Data Continuity Mission. С момента запуска аппарата прошло 28 лет, за которые он совершил около 150 тысяч витков вокруг нашей планеты и передал около 2,5 млн фотографий. LandSat-5 поставил рекорд по времени активной эксплуатации спутников, изучавших Землю (28 лет).

февраля 2013 г. агентство NASA объявило о том, что проект вошёл в книгу рекордов Гиннесса как самая длительная миссия спутникового наблюдения Земли (28 лет и 10 месяцев).- спутник дистанционного зондирования Земли, один из запущенных в рамках программы Landsat. Выведен на орбиту в 1999 году и продолжает работу. Основной целью спутника было обновление глобального архива спутниковых фотографий. Хотя программа LandSat управлялась NASA, данные съемок обрабатываются и распространяются Геологической службой США. Программа NASA World Wind и большинство картографических сайтов («Карты Google», Yahoo! Maps, Bing Maps) используют в качестве основы изображения, полученные с LandSat-7. У спутника есть несколько компаньонов, следующих по близким орбитам с интервалом несколько минут: аппараты Earth Observing-1, SAC-C и »Терра». Вместе данная группировка иногда называется «утреннее созвездие» (The morning constellation).

Инвестиции в проект превысили 700 млн долл. к 2003 году.

Миссия LandSat-7 изначально рассчитана на длительность 5-7 лет. Спутник мог снимать и передавать до 532 изображений в сутки. Спутник находится на полярной <https://ru.wikipedia.org/wiki/%D0%9F%D0%BE%D0%BB%D1%8F%D1%80%D0%BD%D0%B0%D1%8F_%D0%BE%D1%80%D0%B1%D0%B8%D1%82%D0%B0> солнечно-синхронной орбите <https://ru.wikipedia.org/wiki/%D0%A1%D0%BE%D0%BB%D0%BD%D0%B5%D1%87%D0%BD%D0%BE-%D1%81%D0%B8%D0%BD%D1%85%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BE%D1%80%D0%B1%D0%B8%D1%82%D0%B0>, рассчитанной таким образом, что спутник пролетает над всей поверхностью планеты. При высоте 705 км на полное сканирование поверхности уходит 232 оборота, или 16 суток. Съемка местности происходит примерно в 10 часов утра (±15 минут) по местному солнечному времени <https://ru.wikipedia.org/wiki/%D0%9C%D0%B5%D1%81%D1%82%D0%BD%D0%BE%D0%B5_%D1%81%D0%BE%D0%BB%D0%BD%D0%B5%D1%87%D0%BD%D0%BE%D0%B5_%D0%B2%D1%80%D0%B5%D0%BC%D1%8F>.

Повторяемость трека поддерживается с помощью маневров с точностью ±5 км. Схема трека получила собственное обозначение WRS (англ. <https://ru.wikipedia.org/wiki/%D0%90%D0%BD%D0%B3%D0%BB%D0%B8%D0%B9%D1%81%D0%BA%D0%B8%D0%B9_%D1%8F%D0%B7%D1%8B%D0%BA> Worldwide Reference System). В ней поверхность планеты делится на 233 столбца (соответствует орбите) и 248 рядов.

Аппарат весит 1973 кг, его длина - 4,3 м, диаметр - 2,8 м. В отличие от предыдущих аппаратов программы, использовавших магнитную ленту, на LandSat-7 установлен массив твердотельной памяти на 378 гигабит (примерно100 изображений). Основным инструментом для получения изображений является Enhanced Thematic Mapper Plus(ETM+), созданный компанией Raytheon в отделении Santa Barbara Remote Sensing.

Параметры инструмента ETM+:

Используется сканирование с помощью подвижного зеркала (7 циклов в секунду);

Полоса захвата: 185 км (угол зрения 15є);

Телескоп: рефлектор <https://ru.wikipedia.org/wiki/%D0%A0%D0%B5%D1%84%D0%BB%D0%B5%D0%BA%D1%82%D0%BE%D1%80_(%D1%82%D0%B5%D0%BB%D0%B5%D1%81%D0%BA%D0%BE%D0%BF)> -системы Ричи  Кретьена <https://ru.wikipedia.org/wiki/%D0%A1%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0_%D0%A0%D0%B8%D1%87%D0%B8_%E2%80%94_%D0%9A%D1%80%D0%B5%D1%82%D1%8C%D0%B5%D0%BD%D0%B0> с 2 зеркалами из стекла с низким коэффициентом расширения (ULE, Ultra Low Expansion);

Апертура телескопа: 40,6 см; фокусное расстояние: 243,8 см; относительное отверстие <https://ru.wikipedia.org/wiki/%D0%9E%D1%82%D0%BD%D0%BE%D1%81%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5_%D0%BE%D1%82%D0%B2%D0%B5%D1%80%D1%81%D1%82%D0%B8%D0%B5>: f/6.0;

Размеры сканера: 1,5Ч0,7Ч2,5 м; масса: 300 кг;

Панхроматическая камера с разрешением 15 м на точку (1 канал);

Полноапертурная, 5-процентная абсолютная радиометрическая <https://ru.wikipedia.org/wiki/%D0%91%D0%BE%D0%BB%D0%BE%D0%BC%D0%B5%D1%82%D1%80> калибровка;

Инфракрасная камера с разрешением 30 м (6 каналов);

Температурный сенсор (дальний ИК-диапазон) с разрешением 60 м.

Фокальная плоскость разделена при помощи специальной оптической системы на основную и «холодную» часть. В основной части находится 32 кремниевых <https://ru.wikipedia.org/wiki/%D0%9A%D1%80%D0%B5%D0%BC%D0%BD%D0%B8%D0%B9> фотодиода <https://ru.wikipedia.org/wiki/%D0%A4%D0%BE%D1%82%D0%BE%D0%B4%D0%B8%D0%BE%D0%B4> (SiPD - silicon photodiode) панхроматического диапазона и4 группы по 16 фотодиодов видимого и ближнего инфракрасного диапазона (до 0,9 мкм). В холодной части фокальной плоскости, охлаждаемой до 91 <https://ru.wikipedia.org/wiki/%D0%9A%D0%B5%D0%BB%D1%8C%D0%B2%D0%B8%D0%BD>, находятся 2 группы по 16 фотодиодов на антимониде индия <https://ru.wikipedia.org/wiki/%D0%90%D0%BD%D1%82%D0%B8%D0%BC%D0%BE%D0%BD%D0%B8%D0%B4_%D0%B8%D0%BD%D0%B4%D0%B8%D1%8F> (InSb) коротковолнового инфракрасного диапазона (SWIR, 1,55-1,75 мкм и 2,09-2,35 мкм) и 8 фотодиодов на теллуриде ртути-кадмия <https://ru.wikipedia.org/w/index.php?title=%D0%A2%D0%B5%D0%BB%D0%BB%D1%83%D1%80%D0%B8%D0%B4_%D1%80%D1%82%D1%83%D1%82%D0%B8-%D0%BA%D0%B0%D0%B4%D0%BC%D0%B8%D1%8F&action=edit&redlink=1> (HgCdTe) теплового ИК-диапазона (TIR, 10,4-12,5 мкм).

Для связи с Землей используются 2 ненаправленные антенны S-диапазона (5 ватт, скорость передачи - около 0,3 Мбит/с, часто́ты 2106,4 и 2287,5 МГц) и 3 антенны X-диапазона (3,5 ватт, общая скорость в 6 каналах -450 Мбит/с, частоты 8082,5, 8212,5, 8342,5 МГц) Протокол совместим с CCSDS <https://ru.wikipedia.org/wiki/CCSDS> 701.0-B-1.

Также велись работы по проектированию для аппарата четырёхканального сенсора HRMSI (Мультиспектральный стереосенсор оптического и ближнего инфракрасного диапазонов). Планировавшееся разрешение: 5 м (в панхроматическом канале) и 10 м (в мультиспектральном); полоса захвата: 60 км. Работы над инструментом были прекращены в мае 1994 г. из-за недостаточного финансирования.

Landsat 8 - восьмой спутник в рамках программы Landsat(седьмой выведенный на орбиту). Изначально назывался Landsat Data Continuity Mission (LDCM), создан совместно NASA и USGS. Выведен на орбиту 11 февраля 2013 г.

Спутник был построен на базе платформы LEOStar-3 компанией Orbital Sciences Corporation. Полезная нагрузка космического аппарата создана Ball Aerospace и Goddard Space Flight Center (NASA) , запуск произведен United Launch Alliance.

Приблизительно 100 дней после вывода LDCM проходил настройку и проверку и находился под управлением NASA. 30 мая 2013 г., после завершения проверок LDCM был передан под управление USGS и получил официальное обозначение Landsat 8.

Спутник был запущен 11 февраля 2013 г. при помощи ракеты-носителя Атлас-5 . Запуск произошел в 18:02 UTC, на комплексе SLC-3E, базы Ванденберг. Через 78,5 минут после запуска космический аппарат отделился от верхней ступени, завершив выход на орбиту.вышел на орбиту, близкую к орбите Landsat 7.

Первые изображения со спутника были получены 18 марта 2013 г.

После выключения Landsat 5 <https://ru.wikipedia.org/wiki/Landsat_5> в начале 2013 г., Landsat 7 остался единственным действующим спутником программы Landsat. Спутник Landsat 8 продолжает получение данных для программы, используя два набора инструментов, Operational Land Imager <https://ru.wikipedia.org/w/index.php?title=Operational_Land_Imager&action=edit&redlink=1> (OLI) и Thermal InfraRed Sensor <https://ru.wikipedia.org/w/index.php?title=Thermal_InfraRed_Sensor&action=edit&redlink=1> (TIRS). Первый набор получает изображения в 9 диапазонах видимого света и ближнего ИК, второй набор - в 2 диапазонах дальнего (теплового) ИК. Спутник рассчитан на срок активного существования в 5.25 лет, однако запас топлива позволяет использовать его до 10 лет.

Основные научные задачи Landsat 8:

Сбор и сохранение многоспектральных изображений среднего разрешения (30 м на точку) в течение не менее чем 5 лет;

Сохранение геометрии, калибровки, покрытия, спектральных характеристик, качества изображений и доступности данных на уровне, аналогичном предыдущим спутникам программы LandSat;

Бесплатное распространение изображений, полученных с помощью Landsat 8.

Landsat 8 получает изображения в видимом диапазоне волн, в ближнем ИК и в дальнем ИК, с разрешением снимков от 15 до 100 м на точку. Производится съемка суши и полярных регионов. В сутки снимается порядка 400 сцен (у предыдущего LandSat-7 было всего 250 сцен в день). Сенсоры OLI и TIRS имеют более высокое отношение сигнал-шум (SNR) и позволяют снимать до 12 бит на точку.

В качестве исходных данных использовались:

Снимки LANDSAT 5/TM за период до и после июля-августа 2010 г. (два покрытия всей территории Пермского края). Снимки LANDSAT 5/TM распространяются бесплатно через сервис [25]

Снимки SPOT-4 DIMAP (LEVEL 1A), принятые на станцию Унискан-24 в Пермском Государственном университете, за период с 9 мая по 5 сентября 2011 г. Исходные снимки уровня обработки LEVEL 1A имеют низкую точность привязки (300-350 м). Геометрическая коррекция снимков проведена на основе мозаики LANDSAT.

Архив тепловых аномалий (hotspots), детектированных со спутников TERRA и AQUA в течение 2010 г. Архив в формате шейп-файла был получен с сервиса FIRMS (Fire Information for Resource Management System), предоставляемого NASA.

Архивные открытые данные о лесных пожарах в Пермском крае, доступные через сайт Агентства по природопользованию Пермского края (далее - АПП ПК)[14]. Данные АПП ПК о зарегистрированных лесных пожарах на территории Пермского края формируются на основе информации, поступающей из лесничеств, от местного населения, а также от Авиалесоохраны. Их использование осложняется отсутствием координатной привязки. Данные за последний год доступны на сайте www.les.permkrai.ru. Всего, по данным АПП ПК, в 2010 году в Пермском крае был зафиксирован 421 лесной пожар на общей площади 25407 га[14].

Данные по пройденным огнем площадям на территорию Пермского края полученные Институтом Космических исследований РАН на основе спутниковых данных Terra/Aqua-MODIS за 2010 год [7]. Они имеют актуальность на лето 2011 г.

3.2 Обоснование выбора вегетационных индексов

Характерным признаком растительности и ее состояния является спектральная отражательная способность, отличающаяся большими различиями в отражении излучения разных длин волн. При дешифрировании данных спутниковой съемки используются значения яркостей в каналах и построенные на их основе индексы. Индексы отражают особенности преобразования солнечной энергии ландшафтных покровов; степень неравновесности поглощения энергии в разных зонах спектра - энтропия Кульбака; биологическую продуктивность - NDVI, TVI, RVI, gNDVI; содержание влаги в растительности - LMT, NDWI. Наиболее популярный и часто используемый вегетационный индекс - NDVI.

Индекс NDVI вычисляется по формуле (3).

= (NIR-RED)/(NIR+RED), формула (3)

где NIR - ближний инфракрасный канал, RED - красный.

Участки лесной растительности, пройденные пожарами, характеризуются пониженной спектральной яркостью в ближней инфракрасной зоне (далее по тексту - NIR). Это объясняется уменьшением содержания хлорофилла в вегетативных органах усыхающих деревьев. Также для гарей характерно повышение спектральной яркости в средней инфракрасной зоне (далее по тексту - SWIR). Оно, в свою очередь, объясняется уменьшением содержания влаги в листьях или хвое. В видимой зоне спектра для гарей характерна более высокая, чем у здоровой растительности, спектральная яркость. Это также объясняется уменьшением содержания хлорофилла, которое внешне проявляется в дефолиации и дехромации листьев при усыхании деревьев [1].- это разновременной индекс, наиболее точный для определения гарей. Он вычислется по формуле (4).

= SWVIpre - SWVIpost, формула (4)

где приставки pre- и post- означают предпожарное и послепожарное состояние соответственно. SWVI, в свою очередь, вычисляют по (5).

= (NIR-SWIR)/(NIR+SWIR), формула (5)

где SWIR - коротковолновый инфракрасный (5-й канал снимка LANDSAT 5-TM).

На перечисленных выше закономерностях основаны различные вегетационные индексы, а также комбинации каналов, позволяющие дешифрировать гари.

3.3 Оценка последствий лесных пожаров на примере пожаров в Пермском крае в 2010 году

Летом 2010 г. на Европейской территории России и в Пермском крае наблюдались катастрофические лесные пожары. По территории Пермского края были получены оценки пройденных пожарами площадей от Агентства по Природопользованию Пермского края, МЧС, ИКИ РАН и Гринпис России, значительно различающиеся между собой. Этим была обусловлена постановка первой задачи работы - создание векторного слоя гарей 2010 г. на территорию Пермского края, на основе космических снимков среднего (LANDSAT 5/TM) и высокого (SPOT-4) разрешения.

Вторая задача - оценка степени повреждения лесной растительности на участках, пройденных пожарами летом 2010 г. Оценка проведена по вегетационным индексам, данные полевых наблюдений не использовались.

Методика дешифрирования гарей включает следующие этапы:

Отбор снимков LANDSAT 5-TM за период до и после зафиксированных пожаров.

Расчет вегетационных индексов.

Также для всех пар снимков рассчитана степень изменения яркости в ближнем инфракрасном канале с помощью инструмента Change Detection (метод PCA).

Дешифрирование гарей проводилось по следующим признакам:

Гарь следует искать там, где зафиксированы скопления тепловых аномалий (горячих точек) по данным FIRMS.

При визуализации снимка LANDSAT 5-TM в RGB-синтезе каналов 7-4-2 гарь выделяется как красно-коричневая область на фоне сохранившейся растительности. Причем на снимке за период до пожаров она отсутствует.

Гарь выделяется как участок с положительными значениями индексов DNDVI и DSWVI, лежащими в диапазоне от 0,1 до 0,5, редко больше. Наиболее эффективно выделение гари по индексу DSWVI. Использование разностных индексов позволяет избежать включения в площади гарей участков местности, имеющих похожие спектральные характеристики (свежие рубки, горная тундра, каменистые россыпи).

На изображении, комбинированном из NIR каналов двух разновременных снимков, в RGB-синтезе 1-2-2, гарь выделяется ярко-красным цветом, поскольку спектральная яркость участка в NIR канале после пожара значительно ниже, чем до пожара.

Примеры использования дешифровочных признаков приведены ниже на рисунках 10 - 15

С использованием всех вышеперечисленных признаков проведено ручное оконтуривание гарей. Всего удалось выделить 46 гарей 2010 г. на общей площади 31959 га, что существенно больше, чем по данным АПП ПК. При этом площадь отдельных выделенных гарей составляет от 6 га до 4245 га. Выделено 20 крупных гарей площадью свыше 200 га, причем на них приходится более 90% всех выгоревших площадей, из них 7 гарей площадью более 1000 га.

Суммарная площадь выделенных гарей более чем на 7 тыс. га превышает площадь гарей, выделенных Гринпис России в 2010 году [6]. Такое расхождение объясняется тем, что в Гринпис России использовали снимки за период до завершения пожароопасного сезона.

Рисунок 10 - Визуализация разновременных снимков LANDSAT 5-TM в синтезе каналов SWIR, NIR, GREEN (7-4-2). Пермский край, Гайнский район, Веслянское лесничество.

 <#"864835.files/image012.gif">

Рисунок 12 - Использование разностного вегетационного индекса DSWVI для разделения контуров гарей и свежих рубок. Индекс рассчитан по снимкам LANDSAT 5-TM за 2009 и 2011 гг.

 <#"864835.files/image014.gif"> <#"864835.files/image015.gif"> <http://wiki.gis-lab.info/w/%D0%A4%D0%B0%D0%B9%D0%BB:6.jpg>

Рисунок 15 - Оценка степени повреждения растительности на гари от пожара

По полученным данным рассчитана площадь выгоревших территорий по участковым лесничествам. Установлены даты действия пожаров, с которыми связаны выделенные гари. Также были сопоставлены площади гарей от крупных пожаров по нашим данным и по данным АПП ПК.

Таким образом, наши оценки площадей некоторых крупных пожаров значительно (в три раза и более) превышают оценки АПП ПК. В то же время по данным АПП ПК зафиксировано 23 крупных пожара (более 200 га), нами же выделено только 20 крупных гарей.

Для выборочной валидации контуров гарей использованы панхроматические и мультиспектральные снимки SPOT4, за вегетационный период 2011 г. Более высокое разрешение этих снимков позволяет определить контур гари с большей точностью. В то же время снимки SPOT4 за период до пожароопасного сезона у нас отсутствуют, что не позволяет использовать разностные вегетационные индексы. Валидация контуров гарей проведена методом визуального дешифрирования с использованием синтезов каналов nir-red-green и swir-nir-green, а также панхроматического канала высокого разрешения (10 м).

За вегетационный период 2011 г. территории, в наибольшей степени пострадавшие от пожаров (западная часть Гайнского района) ни разу не были покрыты качественными малооблачными снимками SPOT4. Поэтому валидацию контуров удалось провести только для 9 гарей, которые закрыты безоблачными фрагментами снимков.

Выборочная валидация позволяет оценить точность оконтуривания гарей. Полученные расхождения в оценке площади гарей по данным LANDSAT5-TM и SPOT4 составляют от 11 до 66 га. Относительная ошибка оценки площади минимальна для наиболее крупных гарей (ошибка не более 5%). Для гарей площадью менее 100 га ошибка оценки площади может достигать 25% и более. Пример валидации контуров гари по данным SPOT4 приведен на рисунке 5

Выделенные крупные гари являются сложными объектами, включающими в себя различные типы местности - лесные и нелесные (криволесье, горная тундра) земли, относительно свежие рубки, фрагменты болот, долины рек. В пределах контуров гарей значительную площадь занимают участки растительности, относительно слабо пострадавшие от огня (сохранившие достаточно высокую спектральную яркость в NIR канале). К ним относятся, прежде всего, фрагменты болот, долины малых рек и участки, поврежденные низовым пожаром малой интенсивности. Для их выделения необходима оценка степени повреждения растительности в пределах выделенных гарей. Она может быть реализована с применением вегетационных индексов и методов классификации изображений.

Оценка степени повреждения растительности на всех крупных гарях (площадью более 200 га) была проведена по методике, предложенной в работе ) [18]. Ориентировочная переклассификация значений NDVI (после пожара) в степень повреждения растительности приведена в таблице 3. Для более корректной переклассификации необходимо проведение полевых обследований выгоревших участков с целью получения калибровочной зависимости NDVI и других вегетационных индексов (SWVI, dSWVI) от степени повреждения древостоя пожаром.

После переклассификации были рассчитаны площади выделенных классов для каждой крупной гари. Результаты, суммированные по всем крупным гарям площадью более 200 га, приведены в таблице 2. Пример результата переклассификации для гари от пожара № 247 (нумерация АПП ПК) приведен на рисунке 6.

Таблица 2. Перевод NDVI в степень повреждения растительности

Значение NDVI

Класс поражения

Площадь, га

Менее 0,0

4 (отсутствие растительности, открытая почва после пожара)

123

0,0 - 0,1

3

3201

0,1 - 0,2

2

4467

0,2 - 0,3

3

7324

Более 0,3

0 (неповрежденная растительность, или участки восстанавливающейся растительности)

13797


К классу неповрежденной или восстанавливающейся растительности были отнесены 13797 га площади крупных гарей, то есть почти половина всей площади. Часть этой территории (прежде всего болота) по-видимому, вообще не была пройдена пожарами, но оказалась полностью окружена выгоревшими участками. Другие фрагменты, несомненно, пострадали от огня, на что указывают высокие значения разностного индекса DSWVI (0,15-0,2). Но скорее всего это были низовые пожары небольшой интенсивности. Участки, относящиеся к 2, 3 и 4 классу повреждения, вероятно, были пройдены верховыми пожарами и требуют лесовосстановительных мероприятий. На ряде участков облачность, попадающая в границы гарей, сделала невозможной корректную классификацию. Так как NDVI облаков и из теней незначительно ниже NDVI гари, в отдельных случаях применялось маскирование облаков и теней. Для маскирования облаков мы использовали 1-й канал LANDSAT, для маскирования теней - 5-й канал.

Анализ значений разностных индексов показал, что в пределах площади гарей они имеют, как правило, положительные значения, в диапазоне от 0,1 до 0,5. Максимальные значения DNDVI (0,45-0,55) характерны для участков выгоревших мелколиственных лесов на старых вырубках. В отдельных случаях индекс DNDVI в пределах гари имеет отрицательные значения, что связано с наличием облаков или теней в пределах контура гари на снимке, сделанном до пожара. Индекс DSWVI лучше выделяет гари, чем DNDVI, поскольку характеризуется большей устойчивостью. На территориях с неповрежденной растительностью его значения обычно близки к нулю, при условии отсутствия сезонных различий в состоянии растительности. Поэтому легко выделить все участки, где произошли значительные изменения растительного покрова (гари, свежие рубки, ветровалы). Участки с максимальными значениями DSWVI (0,4-0,6) в пределах гари визуально дешифрируются как наиболее поврежденные пожаром.

Таким образом, в результате работы создан векторный слой гарей 2011 г. в Пермском крае, выполнено сопоставление площадей крупных пожаров, полученных по ДДЗЗ и по данным АПП ПК. Проведена оценка степени повреждения растительности на крупных гарях.

ЗАКЛЮЧЕНИЕ

В ходе проведенной работы был проведен анализ методов и подходов к исследованию лесной растительности по данным спутниковой съемки.

Были решены следующие задачи:

- проанализированы существующие методы и подходы к дешифрированию лесной растительности;

проанализированы методы и походы к мониторингу природных лесных пожаров;

проведена оценка последствий лесных пожаров как мониторинг угнетения лесной растительности на примере пожаров 2011 г. в Пермском крае.

Проведен сравнительный анализ современных космических снимков со спутников Landsat-5.

Обоснован выбор вегетационных индексов. Участки лесной растительности, пройденные пожарами, характеризуются пониженной спектральной яркостью в ближней инфракрасной зоне. Это объясняется уменьшением содержания хлорофилла в вегетативных органах усыхающих деревьев. Также для гарей характерно повышение спектральной яркости в средней инфракрасной зоне. Оно, в свою очередь, объясняется уменьшением содержания влаги в листьях или хвое. В видимой зоне спектра для гарей характерна более высокая, чем у здоровой растительности, спектральная яркость. Это также объясняется уменьшением содержания хлорофилла, которое внешне проявляется в дефолиации и дехромации листьев при усыхании деревьев. Произведен расчет соответствующих вегетационных индексов.

В ходе работы производилось дешифрирование гарей. Таким образом, в результате работы создан векторный слой гарей 2011 г. в Пермском крае. Проведена оценка степени повреждения растительности на крупных гарях.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Барталев, С. А. Исследование возможности оценки состояния поврежденных пожарами лесов по данным многоспектральных спутниковых измерений [Текст] / С. А. Барталев, В. А. Егоров // Современные проблемы дистанционного зондирования Земли из космоса. - 2010. - Т. 7. - Вып. 3. - С. 16-21.

. Барталев, С. А. Автоматизированное уточнение площадей, пройденных лесными пожарами, по данным приборов HRV, HRVIR [Текст] / С. А. Барталев // Современные проблемы дистанционного зондирования Земли из космоса. - 2009. - Т. 6. - Вып. 2. - С. 335-342.

. Виноградов, Б. В. Основы ландшафтной экологии [Текст]: монография / Б. В. Виноградов. - М.: ГЕОС, 1998. - 418 с.

. Голод, Д. С. Геоботанические карты Белорусской ССР и их использование в практике народного хозяйства [Текст] / Д. С. Голод // Геоботаническое картографирование. - 1983. - Вып. 7. - С. 46-50.

. Груммо, Д. Г. Картографирование растительности: опыт, практический аспект, перспективы [Текст] / Д. Г. Груммо // Проблемы лесоведения и лесоводства: науч. тр. Вып. 74. - 2014. - С.409-430.

. Детектирование сгоревших территорий РФ в 2010 году: результаты Гринпис России [Электронный ресурс]. URL: http://gis-lab.info/qa/fires-greenpeace.html (дата обращения 13.04.2015).

. Детектирование сгоревших территорий РФ в 2010 году: результаты ИКИ РАН [Электронный ресурс]. URL: http://gis-lab.info/qa/fires-iki.html (дата обращения 14.04.2015).

. Дистанционный мониторинг незаконных рубок в Дальневосточном федеральном округе [Текст] / С. А. Тютрин, Р. Б. Кондратовец, Е. Г. Капралов и др.// Земля из космоса. - 2010. - Вып. 4. - С. 73-76.

. Использование дистанционных методов для оценки степени [Текст] / Е. И. Рачковская, С. С., Темирбеков Р. Е., Садвокасов, и др. // Геоботаническое картографирование. - 2000. - Вып. 6. - С. 16-26.

. Кулик, К. Н. Картографо-аэрокосмический мониторинг ландшафтов [Текст] / К. Н. Кулик, С. А. Рулев, В. Г. Юферев // Эколого-экономическая оптимизация природопользования: науч. тр. Вып. 5 - 2004. - С. 215-219.

. Мониторинг лесохозяйственной деятельности: опыт применения данных космической съёмки высокого и сверхвысокого разрешения [Текст] / Ю. Э. Зенкевич, Т.А. Антонова, И. В. Глушков и др.// Земля из космоса. - 2009. - Вып. 1. - С. 17-22.

. Новичихин, А. Е. Интеграция алгоритмов обработки космических снимков сверхвысокого пространственного разрешения для автоматизированного дешифрирования лесной растительности [Текст] / А. Е. Новичихин, О. В. Тутубалина // Земля из космоса - наиболее эффективные решения: науч. тр. Вып. 3. - 2009. - С.40-43.

. Озанда, П Картография растительности и фитоэкологическое картографирование в лаборатории биологии растительности Альп Гренобльского университета, Франция [Текст] / П Озанда // Геоботаническое картографирование. - 1996. - Вып. 17. - С. 31-39.

. Сводка Агентства по Природопользованию Пермского края о лесных пожарах, зарегистрированных в 2010 году [Электронный ресурс]. URL: http://www.les.permkrai.ru (дата обращения 14.05.2015).

. Седых, В.Н. Аэрокосмический мониторинг лесного покрова [Текст]: монография / В. Н. Седых. - Новосибирск: Наука, 1991. - 239 с.

. Флора и растительность ландшафтного заказника «Ельня» [Текст] / Д.Г. Груммо, О.В. Созинов, Н.А. Зеленкевич, и др. - Минск: Минсктиппроект, 2010. - 200 с.

. Экологическое картографирование природной среды [Текст] / Д.Г. Груммо, М.А. Ильючик, Н.А. Зеленкевич, и др. // Наука и инновации. - 2012. - Вып. 7. - С. 62-68.

. Юрикова, Е. А. Исследование возможности применения данных SPOT-4 для дешифрирования поврежденных пожарами участков растительности [Текст] / Е. А. Юрикова, А. А. Кокутенко, А. И. Сухинин //Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. - 2008. - Вып. 4. - С. 75-78.

. Юркевич, И. Д. Растительность Белоруссии, ее картографирование, охрана и использование (с Картой растительности Белорусской ССР, м. 1:600000) [Текст]: монография / И. Д. Юркевич, Д. С. Голод, В. С. Адерихо. - Минск, 1979. - 248 с.

. Юрковская, Т.К. Опыт геоботанического картографирования болот в разных масштабах [Текст] / Т. К. Юрковская // Растительность болот: науч. тр. - Вып.7. - 2009. - С. 73-82.

. Юрковская, Т.К. Растительность в географическом пространстве [Текст] / Т. К. Юрковская // Актуальные проблемы геоботаники: науч. тр. Вып 12. - 2012 - С. 620- 629.

. Юфеев, В. Г. Анализ структуры, состояния и динамики агролесоландшафтов по материалам аэрокосмического мониторинга [Текст] / В. Г. Юфеев, А. С. Рулев // Защитное лесоразведение в Российской Федерации: науч.тр. - Вып. 5. - 2011. - С. 420-425.

. Greenberg, J. A. Limitations on maximum tree density using hyperspatial remote sensing and environmental gradient analysis [Text] / J.A Greenberg, S. Z. Dobrowski, V. C. Vanderbilt.// Remote Sensing of Environment. - 2009. - № 113. - Р. 94-101.

. USGS Global Visualization Viewer [Электронный ресурс]. URL: http://glovis.usgs.gov/ (дата обращения: 18.04.2015).

Похожие работы на - Мониторинг лесной растительности по данным спутниковых снимков

 

Не нашли материал для своей работы?
Поможем написать уникальную работу
Без плагиата!