Типы земного покрова

Дистанционные методы мониторинга
растительности бореальных экосистем
Евразии на континентальном уровне :
состояние и приоритеты
С.А. Барталев
Институт по окружающей среде и устойчивому развитию
Объединенный Исследовательский Центр Европейской Комиссии
Структура сообщения
 Новая карта типов земного покрова северной
Евразии по данным SPOT 4 - VEGETATION :
метод и результаты
 Приоритеты развития мониторинга растительности
бореальных экосистем Евразии на континентальном
уровне с использованием дистанционных методов
IGBP DISCover карта по данным
AVHRR/NOAA
Глобальная карта земного типов земного покрова, полученная
в рамках проекта IGBP DISCover по данным радиометра
AVHRR со спутника серии NOAA
SPOT 4 – VEGETATION Инструмент
пространственное разрешение :
 1.15 км при наблюдении в надир
 1.7 км при отклонении оси визирования до +/- 500
спектральные диапазоны :




0.43 – 0.47 мкм
0.61 – 0.68 мкм
0.78 – 0.89 мкм
1.58 – 1.75 мкм
SPOT 4 – VEGETATION Инструмент
геометрическая точность :
 совмещение изображений в спектральных каналах 0.1 км

совмещение разновременных изображений 0.3 км

абсолютное местоположение пикселя 0.5 км
периодичность обзора:
 до 2-3 раз наблюдений в сутки в бореальной зоне
Данные SPOT 4 - VEGETATION
Тип данных - Стандартные продукты S10, включая
 измерения спектральной яркости в каналах
 вегетационный индекс NDVI
 данные о геометрических условиях зондирования
:
Географический охват :
 420N - 750N и 50E - 1800E
Временной интервал :
 с 3-ей декады марта 1999 по 1-ю декаду ноября 1999
Метод анализа данных
Этап 1: Предварительная обработка изображений и
получение улучшенных продуктов данных
Данные
SPOT4VGT
Сезонные
мозаики
Этап 2: Классификация и тематический
анализ данных
ISODATA
кластеризация
WLI
Детектирование
«шумовых»
пикселей
Получение
улучшенных
продуктов
данных
Спектрально
временные
кластеры
Начальная
идентификация
кластеров
Семантические
кластеры
SARLI
BGWI
Маски
"шумов"
База данных ГИС
(топографические и тематические
карты, DEM и др.)
SCD
Тематические маски
Декомпозиция
семантически
сложных
кластеров
Моносемантические
кластеры
Карта типов
земного
покрова
Слияние в
тематические
классы
Нормализованный Разностный
Индекс Снега : NDSI
Rblu  Rswir
NDSI 
Rblu  Rswir
From Hall et al., 1998: "Algorithm Theoretical Basis Document (ATBD) for the
MODIS Snow-, Lake Ice- and Sea Ice-Mapping Algorithms. Version 4.0"
Детектирование «шумовых» пикселей
Этап 1: Детектирование пикселей с влиянием снега и облаков
по фиксированным пороговым критериям
C S  Θ if

*
P(Θ, t )  CC  Θ if

C L  Θ if
Rblu (, t * )  0.1
AND
NDSI (Θ , t * )  0.1
Rblu (, t * )  0.1
AND
 0.1  NDSI (Θ , t * )  0.1
Rblu (, t * )  0.1
OR
NDSI (Θ , t * )  0.1
P(Θ , t * ) пиксель с координатами Θ в фиксированное время наблюдения t*
C S  множество пикселей с наличием снега

C C  множество пикселей с наличием облаков

C L  множество пикселей с наличием снега и/или облаков
C  C  C 
1
p
S
C
Детектирование «шумовых» пикселей
Этапы 2J: Детектирование сбойных пикселей и пикселей с
остаточным влиянием снега/облаков по адаптивным пороговым
критериям с использованием временных серий данных
 
P (Θ * , t )  C pj
j
j
t Rswir (Θ * , t )  M swir
(Θ * )  2 swir
(Θ * )
C  множество зашумленных пикселей на j-ом этапе детектирования
j
p
j
M swir
(Θ * ) среднее значение во временной серии R swir (Θ * , t )
*
j
 swir
(Θ * ) стандартное отклонение во временной серии R swir (Θ , t )
Θ*
фиксированные координаты пикселя
C  C  C 
j
p
j 1
p
j
p
Создание сезонных мозаик
изображений
0,90
Arctic desert
0,80
Tundra
0,70
Grassland
Coniferous
forest
Deciduous
forest
Steppe
0,60
учет фенологии
зональных
экосистем
Semi-desert
0,40
0,30
0,20
0,10
весна
Decades
NOV1
OCT2
SEP3
SEP1
AUG2
JUL3
JUL1
JUN2
MAY3
MAY1
-0,10
APR2
0,00
MAR3
NDVI
0,50
осень
лето
временные "окна" по сезонам
По-канальное осреднение во
времени свободных от
влияния шумов данных
наблюдений в границах
сезонных "окон":
Весна : апрель - июнь
Лето : июнь - август
Осень : август - октябрь
Сезонные мозаики изображений
весна
лето
осень
Сезонные мозаики изображений и
фенологические изменения в лесах
лето
осень
Насаждения лиственницы в Якутии
Индекс Волнового Подобия - WLI
(NDVI max, t max)
0.8
0.7
NDVI
0.6
(NDVI e, t e)
a
0.5
0.4
b -1
0.3
0.2
a
b -1
0.1
d
d
(NDVI b, t b)
0
t1 t2 t3 t4 t5 t6 t7 t8 t9 … … … … … tn-1 tn
Время наблюдения
WLI 
Пахотные земли
p
NDVI
  NDVI

t
t
 NDVI
t
где

NDVI  a  Sin (  (b  t  c))  d
2
p
Двуспектральный Градиентный
Индекс Влажности - BGWI
Анализируемый
пиксель
SWIR
BGWI
NIR
Вода
Летняя мозаика
изображений
NIR-MIR-RED
Заболоченные
земли
BGWI-NDVI- BGWI
Угловые эффекты освещения и
наблюдения поверхности : BRDF
Изображение
VZA
SZA
VZA - зенитный угол наблюдения
SZA - зенитный угол Солнца
Z
PHA - фазовый угол
SZA
VZA
SZA
S
N
SAA
VAA
E
Анизотропность отражения поверхности :
помеха или полезная информация ?
From Boston University Department of Geography and Center for
Remote Sensing Bi-directional Reflectance Distribution Function
(BRDF) and Albedo Research web-page (http://geography.bu.edu/brdf)
Статистический анализ угловых условий
зондирования при селекции наблюдений
по критерию максимума NDVI
Z
SZ
A
M(PHA) - M(VZA) - M(SZA)
M () = Mj (
(*, t)  t  CP(*, t)  1)
N
SAA
VAA- один из угловых параметров условий зондирования
t - время наблюдения
* - координаты пикселя
CP(*, t) - множество "шумовых" пикселей
M () - среднее от 
Несут ли угловые параметры
отселектированных по max NDVI
наблюдений информацию ?
M(PHA)
M(VZA)
M(SZA)
Карта лесов
СССР
MRPV BRDF модель
 sm
ln
 ln  o  (k  1) lncos  0 cos  (cos  0  cos  )  bm cos g
H (  , G)
 sm
- коэффициент отражения поверхности
H (  , G)
- hot-spot фактор
 0 , k, bm
- параметры модели
 0 , , g
- зенитный угол Солнца, зенитный угол наблюдения и
фазовый угол соответственно
SARLI - относительные линейные
индексы анизотропности отражения
поверхности
Rin  L1ij  L2ij R nj
где
m

s
R n  ln
H (  , G)
i и j - индексы спектральных каналов
Rin и R nj - нормализованные на hot-spot фактор значения
коэффициента отражения в спектральных каналах i и j соответственно
L1ij и L2ij - коэффициенты линейного уравнения для пары
спектральных каналов i и j
L1ij
-
SARLI1
L2ij
-
SARLI2
Нормализованная яркость
Оценка SARLI по временным сериям
наблюдений
Оценка SARLI1 и SARLI2
скользящим окном вдоль
временного профиля наблюдений
в спектральных каналах NIR и
SWIR
0
NIR
-1
 t=4
-2
-3
SWIR
-4
3
5
7
9
11 13
Декады
15
17
19
-4
-3
-2
-1
-3.55
-3.5
-3.4
-3.35
-3.3
-3.25
-3.2
-3.15
-0.8
R2 = 0.15
-1
-1.2
-2
-2.5
0
-3.6
-3.5
-3.4
y = 0.58x + 0.60
R2 = 0.93
-3.3
-3.2
-3.1
-0.2
-0.4
-0.6
-0.8
-1
максимум
R2=
0.93
-3.6
-3.5
-3.4
-3.8
-3.7
-3.6
-3.5
-3.4
-3.3
y = 0.55x + 0.45
R2 = 0.89
-3.2
-0.4
y = 0,71x + 1,08
R2 = 0,68
-0.6
-1.4
-3.7
-3.7
-0.4
-1.5
-3.8
-3.8
-3.1 -0.2-3.05
y = -0.41x - 2.93
y = -0,17x - 2,50
-1
R2 = 0,10
SARLI2 = 0.60
-3.45
0
-0.5
SARLI1 = 0.58
0
-0.2-3.3
0
0
...
-0.6
-0.8
-1
-1.2
-1.6
-1.4
-1.8
-1.6
-2
-1.8
0
0
-3.1
-0.2
-3.8
-0.6
-1
-3.6
-3.5
-3.4
-3.3
-3.2
-3.1
-0.2
-0.4
-0.4
-0.8
-3.7
...
y = 0.25x - 0.72
R2 = 0.09
-0.6
-0.8
-1
-1.2
-1.2
-1.2
-1.4
-1.4
-1.6
-1.6
-1.6
-1.8
-1.8
-1.8
-2
-1.4
Оценка анизотропных свойств
отражения поверхности северной
Евразии по SARLI
RED-NIR: SARLI1 - SARLI1 - SARLI2
NIR-SWIR: SARLI1 - SARLI1 - SARLI2
Полнота насаждений
SARLI и структурные свойства
наблюдаемой поверхности
100
90
80
70
60
50
40
30
20
Z
2
R = 0,87
SZ
A
10
0
-1.8
N
-1.6
-1.4
VAA
SAA
-1.2
-1
-0.8
-0.6
-0.4
-0.2
SARLI1 по данным спектральных каналов NIR и SWIR
SARLI1 и полнота
насаждений
0
Основные этапы тематической
классификации
 ISODATA кластеризация сезонных мозаик изображений в
каналах Rred , Rnir и Rswir [ 3 мозаики х 3 канала ] для
выявления однородных в спектрально-временном отношении
групп пикселей [150 кластеров] ;
 Начальная семантическая интерпретация и кодирование с
формированием семантических кластеров ;
 Последовательная декомпозиция семантически сложных
кластеров с использованием доступных улучшенных продуктов
данных и вспомогательных данных ;
 Формирование тематических классов путем объединения
идентичных моно-семантических кластеров
Принципы семантической
интерпретации кластеров
 Синергизм
использования тематических
знаний/фактов и физических критериев, а именно :
–
–
Географических, ландшафтных и других закономерностей
Физических свойств поверхности и их временной динамики
 Двунаправленность
именно :
–
–
процесса интерпретации, а
выдвижение семантических гипотез на основе априорных
тематических знаний/фактов и оценка их согласованности
с физическими свойствами кластеров
выдвижение семантических гипотез на основе физических
свойств кластеров и оценка их согласованности с
имеющимися тематическими знаниями/фактами
Тематически обусловленные
критерии интерпретации кластеров
 Географическое месторасположение
 Физико-географическая характеристика местности






(климат, высота над уровнем моря и т.д.)
Ландшафтные закономерности развития экосистем
Пространственная структура, т. е. компактность или
дисперсность
Пространственное окружение / контекст
Известные факты воздействия (природного или
антропогенного) на экосистему
Закономерности динамики экосистем (сезонной,
сукцесионной и т.д.)
другие критерии
Физически обусловленные критерии
интерпретации кластеров
 Положение
и сезонная динамика кластеров в
пространстве спектральных каналов относительно
опорных элементов (линия почв, линия максимума LAI
- Leaf Area Index) ;
 Положения
проекций кластеров в пространстве значений
отдельных индексов/улучшенных продуктов и их
комбинаций, а именно :
–
–
–
BGWI
–
SCD (продолжительность залегания снежного покрова)
SARLI
в пространстве WLI и максимального значения NDVI в
течении вегетационного сезона
Примеры интерпретации кластеров в
RED-NIR спектральном пространстве
разносезонных мозаик
NIR
NIR
Светлые почвы
Светлые почвы
Светлохвойные леса
Травяно-луговой
покров
Лиственничные леса
Светлохвойные леса
Лиственничные леса
Темные почвы
Светлохвойные леса
Темные почвы
Темные почвы
Темнохвойные
леса
Вода
RED
Темнохвойные
леса
Вода
Лето
Светлые почвы
Лиственные леса
Лиственничные леса
Лиственные леса
Весна
Лиственные леса
Травяно-луговой
покров
Травяно-луговой
покров
Темнохвойные
леса
NIR
RED
Вода
Осень
RED
Легенда карты (рабочая версия)
Типы земного
Type title hereпокрова
Type name here
TypeЛеса
title here
Type name here
Кустарники
Type title here
темнохвойные
хвойные
светлохвойные
лиственные
лиственничные
cмешанные II
cмешанные III
луга
сухие степи
Болота
Тундра
Другая
растительность
моховые
лишайниковая
прибрежная
осоковые
моховая
гари
водная мозаика
заболоченная
с.-х. земли
кустарниковая
лиственные
смешанные I
Травяной
покров
Лишенные
растительности
открытая почва
снега, льды
вода
застройки
Смешанные I
Смешанные насаждения с преобладанием хвойных пород
Смешанные II
Смешанные насаждения с преобладанием лиственных пород
Смешанные III
Смешанные насаждения с примерно равным участием хвойных и лиственных пород
Сравнение с имеющимися данными
по площади лесов
Покрытая лесом площадь по РФ, тыс. га
Статистика по всем лесам, 1998
774250.9
Данные РСЛХ, 1998
643048.3
Карта Лесов СССР (ред. А.С. Исаев, 1990)
791049.9
GLC 2000
796047.3
Лесистость по Субъектам РФ
Лесистость по Субъектам РФ, %
100
100
R2 = 0.80
80
2
R = 0.93
GLC 2000,%
GLC 2000,%
y = 1.10x + 6.27
y = 1.09x - 0.34
80
60
40
20
60
40
20
0
0
0
20
40
60
80
Cтатистика по всем лесам,%
100
0
20
40
60
Данные РСЛХ,%
80
100
Сравнение с имеющимися данными
по площади хвойных лесов
Площадь хвойных вечнозеленых
лесов по РФ, тыс. га
Данные РСЛХ, 1998
245521.4
GLC 2000
246412.4
Площадь лиственничных лесов по РФ, тыс. га
Данные РСЛХ, 1998
263160.6
Карта Лесов СССР, 1990
364342.9
GLC 2000
368025.4
Доля площади хвойных вечнозеленых лесов
по Субъектам РФ
Доля площади лиственичных лесов
по Субъектам РФ
70
70
y = 0.93x + 2.00
R2 = 0.84
60
50
50
GLC 2000,%
GLC 2000,%
y = 1.32x + 0.62
R2 = 0.93
60
40
30
40
30
20
20
10
10
0
0
0
10
20
30
40
Данные РСЛХ,%
50
60
70
0
10
20
30
40
50
Данные РСЛХ,%
60
70
Сравнение с имеющимися данными по
площади лиственных лесов и болот
Площадь лиственных лесов по РФ, тыс. га
Площадь болот по РФ, тыс. га
Данные РСЛХ, 1998
134366.3
Данные РСЛХ, ГУЛ 1993
116567.9
GLC 2000
181609.5
GLC 2000
105323.5
Доля площади лиственных лесов
по Субъектам РФ
Доля площади болот по Субъектам РФ
40
70
y = 0.70x + 1.65
35
y = 1.75x - 1.4343
R2 = 0.6795
60
R2 = 0.64
30
GLC 2000, %
GLC 2000,%
50
40
30
25
20
15
20
10
10
5
0
0
10
20
30
40
Данные РСЛХ, %
50
60
70
0
0
10
20
30
Данные РСЛХ (ГУЛ 1993), %
40
Пример сравнения карты GLC 2000
с изображениями SPOT-HRV
Изображение
SPOT-HRV
Упрощенная
карта лесов
СССР
SPOT4-VGT
мозаика
?
Упрощенная
GLC 2000
карта
Этапы и цели валидации
Этап I. Качественная валидация карты
 выявление и устранение грубых ошибок в карте
 оценка круга потенциальных пользователей
карты
Этап II. Количественная валидация карты
 получение численных интегральных оценок
пользовательской точности карты, а также в
разрезе :
– отдельных экосистем и классов
– отдельных географических регионов
Стратегия качественной валидации
 формирование
регулярной сети ячеек ( 20 х 40 )
и разработка протокола валидации
 систематическая оценка карты экспертами по
различным экосистемам (леса, тундра, с.-х.
земли и т.д.)
 выборочная оценка добровольными экспертами
по регионам с использованием Internet-системы
доступа к данным, вспомогательным материалам
(карты, изображения высокого разрешения и т.д.)
и документирования результатов валидации
 систематизация и использование результатов
качественной валидации для улучшения карты
Стратегия количественной валидации:
общие подходы
 использование
спутниковых изображений высокого
разрешения и выборочных наземных данных для
обучения и оценки метода анализа
 формирование и анализ стратифицированной
репрезентативной случайной выборки наблюдений
высокого разрешения с учетом :
– представительности отдельных классов
– пространственной сложности / мозаичности
отдельных экосистем
– экологической важности классов / регионов
 анализ результатов и получение численных оценок
пользовательской точности карты
Развитие континентального мониторинга:
анализ предпосылок
Потребность в информации
 Общечеловеческие аспекты
 Международные и межгосударственные отношения
 Национальные и региональные задачи
Технические предпосылки
 Средства дистанционного зондирования
 Средства удаленного доступа к данным/продуктам
Экономические предпосылки
 Стоимость данных дистанционного зондирования
 Формирование рынка информационных услуг
Методические предпосылки
 Методы обработки и анализа спутниковых данных
 Интеграция с методами пространственного
моделирования и геоинформатики
Потребности в континентальном
мониторинге растительности
 моделирование климата и других биосферных процессов ;
 международные соглашения : Kyoto protocol, UN CBD и др.;
 лесное хозяйство :
 стратегическое планирование и управление лесами на
федеральном уровне;
 охрана лесов от пожаров и оценка их воздействия ;
 оценка размеров лесопользования ;
 выявление и оценка зон экологической напряженности ;
 модели прогноза и оценки урожайности с.-х. культур ;
…
Черты современного этапа развития
средств наблюдений Земли
 возможности наблюдения в широком диапазоне величин
пространственного разрешения (от метров до километров) ;
 возможности наблюдений в различных диапазонах
спектра ;
 временное разрешение (частота) наблюдений ;
 возможности многоугловых наблюдений ;
 уровень стандартной предварительной обработки данных ;
 скорость и простота доставки данных пользователю ;
 стоимость данных
Приоритетные оптические средства
наблюдения растительности
Данные низкого и среднего разрешения ( 250 м - 1 км )




AVHRR / NOAA
VEGETATION / SPOT-4
MODIS и MISR / TERRA
MERIS / ENVISAT
Данные высокого разрешения ( 10 - 30 м )
 Landsat-7 / ETM
 HRVIR / SPOT-4
 МСУ-Э / Метеор
Данные сверхвысокого разрешения ( 1 - 3 м )
 IKONOS
 Quick Bird
Классификация подходов к анализу
данных и примеры
Классификация (обнаружение) объектов наблюдения / явлений
 Типы земной поверхности / растительности
 Действующие пожары, гари
 …
Оценивание параметров растительности в непрерывных шкалах




Фракционный состав и структурные свойства покрова
Индекс листовой поверхности LAI
APAR
…
Мониторинг динамики состояния растительности
 Сезонные / фенологические явления
 Качественные изменения состояния
Приоритетные направления развития
методов анализа данных
Интеграция физических моделей в процесс анализа :
 Моделей спектрального смешения ;
 BRDF моделей ;
 Моделей сезонной динамики растительности ;
Интеграция тематических фактов и знаний в процесс анализа :
 Базы пространственных (не спутниковых) данных ;
 Экспертные системы ;
 Биоклиматические, экологические и др. модели ;
Мультисенсорный подход (синергизм данных)
 На уровне исходных данных ;
 На уровне результатов анализа данных ;
Приоритетные тематические задачи
 выявление
и оценка качественных изменений растительного
покрова с использованием данных VEGETATION/SPOT-4 и
выборочных наблюдений с высоким разрешением (HRVIR/SPOT и
МСУ-Э/Метеор)
 мониторинг фенологических изменений растительного покрова
по данным VEGETATION/SPOT-4 и NOAA/AVHRR
 оценка биофизических параметров и структурных характеристик
растительности (поисковая фаза) :
 параметры горизонтальной структуры (проективное покрытие,
фракционный состав)
 параметры вертикальной структуры растительности
 LAI, FPAR, APAR, NPP