МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего образования ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПО ЗЕМЛЕУСТРОЙСТВУ На правах рукописи Мунзер НУР Разработка методики применения данных космических съемок для мониторинга лесов 25.00.34 – Аэрокосмические исследования Земли, фотограмметрия (технические науки) Диссертация на соискание учёной степени кандидата технических наук Научный руководитель: Кандидат технических наук, к.т.н., доц. Профессор А. Н. Лимонов Москва 2021 ОГЛАВЛЕНИЕ ВВЕДЕНИЕ ……………………………………………………………………….. 5 ГЛАВА 1 Современное состояние мониторинга лесов по разновременным космическим изображениям…………………………………………………….. 12 1.1. Задачи мониторинга лесов (учёт и инвентаризация, оценка качественного состояния) …………………………………………………………………. 12 1.2. Съёмочные системы, используемые для мониторинга………………. 19 1.3. Обзор методов обработки и оценки состояния и динамики лесов по многоспектральным спутниковым данным……………………………… 26 Выводы по первой главе………………………………………………………….. 45 ГЛАВА 2 Теоретические основы мониторинга лесов на основе использования индексных изображений........................................................... 48 2.1. Физические основы дистанционного мониторинга лесов………………..48 2.1.1 Спектральная отражательная способность лесных насаждений…51 2.2. Применения вегетационных индексов для мониторинга лесов……… 56 2.2.1. Обоснование использования вегетационных индексов……….... 58 2.2.2 Выбор оптимальных вегетационных индексов для мониторинга лесов……………………………………………………………………….. 60 2.3. Предварительная обработка изображений……………………………. 71 2.4. Роль атмосферы при проведении аэро- и космических съемок……… 74 2.5. Анализ результатов выявленных изменений природных объектов…. 78 2.6. Исследование погрешностей совмещения разновременных изображений при мониторинге изменений линейных и площадных объектов………….. 79 Выводы по второй главе ………………………………………………………… 88 2 ГЛАВА 3 Экспериментальные исследования возможности использования космических снимков для оценки состояния лесов………………………. 89 3.1. Исследование изменений состояния лесного покрова по разновременным изображениям нормализованного разностного вегетационного индекса (NDVI) …………………………………………………………………….89 3.1.1. Получение разновременных изображений со спутников Landsat и таксационных карт……………………………………….. 91 3.1.2. Исследование факторов виляющих на значения вегетационных индексов……………………………………………………...92 3.1.3. Влияние наличия облаков на снимках…………………… 93 3.2. 3.3. 3.4. Исследование динамики NDVI разных пород деревьев…………….. 95 Исследование динамики EVI разных пород деревьев………………..101 Исследование изменения NDWI различных пород деревьев………... 105 3.5. Сравнение вегетационных индексов для выявления на космических снимках пород деревьев……………………………………………………………. 109 3.6. Анализ результатов распознавания породного состава леса на основе спектральной отражательной способности …………………………….110 Вывод по 3 главе ……………………………………………………………..118 Глава 4 Оценка достоверности использованных методов для распознавания типов лесов............................................................. 120 4.1. Оценка достоверности разных методов для выделения хвойных и лиственных пород…………………………………………………………………………….. 122 4.2. Оценка точности полученных результатов при распознавании разных древесных пород на территории исследовании, с использованием разных методов………………………………………………………………………….. 124 4.3. Синтезирование разносезонных мультиспектральных и индексных изображений……………………………………………………………… 125 4.3.1. Синтезирование разносезонных индексных изображений, полученных используя разные вегетационные индексы…125 3 4.3.2. Синтезирование разносезонных разноиндексных изображений……………………………………………. 126 4.3.3. Синтезирование разносезонных изображений………. 127 4.3.4. Синтезирование разносезонных изображений для разделения хвойных и лиственных пород………………………….. 129 4.4. Обновление карты леса Лосиного острова………………………… 129 Выводы по 4 главе………………………………………………………..135 ЗАКЛЮЧЕНИЕ …………………………………………………………….. 138 СПИСОК ЛИТЕРАТУРЫ…………………………………………………..140 4 ВВЕДЕНИЕ Актуальность Лесные ресурсы как важнейший компонент биосферы имеют глобальное экологическое, экономическое и социальное значение. Обеспеченность информацией о состоянии и динамике лесов планеты все еще остается недостаточной и не отвечает современным требованиям устойчивого управления лесными ресурсами, охраны окружающей среды и исследований в области глобальных изменений биосферы и климата. Методы дистанционного зондирования служат безальтернативным инструментарием, позволяющим оперативно получать актуализированную информацию площадях о и качественном состоянии лесных угодий. Достоверность информации, получаемой по аэро- и космическим снимкам, зависит от корректности их фотограмметрической обработки и дешифрирования. В настоящее время одним из современных методов обработки является преобразование первичных снимков с помощью вегетационных индексов и последующего создания индексных изображений. Анализ существующих технологий создания индексных изображений, основанных на компьютерном преобразовании исходных снимков, показывает, что в ряде случаев преобразования не позволяют получить с достаточной точностью качественные и площадные характеристики лесных угодий. Эффективность применения методов дистанционного зондирования, и в частности индексных изображений, зависит от учёта и минимизации влияния различных технических и природных факторов, определяющих индивидуальность и уникальность фотоизображений. Снижение эффективности использования индексных изображений–следствие отсутствия комплексного учёта взаимосвязей факторов и недостаточная изученность их влияния на достоверность получения сведений о лесных угодьях. Определяющим является учёт взаимосвязей таких главных компонентов системы создания индексных изображений как: 5 - объектовая (энергетическая) компонента. Учёт данной компоненты объясняется тем, что собственное или отражённое объектами излучение связано с их физическими и химическими свойствами. Регистрация излучения при аэро или космической съёмке — это фиксирование информации о свойствах видов лесов различными типами съёмочных систем. При проведении съёмок энергетическая компонента существенным образом определяет информационные свойства аэро- и космических снимков, которые в последующем обеспечивают эффективность решения тематической направленности мониторинга лесных угодий; - техническая дистанционными компонента, методами и обеспечивающая актуализацию мониторинг геоинформации, лесов включает технические средства, технологии сбора и обработки видеоданных; Повышение эффективности применения съёмочной аппаратуры и систем цифровой обработки изображений для информационного обеспечения мониторинга лесов является актуальной задачей. Состояние изученности применения разновременных космических снимков для мониторинга лесов. Вопросам мониторинг окружающей среды, в том числе лесов с использованием данных дистанционного зондирования, посвятили свои труды многие ученые. Основы теории использования снимков в задачах лесной отрасли заложены Криновым Е. Л.,Седых В. Н., Сухининым А. И., Коровиным Г. Н., Исаевым А. С., Данилиным И. М. и др. Обзор литературных источников показал большое количество и разнообразие работ, связанных с проведением различных видов мониторинга и также разработкой дешифрирования лесов, как в работе Лупяна Е. А., Барталева С. А., Ершова Д. В., Гаврилюка Е. А., Плотникова А. С., Плотников Д. Е., Исаева А.С., Жирина В.М. , Жарка В.О., Малинникова В.А и др. 6 Применение космических снимков в решении задач мониторинга лесов давно посвящено мнрого зарубежных работ как Franklin, 1986; Danson, 1987; De Wulf и др., 1990; Ulaby, 1990; Herwitz, 1990; Danson и Curran, 1993; Ripple et al., 1991; Derrien et al., 1992 ; Nilson and Peterson, 1994; Collin и Woodcock, 1994; Cohen и др., 1996; Coppin и Bauer, 1996; Gholz и др., 1996; Ranson и др., 1997; Luckman и др., 1997; Cohen и Fiorella , 1998; Bertrand et al., 2000; Wilson and Sader, 2002 Целью диссертационной работы является разработка и исследование методики преобразования космических снимков с использованием вегетационных индексов для мониторинга состояния лесных угодий. Достижение данной цели потребовало решение следующих задач: 1. Анализ существующих подходов к распознаванию по данным дистанционного зондирования типов растительного покрова с целью мониторинга лесов. Характеристика съёмочных систем, используемых для мониторинга лесов. Программное обеспечение, применяемое для преобразования исходных аэро- и космических снимков и их интерпретации. 2. Научное обоснование применения вегетационных индексов как метода повышающего достоверность классификации лесов по разновременным космическим снимкам для мониторинга качественного состояния и пространственного положения. 3. Разработка технологии обработки космических снимков для оценки состояния лесов при использовании ВИ. 4. Исследование степени влияния на полученные результаты возможных искажающих факторов, возникающих на определенных этапах разработанной методики. 5. Оценка достоверности полученных экспериментальных данных. 6. Создание карты разных пород лесов на территории исследования (Лосиный остров, Москва), с использованием предложенной методики. Объектом исследования являются леса района Латакия (Сирия), в качестве тестового полигона для разработки методики создания и применения индексных 7 изображений для мониторинга лесов использована территория заповедника «Лосиный остров» (г. Москва) Предметом исследования является концепция системы информационного обеспечения мониторинга лесов по данным разновременных космических съёмок, методика создания и обработки индексных изображений, исследования влияния природных и технологических факторов на достоверность качественных и пространственных данных по индексным изображениям. Научная новизна исследования заключается в следующем: 1. Разработанная автором методика распознавания пород деревьев по материалам, создаваемых методом синтезирования разносезонных индексных изображений и мультиспектральных космических снимков по сравнению с другими аналогичными работами, позволяет повысить достоверность распознавания пород деревьев (достоверности распознавании пород деревьев с использованием разработанной методики достигает 0,8) . 2. Разработанный алгоритм создания и использования индексных изображений, полученных по космическим снимкам, позволяет подготовить материалы для распознавания пород лесной древесной растительности и оценки её качественного состояния. 3. Методика синтезирования разносезонных и мультиспектральных космических снимков позволяет оценить качественное состояние и мониторинг изменения площади различных типов древесной растительности, и создавать авторские карты породного состава деревьев. Полученные с использованием разработанной в диссертационной работе технологии результаты экспериментальных исследований, тематические продукты и базы данных, позволят оценивать динамику состояния лесов. Выводы и рекомендации могут быть использованы для практического применения лесоустроительными организациями в районах Латакии (Сирия). Теоретическая значимость работы. Разработаны методики использования различных вегетационных индексов для мониторинга лесов и распознавания, породного состава лесов с достаточной степенью точности. 8 Практическая значимость работы. Теоретическая значимость диссертационных исследований заключается в усовершенствовании и развитии тематического дешифрирования космических изображений и использования различных вегетационных индексов, полученных по мультиспектральным и разновременным космическим снимкам, для распознавания породного состава древесной растительности. Методология и метод исследования. Поставленные цель и задачи решались на основе научных положений применения дистанционных методов для изучения Земли, дешифрирования снимков, фотограмметрии, системного анализа. При этом применялись методы моделирования, теории вероятностей, теории надёжности, математической статистики. Для проведения исследования были использованы разновременные пространственного разрешения, снимки Landsat, полученные из снимки открытых высокого геопорталов, таксационная карта заповедника «Лосиный остров. Работа выполнена на основе компьютерных технологий с использованием программных пакетов ENVI, ArcMap. Информационное обеспечение исследования составляли картографические материалы, статистические данные, информационные и аналитические материалы Росреестра, результаты исследований научных институтов, производственных организаций и учёных, личные теоретические и экспериментальные работы автора. Основные положения диссертации, выносимые на защиту: 1.результаты исследования применения различных вегетационных индексов для оценки состояния лесных угодий и динамика их изменений. 2. модель мониторинга изменения свойств лесов, с использованием индексных изображений. 3. методика распознавания разных пород деревьев, с использованием синтезированных разносезонных индексных и мультиспектральных изображений. 4. рекомендации по созданию и использованию индексных изображений при мониторинге лесов. 9 Тема диссертации соответствует следующему пункту паспорта научной специальности 25.00.34 – Аэрокосмические исследования Земли, фотограмметрия: П.4 «Теория и технология дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследований». Апробация и реализация результатов исследований. Основные положения работы и полученные результаты докладывались и обсуждались на 8 международных и российских конференциях, проведенных в Москве: 1. LX научно-практическая конференция студентов, аспирантов, молодых учёных и специалистов «Научные исследования и разработки молодых ученых для развития АПК (ГУЗ), 2017 2. IV international Russian-Greek Student Scientific Conference (РУДН), 2017 3. LXI научно-практическая конференция студентов, аспирантов, молодых учёных и специалистов «Научные исследования и разработки молодых ученых для развития АПК (ГУЗ), 2018 4. X international Scientific Conference (innovation in agriculture) (РУДН), 2018 5. Международная научно-практическая конференция "векторы развития законодательного обеспечения государственной земельной политики: опыт XX века и современность "(ГУЗ), 2018 6.LXII Научно-практическая конференция студентов, аспирантов, молодых учёных и специалистов «Научные исследования и разработки молодых ученых для развития АПК», посвящённой 240-летию Государственного университета по землеустройству (ГУЗ), 2019 7.XI-я Международная научно-практическая конференция, приуроченная к 60-летию со дня образования (РУДН)2019 8. LXIII научно-практической конференции студентов, аспирантов, молодых учёных и специалистов, «Научные исследования и разработки молодых учёных для развития АПК» (ГУЗ), 2020 10 По материалам диссертации опубликовано 7 работ, в рецензируемых научных изданиях, в том числе 3 в журналах рекомендованных ВАК. В диссертации отсутствует заимствованный материал без ссылок на автора и источник заимствования. При использовании в диссертации результатов научных работ, выполненных соискателем лично или в соавторстве, соискатель отметил это обстоятельство. 11 ГЛАВА 1 Современное состояние мониторинга лесов по разновременным космическим изображениям. 1.1. Задачи мониторинга лесов (учёт и инвентаризация, оценка качественного состояния) Мониторинг окружающей среды – это система наблюдения окружающей среды (в том числе объектов, явлений, процессов), оценки, контроля и прогноза изменений состояния, вызванных природными и антропогенными факторами Мониторинг включает в себя: сбор информации о состоянии объектов недвижимости, её обработку и хранение, проведение регулярных наблюдений, за их состоянием и использованием исходя из их целевого разрешенного назначения, и анализ и оценку качественного состояния объектов недвижимости с учетом воздействия природных и антропогенных факторов. [70] Леса являются очень важным компонентам биосферы, и представляют собой ресурс большого экологического, экономического, культурного, научного и рекреационного значения. Социальные и экономические функции лесов многообразны. Они играют важную роль в сохранение почв, регуляции водных ресурсов и климата, а также используются в рекреационных целях. Лес, как открытая экосистема, находится в постоянном взаимодействии с факторами окружающей среды, которые могут влиять на ее состоянии. Поэтому необходимо выполнять мониторинг состояния лесов. Лесной мониторинг - неотъемлемая часть мониторинга состояния окружающей природной среды, и является системой наблюдений, оценки и прогноза состояния и динамики лесного фонда в целях управления в области использования, охраны, защиты лесного фонда, воспроизводства лесов и повышения их экологических функций. Отметим, что получение достоверной информации о состоянии лесных угодий и о прогнозировании их характеристик возможно при обязательном знании их прошлого состояния. Поэтому мониторинг лесных угодий в общем 12 виде представляет знание прошлого, настоящего и прогнозируемого состояния лесов[54]. Мониторинг лесов включает следующее: 1) наблюдение изменений состояния лесного фонда, вызванных природными и антропогенными воздействиями на леса; 2) обработку и анализ этих данных; 3) составление прогнозов с целью охраны и защиты лесов, рационального использования лесных ресурсов и устойчивого развития лесного сектора экономики страны (Сирии). Для оперативного получения информации о состоянии лесов требуется использование многоуровневой интегрированных наземных и системы мониторинга, дистанционных основанной наблюдениях, на реализуемой геоинформационных технологиях. Методы дистанционного зондирования предоставляют отличную возможность для анализа процессов, происходящих в лесах на местном или глобальном уровне. Технологии дистанционного зондирования позволяют контролировать и постоянно выполнять мониторинг состояния лесов. Для мониторинга динамики растительного покрова в конце прошлого столетия начали достаточно широко применяться методы дистанционного зондирования Земли из космоса. Как отмечается в работе (Исаев и др., 2014), спутниковые технологии в настоящее время предоставляют гораздо более широкие возможности для проведения мониторинга лесов, чем те, которые использовались в ранних информационных системах [33,59]. Данные дистанционного зондирования Земли с каждым годом становятся более доступными и совершенными, появляются новые возможности и области применения результатов съёмки местности, которая практически повсеместно основана на цифровых методах регистрации и обработки пространственной информации. В последнее время существенно расширились возможности получения информации о поверхности Земли средствами дистанционного зондирования из космоса. Количество космических аппаратов, предназначенных 13 для фотосъемки поверхности Земли в различных зонах электромагнитного спектра, с различными периодом съемки и разрешением на местности, полосой обзора, значительно возросло. В связи с этим открываются принципиально новые возможности для изучения состояния поверхности Земли, различных искусственных и природных объектов на ней находящихся, выполнения мониторинга заданного класса объектов, в том числе лесов[26]. Применение дистанционных методов при мониторинге земель является современным техническим направлением, позволяющим оперативно, в оптимальные сроки и экономически эффективно выполнять задачу обновления информации о землях на значительных площадях [76]. Дистанционные методы имеют ряд преимуществ по сравнению с наземными геодезическими методами и методами полевых обследований [27, 126], благодаря которым они являются безальтернативными для обновления информации при государственном мониторинге земель. К таким преимуществам относят: - оперативность получения метрической и семантической информации; - объективность и документальность этой информации, так как при аэросъёмке выполняется регистрация фактического состояния земель; - экономическая эффективность получения информации на больших территориях; - возможность регулярных наблюдений (особенно по материалам космических съёмок) за изменениями земель, природных и антропогенных объектов [58]. В табл. 1.1 представлены технические и экономические показатели эффективности космических, авиационных и наземных методов мониторинга земной поверхности (сравнительная оценка выполнена по данным ГИСассоциации). 14 Таблица 1.1Сравнительные характеристики методов дистанционного мониторинга земель Методы мониторинга земель Обзорность Простр- ТочнПроизЭкономичость анстводительность венное разре- ность шение космические +++ + + +++ +++ авиационные ++ ++ ++ ++ ++ наземные + +++ +++ + + многоуровневая +++ +++ +++ +++ ++ комплексная система Мониторинг лесов с использованием спутниковых данных получили развитие в начале 70-х годов XX века. Исследования по использования данных спутниковых наблюдений в областях лесного хозяйства и лесоведения позволили разработать ряд методов и технологий , и обосновать перечень задач и структуру системы мониторинга лесов. В последнее время методы дистанционного зондирования становятся неотъемлемой частью мониторинга лесного покровав России [6]. В настоящее время спутниковые данные являются одним из наиболее перспективных методов оперативного получения информации о состоянии разных природных и антропогенных объектов. Поэтому в последние годы активно развиваются различные системы мониторинга, предназначенные для решения задач мониторинга отдельных объектов и явлений, и получения информации о процессах, происходящих на определенных территориях. В данной области выполнен огромный объем исследовательских 15 работ, результаты которых отражены в многочисленных отчетах о научно исследовательских трудах и публикациях. Обзор литературы выявил наличие большого количество работ, связанных с проведением различных видов мониторинга, и использования космических снимков для слежения за состоянием лесов, особенно в работе Лупяна Е. А., Барталева С. А., Ершова Д. В. ,Исаева А. С., Лимонова А.Н. , Жарка В.О. и др. Анализ зарубежных работ показывает большое количество исследований, демонстрирующих актуальность использования методов дистанционного зондирования для мониторинга лесов и оценки их состояния (Franklin, 1986; Danson, 1987; De Wulf и др., 1990; Ulaby, 1990; Herwitz, 1990; Danson и Curran, 1993; Ripple et al., 1991; Derrien et al., 1992 ; Nilson and Peterson, 1994; Collin и Woodcock, 1994; Cohen и др., 1996; Coppin и Bauer, 1996; Gholz и др., 1996; Ranson и др., 1997; Luckman и др., 1997; Cohen и Fiorella , 1998; Bertrand et al., 2000; Wilson and Sader, 2002). Существующие спутниковые технологии позволяют создать системы оперативного мониторинга растительности для больших территорий[60]. В институте космических исследований Российской академии наук (ИКИ РАН) разработан сервис мониторинга состояния растительности «ВЕГА»(vegetation analysis- анализ вегетация). Данный сервис обладает значительным функционалом и информационными возможностями для решения задач мониторинга растительного покрова и обеспечивает возможность работы с архивами данных накопленных за период с 2000 года по настоящее время. Информация сервиса обновляется автоматически еженедельно. Кроме того с использованием сервиса ВЕГА можно проводить анализ временных рядов вегетационных индексов ВИ, и изучение динамики и других типов растительности. Например, оценки динамики лесов и лесовостоновления на гарях и рубках. [59,60, 61] В работе Лимонова А.Н. разработана модель системы информационного обеспечения государственного мониторинга земель на основе анализа правовых, нормативных документов, достижений в области аэро- и космических съёмок, 16 цифровой обработки снимков . Предлагаемая модель, в отличие от известных, основана подходе, на комплексном многокомпонентные антропогенные, учитывающем природные многофакторные условия, и технические возможности получения и обработки данных дистанционного зондирования. Модель базируется на разработке автора концепции использования дистанционных методов для мониторинга земель. Модель включает структурную схему взаимосвязей процессов и процессантов, обеспечивающих достоверные результаты мониторинговых работ, а также математическое описание данных связей в обобщенном формально-логическом виде. На рис.1.1 представлена часть разработанной автором принципиальной схемы структурной информационного обеспечения государственного мониторинга земель. Рис.1.1. Принципиальная схема структурной модели информационного обеспечения мониторинга земель дистанционными методами 17 модели Основные задачи информационного обеспечения государственного мониторинга земель Выявление и оценка изменений состояния земель Объектный блок категорий земель Прогноз изменений, разработка рекомендаций по устранению негативных последствий Непрерывное наблюдение за использованием земель по их целевому назначению водохозяйственных систем и сооружений Иерархические уровни дистанционного мониторинга Обновление планово-картографической основы градостроительных систем и сооружений объектов промышленности, транспорта, связи, энергетики, обороны и т.д. Информационное обеспечение ГКН Виды мониторинга земель дистанционными методами Функции мониторинга земель с.х. назначения Контроль использования и охрана земель Накопление, упорядочение, хранение и сравнение информации о землях водные Периодичность дистанционного мониторинга Локальный Базовый Региональный Периодически й Глобальный Оперативный Анализ и оценка качественного состояния лесные спец. назначения и запаса Определение динамики состояния и положения земель, прогнозирование изменений, разработка рекомендаций по устранению негативных последствий Дистанционные методы мониторинга земель Аэро- наземный космический Гос. фонд Технические средства и технологии Подсистема получения первичной информации Виды изображений фотографическое газометрическ ие Оптико-электроное радиолокационное радиоционные тепловое лазерное Подсистема обработки первичной информации иные Технические параметры аппаратуры Результаты сравнения базовых материалов и данных первичной обработки Подсистема хране-ния результатов обработки первичнй Нормативные документы информац ии Дискретные измерения Выходная продукция (вторичная информация) Аналог овая Цифровая де ши фр иро ван ие Нормативные технич. параметры Внешние условия съёмок топографический тематический Техниче ские нормати вы ГИС фот огр амм етр иче ска я Обновлённый картографический материал и информационные слои ГИС Геоп ривя зка диск рет. данн ых 18 Директ ивные докуме нты ЦМС, ЦМР, ЦММ 1.2 Съёмочные системы, используемые для мониторинга Дистанционное зондирование Земли (ДЗЗ) и мониторинг состояния окружающей среды c помощью спутниковых данных стали возможными благодаря нескольким десятилетиям технического совершенствования сенсоров и спутниковых платформ [66]. Материалы спутниковых съёмок приобретают большую информативность по мере их накопления за разные годы. Эти данные незаменимы для мониторинга лесных массивов [75]. В настоящее время мультиспектральные спутниковые изображения являются универсальным, оперативным и общедоступным материалом для осуществления мониторинга окружающей среды [20]. Большое количество исследований продемонстрировало широкие возможности использования данных спутниковой системы в задачи мониторинга (Ершов и др., 2015; Барталев и др., 2016; Гаврилюк, Ершов, 2012; Zhu, Liu, 2014) В последнее десятилетие был, достигнут значительный прогресс в развитии методов и технологий дистанционного зондирования Земли (ДЗЗ). Именно в этот период появились и стали активно использоваться комплексы наблюдения Земли нового поколения, позволяющие получать не только качественную, но и хорошо калиброванную и пространственно привязанную количественную информацию. Фактически, появление таких комплексов открыло новую эру спутникового дистанционного зондирования и позволило создать принципиально новые, высоко автоматизированные технологии работы с данными ДЗЗ [60]. Возможность использования данных дистанционного зондирования для мониторинга растительного покрова стала рассматриваться вскоре после запуска первых спутников. 19 Спутниковые данные пространственного можно разделить на данные высокого разрешения, позволяющие получать относительно детальные изображения поверхности с низкой периодичностью, и данные низкого и среднего пространственного разрешения, которые обеспечивают регулярные, чаще всего ежедневные измерения отражательных характеристик поверхности с меньшей детальностью. В качестве спутниковые данные низкого пространственного разрешения рассмотрим спутник Terra и Aqua (MODIS) MODIS (Moderate Resolution Imaging Spectroradiometer) установлен на спутники Terra и Aqua. Данный сенсор является одним из ключевых в рамках комплексной программы NASA EOS (Earth Observing System, США). Собранные изображения с MODIS, в том числе 36 спектральных диапазонах с пространственным разрешением от 250 до 1 км, ширина полосы захвата на местности составляет 2300 км. Информация, ежедневно получаемая с помощью данного сенсора, применяется для мониторинга лесов на глобальном и национальном уровнях. Наличие необходимых спектральных каналов, глобальный охват, ежедневная периодичность и наличие большого объема накопленных данных выгодно выделяют прибор MODIS среди приборов среднего и низкого пространственного разрешения для решения задач мониторинга лесов. По данным MODIS в ИКИ РАН создана также карта растительности Российской Федерации [91,120]. Также в ИКИ РАН сформирован архив многолетних данных MODIS, который непрерывно пополняется. В качестве спутниковые данные среднего пространственного разрешения рассмотрим спутники (Sentinel, SPOT и Landsat) Sentinel В 1998 г. для обеспечения всеобъемлющего мониторинга окружающей среды была создана программа GMES (Global Monitoring for Environment and 20 Security), под руководством Еврокомиссии в содружестве с Европейским космическим агентством (European Space Agency, ESA) и Европейским агентством по окружающей среде (European Environment Agency, EEA). Данная программа обеспечит высокоточной, современной доступной информацией для решения задач мониторинг изменения окружающей среды. Для реализации программы GMES под общим руководством ESA ведется разработка пяти типов спутников ДЗЗ Sentinel, каждый из которых будет осуществлять определенную миссию, связанную с мониторингом Земли. Группировка спутников Sentinel будет предоставлять как оптико- электронные, так и радарные данные. При этом каждая миссия Sentinel будет включать в себя группировку из двух спутников для обеспечения наилучшего охвата территории и ускорения повторных съемок, что послужит повышению надежности и полноте данных для GMES [111]. Группировка радарных спутников Sentinel-1 отличается всепогодностью получения снимков и имеет широкий спектр применения (мониторинг льдов, нефтяных разливов, картографирование лесов и т. д.). Оптико-электронные спутники серии Sentinel-2 направлены на мониторинг растительности, поверхности суши и моря. Спутники Sentinel-3 предназначены для мониторинга морей и океанов и наблюдений за изменением климата. Планируется, что группировки спутников Sentinel-4 и Sentinel-5 будут решать вопросы мониторинга атмосферы. Для решения задач мониторинга лесов наибольший интерес представляют спутники серии Sentinel-1 и Sentinel-2. Sentinel-1 Группировка Sentinel-1 состоит из двух радарных спутников на полярной орбите, оснащенных радаром для съемок в С-диапазоне. Съемки радарных спутников Sentinel-1 не зависит от погоды и времени суток. Первый спутник миссии запущен в 2013 г., а второй — в 2016 г. 21 Группировка Sentinel-1 обеспечивает данными каждые 1–3 дня, независимо от погодных условий. Радарные данные поставляются в течение часа после проведения съемки. В область применения радарных данных входит мониторинг арктических морей и разливов нефти, картографирование льдов, внутренних водных объектов и лесов, изучение подвижек земной поверхности, обеспечение безопасности и т. д. Sentinel-2. Группировка из двух оптических спутников Sentinel-2 регулярно поставляет космические снимки на всю Землю, обеспечивая непрерывность получения данных с аналогичными характеристиками как в программах SPOT и Landsat [115,122]. Первый спутник серии Sentinel-2 был запущен в 2013 г. Орбита высотой в среднем 785 км, наличие в миссии двух спутников, позволяет проводить повторные съемки каждые 5 дней на экваторе и каждые 2-3 дня в средних широтах. Sentinel-2 оснащен оптико-электронным мультиспектральным сенсором Multi Spectral Instrument (MSI) для съемок с разрешением от 10 до 60 м. Съёмки выполняются в видимой, ближней инфракрасной (VNIR) и коротковолновой инфракрасной (SWIR) зонах спектра, включающих 13 спектральных каналов. Это гарантирует отображение различий в состоянии растительности, в том числе и временные изменения, а также сводит к минимуму влияние атмосферы на качество съемки. Уникальность миссии Sentinel-2 связана с сочетанием большого территориального охвата, частых повторных съемок, и, как следствие, систематическим получением полного покрытия всей Земли мультиспектральной съемкой. На рисунке 1.2 для сравнения представлены спектральные диапазоны длин волн съемочной аппаратуры спутников Sentinel-2, Landsat-7 и Landsat-8. 22 Рис. 1.2 – Сравнение спектральных характеристик КА Landsat-7 и Landsat-8 с КА Sentinel-2 [130]. SPOT Спутники серии SPOT (Satellite Pour L’Observation de la Terre) с оптическими съёмочными системами высокого разрешения спроектированы Национальным центром космических исследований Франции (CNES), с участием Швеции и Бельгии. Первый КА SPOT 1 был запущен 22 февраля 1986 г. Спутник SPOT-4 запущен в 1998 г. Аппарат SPOT 5 выведен на орбиту 3 мая 2002 г. и завершил свое функционирование 31 марта 2015 г. С первого КА SPOT 1 и до аппарата SPOT 5 спутники имели практически одинаковые характеристики: высота солнечно-синхронных орбит 832 км, схожие характеристики спектральных каналов, пространственное разрешение 20 м в мультиспектральном интервале. В настоящее время действующими аппаратами данной миссии являются SPOT 6 (запуск состоялся 9 сентября 2012 г.) и SPOT 7 (выведен на орбиту 30 июня 2014 г.). Пространственное разрешение 8 м в мультиспектральном интервале. Снимок захватывает участок на земной поверхности размером примерно 60х60км. [56,109] Проект обеспечивает продолжительные наблюдения за поверхностью Земли, и решения картографических задач, выполнения экологического мониторинга территории, а также мониторинга растительного покрова и окружающей среды, проведения инвентаризации лесных массивов и т. д.[13]. 23 Landsat Спутники серии Landsat, обеспечивающие продолжительные наблюдения за поверхностью Земли, позволили накопить миллионы многозональных изображений. Серия Landsat начала свою историю с запуска первого спутника в 1972 г. [131, 122]. Спутниковая информация, получаемые при помощи Landsat, используется при решении большого числа тематических задач, включая мониторинг лесов и оценку их состояния, картографирование территорий, покрытых лесными массивами, определение запасов древесных пород и т. д. Landsat 2-функционирует с 2 января 1975 г. по 22 января 1981 г., Landsat 3 – c 5 марта 1978 г. по 7 сентября 1983 г. Первые три спутники были оснащены четырёхканальным мультиспектральным сканером MSS (Multispectral Scanner) с пространственным разрешением 60 метров. Landsat 4- с 16 июля 1982 г. по 15 июля 2001 г. он оснащён сканером TM (Thematic Mapper) который состоит из семи спектральных диапазонов с пространственным разрешением 30 метров для спектральных диапазонов кроме теплового диапазона 6 (120 метров). Данные системы MSS широко используются для изучения природных ресурсов, а система TM специально предназначена для тематического картографирования земной поверхности. Landsat 5, был запущен 1 марта 1984 г. и в 2013 окончательно отключён. В октябре 1993 г. не удалось запустить спутника Landsat 6 [108]. Спутник Landsat 7 находится на орбите с 15 апреля 1999 года. установлен сканирующий радиометр Enchanced Thematic Mapper Plus (ETM+) который состоит из восьми спектральных каналов с пространственным разрешением 30 м и 15 м в панхроматическом канале, что приводит к более эффективным для решения задач мониторинга лесов. В мае 2003 г. возникли проблемы с получением полного объема информации. Неполадки были вызваны потерей работоспособности прибора Scan Line Corrector (SLC), являющегося 24 составной частью сенсора ETM+, который обеспечивал компенсацию продольного движения спутника [124, 128]. Landsat 8 Спутник был запущен 11 февраля 2013 г., На спутнике установлено два типа сенсоров: оптико-электронный Operational Land Imager (OLI) и тепловой Thermal Infrared Sensor (TIRS). Первый сенсор получает изображения в 9 диапазонах видимой области спектра и ближней инфракрасной зоне излучения (ИК), второй сенсор - в 2 зонах дальнего (теплового) ИК. Съемка осуществляется в 11 спектральных зонах с пространственным разрешением 15, 30 и 100 м. По сравнению с предыдущими аппаратами серии спектральный интервал аппаратуры Landsat 8 расширен за счёт двух новых каналов, которые позволяют проводить изучение водных объектов и аэрозолей. С 2008 года все исходные данные, в том числе архивные данные спутников Landsat (сенсоры MSS, TM), доступны бесплатно, в частности на сайте Геологической службы США (United States Geological Survey, USGS) . Все данные, начиная с 1982 г. совместимы между собой без дополнительной обработки, что позволило расширить область возможного применения данной информации. Космические снимки, полученные со спутника Landsat , широко используются для решения научных и практических задач, в том числе задач мониторинга лесов. Различные комбинации каналов Landsat используются для решения разных тематических задач: классификация и анализ состояния растительного покрова, классификация изменений в лесных массивах, картографирование почв; изучение динамики пожаров и постпожарного анализа территории. Например, для снимок Landsat 8 комбинация каналов 54-3 используется, главным образом, для изучения состояния растительного покрова. Комбинация каналов 7-6-4 дает возможность мониторинга пожаров. Комбинация каналов 6-5-4 очень удобно для анализа состояния лесов. Необходимо отметит, что инфракрасный канал является одним из 25 наиболее информативных при изучении характеристик лесных насаждений[31-94]. Из спутников сверхвысокого пространственного разрешения можно отметить американский спутник IKONOS запущен в 1999 г., прекративший работу в 2015 г., у которого пространственное разрешение 0,82/3,2 м, в панхроматическом и мультиспектральных каналах соответственно QuickBird (США, 2001-2014 гг., 0,61/2,44 м). GeoEye-1 (США, 2008 г., 0,41/1,85). RapidEye (Германия, 2008, 5 м). OMPSAT-3 (Корея, 2012 г., 0,7/2,8 м) и др. [38, 73]. Основным поставщиком данных ДЗЗ с российских спутников является Научный центр оперативного мониторинга Земли (НЦ ОМЗ). В настоящее время российская орбитальная группировка ДЗЗ, состоящая из семи космических аппаратов – «Электро-Л» № 1, «Метеор-М» № 1 и № 2, «Ресурс-П» № 1 и № 2, «Канопус-В» (ссылки на КА), обеспечивает все виды и режимы космической съемки в оптическом диапазоне спектра, а также в радиолокационном диапазоне (КА «Метеор-М» № 2) [81]. 1.3 Обзор методов обработки и оценки состояния и динамики лесов по многоспектральным спутниковым данным Важно, чтобы при планировании и проведении исследований и разработке новых и усовершенствованных технологий выполнения разных видов работ были востребованы в полной мере результаты работ предыдущих поколений исследователей. Вопросы, связанные с мониторингом лесов и оценкой их характеристики с использованием методов дистанционного зондирования рассмотрены во многих работах. В работе (Исаев и др., 2014) [33]отмечено, что спутниковые технологии сегодня обеспечивают гораздо более широкие возможности для проведения мониторинга лесов, чем те, которые уже традиционно используются в действующих информационных системах. 26 Существует распознавания ряд объектов исследований подтверждающих растительного покрова при возможность использовании разновременных спутниковых изображений. Примером использования спутниковых для оценки лесов изображений приведены в работах С.А.Барталева. В работе [9] Барталев и другие исследовали возможность использования различных методов анализа разновременных спутниковых изображений Landsat при выявлении вырубок таежных лесов европейского севера России. Исследование проведено на территории Междуреченского лесхоза Республики Коми. Исследования проводились с использованием трех методов детектирования вырубок (метод сравнения результатов независимой классификации нормализованных лесов, метод изображений, поканальных метод разностей взаимно покомпонентных разностей результатов декомпозиции спектральных смесей.). В таблице 1.2 приводится преимуществ и ограничений трех использованных в исследования методов. Таблица 1.2. преимуществ и ограничений трех использованных методов анализа разновременных спутниковых изображений Landsat Методы Преимущества Ограничения -Типы Метод сравнения результатов независимой классификации изображений -Высокий уровень независимости от различий фенологического состояния растительности и условий спутниковой съемки Простота тематической интерпретации выявленных изменений Метод разностей -Возможность поканальных взаимно 27 выявления выявляемых изменений ограничены заданным множеством классов лесных насаждений и непокрытых лесом земель -Невозможность выявления изменений переходного характера -Необходимость наличия априорных знаний о территории -Классификация изображения требует активного участия эксперта -Сложность тематической интерпретации выявленных нормализованных изображений Метод покомпонентных разностей результатов декомпозиции спектральных смесей изменений переходного характера -Существует возможность автоматической реализации -Высокий уровень независимости от различий фенологического состояния растительности и условий спутниковой съемки. -Простота тематической интерпретации выявленных изменений -Возможность выявления и количественной оценки изменений переходного характера -Существует возможность автоматической реализации изменений -Существенная зависимость от различий фенологического состояния растительности и условий спутниковой съемки -Необходимость выбора оптимальных порогов -Существенная зависимость результатов от выбора множества анализируемых компонент -Необходимость наличия данных о спектральных яркостях чистых компонентов -Количество чистых компонент должно быть не больше количеств<я| спектральных каналов. Для выявления изменений параметров объектов при мониторинге земель дистанционными методами используют снимки новой аэро- или космической съемки. Технология сводится к сопоставлению разновременных данных для выявления как короткопериодических, так и многолетних изменений визуальным, автоматическим или автоматизированным методами. Так, например, автоматизированное выявление изменений по космическим снимкам – одно из основных направлений тематической обработки данных ДЗЗ, развивающееся в компании «Совзонд» в последнее десятилетие. В соответствии с общемировой тенденцией, более 50% всех отраслевых проектов, реализуемых компанией, в той или иной степени подразумевают извлечение из разновременных снимков информации о произошедших изменениях земной поверхности. 28 В ходе выполнения проектов по обеспечению отраслевой информацией предприятий и организаций в области лесного, сельского и муниципального хозяйства, транспорта, безопасности, экологии и т.д. выработаны эффективные подходы, технологии контроля изменений. В 2014–2016 гг. компанией был запущен глобальный проект WorldEvolution, в рамках первого этапа которого были выделены все изменения за период 2000–2014 гг. на территории Российской Федерации. Накопленный опыт позволил сделать вывод, что выявление изменений с той или иной степенью детальности возможно с применением практически любых современных космических снимков оптического интервала. При этом для получения пригодных для дальнейшего анализа результатов в паре «ранний снимок — поздний снимок» пространственное разрешение не должно различаться более чем в 2 раза, причем итоговая детальность выявленных изменений определяется разрешением худшего снимка в паре [1]. В ряде работ приводятся конкретные примеры использования результатов повторных съёмок для изучения динамики природных объектов и явлений. Так, например, по материалам повторных аэросъемок была установлена динамика пустынной растительности Центральных Каракумов и выявлена основная тенденция за 10-12 лет – зарастание и закрепление песчаных поверхностей, смена растительных группировок на подвижных песках [4]. Были получены дополнительные сведения об изменении уровней озер в Западной Сибири. На разновременных снимках фиксировались размеры берегового пляжа, появление или исчезновение островов на водной поверхности [92]. В последние годы наметилась потребность в расширении направлений исследований в области спутникового мониторинга лесов. В связи с этим необходимо разработать различные методы изучения динамики лесов. 29 Разработка методов оценки состава лесов, их инвентаризации и мониторинга качественных и количественных характеристик на основе спутниковых изображений, обеспечивающих возможность получения необходимой информации на больших территориях, является актуальной задачей. Коэн и Фиорелла (1998) [110] провели исследование методов обнаружения изменения хвойных лесов по данным LANDSAT TM. В их исследовании сравнивались три метода обнаружения изменений в среде хвойных лесов (различие изображений (image differencing) , анализ векторов изменений (change vector analysis CVA) и комплексный анализ (composite analysis)). Их анализ включал простой тест трех методов и включал некоторые сравнения с эталонным изображением и без него, чтобы определить его значение при обнаружении изменений. Была также оценена важность характеристик влажности в методе Tasselled Cap для обнаружения изменений хвойных лесов. Наиболее важным выводом исследования Коэн и Фиорелла было то, что использование эталонного изображения чрезвычайно важно для точной характеристики изменения леса. Другим выводом было то, что использование метода различие изображений было лучше, чем анализ векторов изменений (CVA), даже в сочетании с эталонным изображением. Они также пришли к выводу, что характеристики влажности в методе «Tasselled Cap» важны для разделения различных классов хвойных лесов. В работе [75] представляется исследование изменчивости состояния лесной растительности и на территории заповедника «Столбы» Красноярского края по спутниковым данным Modis. В работе проведён анализ многолетних рядов (2003–2016) усреднённых индексов NDVI хвойных и лиственных древостоев за период май – сентябрь, максимальных NDVI max и климатических изменений. В результате исследования выявлены отрицательные тренды NDVI для хвойных и лиственных древостоев таким образом выявлена тенденция ухудшения состояния лесной растительности. Причиной этому может быть совокупность факторов: 30 изменение климата, антропогенное влияние города и наличие старовозрастного леса. Так же в результате этого исследования показывает, что уклон трендов усреднённых и максимальных NDVI для хвойных древостоев за период май – сентябрь превышает уклон трендов NDVI лиственных древостоев. Это свидетельствует о быстром уменьшении биомассы хвойной растительности, чем лиственной. Кроме того, в работе [51] В работе проведена оценка приемлемости использования спутниковых изображений Sentinel-2 для дешифрирования породного состава лесных насаждений Пензенской области. Авторами проведён анализ результатов трёх способов классификации спутниковых данных: картирования по спектральному углу (SAM), метода опорных векторов (SVM) и метода максимального правдоподобия (MLC). Исследование показало, что при тематической классификации лесных насаждений по спутниковым снимкам Sentinel-2 следует учитывать группы и классы возраста древостоев. Особенно это хорошо проявилось при разделении классов хвойных пород (сосна). В работе удалось выделить два класса сосновых насаждений, что может повысить точность картографирования (дешифрирования) при проведении лесоустроительных и лесоинвентаризационных работ. Также хорошо различимы границы между классом «Молодняки» (до 40 лет) и другими классами разных древесных пород старших групп возраста (средневозрастные, приспевающие, спелые и перестойные насаждения). Сравнение статистик точности пользователя UA и точности производителя PA на вновь полученные тематические карты наземного покрова на территорию Кирилловского-Подвы шенского и Ольшанского лесничеств показывает, что для выявления большинства классов лучший результат демонстрирует способ классификации MLC (максимального правдоподобия). Об этом также свидетельствуют общая точность классификации равная 0,81 и коэффициент Каппа Коэна равный 0,76 на картах КирилловскогоПодвышенского лесничества, а также общая точность равная 0,76 и 31 коэффициент Каппа Коэна равный 0,72 для Ольшанского участкового лесничества. Способ SVM является следующим по точности выделения заданных классов наземного покрова. Самые низкие результаты управляемой классификации наблюдаются для способа SAM. Возможность распознавания различных объектов и определения их характеристик дистанционными методами обусловлена тем, что поглощение, рассеивание, отражение и излучение электромагнитной энергии в разных областях спектра специфичны для каждого объекта земной поверхности. Анализ спектральных характеристик объектов позволяет отличить один объект от другого по его спектральным свойствам. Алгоритм использования данных дистанционного зондирования заключается в экспериментально устанавливаемой взаимосвязи функции спектрального отраженного или собственного излучения с характеристиками лесов, на основе тестовых участков. [45, 97] Значимым исследованием, основанным на распознавании древесных пород леса на основе спутниковых данных, является работа [29], в которой авторами был проведен эксперимент для оценки распознаваемости преобладающих пород лесов двух тестовых регионов с высоким уровнем породного разнообразия лиственных и хвойных лесов, по данным MODIS. Выполнена сравнительная оценка распознаваемости древесных пород на основе недельных и сезонных композитных изображений. Анализ полученных значений вероятности ошибочного распознавания древесных пород в лесах подтверждает высокий уровень их разделимости при использовании недельных композитных изображений КСЯ. В целом, выполненное исследование позволяет сделать вывод о достаточно высоком потенциале использования данных о сезонных изменениях спектральноотражательных характеристик земной поверхности для распознавания древесных пород в лесах России. В настоящее время существует большое количество алгоритмов интерпретационной обработки космических 32 изображений, но большинство из них можно использовать только при определенных условиях и для конкретных объектов [2]. В работе [101] разработан алгоритм автоматизированного дешифрирования территорий в северной тайге Западной Сибири «дерево решений», который позволяет определять принадлежность объектов к тому или иному классу категориальной зависимой переменной в зависимости от соответствующих значений одной или нескольких независимых переменных. На основе данного алгоритма проведен анализ нормализованного вегетационного индекса NDVI и результатов преобразования Tasseled Cap по летним снимкам Landsat. В результате исследовании были выделены следующие классы: водные поверхности, хвойные леса, лиственные и смешанные леса, застроенные земли, лишённые растительного покрова территории, заболоченные земли. При оценке точности дешифрирования методом «дерева решений», хвойные леса и водно-болотные угодья показали высокую согласованность классификации дешифрирования, и дешифрирования для низкую точность с результатами эталонного результатов автоматического лиственных лесов, деградированных земель и объектов промышленности. Производные изображения с использованием разных методов (вегетационные индексы, главный компонент, Tasseled Cap и др.) являются одним из методов автоматической обработки космических изображений. Например, в работе [30] в качестве производных изображений использованы изображения вегетационного индекса NDVI исследовании была проведена контролируемая классификация с и главных компонент, текстурных характеристик. В обучением методом максимального правдоподобия для различных комбинаций признаков изображений с целью выделения отдельных пород деревьев (берёза, липа, сосна, ель) и объединённых древесных пород в группы хвойных и лиственных насаждений, травянистой 33 растительности. Также выделены почвы, болота, водные объекты. Классы не покрытых лесом хорошо разделяются во всех вариантах классификации и достоверность их распознавания более 90%. Использование производных изображений позволяет повысить достоверность распознавания отдельных пород деревьев. Для класса «берёза» – достоверность классификации по зональному изображению была 58% , и увеличена до 74% по изображению, составленному из 4-х зональных снимков, вегетационного индекса NDVI и 2-х текстурных изображений. Отмечено, что при дешифрировании обобщенных групп хвойных и лиственных насаждений использование дополнительных производных характеристик нецелесообразно. Распознавания объектов поверхности земного покрова по спутниковым данным, как правило, используются методы обучаемой или необучаемой классификации. Но применения этих методов не всегда позволяют изменчивость в явном значений виде признаков учитывать географическую распознавания, вызванную особенностями физико-химических, морфологических и структурных свойств объектов. Поэтому в работе [10] на спектрорадиометра MODIS разработаны основе данных признаки распознавания пахотных земель (Индекс кратчайшего сезона вегетации L1/2 PVI, Индекс весеннего развития растительности MSI, Индекс сезонного снижения фитомассы NSMI, Индекс межгодовых различий динамики растительности K, Индекс межгодовой изменчивости фитомассы D, Разностный индекс сезонного пика вегетации T). При этом признаки основной группы (L1/2 PVI, MSI, NSMI) обеспечивают хорошую локальную разделимость практически в любом регионе России и, следовательно, применимы для всей территории страны. 34 Признаки распознавания вспомогательной группы (K, D, T) обладают хорошим уровнем разделимости лишь в отдельных регионах для земель с определёнными типами севооборота. В целом разработанные признаки распознавания, позволили обеспечить высокий уровень разделения участков пашни от других категорий сельскохозяйственных земель и естественной растительности. Поскольку указанная технология подразумевает картографирование пашни по данным MODIS с разрешением 250 м, в качестве входных данных в ней используются измерения только в красном и ближнем ИК-диапазонах длин волн, которые обладают указанной пространственной детальностью. На основе этих каналов вычисляется вегетационный индекс PVI и производные от него спектрально-динамические признаки. Использование разных вегетационных индексов, метода главных компонент, преобразования Tasseled Cap и других методов являются одним решением для повышения достоверности автоматизированного выделения классов растительности. Многие исследователи в своих работах, указывают на использование таких методов. Например, в работе [88] выполнено исследование по применению производных и преобразованных изображений для дешифрирования сельскохозяйственной растительности на территорию Ивнянского района Белгородской области. Авторами были проведены контролируемые классификации по правилу максимального правдоподобия для исходного изображения Landsat , вегетационных индексов, преобразованных изображений используя методов главного компонента и Tasseled Cap c выделением пяти сельскохозяйственных культур. Высокий результат классификации получен при использовании преобразованных изображений по методам главного компонента и Tasseled Cap (процент правильно распознанных полей 56,9% и 57,1% соответственно) по сравнению с исходным изображением (где процент правильно распознанных полей равнялся 44,6%). 35 Также в работе [130], проведена классификация методом искусственной нейронной сети на исходном снимке Landsat и на преобразованном снимке по методам главного компонента и Tasseled Cap с целью картографирования лесных и не лесных земель. Наилучший результат классификации достигнут при использовании преобразованного изображения Tasseled Cap (коэффициент согласованности каппа коэна = 0,743). Учитывая, что в этой работе выделялись 2 класса, то полученную точность нельзя назвать достаточно высокой. Для улучшения достоверности распознавания различных видов лесной и не лесной растительности целесообразно использование разновременных спутниковых изображений, полученных в разные вегетационные сезоны. [19, 23] В работе [68] проведено экспериментальное исследование, показывающее, что совместное космических изображений дешифрирование позволяет разновременных повысить достоверность классификации. Для исследования были использованы многозональные снимки Landsat 5. Синтезированы снимки семи каналов, полученные 29 мая, 14 июня и 17 августа. Оценка достоверности результатов автоматизированной обработки изображений проведена путём построения матриц ошибок. Исследование доказывает что дешифрирование растительного покрова с использованием временного ряда зональных снимков позволяет существенно повысить достоверность дешифрирования большинства классов объектов растительного покрова. Например для смешанных лесов вероятность P1 правильной классификации для одиночных снимках 95,76, 79.31%, 64.77% в мае, июне и августе соответственно, а по синтезированному снимку - 97.88%. В целях разработки методологий мониторинга лесов и разработки стратегий устойчивого лесопользования и защиты окружающей среды, использование систем дистанционного зондирования и географических информационных систем (ГИС) является ключевым элементом в достижении этой цели [34]. 36 В работе С.С.Барталева [11] предложены и апробированы на примере Московской области методы региональной экологической оценки лесов с использования спутниковых изображений различного пространственного разрешения. Для экологической оценки лесов по спутниковым данным использованы различные индикаторы, как отражающие степень покрытия территории лесами (Лесистость), породный состав насаждений (в частности динамика доли площади чистых хвойных насаждений) и их физиологическое состояние (содержание хлорофилла и уровнем влагообеспеченности листьев с помощью спектральных индексов как NDVI и NDWI). Результаты экспериментов с использованием спутниковых данных MODIS и LandsatETM+ показали возможность эффективной оценки ряда экологически значимых показателей состояния лесного покрова. Знание тенденций поведения спектральных кривых возрастной динамики насаждений может быть полезно в процессе дешифрирования лесов по космическим снимкам, при прогнозе восстановления нарушенного лесного покрова на значительных территориях и для других лесоводственных задач. В работе [31] представлены результаты исследования взаимосвязи между спектральными характеристиками многозонального космического снимка Landsat 5 и породно-возрастной структурой лесных экосистем на территории Приангарского плато Восточной Сибири. В исследовании использовались снимки, полученные в летний (16.06.1989) и ранневесенний (03.04.1991) периоды. наиболее существенная динамика изменений спектральной яркости отмечается в ближнем и среднем ИК-каналах. в ходе работы доказано что наиболее существенная динамика изменений спектральной яркости отмечается в ближнем и среднем ИК-каналах. Для всех групп типов леса во всех спектральных каналах с увеличением возраста сохраняется общая тенденция к снижению уровня яркости изображения. Примерно до 50- летнего возраста лесов наблюдается высокий уровень дисперсии, то есть неустойчивый характер яркости изображения, что связано 37 со стадией формирования насаждений, динамикой полноты и морфологии полога, а также конкурентной борьбой между лиственными и хвойными породами. После 50-летнего возраста лесов дисперсия значений яркости изображения несущественная, а их снижение – монотонное. Скорость снижения яркости в разных спектральных каналах различается. В NIR- и SWIR-каналах она снижается на 20% за период 80–100 лет и на 30% – за период 210–220 лет. Применения вегетационных индексных (спектральных) изображений полученных индексов задачах в используя мониторинга окружающей среды получает все большее распространение. Физиологическое состояние лесов в значительной степени определяется содержанием хлорофилла и уровнем влагообеспеченности. Непосредственное определение абсолютных значений этих показателей по данным дистанционного зондирования в настоящее время затруднено и требует дополнительных наземных наблюдений. Поэтому целесообразным является использование относительных показателей состояния лесов, получаемых на основе спектральных индексов, тесно коррелирующих с уровнем обеспеченности растений хлорофиллом и влагой. [ 2,5] Применимость индексов NDVI в количественной оценке биомассы доказана большим числом авторов [75]. В работе [2] проанализированы сезонные и многолетняя динамика значений вегетационного индекса NDVI для растительных сообществ территории заповедника «Нургуш» в период 1988–2016 гг. В результате проведённых исследований установлено, что значения индекса лиственных фитоценозов выше в летние месяцы (июнь, август), чем в осенние (октябрь), что вполне объяснимо снижением общего количества хлорофиллов в конце вегетационного периода. Выявлены низкие значения NDVI для растительных объектов при анализе снимков за 18 июля 1994 г. и 7 августа 2010 г. по сравнению со значениями индекса за другие годы съёмки. Это связано с низкой среднемесячной температурой воздуха (14,2 °С) и небольшим 38 количеством осадков в 1994 г. и относительно засушливым и жарким летом 2010 г. (средняя температура в летний период составила 24,7 °С). Выявлено влияние загрязнения от крупного промышленного комплекса на значения индекса NDVI для сосновых лесов. Установлено, что сосновые леса, расположенные на территории промышленной агломерации центра Кировской области, имеют более низкие значения индекса по сравнению с аналогичными лесными массивами, расположенными на территории государственного природного заповедника «Нургуш». Возможностям использования спутниковых данных для решения задач мониторинга и оценки земель сельскохозяйственного назначения посвящено значительное число исследований. Существует ряд работ, посвященных вопросам распознавания культур по космическим снимкам. В работе [86] Приведены результаты исследования динамики значений вегетационного индекса NDVI получаемых на основе снимков MODIS с интервалом в 16 дней, для посевов кукурузы, выращиваемой на территории Белгородской области. Исследование показало, что максимальные значения индекса для кукурузы на территории региона характерны в период конца июня-первой половины июля (25 июня - 11 июля). В эти же сроки значения индекса для кукурузы характеризуются наименьшим разбросом вокруг среднего значения на протяжении всего периода вегетационной активности. Тем не менее, анализ значений индекса, полученных на основе продуктов MOD13Q1, показал, что они не могут эффективно использоваться для детектирования посевов кукурузы по причине их близости со значениями NDVI других типов посевов. Анализ спектрально-отражательных свойств посевов кукурузы по снимкам Landsat ETM+ показал, что на территории Белгородской области в первой половине июля спектральные характеристики кукурузы максимально отличаются от спектральных характеристик других культур в ближней и 39 средней инфракрасной области спектра. К концу июля подобных различий уже не наблюдается. В работе [88] для изучения сельскохозяйственных культур на территории Ивнянского района Белгородской области классификация для исходного снимка Landsat и выполнена преобразованных изображений методом главных компонент, методом Tasseled Cap и различных индексных изображений. Сравнение результатов дешифрирования сельскохозяйственных культур показало различную достоверность. Суммарная достоверность определения культур по анализируемым изображениям составила порядка от 36 до 57 % а максимальная достоверность распознавания отдельных категорий культур достигает 87 - 100 %. В данном исследовании установлено, что преобразование снимков методом главных компонент и Tasseled Cap повышает достоверность распознавания культур. Также в работе [36] Проведено распознавание сельскохозяйственных культур на территории Смолевичского района Минской области по исходными снимками Landsat, полученным в мае, июле и августе, снимками (NDVI), и изображениям, преобразованным по методу главных компонент и Tasseled Cap. В работе, была рассчитана достоверность дешифрирования по отдельным культурам, и суммарная достоверность по всему снимку. Наименьшая достоверность распознавания сельскохозяйственных посевов соответствует индексному изображению, полученному с использованием вегетационного индекса NDVI. Достоверность составляет порядка 35-65 % в зависимости от даты съемки. По остальным изображениям суммарная достоверность распознавания составила 75 % (снимок за август) и 90 % (майский и июльский снимки). Система охраны, защиты лесов нуждается во всестороннем обновлением информации на основе последних достижений в области развития информационных технологий и новых источников данных о 40 состоянии лесных экосистем. Крайне важно оперативно получать точную оценку площади поврежденных насаждений и сведения о местонахождении участков погибших лесов для правильно принятия решений. Мониторинг лесов методам дистанционного зондирования обеспечивает оптимальное решение этих задач. В этой области исследований уже накоплен значительный объем научно-производственных трудов [63,132]. Информационная система мониторинга лесных пожаров Федерального агентства лесного хозяйства (ИСДМ-Рослесхоз) создавалась, начиная с 1995 года. В 2005 году был разработан и утвержден первый регламент работы системы, и она была введена в промышленную эксплуатацию [8]. В работе [101] создана база данных о лесных пожарах и ветровалах на территории Урала, Предуралья и Зауралья за период с 2000 по 2014 г с использованием космических снимков.Также в работе [50] создана карта ветровалов в европейской части России доступна на сайте ФБУ "Рослесозащита" с использованием космических снимков и получена предварительная оценка площади ветровалов. В работе [48] проведены исследования по оценке погрешности определения площади ветровалов в лесах Московской области, и оценке возможностей методов выявления ветровалов по космическим изображениям Landsat . в исследовании оценивали площадь ветровалов с ошибкой не более 15% по снимкам Landsat. Использование лесных пожаров вегетационных индексов для оценки последствий получило широкое распространено в работах многих авторов. Например, в работе [114] была обнаружена высокая корреляция между степенью повреждения лесов и значениями нормализованного разностного вегетационного индекса NDVI. В ряде исследований [83, 113] показана возможность использования индекса NDVI для оценки последствия пожаров. 41 Поскольку отражение в средней ИК зоне спектра определяется влагосодержанием в растениях, а в ближней ИК зоне оно практически не зависит от наличия влаги, то вегетационные индексы, основанные на измерениях отраженного излучения в этих зонах, как правило, показывают более высокую корреляцию со степенью повреждения лесов пожарами. Например, в работе [113] обнаружено, что индексы, рассчитаны на основе снимков средней ИК зоны, показывают большую корреляцию с наземной оценкой повреждений лесов пожарами, чем индексы, рассчитанные на основе красной и ближней ИК зон. Для проведения мониторинга окружающей среды в частности лесов применяются различные методы дешифрирования. Спектральные индексы являются одним из наиболее широко используемых индикаторов при мониторинге оценки лесовосстановления. В работе [12] проведён анализ динамики изменения индексов SWVI, NBR, NDVI на участках леса при воздействии на них неблагоприятных факторов (вырубка, лесной пожар) с использованием разновременные спутниковые снимки Landsat-5 TM и Landsat-8 OLI, анализ данных произведены на платформе Google Earth Engine. Данная работа подтверждает предположение, что по динамике индексов SWVI NBR, NDVI возможно выявлять повреждённые в результате лесного пожара древостои. Но у данного метода также существуют ограничения в зависимости от метеорологических условий. Распознавание типов растительного покрова на основе данных спутниковых измерений их спектрально-отражательных характеристик представляет собой одну из фундаментальных задач дистанционного зондирования. Получаемая по данным дистанционных наблюдений пространственная информация о типах растительного покрова позволяет создавать тематические цифровые карты и базы данных, необходимые, в частности, для оптимального управления 42 территориями с лесной растительностью, организации рационального природопользования, охраны окружающей среды. В 2014 году была создана карта растительности наземных экосистем Центрального федерального округа (ЦФО) с использованием летнего композита из 11,5 тыс. сцен Landsat 2006-2014 гг. пространственным разрешением 30 м путём автоматической контролируемой локальноадаптивной статистической классификации [22,37]. Разнообразие видов деревьев и их пространственное распределение на анализируемой территории – один из важнейших индикаторов при оценке ресурсного потенциала, биологического разнообразия лесов (Горнов и др., 2018 [21]. Использование разносезонных космических снимков, отражающих последовательность фенологических изменений лесов в течение всего года, позволяет значительно повысить точность тематической классификации и оценкой породного состава деревьев (Барталев и др., 2016; Гаврилюк, Ершов, 2012; Pasquarella et al., 2018; Zhu, Liu, 2014). (20,21) В работе [21] приведены результаты оценки разнообразия и пространственного распределения видов деревьев, полученные на основе разносезонных спутниковых разрешением 30 метров данных Landsat с пространственным на территории заповедника «Брянский лес». Сегментация выполнялась алгоритмом Full Lambda Schedule, классификация – методом случайных выборок лесов. По результатам тематической классификации построены карты доминантов древесного полога и числа пород в древостоях на территорию исследовании по состоянию на 2016 г. Общая точность полученных тематических продуктов по данным наземных обследований составила 89,6% (Это можно оценить, как высокую степень соответствия данных) для карты доминантов древесного полога и для карты числа пород результаты пространственного авторами более пересечения сформирована умеренные полученных комплексная 43 72,4%. тематических карта, На основе продуктов характеризующая пространственное распределение и видовое разнообразие древесных растений в лесах заповедника. Также в другой работе этих авторов [19] была построена карта растительности на региональном уровне для территории Московской области с использованием временных серий спутниковых изображений LANDSAT. Подготовлено 18 канальное безоблачное композитное изображение, состоящее из осреднённых временных периодов съёмки вегетационного сезона. Изображения формировались из снимков трёх информативных каналов (красный, ближний инфракрасный, средний инфракрасный). Классификация на проводилась неконтролируемого (ISODATA) и основе сочетания контролируемого методов (метод наименьших расстоянии). Средняя точность при сравнении полученной карты с лесоустроительными планами была 77,83%. Сезонные и многолетние временные серии коэффициентов спектральной яркости (КСЯ) и вегетационных индексов доказали свою незаменимость при разработке автоматических методов дистанционного распознавания пахотных земель. В работе [77] описывается метод и результаты автоматического распознавания используемых в текущем сезоне пахотных земель Приморского края и Московской области на основе спутниковых данных высокого пространственного разрешения. В работе был представлен набор признаков распознавания, основанных на сезонных временных сериях восстановленных измерений высокого пространственного разрешения, включающий в себя SGPI и CEMMI, а также признаки, основанные на сезонных временных сериях измерений КСЯ в красном и ближнем ИК каналах. Общая точность распознавания используемых пахотных земель Московской области составила 88,7 %, а Приморского края ― 84,4 %. 44 Развитие технологий автоматизированной обработки дистанционной информации позволяют повысить эффективность картографирования сельскохозяйственных земель. В работе [82] описана методика распознавания типов сельскохозяйственных угодий на территории Кольчугинского района Владимирской области с использованием совместной обработки разносезонных космических изображений Landsat 8 OLI. в исследовании было создано 13 зонально-временных изображений, представляющих собой комбинации разного количества (2–6) многозональных разносезонных изображений Landsat 8, и проводилась контролируемая классификация методом максимального правдоподобия. Оценка достоверности результатов классификации показала высокий результат при совместной обработке всех шести изображений, полученных в январе, марте, мае, июле, августе, сентябре (κ = 91,8 %) а для одиночных изображений точность составляет от 56 % до 68 %. Выводы по первой главе В настоящее время технологии современного дистанционного зондирования позволяют осуществлять мониторинг различных природных объектов, в том числе лесного фонда. Технологии дистанционного зондирования позволяют осуществлять регулярный мониторинг лесов, включая определение структуры насаждений, выявление крупномасштабных изменений в лесах в результате различных природных и антропогенных факторов, оценку индикаторов состояния лесной растительности. позволяет Также использование космических снимков сократить выполнение наземных экспериментальных работ и оперативно проводить крупномасштабное картографирование. Космические снимки незаменимы для решения задач мониторинга, они эффективны при изучении лесных сообществ, как свидетельствует огромное количество исследований. Есть все основания предположить, что количество научных 45 работ с использованием методов обработки ДЗЗ также будет постепенно увеличиваться. [47] В последнее время возникала потребность в расширении направлений исследований в области спутникового мониторинга лесов, и это привело к появлению и развитию методов изучения динамики лесов. Разработка инвентаризации эффективных и методик мониторинга оценки качественных состава и лесов, их количественных характеристик на основе спутниковых изображений, обеспечивающих возможность получения необходимой информации на больших территориях, является актуальной задачей. В разделе рассмотрены задачи мониторинга лесов. Задача мониторинга состоит в том, чтобы наблюдать и контролировать объекты окружающей среды (в том числе леса) и оценить изменения их состояний. дистанционного зондирования предоставляют отличную Данные возможность оперативного получения информации для анализа состояния и динамики лесов. Выполненный обзор исследований применения данных дистанционного зондирования для мониторинга природных и антропогенных образований показывает, что для эффективного применения данных необходима оптимизация следующих условий: - выбор наиболее информативных спектральных каналов используемых космических снимков; -их пространственное и временное разрешение; - минимизация влияния внешних факторов; - выбор инструментария, повышающего достоверность распознавания; На основе анализа исследований и достижений в области использования данных дистанционного зондирования для должны мониторинга быть выбраны современные методы, направленные на изучение динамики лесов с использованием многоспектральных космических снимков. Для оперативного получения информации о состоянии лесов требуется использование многоуровневой 46 системы мониторинга, основанной на интегрированных наземных и дистанционных наблюдениях с геоинформационными технологиями. В разделе космических подробно спутников приведены используемых характеристики для различных мониторинга объектов недвижимости, в том числе лесов. Анализ выполненных исследований применения разновременных или разносезонных космических снимков, полученных в различных спектральных зонах, позволяет утверждать, что повышение достоверности распознавания лесных угодий и древесных пород предполагает продолжения подобных теоретических и экспериментальных исследований. Обоснование возможности использования применения вегетационных индексов и создаваемых индексных изображений для мониторинга лесов требует оптимизации методики пространственных растительности. получения характеристиках Данная тематика диссертационной работы. 47 сведений о различных исследований качественных пород и древесной является целью ГЛАВА 2 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МОНИТОРИНГА ЛЕСОВ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ ИНДЕКСНЫХ ИЗОБРАЖЕНИЙ 2.1. Физические основы дистанционного мониторинга лесов Методы дистанционного зондирования Земли основаны на получении информации без непосредственного контакта с объектами путем регистрации отраженного солнечного излучения от определенного объекта (или излучение, посылаемое космическим аппаратом при активном методе съёмки). Излучение, проходя через атмосферу, падает на подстилающую поверхность, после чего происходит процесс отражения, поглощения и пропускания. При рассмотрении всего диапазона длин электромагнитных волн солнечного излучения (энергетического спектра) оказывается, что проявление указанных выше эффектов не одинаково для всех его участков. На некоторых длинах волн атмосфера оказывается совершенно «непрозрачной», поскольку все излучение рассеивается или поглощается ее различными компонентами. Таким образом, получение информативных космических изображений земной поверхности требует учета прозрачности атмосферы в разных зонах энергетического спектра [57,96]. На рис.2.1 показаны атмосферные окна прозрачности, которые необходимо учитывать при разработке съёмочной аппаратуры и при обработке данных съёмки из космоса. Голубым цветом показаны участки спектра, поглощаемые атмосферой, а желтым цветом показаны атмосферные окна, в которых возможно получение спутниковых снимков земной поверхности методами дистанционного зондирования. 48 Рис.2.1 Атмосферные окна прозрачности [96]. Возможность распознавания разных объектов и определения их характеристик дистанционными методами обусловлена тем, что поглощение, рассеивание, отражение и излучение электромагнитной энергии в различных зонах спектра специфичны для каждого объекта. Анализ спектральных характеристик различных объектов, структурных и текстурных особенностей изображений позволяет получить информацию для их последующего дешифрирования и интерпретации [46,67,125]. Исследование растительности дистанционными методами основывается на использовании знаний об изменениях спектральной отражательной способности природных образований (в том числе и растительности). Изучению спектральной отражательной способности растительности и других природных образований посвящен ряд трудов отечественных (Кринов, Рачкулик, Толчельников) и зарубежных учёных (Ш.М. Дейвис, Д.А. Ландгребе, Т.Л. Филлипс, Ф.X. Свейн). Отражательные свойства объектов земной поверхности описываются обычно с помощью коэффициентов спектральной яркости [64,103]. Знания значений коэффициентов спектральных яркостей важны для оценки возможности распознавания объектов на снимках по их различиям в разных зонах спектра[65]. Коэффициенты спектральной яркости объекта определяют одновременно в нескольких зонах спектра. Используя полученные данные, 49 строят кривые КСЯ (рис.2.2),оказывающие зависимость коэффициентов от длины волны излучения:[57] Рис.2.2. Графики КСЯ основных классов природных образований [41] Согласно классификации Е.Л.Кринова [49] все природные образования с их характерными спектральными характеристиками отражения можно разделить три класса. Класс I – почвы, обнажения пород, антропогенные объекты. Объекты, принадлежащие этому классу можно разделить на 4 типа: тип 1 - почвы чернозёмные и супесчаные, грунтовые дороги и т.п.; тип 2 - почвы оподзоленные суглинистые, шоссе, некоторые строения; тип 3 - пески, обнажения пустынь, горные породы; тип 4 - известняки, глина, светлые объекты. Кривые этого класса характеризуются постепенным увеличением от фиолетового к красному концу спектра. Ко II классу относятся растительный покров - включает в себя четыре типа: тип 1 - хвойные породы лесных насаждений в зимний период; тип 2 хвойные породы лесных насаждений в летний период, суходольные луга, травяные породы с недостаточно сочной растительностью; тип 3 - лесные насаждения лиственных пород в летний период, травяные покровы с густой солнечной растительностью; тип 4 - лесные насаждения в период осенней раскраски и пожелтевшие полевые культуры. Для кривых этого класса 50 характерен максимум отражательной способности в зеленой, минимум в красной и резким увеличением в инфракрасной области спектра. Ко III классу относятся водные поверхности и снежный покров, включает в себя три типа: тип 1 - снег, покрытый ледяной коркой; тип 2 свежевыпавший снег; тип 3 - водная поверхность. Для кривых водной поверхности характерно монотонное уменьшение отражательной способности от синие-зеленой к красной зоне спектра, поскольку волны с увеличением длины сильнее поглощаются водой. Снеговые поверхности обладают небольшим понижением в ближней ИК зоне. Понижение резко увеличивается при насыщение снега водой. Рис.2.3. Основные спектральные классы природных объектов по Е.Л.Кринову[3]. 2.1.1. Спектральная отражательная способность лесных насаждений Изменение спектральной насаждений обусловлено отражательной способности лесных изменениями сезона года и фазы вегетации, в результате накопления и разрушения хлорофилла и изменение содержания воды в зелёных фракций растений. [49] 51 Все спектральные кривые лесных насаждений могут быть разделены на четыре типа [79,93]. Тип 1. Отражательная способность незначительно возрастает от фиолетового к красному концу спектра, оставаясь почти без изменений на всем протяжении области ИК – спектра, сохраняя тот уровень, который был достигнут на красном участке. Это означает, что кривые данного типа соответствуют нейтрально серому фону с чуть заметным желтоватым или буроватым оттенком. Этот тип характерен для лиственных пород леса в зимний период времени. Более темные оттенки характеризуют березу и лиственницу молодых древостоев. Более светлые – характеризуют дуб молодого древостоя, далее рассматривается липа спелого древостоя и осина молодого древостоя. Наиболее светлый оттенок в этот период соответствует березе спелого древостоя [35]. Тип 2. Около длины волны 0.55 мкм наблюдается слабый максимум, что означает довольно низкий уровень отражательной способности во всей видимой области спектра. В ближней ИК области отражательная способность повышенная, но является невысокой для растительных образований. Кривые второго типа соответствуют темно-зеленому малонасыщенному фону. Типичными представителями этого типа являются хвойные породы лесов в зимний период. Самой темной является сосна спелого древостоя, коэффициент яркости которой равен даже в максимуме (0.55 мкм) лишь 0,21. Поэтому сосну относят к самым темным природным образованиям. Тип 3. Отражательная способность в видимой области спектра заметно выше, чем в предыдущем типе. Она остается в общем невысокой. Максимум в желто-зеленых лучах (0.55 мкм), обусловленный насыщенной зеленой окраской растительности, выражен значительно резче. Отражательная способность в ближней области ИК – спектра, начиная с 0.7 мкм, резко возрастает и остается высокой на всем протяжении этой области. К этому 52 типу относятся древостои лиственных пород в период вегетации с молодой листвой и хвойные породы – с молодой хвоей. По мере развития молодой листвы и хвои (фаза «полный лист») насаждения несколько темнеют, хотя ход по спектру остается более или менее одинаковым. В фазе «поздняя зелень» отражательная способность лиственных пород снова становится высокой и притом более высокой, чес в фазе «молодой лист». То есть до наступления осенней раскраски лиственные леса светлеют, а хвойные породы, наоборот, становятся более темными, приближаясь к зимнему виду. Отражательная способность лесов в ближней области ИК – спектра, начиная с 0.7 мкм, оказывается различной у разных пород. Самыми темными являются сосна и ель, более светлые – береза и осина. Тип 4. Отражательная способность остается в диапазоне 400-500 нм такой же, как и в предыдущем типе, однако возрастает в красном и ближнем ИК участках спектра. Кривые четвертого типа соответствуют оранжевокрасному фону и осенней раскраске всех лиственных лесов. [93] Рис. 2.4. Типичные спектральные кривые отражения лесных насаждений. В видимом диапазоне спектра лиственные пигменты, особенно хлорофилл, влияет на спектральные отражательные характеристики растений. В синем и красном диапазонах видимого спектра наблюдается низкий уровень отражения растительности, причина этого заключается в существовании окна поглощения, связанного с присутствием в зеленой листве хлорофилла, который поглощает 53 большую часть излучения. Относительное отсутствие поглощения на длинах волн между двумя полосами поглощения хлорофилла обусловливает максимум отражательной способности в зеленой части спектра, имеющий место приблизительно при 0,54 мкм. Относительное отсутствие поглощения света на длинах волн между полосами поглощения хлорофилла обуславливает максимум отражательной способности в зеленой части спектра приблизительно на 0,54 мкм. Когда растение находится в состоянии стресса, содержание хлорофилла в растительности снижается, а отражательная способность увеличивается, во всем видимом диапазоне спектра и, особенно, в красной его части, из-за чего растительность приобретает желтый или хлоротичный оттенок. В близкой инфракрасной части спектра наблюдается существенное увеличение отражательной способности при переходе из видимой в инфракрасную часть спектра. В этом диапазоне зеленый растительный покров характеризуется высокой отражательной способностью, высокой прозрачностью и низким поглощением. Важную роль играет также структура листвы и количеством слоев листьев [84,85]. В среднем ИК - диапазоне на длинах волн 1,4; 1.9 и 2,7 мкм отмечается значительное поглощение водой солнечной энергии, что сказывается на отражательных свойствах растительного покрова. Степень поглощения растительностью солнечной энергии на этих длинах волн зависит от содержания влаги в ее клетках. При уменьшении влаги в листьях их отражательная способность в среднем ИК диапазоне длин волн увеличивается [52, 85,93,127,129]. С возрастом растений меняется их спектральная яркость: у молодых растений она выше, нежели у растений находящихся в стадии полной зрелости. Отражательная способность растительности зависит от фитопатологических изменений. В случае болезни растения его листья слабее поглощают красные и отражают инфракрасные лучи. 54 Таким образом, на основе исследования отражательной способности растительности можно сделать несколько важных выводов 1. В видимом, ближнем и среднем инфракрасных диапазонах существуют явные различия в отражательной способности. 2. В видимой части спектра пигментации листвы играют доминирующую роль. 3. В ближнем инфракрасном диапазоне, где половина излучения пропускается, а половина отражается, структура растительности играют доминирующую роль. 4. доминирующая роль влажности растительного покрова в среднем инфракрасном диапазоне, где большая часть излучения поглощается листвой. На основе вышеизложенного дешифрирование сообществ растительности зависит от различий в спектральных свойствах растений, которые варьируются в зависимости от их состояния и стадии вегетативного развития. Как правило, объекты земной поверхности лучше распознаются на многозональных снимках, так как дешифрирование опирается на различия в спектральной яркости объекта, следовательно, знание спектральных свойств исследуемых объектов позволяет достичь более высокой достоверности результатов дешифрирования и правильного выбора снимков для различных целей [53,41]. Для лучшего распознавания породных состава лесов целесообразно использовать разносезонные снимки. Данное предложение является диссертационной работы методики основой разработанной автором использование разносезонных космических снимков для повышения достоверности дешифрирования разных породных деревьев. 55 2.2. Применения вегетационных индексов для мониторинга лесов В настоящие время существует большое количество различных способов выявления изменений по разновременным аэро- и космическим снимкам, так как они отражают развитие интересующего объекта (явления) на каждом его этапе. Эти способы могут основываться как на использовании структурных, геометрических и комплексных дешифровочных признаков, так и на спектральных признаках объектов земной поверхности. Использование серий временных спутниковых изображений позволяют проводить регулярный мониторинг площадного и качественного состояния лесов, оценки их изменений в результате воздействия различных природных и антропогенных факторов. Основываясь на комбинировании функций яркостных значений объектов на снимках, полученных в определенных спектральных каналах, можно рассчитать индексные значения каждого пикселя исследуемой области, которые необходимы для проведения анализа и оценки исследуемого объекта по его изображениям на снимке. Спектральные индексы, используемые для оценки состояния растительности, называются вегетационными индексами. Принцип расчета индексных изображений обусловлен тем, что при изучении объектов по многозональным снимкам часто важны не абсолютные значения, а характерные соотношения между значениями яркости объекта в спектральных зонах [24]. Для составления индексных изображений используются каналы видимого, инфракрасного, ближнего инфракрасного и теплового диапазонов, сочетание которых позволяет определить состояние исследуемого объекта, в том числе лесов. Вегетационные индексы основаны на отношениях значений яркости в спектральных зонах, наиболее информативных для характеристики растительности. Обычно используют характерный перепад между яркостями растительности в красной и ближней инфракрасной зонах. Чтобы понять принцип работы индексов, обратимся к двумерному пространству этих 56 спектральных признаков. В нем значения яркости растительности образуют характерную область, напоминающую треугольник (рис. 2.5). С увеличением фитомассы и сомкнутости растительности значения ее яркости растут в ближней инфракрасной зоне и падают в красной. Разные виды растительности в различном состоянии будут занимать соответствующие части треугольной области, а изменение характеристик растений при смене фенологических фаз отобразится в ней характерной траекторией — временным образом растительности. Ниже области растительности яркости участков почвы без растительности формируют на графике так называемую линию почв – гипотетическую линию, которая соответствует яркости открытых почв. Ее осредненное положение определяют, отобразив на графике значения яркости для участков различных почв со снимка и проведя через них аппроксимирующую прямую. Область в нижней части графика, ниже этой прямой, соответствует водным объектам, имеющим минимальную яркость в ближней инфракрасной зоне [24]. Рис. 2.5 Растительность, почвы и водные объекты в пространстве спектральных признаков Вегетационные индексы получают эмпирически исходя из известных особенностей отражательной способности растительности и почв[74]. В настоящее время существует около 160-ти вариантов вегетационных индексов [16,52]. Наибольшее количество 57 индексов относится к дешифрированию растительности, для выделения ее изображения от других объектов, прежде всего от почвы и водных объектов, и оценки их состояния[39]. Это подтверждается множеством эмпирических данных. В области исследований применения растительности дистанционного многие авторы зондирования для разработали индексы качественной оценки растительности (VI) для количественной и растительного покрова с использованием измерений спектрального отражения (Pearson and Miller, 1972; Rouse et al. 1974; Jackson, 1983; Huete и др., 1988; McNairn и Protz, 1993). 2.2.1 Обоснование использования вегетационных индексов Для дешифрирования лесного покрова с помощью данных дистанционного зондирования (ДЗ) основной характеристикой является спектральная отражательная способность, характеризующаяся большими различиями в отражении излучения разных длин волн. Если яркости измеряли в узких спектральных зонах, то их называют монохроматическими яркостями. Отношение монохроматических яркостей объекта 𝐵𝜆 и идеально отражающей поверхности 𝐵0𝜆 (например, поверхность мела, гипсовая пластинка), измеряемых при одинаковых условиях освещения и наблюдения, называют коэффициентом спектральной яркости 𝑟𝜆 (КСЯ) и рассчитывают по следующей формуле (2.1): 𝐵 𝑟𝜆 = 𝐵 𝜆 (2.1) 0𝜆 В общем случае, КСЯ зависят от многих факторов, например: 𝑟𝜆 = 𝑓(𝜆, ℎ0 , 𝐴, 𝜑, … ) где 𝜆 – длина волны, на которой определяют КСЯ; ℎ0 – высота солнца; 𝐴 – азимут солнца относительно структуры поверхности объекта; 𝜑 – угол отклонения направления наблюдения от отвесного направления. Число факторов, определяющих КСЯ, значительно. Для сельскохозяйственного угодья это может быть тип почвы, количество минеральных солей, гумуса в почве, её влажность, вид растительности и фаза 58 её вегетации, угнетенность, запыленность и др. Большинство факторов оказывает свое воздействие одновременно, это проявляется в большом количестве вариаций критериев отражательной способности однотипных объектов. То есть отражательные свойства природных объектов изменчивы, поэтому для минимизации фактором, вызывающих эту изменчивость, очень часто применяют расчет вегетационных индексов[56]. Вегетационные индексы вычисляют отношением значений функций яркости изображений объекта на снимках, полученных в различных спектральных зонах. Эти отношения снижают влияние природных и приборных помех на уровни регистрируемых сигналов, приходящих на сенсор съёмочной системы [77]. Использование вегетационных индексов для дистанционной оценки лесов обеспечивает существенные преимущества из-за их меньшей зависимости от изменений яркости почв, геометрических условий освещения и наблюдения, прозрачности атмосферы [6,78]. Более того, содержание хлорофилла и уровня влагообеспеченности в зеленых частях растений являются важными показателями, характеризующие физиологическое состояние лесов. Прямое установление абсолютных значений этих показателей по данным дистанционного зондирования в настоящее время сложно и требует дополнительных наземных измерений. Следовательно, для решения данной проблемы можно использовать вегетационные индексы, коррелирующиеся с уровнем обеспеченности растений хлорофиллом и влагой [7]. Основная сложность, связанная с распознаванием и оценкой лесов по космическим снимкам, спектральной яркости состоит в том, что одинаковые изменения древостоев могут быть вызваны различными причинами. Опыт аналитического и компьютерного дешифрирования космических определяющими снимков показывает, особенности что основными изображения являются факторами, не столько таксационные показатели древостоев, сколько биофизические параметры 59 ландшафтов, крутизна и экспозиция склонов, состав почвенного покрова, характеристика и влажность почв и т.п. [Любимов, 1999; Gemmel and Varjo, 1998]. Чтобы избежать подобных ситуаций предлагаются использование, индексные изображения, рассчитаны на основе вегетационных индексов. На основании вышесказанного, в диссертационной работе автором предложен метод дешифрирования космических снимков, основанный на использовании вегетационных индексов. 2.2.2 Выбор оптимальных вегетационных индексов для мониторинга лесов Вегетационные индексы (ВИ) являются арифметическими комбинациями значений уровней сигналов (или их функций) в отдельных спектральных каналах. ВИ широко применяют в научной и практической экологии для того, чтобы оценить состояния растительности и выполнить мониторинг с использованием разновременным изображением. Расчет вегетационных индексов основан на использовании уровней сигналов (или их функций) в видимой и инфракрасной областях спектра, т.к. отраженное излучение в этих зонах позволяет характеризовать общее состояние растительности, содержание в зелёной массе хлорофилла, влаги[ 25,69]. Как было отмечено выше в настоящее время существует около 160 вариантов вегетационных индексов, в таблице 2.1 представленные примеры этих индексов. 60 Таблица 2.1 Примеры расчета некоторых индексных изображений Название индекса Относительный вегетационный индекс (Ratio Vegetation Index RVI) Модифицированный относительный вегетационный индекс (Modified Simple RatioMSR) Нормализованный разностный индекс растительности (Normalized Difference Vegetation Index- NDVI) Улучшенный вегетационный индекс (Enhanced Vegetation Index -EVI) Перенормированный индекс разностной растительности (Renormalized Difference Vegetation Index RDVI) Индекс растительности широкого динамического диапазона (WideDynamic Range Vegetation IndexWDRVI) Разностный вегетационный индекс (Difference Vegetation Index , DVI) Относительный зеленый вегетационный индекс (Green Ratio Vegetation Index- GRVI) Инфракрасный вегетационный индекс (Infrared Percentage Vegetation Index, IPVI) Трансформированный вегетационный индекс (Transformed Vegetation Index TVI) Формула 𝑅𝑉𝐼 = Авторы Jordan C.F., 1969 𝑝𝑛𝑖𝑟 𝑝𝑟𝑒𝑑 Назначение оценка листового покрытия лесной растительности 𝑝 ( 𝑛𝑖𝑟 ) − 1 𝑝𝑟𝑒𝑑 𝑀𝑆𝑅 = 𝑝 (√ 𝑛𝑖𝑟 ) + 1 𝑝𝑟𝑒𝑑 Chen, J., 1996 оценка листового покрытия лесной растительности 𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 𝑁𝐷𝑉𝐼 = 𝑝𝑛𝑖𝑟 + 𝑝𝑟𝑒𝑑 Rouse B.J. и др., 1973 Оценка общего количества биомассы и ее состояние (𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 ) 𝐸𝑉𝐼 = 𝐺 ∗ [ ] (𝑝𝑛𝑖𝑟 + 𝐶1 ∗ 𝑝𝑟𝑒𝑑 − 𝐶2 ∗ 𝑝𝑏𝑙𝑢𝑒 + 𝐿) Liu and Huete ,1995 Оценка общего количества биомассы и ее состояние √𝑝𝑛𝑖𝑟 + 𝑝𝑟𝑒𝑑 Roujean, J., 1995 Оценка общего количества биомассы и ее состояние 𝑎. 𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 𝑊𝐷𝑅𝑉𝐼 = 𝑎𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 Gitelson, 2004 Оценка общего количества биомассы и ее состояние 𝐷𝑉𝐼 = 𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 Tucker, 1979 Оценка состояния растительности 𝑝𝑛𝑖𝑟 𝐺𝑅𝑉𝐼 = 𝑝𝑔𝑟𝑒𝑒𝑛 Sripada, R.,2006 Чувствителен к показателям фотосинтеза в лесных пологах, Crippen R.E., 1990 Оценка состояния растительности 𝑇𝑉𝐼 = √𝑁𝐷𝑉𝐼 + 0.5 Tucker C.J. и др., 1979 Оценка общего количества биомассы и ее состояние Перпендикулярный вегетационный индекс (Perpendicular Vegetation Index (PVI)) 𝑃𝑉𝐼 = (sin(𝑎) ∗ 𝑝𝑛𝑖𝑟 − cos(𝑎) ∗ 𝑝𝑟𝑒𝑑 ) Richards on A.J. и Wiegand C.L., 1977 Оценка состояния растительности Хлорофилльный индекс (Green Chlorophyll Index –Clgreen) 𝑝𝑛𝑖𝑟 𝐶𝐿𝑔𝑟𝑒𝑒𝑛 = −1 𝑝𝑔𝑟𝑒𝑒𝑛 Gitelson et al., (2003 Нормализованный разностный индекс влагосодержания (Normalized Difference Water Index NDWI) 𝑅𝐷𝑉𝐼 = 𝐼𝑃𝑉𝐼 = 𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 𝑝𝑛𝑖𝑟 𝑝𝑛𝑖𝑟 +𝑝𝑟𝑒𝑑 𝑁𝐷𝑊𝐼 = = 𝑁𝐷𝑉𝐼+1 2 (𝑝𝑛𝑖𝑟 − 𝑝𝑠𝑤𝑖𝑟 ) (𝑝𝑛𝑖𝑟 + 𝑝𝑠𝑤𝑖𝑟 ) 61 Gao, 1996 оценки содержания хлорофилла в листьях растений Оценка влажности в растительности Индекс влажности (Moisture Stress IndexMSI) Нормализованный пожарный индекс (Normal Burn Ratio-NBR) Почвенный вегетационный индекс (Soil Adjusted Vegetation Index, SAVI) Трансформированный почвенный вегетационный индекс (Transformed Soil Adjusted Vegetation Index , TSAVI) Почвенный зеленый вегетационный индекс (Green Soil Adjusted Vegetation Index- GSAVI) Модифицированный нелинейный индекс (Modified Non-Linear Index - MNLI) Индекс глобального мониторинга окружающей среды (Global Environmental Monitoring Index, GEMI) 𝑝𝑠𝑤𝑖𝑟 𝑝𝑛𝑖𝑟 Hunt Jr., 1989 Оценка влажности в растительности Keyand Benson,2 005 Показатель лесной пожара Huete A.R., 1988 Минимизация влияния яркости почвы Baret F. и др., 1989 Минимизация влияния яркости почвы Sripada, R.,2005 Минимизация влияния яркости почвы Yang, Z., P. Willis, and R. Mueller., 2008 Минимизация влияния яркости почвы Pinty B. и Verstraet e M.M., 1991 Индексы, устойчивые к влиянию атмосферы 𝑝𝑛𝑖𝑟 − 𝑅𝑏 𝐴𝑅𝑉𝐼 = [ ] 𝑝𝑛𝑖𝑟 + 𝑅𝑏 𝑅𝑏 = 𝑝𝑟𝑒𝑑 − 𝑎. (𝑝𝑟𝑒𝑑 − 𝑝𝑏𝑙𝑢𝑒 ) Kaufman , Y.J., Tanre, D., 1992 Индексы, устойчивые к влиянию атмосферы 𝑝𝑔𝑟𝑒𝑒𝑛 − 𝑝𝑟𝑒𝑑 𝑉𝐴𝑅𝐼 = 𝑝𝑔𝑟𝑒𝑒𝑛 + 𝑝𝑟𝑒𝑑 − 𝑝𝑏𝑙𝑢𝑒 Gitelson, A.,2002 Индексы, устойчивые к влиянию атмосферы 𝑀𝑆𝐼 = 𝑁𝐷𝑊𝐼 = 𝑆𝐴𝑉𝐼 = [ (𝑝𝑛𝑖𝑟 − 𝑝𝑙𝑠𝑤𝑖𝑟 ) (𝑝𝑛𝑖𝑟 + 𝑝𝑙𝑠𝑤𝑖𝑟 ) (𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 + 𝐿) ] ∗ (𝐿 + 1) (𝑝𝑛𝑖𝑟 + 𝑝𝑟𝑒𝑑 ) 𝑠 ∗ (𝑝𝑛𝑖𝑟 − 𝑠 ∗ 𝑝𝑟𝑒𝑑 − 𝑎) 𝑇𝑆𝐴𝑉 = [ ] 𝑎 ∗ 𝑝𝑛𝑖𝑟 + 𝑝𝑟𝑒𝑑 − 𝑎 ∗ 𝑠 + 𝑥 ∗ (1 + 𝑠 2 ) 𝐺𝑆𝐴𝑉𝐼 = 1.5 ∗ (𝑝𝑛𝑖𝑟 − 𝑝𝑔𝑟𝑒𝑒𝑛 ) (𝑝𝑛𝑖𝑟 +𝑝𝑔𝑟𝑒𝑒𝑛 + 0.5) 2 (𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 ) ∗ (1 + 𝐿) 𝑀𝑁𝐿𝐼 = 2 𝑝𝑛𝑖𝑟 + 𝑝𝑟𝑒𝑑 + 𝐿 𝑝𝑟𝑒𝑑 − 0.125 ) 1 − 𝑝𝑟𝑒𝑝𝑑 2 2 ) 2(𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 + 1.5. 𝑝𝑛𝑖𝑟 + 0.5. 𝑝𝑟𝑒𝑑 𝐸=[ ] 𝑝𝑛𝑖𝑟 + 𝑝𝑟𝑒𝑑 + 0.5 𝐺𝐸𝑀𝐼 = 𝐸 ∗ (1 − 0.25 ∗ 𝐸) − ( Вегетационный индекс, устойчивый к влиянию атмосферы (Atmospherically Resistant Vegetation Index, ARVI) Видимый Атмосферостойкий Индекс (Visible Atmospherically Resistant Index-VARI) Принимая во внимание спектрально-отражательную способность лесных насаждений, для оценки их состояния в диссертационной работе были выбраны наиболее информативные спектральные зоны - красная и ближняя инфракрасная зона. Для данных спектральных зон был произведен выбор вегетационных индексов, необходимых для решения поставленной задачи - мониторинга лесов. 62 NDVI (Normalized Difference Vegetation Index- нормализованный разностный индекс растительности) является одним из самых распространенных ВИ, широко используется в задачах дистанционного мониторинга растительности. Преимущество использования этого индекса заключается в наличии измерений КСЯ в каждом из каналов в числителе и знаменателе, что позволяет значительно снизить влияние атмосферы и геометрии наблюдений и проводить более корректное сравнение измерений, сделанных в разное время [7]. Данный индекс применяется для определения фотосинтетической активности выделенной зоны. Ниже приведена формула расчета индекса NDVI для спутниковых снимков разных сенсоров (формула 2.2) 𝑁𝐷𝑉𝐼 = 𝑝𝑛𝑖𝑟 − 𝑝𝑟𝑒𝑑 𝑝𝑛𝑖𝑟 + 𝑝𝑟𝑒𝑑 (2.2) где 𝑝𝑛𝑖𝑟 – функция яркости в ближней инфракрасной области спектра; 𝑝𝑟𝑒𝑑 – функция яркости в красной области спектра. Впервые ВИ был описан B. J. Rouse в 1973 году. Значения индекса NDVI меняются в пределах от –1 до 1. Для растительности отражение в красной зоне спектра всегда меньше, чем в ближней инфракрасной, за счет поглощения солнечной радиации хлорофиллом, поэтому значения NDVI для растительности не могут быть меньше 0. Облачность, снежный покров и водные объекты, облачность и снежный покров имеют большую отражающую способность в видимом диапазоне, чем в ближнем ИК поэтому они имеют отрицательные значения NDVI. Рассчитать NDVI можно по снимкам, полученных в красном и ближнем инфракрасном каналах. Расчёт NDVI базируется на двух наиболее стабильных участках кривой спектральной отражательной способности растений. На красную зону спектра (0,62 – 0,75 мкм) приходится максимум поглощения солнечной радиации хлорофиллом, а на ближнюю инфракрасную зону (0,75 – 1,3 мкм) – 63 максимальное отражение энергии клеточной структурой листа. То есть, высокая фотосинтетическая активность (связанная, как правило, с большой фитомассой растительности) ведет к более низким значениям коэффициентов отражения в красной зоне спектра и большим значениям в ближней инфракрасной. Когда растения находятся в состоянии стресса, содержание хлорофилла в растительности снижается и отражательная способность увеличивается, особенно, в красной области спектра, и это приводит к уменьшению значения NDVI. Отношение этих показателей друг к другу позволяет четко отделять растительность от прочих природных объектов и оценить их состояния [69,104]. При использовании этой нормализованной разности между минимумом и максимумом отражений достоверность классификации увеличивается, и влияние мешающих факторов, таких как различия, в освещенности снимков, облачности, дымки, поглощение радиации атмосферой и т.п. уменьшаются [89,99]. Главным преимуществом использования индекса NDVI является его простота вычисления и особенность использования индекса для обработки снимков высокого, среднего или низкого разрешения при условии наличия спектральных каналов в красном и инфракрасном диапазоне. А главные недостатки использования индекса NDVI- невозможность использования данных, не прошедших этап радиометрической коррекции (калибровки); погрешности, вносимые погодными условиями, сильной облачностью и дымкой, а также сходства их значений NDVI со значениями NDVI искомых изменений (вырубок, выгоревших участков, участков жизнедеятельности вредителей леса), что увеличивает время выявления изменений, произошедших в результате влияния неблагоприятных факторов. Кроме этого, необходимо сравнение полученных результатов с предварительно собранными данными тестовых участков, в которых должны учитываться сезонные эколого-климатические показатели, как самого снимка, так и тестовых площадок на момент сбора данных [100]. 64 Индекс NDVI используется для оценки и прогнозирования урожайности и продуктивности, биологического разнообразия, степени нарушенности и ущерба от различных естественных и антропогенных бедствий, аварий и т.д.. Кроме того, карты NDVI часто используются как один из промежуточных дополнительных слоев для проведения более сложных типов анализа, результатами которых являются карты продуктивности лесов и сельскохозяйственных земель, карты типов ландшафтов, растительности и природных зон, почвенные, аридные, фитогидрологические и другие эколого-климатические карты [95]. Опыт исследования [14] выявления связи между величинами вегетационных индексов и природно-территориальными комплексами на участке Северо-Восточного вегетационные индексы Кавказа являются позволил довольно сделать вывод, информативными что для дифференциации растительного покрова при выделении ландшафтов. Наиболее универсальным индексом является NDVI, который позволяет разграничивать разные физиономические типы растительности. В работе [133] проведено исследование для мониторинга состояния лесов в зонах воздействия промышленных предприятий в республике Марий Эл., по данным спектрометра MERIS. В исследовании использованы разные вегетационные индексы (нормализованный разностный вегетационный индекс NDVI, хлорофилльный индекс MTCI (MERIS Terrestrial Chlorophyll Index), индекс красной границы поглощения солнечной радиации (REP – rededge position). В результате исследования были получены тематические карты пространственно-временного распределения значений индексов. В целом полученные результаты свидетельствуют о незначительном влиянии выбросов промышленных предприятий на лесные насаждения в Республике Марий Эл. В большей степени на динамику MTCI ,NDVI и REP оказывают лесные пожары и засухи, которые значительно снижают хлорофилльный индекс и могут привести к дальнейшему усыханию и гибели 65 насаждений. В исследовании показана приемлемость использования индексов MTCI, REP и NDVI для оценки состояния лесов. Основным ограничением применения индекса NDVI является то, что он достаточно точен для достаточно плотных насаждений. Но его не стоит применять, если растительный покров меньше 30 %. [89] На основе NDVI разработан индекс нового поколения EVI (Enhanced Vegetation Index – улучшенный вегетационный индекс), который позволяет получить больше градаций биомассы, и имеет преимущества для мониторинга растительности, поскольку влияние почвы и атмосферы в значениях EVI минимизировано. Индекс введен Liu и Huete , в1995 году, он вычисляется по формуле (2.3): 𝐸𝑉𝐼 = 𝐺 ∗ [(𝑝 (𝑝𝑛𝑖𝑟 −𝑝𝑟𝑒𝑑 ) 𝑛𝑖𝑟 +𝐶1 ∗𝑝𝑟𝑒𝑑 −𝐶2 ∗𝑝𝑏𝑙𝑢𝑒 +𝐿) ] (2.3) Где L - поправочный коэффициент, учитывающий влияние почвы; С1 , С2 - коэффициенты, контролирующие вклад голубой зоны в коррекцию красной за рассеяние атмосферными аэрозолями. Параметры определяются индивидуально в зависимости от источника данных. В случае данных Landsat 𝐺 = 2,5 , L = 1, С1 = 6 , С2 = 7,5.[90] В работе Э.А. Терехин [87] проведено исследование сезонного изменения спектральных индексов NDVI и EVI сельскохозяйственных культур, выращиваемых на территории Белгородской области. Значения спектральных индексов получены на основе продуктов MOD13Q1, были исследованы для 14 временных срезов, охватывающих период вегетационного развития большинства сельскохозяйственных культур - с 22 марта по 16 октября 2011 года. Индекса EVI дает во многом аналогичный результат, к результату полученный с использованием индекса NDVI. Исследование показало, что совместное использование индексов NDVI и 66 EVI позволило отслеживать изменения сельскохозяйственной растительности в спектре отражения на протяжении вегетационного периода, и повышать достоверность дешифрирования сельскохозяйственных культур. Отмечено, что почвенный фон сильно влияет на вегетационные индексы. Если фон яркий, значение индекса будет меньше, если темный, индекс будет больше. Все вегетационные индексы подразумевают, что существует почвенная линия, которая имеет один наклон в пространстве RED–NIR. Однако почвы сильно различаются по своему составу и экспозиции на одном и том же изображении. Таким же образом понятие об изовегетационных линиях (параллельных или пересекающихся в точке 0) является не совсем верным, поскольку изменения влажности почвы, которые идут вдоль изовегетационных линий, будут вносить ошибки в определение значения индекса. Проблема почвенного шума – увеличение влияния почвы на отраженный сигнал от посевов наиболее актуальна для тех территорий, где растительность разрежена. Группа индексов, устойчивых к влиянию почвы, предназначена для уменьшения почвенного шума путем изменения характера поведения изовегетационных линий. Данные индексы являются относительными, и способ, которым пытаются уменьшить почвенный шум – это сдвиг точки, где пересекаются изовегетационные линии (рис. 2.6). Эти индексы уменьшают динамического почвенный диапазона. Они шум посредством уменьшения менее чувствительны к их изменению растительного покрова, чем индекса NDVI, но более чувствительны, чем индекса PVI (Perpendicular Vegetation Index). [25,89] Почвенный вегетационный индекс SAVI (Soil Adjusted vegetation index) введен Huete в 1988 году и вычисляется по формуле ( 2,4): (𝑝 𝑆𝐴𝑉𝐼 = [ (𝑝𝑛𝑖𝑟 −𝑝𝑟𝑒𝑑 +𝐿) 𝑛𝑖𝑟 +𝑝𝑟𝑒𝑑 ) ] ∗ (𝐿 + 1) ( 2,4) 67 где L +1 – множительный фактор, приводящий к тому, что значения варьируют от -1 до 1, введен для того, чтобы свести этот индекс к виду NDVI при L, стремящемся к 0. L варьируют от -1 для очень плотных растительных покровов, до 1 для очень разреженных покровов, и для промежуточных плотностей растительного покрова используется значение 0,5. Параметры индекса 𝑆𝐴𝑉𝐼: • Относительный индекс; • Изовегетационные линии сходятся в квадранте отрицательных значений Red и NIR; • Почвенная линия имеет наклон 1 и проходит через точку «0»; • Возможные значения: –1,1. Рис. 2.6 Сопоставление изолиний вегетационных индексов с изолиниями LAI, рассчитанными на основе уравнения переноса. [7] Данный индекс использован в наших исследованиях, при мониторинге лесов особенно в сезоне дефолиации для минимизации влияния почвы. Наиболее информативными спектральными показателями для изучения характеристик лесных насаждений 68 являются ближний и средний инфракрасные каналы. Где отражение растительного покрова в ближнем инфракрасном канале тесно связано с его зеленой фитомассой, а отражение растительного покрова в среднем инфракрасном канале связно с влагой в листьях Для того чтобы количественно оценить состояние растительности, можно применять так называемый нормализованный разностный индекс влагосодержания NDWI – (Normalized Difference Water Index) данный индекс чувствителен к изменению содержания воды в листьях, впервые был описан (Gao, 1996). 𝑁𝐷𝑊𝐼 = (𝑝𝑛𝑖𝑟 − 𝑝𝑠𝑤𝑖𝑟 )/(𝑝𝑛𝑖𝑟 + 𝑝𝑠𝑤𝑖𝑟 ) (2.5) где 𝑝𝑛𝑖𝑟 , 𝑝𝑠𝑤𝑖𝑟 соответственно значения функций отраженных сигналов от подстилающей поверхности, в ближнем и среднем ИК каналах. Средняя ИК зона спектра отражает изменения влагосодержания растения, а также изменения структуры полога насаждения и структуры листьев, в то время как отражение в ближнем ИК зоне спектра зависит от внутренней структуры листа и не зависит от насыщенности его влагой. Таким образом, совместное использование данных измерений в этих двух областях спектра повышает точность оценки влагосодержания растения, компенсируя влияние, оказываемое структурой листа. В работе [17] применена методика, предполагающая совместное использование индексов NDVI и NDWI, цифровой модели рельефа на основе SRTM, данных лесоустройства и материалов экспедиционных исследований для картографирования растительности Верхнеангарской котловины. В данной диссертационной работе с целью дешифрирования одного типа объектов или его характеристики создаются индексные изображения, в которых яркость каждого пиксела определяют на основе разных индексов. 69 Индексные изображения, как отмечено ранее, получают путем простых преобразований снимков на основе арифметических операций со значениями яркости в различных спектральных зонах (их сложения, вычитания, деления, умножения), на основе расчёта вегетационных индексов (ВИ). Рассчитав по мультиспектральным космическим снимкам выбранные вегетационные индексы, получен ряд разновременных индексированных изображений исследуемой территории на определенный временной интервал. Последовательность процедуры создания индексных изображений заключается в следующем: - для каждого пикселя вычисляют соответствующее значение определённого вегетационного индекса; - составляют шкалу градации индексов; -каждому пикселю в соответствии с градацией присваивают цветовой код; - пиксели одного цветового кода формируют контуры определённых типов объектов или их различных состояний; - сформированное индексное изображение позволяет выделить исследуемый объект и оценить его состояние. Достоверность использования индексных изображений, создаваемых с помощью названных вегетационных индексов для определения метрических свойств и качественного состояния объектов, требует экспериментального подтверждения. 70 2.3 Предварительная обработка изображений Перед использованием исходных космических снимков с целью мониторинга лесов необходимо выполнить предварительную фотометрическую обработку . Снимки, первоначально получаемые со спутников, записаны в виде так называемых «сырых значений» яркости DN (Digital Number). Эти числа не имеют физический смысл, связанные со значениями коэффициентов спектральной яркости параметрами, индивидуальными для различных датчиков [42,84,102,107]. Радиометрическая калибровка позволяет перевести эти значения в спектральные плотности энергетической яркости (пришедшие на сенсор спутника). Это выполняется в 2 этапа: 1. перевод величины DN в спектральные плотности энергетической яркости по следующей формуле (2.6) 𝐿𝜆 = 𝐿𝑀𝐴𝑋𝜆 −𝐿𝑀𝐼𝑁𝜆 𝑄𝑐𝑎𝑙𝑀𝐴𝑋 −𝑄𝑐𝑎𝑙𝑀𝐼𝑁 ∗ (𝑄𝑐𝑎𝑙 − 𝑄𝑐𝑎𝑙𝑀𝐼𝑁 ) + 𝐿𝑀𝐼𝑁𝜆 (2.6 где 𝐿𝜆 – спектральная плотность энергетической яркости (пришедшая на сенсор спутника), 𝐿𝑀𝐼𝑁 - количество излучения, которое после масштабирования задается как 𝑄𝑐𝑎𝑙𝑀𝐼𝑁 . 𝐿𝑀𝐴𝑋 - количество излучения, которое после масштабирования задается как 𝑄𝑐𝑎𝑙𝑀𝐴𝑋 . 𝑄𝑐𝑎𝑙𝑀𝐼𝑁 – минимальное заданное значение DN (0 или 1), 𝑄𝑐𝑎𝑙𝑀𝐴𝑋 - максимальное заданное значение DN (255), 𝑄𝑐𝑎𝑙 – значение яркости (DN). 71 2. Перевод спектральной плотности энергетической яркости в коэффициенты отражения по формуле (2.7) 𝑝𝜆 = 𝜋𝐿𝜆 𝑑 2 𝐸𝑆𝑈𝑁𝜆 cos 𝜃𝑠 (2.7) где 𝑑 – расстояние от Земли до Солнца в астрономических единицах, 𝐸𝑆𝑈𝑁𝜆 – среднее значение солнечной освещенности, cos 𝜃𝑠 – зенитный угол солнца в градусах. Параметры, которые нужно подставить в уравнение обычно распространяются с данными Landsat, в метафайлах и в технических описаниях спутниковых данных. После проведения калибровки первичных изображений следует и этап радиометрической совмещения коррекции разновременных изображений. Совмещение разновременных спутниковых изображений предполагает их преобразование в одну из стандартных картографических проекций фотограмметрическим методом с учётом геометрической коррекции исходных изображений. Методика сопоставления разновременных материалов и надежность полученных результатов зависят от типа исходных данных. Сопоставлять можно разновременные снимки (результаты их преобразований), карты, составленные по разновременным съемочным данным, архивные карты и снимки. Каждый материал имеет свою специфику подготовки, но общим и обязательным остается геометрическое преобразование, то есть присвоение пространственных координат и трансформирование. Что касается разновременных снимков, то их геометрическое преобразование заключается в приведении снимков к единой системе координат, одинаковому размеру пиксела и изображения в целом. Как 72 правило, космические снимки поставляются уже в координатах, вычисленных по орбитальным данным, но точность привязки у разных поставщиков разная. Например, снимки Landsat, используюемые в нашей работе, уже прошли предварительный уровень обработки 1T. т.е. они имеют высокое качество привязки в системе WGS-84, выполненной на основе большого количества опорных точек. Качество геометрических преобразований зависит в основном от свойств самих снимков (наклона оси съемки, стабильности положения спутника на орбите и т.п.) и от особенностей территории (особенно рельефа). Для геометрического преобразования изображений горной местности необходимо исключение искажений, вызванных рельефом. Снимки же равнинной местности совмещаются без дополнительных усилий. Совместное применение архивных карт и космических снимков для выявления многолетней динамики имеет свою особенность, заключающуюся в необходимости согласования систем координат. Также при выборе картографических источников особое значение имеет точность планового положения объектов, так как она в большей степени определяет достоверность результатов сравнения. Геометрическое преобразование архивных карт с современными материалами выполняется только по опорным точкам. В качестве опорных точек выбирают надежно идентифицируемые на снимках и картах точки местности (углы зданий, перекрестки или резкие изгибы дорог и т.п.). Обычно из-за различий в масштабах, способах съемки и степени генерализации поиск идентичных точек на архивных картах является довольно трудоемким процессом. Как отмечено ранее, при синтезировании снимков необходимо выполнить радиометрическую коррекцию. Первый случай выполнения радиометрической коррекции – учет различной освещенности. В момент съёмок освещенность может меняться из-за чего объекты, отображаемые на разновременных снимках, могут иметь различный уровень сигнала. В этом случае достаточно преобразование методом гистограмм. Второй случай 73 радиометрической коррекции – исключение влияния атмосферы. Теоретически значения яркости самых темных объектов на снимке (например, плотная тень от облаков) должна равняться нулю. Если это не так (из-за дымки, облаков), то осредненное значение яркости этих объектовэталонов вычитается из значений яркости всех пикселов данного снимка. Для решения географических задач, связанных с изменением границ, этого достаточно. Однако для получения точных количественных данных выполняют более строгую коррекцию, заключающуюся в переходе от значений яркости на снимке к энергетической яркости. 2.4 Роль атмосферы при проведении аэро- и космических съемок Как уже было отмечено ранее, все виды излучения (солнечное или от искусственного источника, отраженное или собственное), прежде чем попасть на сенсор съёмочной системы, проходят слой атмосферы. При этом ослабляется общий уровень излучения, происходит рефракция лучей, изменение их спектрального состава и т.п. То есть земная атмосфера для аэрокосмических методов имеет значение как важнейший источник помех и искажений при изучении земной поверхности. Атмосфера представляет собой смесь газов, со взвешенными в ней мельчайшими твердыми и жидкими частицами – от тонкого аэрозоля до плотных облаков со всеми промежуточными стадиями. Основная масса атмосферы сосредоточена в слое ниже 50 км (более точно в приземных слоях до 10 км), поэтому этот слой оказывает большое влияние на прохождение электромагнитной энергии оптического диапазона. Также это влияние обусловлено распределением давления, температуры, аэрозолей, озона и других составляющих. Рассмотрим основные оптические свойства атмосферы, оказывающие влияние на регистрируемое излучение: 74 Влияние облачности. При планировании аэрокосмических съемок необходимо учитывать пространственно-временные особенности появления облачности в течение суток и года на небосводе, т.к. даже маломощные облака блокируют все оптическое излучение. Недаром облачность называют ахиллесовой пятой космического зондирования в оптическом диапазоне [40]. Только радиоволны длиной свыше 2 см беспрепятственно проходят сквозь облачный покров. Атмосферная рефракция – искривление световых лучей, связанное с изменением коэффициента преломления в разных слоях атмосферы из-за уменьшения плотности воздуха с увеличением высоты. Рефракция атмосферы происходит в горизонтальной и вертикальной плоскости (Рис.2.6). Горизонтальная рефракция значительно меньше вертикальной и её не учитывают. измеряется в Вертикальная рефракция (или минутах должна учитываться и фотограмметрическая) при фотограмметрических измерениях. Рис.2.6 График вертикальной рефракции атмосферы 75 точных Ослабление излучения в атмосфере, которое происходит вследствие рассеяния и поглощения излучения, подчиняющееся экспоненциальному закону Бугера-Ламберта. Рассеяние излучения пропорционально толщине слоя атмосферы, что учитывают при расчетах интенсивности рассеяния. Интенсивность зависит от угла между направлением падающего и отраженного потока. Поэтому положение естественного или искусственного источника облучения относительно объекта съемки, а также направление излучения, учитывают при съемках [40]. Кроме этого рассеяние излучения частицами и аэрозолями, размер которых значительно меньше длины волны λ, обуславливает возникновение атмосферной (воздушной) дымки, снижающей контраст изображения (в 3 – 5 раз). Яркость её зависит от направления визирования, состояния атмосферы, высоты Солнца. Значительная дымка отмечается в промышленных районах, а также лесных. При этом летом задымленность атмосферы больше, чем зимой и возрастает она, как правило, к вечеру. Для уменьшения влияние дымки применяют светофильтры. При прохождении электромагнитного излучения сквозь атмосферу происходит изменение его спектра из-за избирательного поглощения атмосферными компонентами (водяной пар, озон, углекислый газ, метан), лучей некоторых спектральных зон. Экспериментально выявлены четко очерченные, но разные по ширине и глубине полосы поглощения (Рис.2.7). С учетом этого существуют «окна прозрачности» – спектральные интервалы, в которых атмосфера прозрачна для прохождения лучей (Рис.2.8). 76 Рис.2.7 Поглощательная способность отдельных компонентов атмосферы Рис.2.8 Прозрачность атмосферы для оптических и радиоволн Влияние атмосферы на оптические характеристики объектов. Регистрирующие прибор фиксирует суммарное излучение, которое складывается из излучения самого объекта, преобразованного атмосферным слоем, и излучения этого слоя. Таким образом, оптические характеристики объектов, полученные в их близи, отличаются от характеристик определенных через толщу атмосферы. По мере отклонения направления визирования от отвесного положения искажающее влияние атмосферы растет. Эксперименты по космическому спектрометрированию, которые сопровождались синхронными самолетными и наземными измерениями, показали, что атмосфера, увеличивая общую яркость объектов, искажает их 77 спектральную отражательную способность. В сине-зеленой части спектра отмечено существенное увеличение коэффициентов спектральной яркости, определенных из космоса. Это увеличение постепенно уменьшается к длинноволновой части видимого спектра, где оно становится относительно небольшим. Кривая спектральной яркости объектов класса «горные породы и почвы» более полога; повышение в красной зоне спектра уменьшено. Отражательная способность вегетирующей растительности не имеет такого характерного «зеленого» максимума в зоне 0,55 мкм, как при наземных измерениях, из-за относительного увеличения яркости в голубой части спектра. У водных объектов при общем увеличении яркости атмосфера не искажает характера спектральной отражательной способности. Яркость снежного покрова и облачности в целом понижается [40]. Таким образом, можно сделать вывод, что суммарное влияние атмосферы при производстве аэро- и космических съёмок требует учета. Поэтом при организации и проведении съемок необходимо стараться уменьшить влияние оптики атмосферы, используя её теоретические модели, для повышения метрического и изобразительного качества снимков. В то же время нужно помнить, что атмосфера очень неоднородна и изменчива, поэтому на 100 % учесть её влияние практически невозможно. 2.5. Анализ результатов выявленных изменений природных объектов Результаты совмещения разновременных данных могут характеризовать как количественные, так и качественные изменения объектов, которые обычно представляют в виде таблиц, карт и т.п. В любом случае выявленные расхождения подвергаются дополнительному анализу, целью которого является разделение изменений, реально происшедших на местности, и разного рода погрешностей, которые могут вызывать так называемые псевдоизменения. использовании ГИС Такой технологий, т.к. 78 анализ при особенно компьютерной важен при обработке сопоставление и векторизация контуров изменившихся объектов выполняется формально, в связи, с чем на синтезированном материале и возникают эти псевдоизменения. Их появлению, как правило, способствуют две очевидные погрешности: 1. Погрешность сопоставления снимков, зафиксировавших разные сезонные (качественные) состояния ландшафта; 2. Погрешность в положении границ объектов дешифрирования на разновременных изображениях. Так, к существенным ошибкам, например, при изучении речной сети может привести сопоставление снимков, сделанных в паводок и межень, а при определении границ оледенения — снимков с изображением сезонного снежного покрова [55]. В случае сопоставления растровых изображений псевдоизменения возникают как следствие неоднозначности геометрических преобразований. Идеальное наложение пикселов по всей сопоставляемой площади снимков обеспечить невозможно. Погрешность совмещения минимальна при идеальном случае получения снимков. При сопоставлении изображений в векторном формате кроме погрешностей геометрических преобразований исходных материалов возникают погрешности цифрования. Ярким примером являются лесные массивы, для которых четкие границы нетипичны, им больше свойственны плавные переходы. 2.6. Исследование погрешностей совмещения разновременных изображений при мониторинге изменений линейных и площадных объектов В настоящее время метод автоматического сравнения базируется на применении технологий совмещения различных исходных материалов, представленных в цифровом виде. В практике используют следующие варианты совмещений разновременной информации. 79 Первый вариант – трансформирование изображения нового снимка в базовый снимок. Существуют разновидности данного варианта: - совмещение изображений площадных объектов. При этом для увеличения геометрической точности совмещения двух изображений используют центральные части снимков, размер площади которых рассчитывают с учётом смещений точек изображения, вызванных углом наклона каждого снимка, их взаимным положением и рельефом; - совмещение элементов цифровых изображений - попикселное совмещение. При этом используются различные алгоритмы геометрического совмещения изображений, классифицируемые на площадные и контурные [15, 106, 125]. Выбор оптимального алгоритма зависит от параметров съёмочной системы, условий съёмки и требований к допустимой точности совмещения изображений. Алгоритмы площадного совмещения просты в реализации, устойчивы к шумам изображений, при этом достигается субпикселная точность совмещения. Методы, заложенные в алгоритмах попиксельных (контурных) совмещений, надёжны при сложении материалов аэро - и космической съёмки, имеющих существенные взаимные геометрические искажения. Второй вариант – совмещение картографического материала. старого и нового планово- Предельное несовмещение определяется точностью отображения объектов на планах. Третий вариант - совмещение старого плана с дешифрированным изображением нового снимка. При этом результаты дешифрирования должны быть представлены информационным слоем в векторной форме. Совмещение производится способом фотограмметрической вставки, при котором в качестве опорных точек для трансформирования используют идентичные точки на снимке и плане. Величина несовмещения на синтезированном материале зависит от точности информации, представленной на исходных материалах. 80 геометрической При автоматической обработке изображений в целях мониторинга земель изменения могут быть классифицированы следующим образом: - выявление вновь появившихся или исчезнувших антропогенных и природных объектов на территории изучения; - определение качественных изменений объекта в его существующих границах; - определение геометрических (линейных и площадных) изменений объекта; - изменение положения объекта в геодезическом пространстве. Два последних пункта фактически связаны с выявлением изменений координат поворотных пунктов границ существующих объектов. Особенностью выявления изменений при мониторинге земель является правовое подтверждение базовой и новой информации об объектах. Это означает, что информация на сравниваемых исходных и последующих материалах должна быть утверждена на этапе согласования границ с местной администрацией. Утверждению подлежат сведения, полученные в результате полевого обследования и камерального дешифрирования. Процедура сравнения разновременной информации в компьютерных программах реализуется чаще всего в следующей последовательности. Исходному (базовому) изображению, материалу представленным в присваиваются разные цветовые и новому растровой или трансформируемому векторной форме, коды. Программными средствами осуществляется синтезирование двух изображений и представление на мониторе суммарной информации. По цвету изображённых объектов на синтезированном материале определяют вновь появившиеся или исчезнувшие объекты, изменения границ существующих объектов, а также изменения их качественных характеристик. Несовпадение границ выражается шириной цветной полосы. Цвет полосы указывает на динамику изменений границ объекта. 81 Достоверность выявления изменений главным образом будет определяться точностью нанесения границ при дешифрировании [18] и точностью трансформирования аэро- и космических изображений. При камеральном дешифрировании снимков на мониторе и переносе результатов полевого обследования осуществляется векторизация изображений. Объекты, подлежащие дешифрированию, подразделяют по характеру локализации. представления Под положения этим объекта термином в понимают координатном способ пространстве в зависимости от его размеров, формы и требований картографической генерализации. Выделяют точечные, линейные и площадные объекты. Точечный объект – его положение описывается координатами одной точки; при необходимости указания его пространственной ориентации применяют пару точек. Линейный объект – вытянутый по форме объект, положение и форму которого описывают координатами точек его осевой линии. Линейными принято считать объекты (или их детали), длина которых не менее чем в 7 раз больше ширины [80]. Площадной объект – объект, положение и форму которого представляют набором координат поворотных точек его границы. При совмещении базовых и новых материалов можно выделить три варианта изменений: - смещение объекта - изменение пространственного положения объекта без изменения его площади и формы; - изменение границ объекта без изменения площади; - изменение площади объекта. Для оценки изменения положения объектов используют погрешность положения точки в геодезическом пространстве mx,y. Погрешность mx,y зависит от точности измерения координат точек на снимке. На точность их определения оказывают влияние многие факторы, в том числе контраст измеряемого объекта (точки) и минимальный размер элемента изображения. 82 Аналитическая связь разрешения на снимке ρс с размером детали изображения, её формой и контрастом изучалась многими учёными [43, 44,71, 72, 80, 98]. Для аналоговых (фотографических) изображений минимальный размер элемента определяется его разрешением (ρс), а в телевизионных, сканерных, цифровых – размером пикселя. Зависимость между mx,y и разрешением снимка ρ на местности выражается [80] формулой (2.8) , (2.8) где Кρ – эмпирический коэффициент, принимаемый равным 0,5-1,0. Отличие координат поворотных точек, изображённых на двух совмещаемых материалах, приводит к появлению некоторой полосы на границе изображений одноимённых контуров. Её ширина (a) может быть определена по формуле , (2.9) где m'x,y – погрешность координат точек на исходном материале; m''x ,y - погрешность координат точек на новом материале. Ширина данной полосы обусловлена техническими погрешностями метода, и её можно считать допустимой. С учётом формулы (2.9) ширина полосы (а) будет определена: - для случая совмещения изображений с равными размерами пикселей (2.10) - для случая совмещения изображений с различными размерами пикселя (2.11) 83 Зная периметр определить Р сравниваемого изменение площади, изображения объекта, обусловленное можно методической погрешностью. Данную площадь можно считать допустимым изменением площади ΔSдоп (2.12) При совмещении изображений появление полосы отличия показывает возможное изменение площади сравниваемых объектов. Оператор при такой ситуации программными средствами определяет размеры площадей на двух материалах. В случае, когда различие в площади более ΔSдоп, принимается решение о факте изменения площади изучаемого объекта. Исследуем влияние дискретности цифрового изображения с позиции фотограмметрической обработки снимков. Допустим, имеются два растровых изображения, полученных с одного аналогового снимка, отличающихся размером стороны элементарной площадки (физического пикселя) в 2 раза. При этом образ измеряемой контурной точки создаётся крупными или мелкими структурными элементами. Допустим, что при наведении курсора на данную точку результат измерения координат относится к центру пикселя. Очевидно, что измеренные плоские координаты точки на растровом изображении с крупным размером пикселя, будут отличаться от координат той же точки на изображении с меньшим размером пикселя (рис.2.9). Это различие выразится величинами ∆х и ∆у. у x x ∆x y 84 Рис. 2.9. Влияние размера пикселя на точность определения координат измеряемой точки В соответствие с известными уравнениями коллинеарности (2.13) погрешности измерения координат приводят к погрешностям вычисления геодезических координат определяемых точек. После дифференцирования получим формулы определения (2.14), геодезических определяющие зависимость точности координат и величины ∆X ∆Y от погрешностей измерения плоских координат на снимке ∆x, ∆y, вызванных увеличением размера пикселя цифрового изображения X x a1 ( Z Z S ) c1 ( X X S ) x c1 ( x x0 ) c2 ( y y0 ) c3 f X y a2 ( Z Z S ) c2 ( X X S ) y c1 ( x x0 ) c2 ( y y0 ) c3 f Yx b1 ( Z Z S ) c1 (Y YS ) x c1 ( x x0 ) c2 ( y y0 ) c3 f Yy b2 ( Z Z S ) c2 (Y YS ) y c1 ( x x0 ) c2 ( y y0 ) c3 f (2.14) где ∆Xx, ∆Xy – погрешности координаты Х точки местности, вызванные погрешностями измерения координат (x; y) точки снимка соответственно; ∆Yx, ∆Yy - погрешности координаты Y точки местности, вызванные погрешностями измерения координат (x; y) точки снимка соответственно; Выведенные автором формулы (2.14) могут быть использованы для предвычисления погрешностей определения геодезических координат 85 точек местности при решении прямой фотограмметрической засечки по цифровым снимкам, полученным с различной апертурой сканирования. Существующие технические и программные средства цифровых фотограмметрических станций позволяют фиксировать координаты в пределах площади пикселя, без отнесения их к центру физического пикселя. Это положение требует выявления иных взаимосвязей погрешностей определения геодезических координат измеряемой точки и размера элемента цифрового растрового изображения. Формулы (2.14) также могут быть использованы для априорной оценки точности создания модели искажений идеальной центральной проекции (учет физических факторов: дисторсии объектива, атмосферной рефракции, деформации основы и т.п.) в зависимости от требуемой точности определения плановых геодезических координат точек местности. Рассмотрев теоретические основы получения и использования вегетационных индексных для создания вегетационных изображений по разновременным спектрозональным космическим снимкам разработана обобщённая структурная модель мониторинга лесных покровов (Рис.2.10). В диссертационной работе на основе теоретических предпосылок намечено осуществления ряда экспериментальных исследований, результаты которых позволят выявить определения влияние различных качественного состояния факторов лесных на достоверность покровов и дать рекомендации для минимизации их влияния при мониторинговых работах. 86 Источник излучения – космические системы природно-ресурсного направления – Ресурс (СССР), Landsat (США), SPOT (Франция) с учетом параметров их орбиты Прием электромагнитного излучения Атмосфера – пропускание электромагнитного излучения Вертикальная атмосферная рефракция Облачность Ослабление излучения Объект съемки – модуляция электромагнитного излучения Пункт приема и обработки первичной видеоинформации Снимок Аппаратные искажения съемочной системы (геометрические и фотометрические) Трансформирование снимков Получение индексных изображений (ENVI) Определение качественных и количественных показателей Погрешность совмещения Разносезонность Достоверность классификации Влияние рельефа местности Кривизна Земли ортоизображения Условные обозначения: - последовательность 𝑟𝜆 = 𝑓(𝜆, ℎ0 , 𝐴, 𝜑, … ) выполнения мониторинга; - искажающие факторы, вызывающие погрешности результатов. Рис.2.10 1 Структурная модель мониторинга состояния древесной растительности с применением космических снимков Выводы по второй главе В данной главе рассмотрены физические основы особенностей использования данных дистанционного зондирования при мониторинге лесов Анализ спектральных отражательных характеристик разных объектов, позволяет получить необходимые информации отражательная способность для их последующего лесных насаждений дешифрирования. Спектральная различается, что объясняется влиянием различных факторов (сезон, фаза вегетации, угнетённость и т.п.) на их физиологическое состояние. Красный, ближний инфракрасный и средний инфракрасный каналы являются наиболее информативным для решения задач дистанционного зондирования лесного покрова. В главе рассмотрены различные вегетационные индексы, которые используются в задачах мониторинга лесов, и обоснованы причины применения этих индексов. На основе анализа существующих вегетационных индексов выявлено, что универсальных индексов для изучения лесных покровов не существует, поэтому исходя из решаемых задач изучения объектов, необходимо выбирать оптимальный вегетационный индекс, помощью которого создавать индексные изображения для мониторинговых работ. В главе представлена теоретическая разработка обобщённой структурной модели мониторинга лесных угодий по разновременным зональным космическим снимкам и определены направления исследований, результаты которых возможно использовать для повышения достоверности результатов автоматизированного дешифрирования. 88 ГЛАВА 3 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ КОСМИЧЕСКИХ СНИМКОВ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ЛЕСОВ. 3.1 Исследование изменений состояния лесного покрова по разновременным изображениям нормализованного разностного вегетационного индекса (NDVI) Использование методов дистанционного зондирования обеспечивает практически недостижимое другими существующими средствами повышение уровня достоверности, оперативности и регулярности определения динамики основных характеристик качественного состояния и пространственного положения лесного покрова. Для исследования состояния лесного покрова применяются в том числе аэро- и космические изображения, полученные на мульти и гиперспектральную аппаратурой. Предложенная в диссертации методика обработки изображений для исследований качественного состояния лесной растительности состоит из нескольких этапов. На рис. 1 представлена технологическая схема (алгоритм) использования космических снимков для исследования качественного состава лесов на исследуемой 89 территории. Рис.3. 1. Технологическая схема использования космических снимков для исследования качественного состава лесов Космические снимки LANDSAT Блок эталонных полигонов Космические снимки высокого разрешения Блок обработки геометрическая радиометрическая атмосферная Блок тематической обработки карта Индексные изображения классификация Преобразование изображения PCA Синтезирование разновременных изображений Индексные изображения Блок индексных изображений Исходные снимки NDVI EVI Выходная информация SAVI Цифровые данные NDWI 90 карта Преобразование изображения 3.1.1 Получение разновременных изображений со спутников Landsat и таксационных карт. Для экспериментальных исследований в качестве исходных материалов были получены снимки со спутников Landsat с разрешением 15 м в панхроматическом и 30 м в мультиспектреальном режиме. Такое разрешение вполне удовлетворяет требованиям для выявления крупных площадей лесной растительности различного породного и возрастного состава. В качестве опорной информации использована таксационная карта на исследуемый участок Лосиного острова, составленная в 1998 году. Карты (1:М= 1:50 000) содержат информацию о породно-возрастном составе древесного массива Лосиного острова. Для наблюдения за качественным состоянием лесного массива использовались снимки Landsat 5 – 8. Для сверки результатов апробации методики использовались архивные снимки Landsat за 1998 год, полученные в различные сезоны, для обеспечения возможности наблюдения изменений вегетационных индексов в течение вегетационного сезона. Для визуальной оценки возможности использования многоканальных снимков аппаратуры Landsat, снимки были преобразованы по методу главных компонент (PCA). Математический смысл этого метода заключается в проецировании значений пикселей на собственные вектора матрицы, в которой количество столбцов соответствует количеству каналов, а количество строк соответствует количеству пикселей изображения. В методе PCA отбираются только проекции на собственные векторы с наибольшими собственными значениями. Как правило, для снимков Landsat наиболее информативными являются три компоненты. Если собрать три компоненты RGB композит, то получим цветное изображение, наиболее полно объединяющее информацию со всех каналов спутника. Визуальная оценка показала, что в различные сезоны наблюдается дифференциация растительности, которая при сравнении с картой 91 очень близка к изменениям в породном и возрастном составе (Рис.2). Таким образом, есть возможность извлечь информацию о породном и возрастном составе растительности на основе спектральных данных по изображениям с аппаратуры Landsat. Рис.3. 2. Трехканальный композит из трех главных компонент снимка Landsat. На площади лесного массива наблюдается явная спектральная неоднородность, что позволяет при дальнейшим анализе вывить породный состав и качественные состояния древесного покрова. Последующая экспериментальная часть заключается в исследовании изменений вегетационных индексов на участке древесного массива Лосиного острова. Статистический анализ изменений состояния лесного покрова был проведен на основе изображений с индексами NDVI, EVI, SAVI, NDWI. 92 3.1.2 Исследование факторов виляющих на значения вегетационных индексов На качество информации, получаемой по космическим изображениям, может влиять множество факторов, таких как атмосферные условия, наличие облачности, условия освещения. В связи с этим, был проведен эксперимент по определению степени влияния некоторых искажающих факторов на точность полученных значений. 3.1.3. Влияние наличия облаков на снимках Качество информации на полученных изображениях зависит и от наличия облаков на них. Ясно, что большую роль играет не только сам факт наличия облачности, но и расположение облаков относительно интересующих нас объектов при решении определенных задач. Таким образом, на предварительном этапе подготовки изображений необходимо оценить пригодность изображений для дальнейшей обработки и объективной оценки состояния лесов по результатам обработки. Для определения влияния облачности на результаты решения нашей задачи из архива космических снимков Landsat было выбрано 9 снимков с различным процентным показателем наличия облаков и, по возможности, на одинаковый сезон съемки. Для определения относительной погрешности измерений для оценки влияния облачности использовалась формула Бесселя для вычисления средне-квадратической погрешности (СКП) одного измерения m (1) и СКП среднего арифметического M (2) для средних значений NDVI: 𝑚=√ 𝑀= [𝑉 2 ] 𝑛−1 𝑚 √𝑛 (3.1) (3.2) где V – отклонение от среднего, n – количество измерений По формуле была вычислена СКП m одного измерения и СКП среднего арифметического M, а затем вычислена относительная погрешность определения средних значений NDVI. Итоговое значение относительной погрешности было равно 3% (Табл.3. 1). Далее, с помощью статистического анализа была выполнена 93 процедура получения численных значений площади на основе значений NDVI, и аналогично по формуле Бесселя вычислена относительная погрешность определения суммарной площади, итоговое значение которого было равно 1% (Табл. 3.2). Исследование показало, что наличие облаков на изображения не покрывающим объект исследования, практически не влияет на значении вегетационного индекса NDVI. Таблица 3.1 – Оценка точности влияние облачности на средние значения NDVI 30.07.1998 27.06.2006 17.08.2007 22.07.2010 11.07.2011 08.06.2014 07.08.2015 24.07.2016 27.07.2017 ∑ 33 10.00 3.00 3.00 2.00 14.65 23.25 0.05 21.91 Ср.значения NDVI 0,575835 0,653028 0,587344 0,688252 0,713649 0,760383 0,689893 0,527734 0,680257 0,652930556 относительная погрешность v 0,0770956 -9,74E-05 0,0655866 -0,035321 -0,060718 -0,107452 -0,036962 0,1251966 -0,027326 -8,88E-16 v2 0,0059437 9,495E-09 0,0043016 0,0012476 0,0036867 0,011546 0,0013662 0,0156742 0,0007467 0,0445128 0,0380811 Таблица 3. 2 – Оценка точности влияние облачности на определение площади облако год Площадь/гa v v2 33.00 10.00 3.00 3.00 2.00 14.65 23.25 0.05 21.91 1998 2006 2007 2010 2011 2014 2015 2016 2017 11902,41 10654,56 11925,54 12054,24 12006,72 11901,42 12012,12 11524,41 11711,7 11743,68 -158,73 1089,12 -181,86 -310,56 -263,04 -157,74 -268,44 219,27 31,98 25195,2129 1186182,37 33073,0596 96447,5136 69190,0416 24881,9076 72060,0336 48079,3329 1022,7204 1556132,2 ∑ относительная погрешность 0,01251851 94 3.2 Исследование динамики NDVI разных пород деревьев Преобладающая древесная порода является важной характеристикой лесов, в то время как существующие методы их инвентаризации и мониторинга не позволяют регулярно получать информацию о данном показателе на значительных территориях. Так, на сегодняшний день, наиболее актуальной картой лесонасаждений на территорию Лосиного острова является карта 1998 года (Рис.3.3). Это обуславливает актуальность разработки методов дистанционной оценки породной структуры лесов на основе спутниковых данных, обеспечивающих возможность получения необходимой информации на больших территориях. Рис.3.3 таксационная карта территории исследования На первом этапе была проведена векторизация растровой таксационной карты и создание атрибутивной таблицы 95 с кодами разработанного классификатора деревьев. В предложенном методе в качестве основных показателей использовались четыре вегетационных индекса, изменения которых во времени могут служить индикатором для дифференциации массива по породному и возрастному составу. Первый этап исследования подразумевает построение графиков на основе статистического анализа индексных изображений. 1.Графики средних значений NDVI в зависимости от породы деревьев для каждого месяца (Рис.3. 4) 2. Изменения средних значений NDVI в зависимости от месяца для каждой породы деревьев (Рис. 3.5) 96 NDVI 0,8 0,7 0,6 апрель NDVI 0,5 май 0,4 Июнь 0,3 Июль 0,2 Август 0,1 Сентябрь 0 Октябрь Рис.3.4. Изменение значения NDVI для различных пород древесной растительности в различные фазы вегетации Наиболее наглядным образом сезонную динамику содержания хлорофилла в листьях деревьев можно представить в виде графиков сезонной динамики NDVI. В таблице 3.7 представлены средние значения NDVI по месяцам, а на рис.3. 5 – график сезонной динамики NDVI для каждой породы деревьев по месяцам. 97 Таблица 3. 7- изменения значений NDVI, характеризующие каждого типа деревья в разные месяцы. Апрель 0,223388 Береза 0,187917 Вяз 0,21253 Дуб 0,279356 Ель 0,158225 Ива 0,188796 Клен 0,208917 Липа Лиственница 0,19222 0,17962 Ольха 0,210263 Осина 0,225226 Рябина 0,28086 Сосна 0,159276 Ясень На основании Май 0,520894 0,518598 0,514159 0,467238 0,495745 0,495663 0,48909 0,530846 0,4714 0,497455 0,4809 0,481667 0,449726 Июнь 0,70422 0,706061 0,720115 0,650801 0,681883 0,712973 0,723287 0,691004 0,692859 0,694743 0,61932 0,63969 0,663223 Июль 0,599157 0,602858 0,603434 0,527463 0,610151 0,609266 0,608096 0,589156 0,603993 0,582292 0,600558 0,531283 0,578212 Август Сентябрь Октябрь 0,505741 0,51295 0,310513 0,493664 0,515241 0,300569 0,507393 0,526989 0,298002 0,446498 0,48188 0,343209 0,489762 0,533074 0,317474 0,544594 0,517567 0,282917 0,500902 0,517264 0,285788 0,487296 0,506282 0,280621 0,50622 0,51977 0,324855 0,499274 0,511341 0,294668 0,519563 0,561196 0,371189 0,45109 0,476954 0,369742 0,466309 0,485688 0,257846 полученных результатов построили совмещённые графики изменения NDVI для каждого типа лесов (рис.5). 0,8 NDVI береза ndvi 0,7 вяз 0,6 дуб 0,5 ель ива 0,4 клень 0,3 липа 0,2 лиственница ольха 0,1 осина 0 рябина апрель май июнь июль август месяц сентябрь октябрь сосна ясень Рис.3.5 Изменения NDVI для каждого типа пород деревьев в течение вегетационного периода Анализ построенных графики показал, что изменение средних значений вегетационного индекса NDVI дает возможность разделить древесный массив на классы, основываясь на этих индексах. Это обусловлено тем, что для разных пород деревьев характерен различный период вегетации, распускания, опадания 98 листвы, что хорошо отражается на вегетационном индексе NDVI и дает возможность выявления некоторых пород деревьев. На основе анализа графиков были получены следующие выводы для территории (Лосиного острова). 1. Очевидно, что в период опадания и распускания листвы с октября по апрель хвойная растительность будет иметь наибольшие показатели вегетационного индекса NDVI, что позволить отделить хвойные породы от лиственных. 2. В период распускания и установления лиственной кроны с мая по сентябрь значения NDVI лиственных деревьев становится больше. 3. При этом в наиболее ранние месяцы, например, в мае, у дуба, ивы, клена, березы и рябины значения NDVI увеличиваются быстрее, чем у остальных. Это свойство дает возможность выделить эту группу деревьев по майским космическим снимкам. 4. В летние месяцы значения NDVI для лиственных деревьев продолжают возрастать. Значения индекса для липы и дуба достигают своих пиковых значений в июне. Таким образом, группу деревьев из дуба и липы наилучшим образом можно выделить по июньским снимкам. 5. Ближе к октябрю наблюдается спад индекса NDVI у лиственных деревьев. 6. У ели в начале лета заканчивается рост хвои и начинается ее вызревание раньше, чем у деревьев сосны. Вывод: При анализе сезонной динамики NDVI выявлено, что значения индекса выше в летние месяцы (июнь), чем в осенние (сентябрь и октябрь). Это может быть объяснено сезонной динамикой вегетационного индекса, так как растения в течение сезона проходят все фазы вегетации. По мере смены фаз вегетативного развития меняются состав и содержание пигментов в листьях растений, увеличивается биомасса, количество хлорофилла в зелёных листьях растений. 99 По мере накопления хлорофилла понижается яркость растений в видимой части спектра, возрастает в красной и особенно инфракрасной зоне. Этим объясняется возрастание значения вегетационного индекса NDVI. С разрушением хлорофилла в осенние месяцы наблюдается обратная картина – яркость в красной зоне возрастает, а в ближней инфракрасной уменьшается, что прослеживается при анализе снимка в октябре. Значения NDVI в октябре для лиственных лесов значительно ниже, чем в летние месяцы. Уменьшение значений индекса связаны с усыханием растительности и, следовательно, низким содержанием хлорофилла в ней. Сравнение значений NDVI с учётом сезонной динамики развития растений выявляет снижение индексов в октябре в сравнении с показателями в июне и июле, что можно объяснить снижением общего количества хлорофилла в конце вегетационного периода. Данный факт говорит о достоверности применяемых методов при анализе состояния растительности [2]. Известно, что леса разных пород могут демонстрировать различную динамику фенологического развития [28]. Так, например, появление листьев на деревьях дуба и березы происходит обычно ранее всех остальных. Майские изображения в целом подтверждают этот факт, так как дуб, ива, клен и рябина, дают наибольшие показатели индекса, чем остальные породы [29]. Существование различий в фенологической динамике древесных пород позволяет предположить и возможность выявления различий в динамике их спектрально-отражательных характеристик по данным регулярных спутниковых наблюдений достаточно высокой частоты. Особенно эта динамика в наибольшей степени проявляется на ранних майских снимках, сентябрьских и ранних октябрьских снимках, что также подтверждается по изображениям главных компонент, где дифференциация растительности максимальна. Следует заметить также, что наибольшее различие в динамике проявляется именно в эти месяцы, и разница в фенологическом развитии может быть около недели. Это обуславливает требование к оперативности съемки, которая также должна совпадать с этими сроками. Из открытых спутниковых данных такой оперативности удовлетворяют 100 рассмотренные снимки Landsat, а также снимки проекта Copernicus со спутников Sentinel 2. Основным недостатком NDVI является то, что он чувствителен к воздействию почвы (яркость и цвет), и атмосферы. Поэтому для более качественного анализа необходимо использовать другие индексы. 3.3 Исследование динамики EVI разных пород деревьев Индекс EVI (Enhanced Vegetation Index – улучшенный вегетационный индекс) разработан на основе NDVI, который позволяет получить больше градаций биомассы и имеет преимущества для мониторинга растительности, поскольку влияние почвы и атмосферы в значениях EVI минимизировано. (EVI) является наиболее распространенным альтернативным индексом растительности, который решает некоторые проблемы с NDVI (влияние почвы и атмосферы). В работе исследованы изменения разновременных значений индекса EVI для различных пород деревьев на территории исследования. В таблице 8 отражена динамика средних значений индекса EVI за разные сезоны, а на рис. 3.6, 3.7 представлены графики, отражающие динамику этих значений. Таблица 3.8- изменения значений EVI, характеризующие каждого типа деревья в разные месяцы. апрель май июнь июль август сентябрь октябрь береза 0,154264 0,350843 0,58116 0,494768 0,508615 0,435732 0,212021 вяз 0,131362 0,366736 0,609494 0,516757 0,517187 0,466937 0,21122 дуб 0,146471 0,347515 0,613241 0,506927 0,520676 0,455049 0,203739 ель 0,188844 0,263737 0,450286 0,381675 0,406278 0,354561 0,209865 ива 0,112243 0,373048 0,615893 0,563567 0,539639 0,509958 0,230764 клен 0,127671 0,335573 0,630603 0,524993 0,528797 0,466262 0,183493 липа 0,138678 0,315371 0,607331 0,500066 0,493267 0,439179 0,184991 лиственница 0,135395 0,375871 0,576547 0,492582 0,498654 0,442532 0,1973 ольха 0,12577 0,316623 0,586899 0,522648 0,522806 0,445688 0,219776 осина 0,14286 0,32656 0,575296 0,476233 0,498235 0,425323 0,194239 рябина 0,172321 0,349575 0,511662 0,534311 0,545241 0,500312 0,268546 сосна 0,197613 0,289277 0,450634 0,394666 0,423306 0,362654 0,240947 ясень 0,111754 0,310719 0,579294 0,503418 0,487886 0,453881 0,179532 101 102 0,7 EVI 0,6 0,5 апрель 0,4 EVI май июнь 0,3 июль 0,2 август сентябрь 0,1 октябрь 0 Рис.3.6 Изменение значения EVI для каждого типа дерева за каждый месяц 0,7 EVI береза 0,6 вяз дуб 0,5 ель ива 0,4 клен 0,3 липа лиственница 0,2 ольха осина 0,1 рябина 0 сосна апрель май июнь июль август 103 сентябрь октябрь Рис.3.7 Изменения EVI для каждой породы деревьев. 104 В целом изменения значения EVI в разные время для разных типов лесов, похоже на изменения значения NDVI. Однако, на графиках EVI различия в динамике фенологических фаз для разных пород представлены более явно. 3.4 Исследование изменения NDWI для различных пород деревьев На коэффициент отражения в ближнем ИК-диапазоне влияет внутренняя структура листа и содержание сухого вещества в листьях. Поэтому этот канал часто используется для анализа растительности. С другой стороны, коэффициент отражения SWIR отражает изменения содержания воды в растительности, и он чувствителен к условиям увлажнения, а также в верхнем слое почвы. NDWI является одним из показателей, основанным на контрасте канала SWIR с каналом NIR, который чувствителен к массе или объему воды, а не к доле воды в процентах [105]. Согласно Gao (1996), NDWI является хорошим индикатором содержания влаги в растительности, и это индекс менее чувствителен к воздействию атмосферного рассеяния, чем NDVI [116]. NDVI имеет ограниченные возможности для получения информации о содержании воды в растительности, поскольку он дает информацию о содержании хлорофилла, которая не связана напрямую с количеством воды в растительности. Таким образом, уменьшение содержания хлорофилла не означает уменьшение содержания воды, а уменьшение содержания воды не означает уменьшения содержания хлорофилла. Для оценки динамики вегетационного индекса графики аналогичные рассмотренным выше индексам. (Табл. 3.10, Рис. 3.8). Данные об изменениях, усредненных по годам значениях вегетационного индекса представлены на рис. 8. 105 Таблица 3.10- изменения значений NDWI, характеризующие каждого типа деревья в разные месяцы. береза вяз дуб ель ива клен липа лиственница ольха осина рябина сосна ясень апрель -0,01894 -0,10411 -0,05527 0,198311 -0,08182 -0,10196 -0,07348 -0,07256 -0,02767 -0,0255 -0,12116 0,157647 -0,10531 май 0,196347 0,184475 0,181979 0,259694 0,194095 0,162482 0,142471 0,207118 0,155189 0,182639 0,105883 0,243888 0,13759 июнь 0,389521 0,380415 0,402748 0,410292 0,37793 0,379091 0,380017 0,384472 0,373127 0,380586 0,385387 0,38799 0,356918 июль 0,356179 0,344734 0,355838 0,390462 0,361698 0,342353 0,339172 0,347607 0,35964 0,343238 0,314205 0,38443 0,330159 106 август сентябрь октябрь 0,336737 0,287224 0,172101 0,330194 0,290761 0,138806 0,340566 0,302196 0,144214 0,378748 0,350368 0,307901 0,319409 0,309557 0,119389 0,331067 0,298563 0,116173 0,321242 0,267261 0,091363 0,330864 0,289471 0,150065 0,328909 0,279121 0,134709 0,330715 0,279872 0,153696 0,294157 0,264906 0,106669 0,374655 0,333408 0,303832 0,302995 0,26857 0,101686 Рис.3.8 Изменение значений NDWI для различных пород деревьев за каждый месяц 0,5 NDWI береза 0,4 вяз дуб 0,3 ель ива 0,2 клень липа лиственница 0,1 ольха осина 0 апрель май июнь июль август сентябрь октябрь рябина сосна -0,1 ясень -0,2 Очевидно, что в апреле и октябре будут наблюдаться наиболее кардинальные отличия между хвойными и лиственными деревьями, ввиду отсутствия или усыхания листьев последних. Для хвойных деревьев ели и сосны значения 107 индекса будут максимальны на этот период. Следует также отметить, что опадание листьев березы осенью происходит позже остальных деревьев, что выражено в показаниях индекса. В октябре также наблюдается высокое содержание влаги у осины и лиственницы, что свидетельствует о том, что листва и хвоя не полностью опадают в этот период. Увеличение значений NDWI в мае обусловлено распусканием листьев и накоплением влаги в них. Важно заметить, что индекс хорошо отражает свойство хвойных растений, связанным с тем, что содержание влаги в хвое на протяжении года остается высоким (за исключением лиственницы). Поэтому для выделения лиственных от хвойных пород можно использовать индексных изображений NDWI полученных по космическом снимкам периода июль- октябрь. 108 Рис. 3.8. Изменения NDWI для разных пород деревьев 3.5 Сравнение вегетационных индексов для выявления на космических снимках пород деревьев. Проведен эксперимент сравнения динамики вегетационных индексов для разных пород деревьев. Следует отметить, что вегетационные индексы по разному могут отражать динамику вегетации растительности. Так, сезонная динамика NDVI для рябины на графике NDVI не так явно отличается от остальных пород, как на графике EVI. Кривые графиков NDWI явно отражают различия между хвойными и лиственными за исключением пиков в летние месяцы. Кривые графиков SAVI и EVI также явно отражают различия между лиственными и хвойными породами. Для более явного контраста между хвойными и лиственными породами деревьев индексные изображения SAVI и NDWI были преобразованы в единое изображение, отражающее отношение двух этих индексов (Рис.3. 9). 109 а. SAVI б. NDWI в. SAVI,NDWI Рис.3.9 Сравнение различных индексных изображений (а. SAVI, б. NDWI, в. Отношение SAVI, NDWI). На полученных изображениях видно, что хвойная растительность выделяется более темным тоном, и четко выделяются на фоне лиственных. Такое комплексное изображение дает возможность выделять хвойные породы практически в любой сезон. 3.6 Анализ результатов распознавания породного состава леса на основе спектральной отражательной способности Существование различий в фенологической динамике древесных пород позволяет предположить и возможность выявления различий в динамике их спектрально отражательных характеристик по данным регулярных спутниковых снимков, полученных с достаточно высокой периодичностью. 110 Целью данного исследования является экспериментальная оценка возможностей распознавания древесных пород в лесах на основе данных о сезонных изменениях их спектрально отражательных характеристик по данным спутника Landsat. Характеристики каналов Landsat 5 представлены в таблице 3.11. Таблица 3.11- Диапазоны спектральных каналов спутника Landsat 5 [121,122,123] Спектральный канал Охват спектральных зон (мкм) Пространственное разрешение (м) Полоса обзора (км) Повторяемость съемки одной территории Канал 1- синий (Blue) 0,45 - 0,515 30 185 16 суток Канал 2- зелёный (Green) 0,525 - 0,605 30 Канал 3- красный (Red) 0,63 - 0,690 30 Канал 4- ближний ИК (Near Infrared, NIR) 0,75 - 0,90 30 Канал 5коротковолновый инфракрасный (Short Wavelength Infrared, SWIR) 1,55 - 1,75 30 Канал 6- Дальний ИК 10,40 - 12,5 120 2,09 - 2,35 30 (Long Wavelength Infrared, TIR) Канал 7коротковолновый инфракрасный (Short Wavelength Infrared, SWIR) Эксперимент проводился для территории парка Лосиный остров. В ходе эксперимента исследовалось изменение спектрально характеристик для разных древесных пород (Рис. 3.10). 111 отражательных Рис. 3.10 Изменения уровней сигналов в различных зонах спектра для каждого типа в разные сезоны 112 В целом, значения коэффициентов спектральной яркости для разных типов лесов изменяются в разных частях электромагнитного спектра по-разному в зависимости от сезона. Исследование КСЯ по апрельским снимкам: В апреле хвойные имеют резкий подъем в ближней части области NIR, а у лиственных типов отмечается резкий подъем в 5 канале SWIR. Наиболее явна разница в 7 канале. Таким образом для разделения хвойных и лиственных пород по апрельским снимкам может использоваться комбинация из 4, 5 и 7 канала. На рисунке 3.11 показаны различные комбинации каналов снимка Landsat 5. В ходе эксперимента визуально оценивалась наиболее подходящая комбинация для выделения различных древесных пород. В случае использования комбинации каналов, то в комбинации 4,3,2 с использованием ИК, красного и зеленого каналов хвойные леса на апрельских снимках выглядят красными, ввиду наличия только у них хлорофилла в листьях. Комбинации 5,4,3 с использованием SWIR, ИК и красного каналов, хвойные леса выглядят ярко зелеными. Комбинация 7,5,4 не включает ни одного канала из видимого диапазона, хвойные леса выглядят синими. Эта комбинация наиболее четко выделяет хвойную растительность. 113 Комбинация каналов 5, 4,3 Комбинация каналов 4,3,2, Комбинация каналов 7, 5,4 Рис. 3.11 Композитные изображения из комбинаций разных спектральных каналов (апрель) Исследование КСЯ по майским снимкам (Рис.3.12): На майских снимках увеличиваются значения КСЯ в 4 канале ИК у лиственных парод, обусловлено начало вегетации. Каналы 4,5, 7 позволяют наиболее четко разделить лиственные и хвойные породы деревьев. В комбинации 5,4,3 разные типы деревьев четко показываются, хвойные леса выглядят темно-зелеными, а лиственные леса выглядят светло-зелеными. 114 Комбинация 4,3,2 Комбинация 5,4,3 Комбинация 7,5,4 Рис.3.12 Композитные изображения из комбинаций разных спектральных каналов (май) Исследование КСЯ в летние месяцы: В летние месяцы отмечается общий резкий подъем в ближней части ИК для всех пород, но разница между породами остается. Комбинация 4,3,2 Комбинация 3,2,1 Комбинация 5,4,3 Комбинация 7,5,4 Рис. 3.13 разные каналы и комбинации в июнь 115 Исследования КСЯ в октябре: В октябре месяце, как и поздней весной, наиболее явно проявляется разница в фенологическом развитии у разных древесных пород, что позволяет разделять группы лиственных пород деревьев. Так, например, на октябрьском снимке береза отделяется от липы, ель от сосны, что наглядно можно представить в виде графика на рис.3.14. Для березы характерно как раннее распускание листвы, так более позднее ее опадание осенью, что также проявляется на снимках в NIR области. При визуальном дешифрировании композита в комбинации 4,3,2 темно-коричневые участки относятся к еловым породам, светло-коричневые участки относятся к сосновым породам, липа выглядят темно-зелеными, а береза выглядят светло-зелеными (Рис. 3.15). 0,16 0,14 Среднее значение кся- Октябрь 0,12 0,1 береза 0,08 ель 0,06 липа сосна 0,04 0,02 0 Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Рис. 3.14 изменения КСЯ для различных типов деревьев в октябре 116 Комбинация 3,2,1 Комбинация 4,3,2 Комбинация 5,4,3, Комбинация 7,5,4 Рис.3.15 разные каналы и комбинации в октябре. Вывод по 3 главе Возможности распознавания различных объектов и изучения их свойств дистанционными методами обусловлены тем, что поглощение, рассеивание, отражение и излучение электромагнитной энергии в различных зонах спектра различны для каждого вида земной поверхности [82]. Специфические спектральные характеристики позволяют автоматически отделять одни объекты земной поверхности от других. Но спектральная яркость различных объектов земной поверхности часто имеет схожие значения, что не всегда позволяет достоверно распознать все классы объектов земной поверхности, необходимые для решения поставленных задач. Для повышения достоверности классификации используются различные методы, идет постоянный поиск новых 117 методов. Наиболее распространенным подходом, позволяющим повысить достоверность автоматизированной обработки космических изображений, является применение альтернативных параметров, таких как: различные спектральные вегетационные индексы, являющиеся функциями коэффициента спектральной яркости в нескольких спектральных каналах; спектральные признаки, рассчитанные на основе значений коэффициентов спектральных яркостей; использование преобразования в главные компоненты; преобразование Tasseled Cap[82]. В настоящей работе был проведено исследование коэффициентов спектральной яркости и разных вегетационных индексов с целью оценки возможности распознавания различных древесных пород по космическим изображениям. В целом были получены следующие результаты: 1. Полученные по методу главных компонент изображения показывают хорошую разделимость между различными породами растительности по спектральным признакам. В особенности это заметно по майским и октябрьским снимкам, где наибольшим образом проявляется разность фенофаз. 2. Исследование вегетационных индексов показало, что они также хорошо отражают стадии фенологического развития. Однако, для наиболее эффективного распознавания необходимо использовать вегетационный индекс не как статичный признак. Характерным признаком, в особенности для лиственных пород является не сам вегетационный индекс, а его изменение во времени, которое отражает смену фенологических фаз. Так как разница в скорости фенологического развития разных пород может быть около недели, то желательно подбирать майские и октябрьские снимки с оперативностью в одну неделю, что возможно для спутников Landsat или, например, Sentinel-2. 3. Для наиболее эффективного распознавания необходимо использовать комбинацию разных вегетационных индексов. 118 Глава 4 Оценка достоверности использованных методов для распознавания древесных пород Оценка достоверности результатов классификации предполагает оценку точности совпадения предсказанных классов с реальными классами, ассоциированными с объектами на местности. Для оценки достоверности классификации используют тестовую выборку – набор контрольных пикселей, для которых заведомо известны их классы. Текстовую выборку составляют те пиксели изображения, которые не участвовали в обучении классификатора[32,111]. Наиболее часто применяемый на практике способ оценки результатов классификации объектов основан на построении матрицы ошибок. Она представляет из себя матрицу n x n, где n – это количество классов, в которой по диагонали показано количество верно классифицированных пикселей, а сумма элементов вне диагонали представляет собой количество неправильно классифицированных пикселей. По данным матрицы ошибок рассчитывают обобщённые параметры, характеризующие точность классификации, в том числе индекс κ - Каппа Коэна и общая точность классификации [62,65,118,119]. Общая точность правильной классификации – является отношением суммарного количества правильно классифицированных пикселей к общему количеству пикселей в опорной выборке Каппа Коэна — это мера согласованности между двумя категориальными переменными X и Y. Каппа Коэна может быть использована для оценки согласованности между двумя оценщиками, классифицирующими n объектов по s категориям (Таблица 4.1). 119 Таблица 4.1 – Критерии согласованности данных классификации по коэффициенту каппа Коэна κ [112] Коэффициент каппа Коэна κ менее 0,2 от 0,21 до 0,4 от 0,41 до 0,6 от 0,61 до 0,8 более 0,81 Степень согласованности плохое согласие, плохая степень согласованности. удовлетворительное согласие, удовлетворительная степень согласованности. среднее согласие , умеренная степень согласованности. хорошее согласие, хорошая степень согласованности. превосходное согласие, очень хорошая степень согласованности. Индекс Каппа Коэна вычисляется по формуле (3.3): 𝑘 = (𝑑 − 𝑞)/(𝑁 − 𝑞) (3.3) где d - количество случаев правильного получения результата (сумма значений, стоящих на главной диагонали матрицы ошибок; q - количество случайных результатов, вычисляемое через число случайных результатов в столбцах nf и истинных nr - в строках матрицы ошибок как (3.4): 𝑞= ∑ 𝑛𝑓 𝑛𝑟 𝑁 (3.4) где N - общее количество пикселов, образующих изображение объекта В качестве примера в таблице 4.2 приведена матрица ошибок результатов классификации пород деревьев по индексным NDVI изображениям, созданными по космическим снимкам, полученными в мае месяце со спутника Landsat. Строки матрицы – это классы пород деревьев, установленные по наземным эталонным данным (по таксационной карте) и принятые за истинные, а столбцы – классы пород деревьев, полученные в результате дешифрирования индексного изображения. С помощью таксационной карты и снимков с высокого пространственного разрешения (google earth+ ARC GIS online) были выбраны 120 контрольные участки и выполнена оценка достоверности метода в определении пород деревьев. Таблица 4.2- матрица ошибок классификации пород деревьев на индексном изображении NDVI Результат дешифрирования Вод Эталонны ный е данные объе кт Водный 689 объект не леса 285 1 ясень 9 сосна 0 осина 1 ольха лиственни 0 ца 2 липа 1 клен 109 ива 12 ель 0 дуб 0 вяз 0 береза 1109 всего 4.1. не ясен листве лип сосна осина ольха клен леса ь нница а ива ель дуб вяз берез всего а 77 0 0 0 0 0 0 0 3 0 0 0 0 769 1075 9 19 4 5 0 3 9 0 0 0 34 65 6 9 0 2 4 5 4 1 2 0 5 7 0 0 0 3 0 0 21 25 7 14 0 4 2 10 1 0 1 1 1 5 0 4 20 0 3 0 4 8 18 7 0 1 7 1 5 0 1 1 2 0 1362 93 164 66 58 14 3 3 10 11 24 6 2 6 7 40 2 43 180 17 4 472 84 11 0 9 1800 2 0 4 4 5 0 9 39 54 20 15 86 6 4 0 302 3 2 0 4 8 0 8 50 4 6 4 3 10 0 6 59 0 0 0 0 6 0 27 60 25 15 6 36 16 1 3 175 3 5 1 4 12 0 1 45 3 0 2 4 3 0 4 33 14 5 33 71 5 3 0 165 15 11 0 8 33 0 16 160 11 7 1 2 3 5 0 5 1 0 0 0 25 0 77 150 150 70 648 319 145 8 165 4197 Оценка достоверности разных методов для выделения хвойных и лиственных пород. Достоверность определения пород лесов (хвойные или лиственные) с использованием вегетационных индексов, была низкая. Значения индекс Каппа Коэна варьируются от 0,21 до 0,64, для разных индексов, а значения общей точности классификации варьируются от 41% до 75% (Таблица 4.3 и таблица 4.4). Далее по исходным изображениям, проводилась контролируемая классификация по методу расстояния Махаланобиса, значения индекс Каппа Коэна достигают 0,75 в мае в сезоне начала вегетации классификации повысила 83%, точность и общая точность классификации по методу максимального правдоподобия была немного лучше, и значение индекса каппа составляет 0,797, для разделения хвойных и лиственных парод. (Таблица 4.3 и таблица 4.4) 121 В качестве сравнения методов классификация, и получения точные результат проведена классификация (с использованием методов расстояния Махаланобиса и максимального изображениях, с использованием правдоподобия) на преобразованных метода главных компонентов, результаты оценки точности были похоже, значения Каппа достигали 0,799 в сезоне начала вегетации, и общие точности классификации составляют 85,95. (Таблица 4.3 и таблица 4.4) Таблица 4.3- Значения индексов Каппа Коэна для различных изображений при определении хвойных и лиственных пород. Хвойные и лиственные породы деревьев Индекс KAPPA КОЭНА Способ преобразования NDVI EVI SAVI NDWI мультиспектральные снимки/ расстояние Махаланобиса мультиспектральные снимки/ метод максимального правдоподобия PCA / расстояние Махаланобиса PCA / метод максимального правдоподобия апрель 0.6414 0.5464 0.5011 0.2138 май 0.5298 0.4097 0.4073 0.5267 июнь 0.4643 0.3343 0.3315 0.2549 июль 0.2675 0.2867 0.2660 0.4954 август сентябрь октябрь 0.2345 0.2646 0.3832 0.2659 0.2919 0.2658 0.2347 0.2614 0.2704 0.5855 0.5113 0.4265 0.6983 0.7555 0.7125 0.7536 0.6758 0.6528 0.5934 0.7391 0.7970 0.7650 0.7744 0.7714 0.7258 0.6930 0.6987 0.7546 0.7167 0.7561 0.6709 0.6528 0.5934 0.7577 0.7986 0.7720 0.7795 0.7729 0.7323 0.6930 122 Таблица 4.4- значения общей точности классификации для разных изображений при определении хвойных и лиственных пород. Хвойные и лиственные породы деревьев Общая точность классификации (%) Способ преобразования NDVI EVI SAVI NDWI мультиспектральны е снимки/ расстояние Махаланобиса мультиспектральны е снимки/ метод максимального правдоподобия PCA / расстояние Махаланобиса PCA / метод максимального правдоподобия 4.2. апрель май июнь июль август 75.0637 % 68.0019 % 64.5288 % 47.2332 % 66.1496 % 56.1038 % 55.9852 % 67.7009 % 59.7129 % 49.4790 % 49.0623 % 47.5110 % 43.6907 % 44.8252 % 43.0887 % 63.9268 % 41.1438 % 43.8296 % 40.9354 % 85.7282 % сентябр ь 43.4823 % 46.1681 % 43.7138 % 65.8717 % 78.9766 % 83.1442 % 79.9028 % 82.9590 % 76.9854 % 75.5036 % 71.2433 % 81.6624 % 85.8301 % 83.7231 % 84.4640 % 84.1398 % 80.8057 % 78.3978 % 79.0229 % 83.0748 % 80.2269 % 83.1674 % 76.6381 % 75.5036 % 71.2433 % 83.0748 % 85.9458 % 84.2788 % 84.8576 % 84.3019 % 81.2920 % 78.3978 % октябрь 54.5497 % 44.9641 % 45.1956 % 60.1065 % Оценка достоверности полученных результатов при распознавании разных древесных пород на территории исследовании, с использованием разных методов. При использовании вегетационных индексов для выделения древесных пород, точность их результатов были низкие во всех сезонах и для всех индексов и значения Каппа Коэна не превышают 0,37, поэтому не рекомендуется применения вегетационных индексов в качестве распознавании разных типов. В результате классификация исходных снимков, используя метода расстоянии Махаланобиса, получили умеренную согласованность по индексу Каппа, и высокое значение составляет 0,46 в мае. А по методу максимального правдоподобия значения индекса Каппа Коэна были выше, чем достоверности метода расстоянии Махаланобиса и высокое значение составляет в мае 0,522, а общая точность классификация 63,64% в мае. (Таблица 4.5 и таблица 4.6) 123 Точность дешифрирования типов деревьев по снимкам преобразований главных компонентов была похоже на результат с классификации исходных снимков, и имеет высокое значение индекса Каппа в мае – 0,529. (Таблица 4.5 и таблица 4.6) Таблица 4.5- Значения индекса Каппа Коэна для различных изображений при определении разных древесных пород. Все классы древесных пород Индекс KAPPA КОЭНА Способ преобразования NDVI EVI SAVI NDWI PCA / расстояние Махаланобиса PCA / метод максимального правдоподобия мультиспектральные снимки / расстояние Махаланобиса мультиспектральные снимки / метод максимального правдоподобия апрель май июнь июль август сентябрь октябрь 0.3213 0.3265 0.2999 0.0378 0.3277 0.2159 0.2185 0.3616 0.2398 0.1682 0.1635 0.2122 0.1279 0.1432 0.1459 0.3253 0.1273 0.1324 0.1321 0.3910 0.1450 0.1384 0.1243 0.3621 0.2619 0.2048 0.2135 0.2885 0.4182 0.4605 0.4010 0.4248 0.3994 0.3947 0.3543 0.4525 0.5253 0.4740 0.4694 0.5126 0.4692 0.4683 0.4147 0.4648 0.4038 0.4238 0.4067 0.3939 0.3543 0.4305 0.5229 0.4639 0.4571 0.4953 0.4673 0.4683 124 Таблица 4.6- Значения общей точности классификации для различных изображений при определении разных древесных пород. Все классы древесных пород Общая точность классификации (%) Способ преобразования апрель май июнь июль август 45.1030 % 44.7557 % 42.2783 % 38.4117 % 31.0720 % 30.3311 % 36.9530 % 52.7205 % 24.7743 % 23.9639 % 23.8944 % 46.2144 % 54.5728 % 25.0752 % 23.7555 % 23.2461 % 52.9289 % 51.0072 % сентябр ь 27.5527 % 24.6816 % 23.3850 % 50.7525 % 51.9102 % октябрь NDWI 8.1500% PCA / расстояние Махаланобиса PCA / метод максимального правдоподобия мультиспектральны е снимки / расстояние Махаланобиса мультиспектральны е снимки / метод максимального правдоподобия 53.4846 % 48.1130 % 36.3678 % 36.5594 % 51.7944 % 58.3931 % 56.1241 % 63.6490 % 59.3887 % 58.5089 % 61.6115 % 58.4163 % 56.7956 % 53.0910 % 58.7636 % 52.9752 % 54.3876 % 51.7712 % 51.8407 % 45.4040 % 53.9940 % 63.4175 % 58.3700 % 57.2123 % 59.8981 % 58.1616 % 56.7956 % NDVI EVI SAVI 39.3378 % 34.6145 % 36.9530 % 42.6488 % 45.4040 % 4.3.Синтезированные разносезонные мультиспектральных и индексных изображений Распознавание различных типов деревьев с использованием разных вегетационных индексов (индексных изображений) дают не достаточно достоверные результаты. В то же время использования разных методов классификации по мультиспектральным и преобразованным (PCA) снимкам дают не достаточно точность. Для решения данной проблемы в данной диссертационной работе предлагается методика синтезирования разносезонных изображений. 4.2.1. Синтезирование разносезонных индексных изображений, полученных используя разные вегетационные индексы. Синтезирование разносезонных индексных изображений, полученных с апреля по октябрь, повышает точность выделения различных типов деревьев. 125 Значения индекса Каппа Коэна при синтезировании преобразованных изображений, полученных с помощью NDVI, составляет 0.55, с помощью EVI 0.54, SAVI - 0.54 , NDWI - 0.53.(Таблица 4.7) апрель май июнь июль август сентябрь Синтезированное изображение октябрь Разносезонные индексные изображения Рис. 4.1. Синтезирование индексных изображений. 4.2.2. Синтезирование разносезонных разноиндексных изображений. В этом исследовании для синтезирования использован комплекс индексных изображений, полученных с применением вегетационных индексов NDVI, EVI, SAVI, NDWI, по снимкам разных сезонов (апрель, май, июнь, июль, август, сентябрь, полученного из октябрь). При дешифрировании изображения, разносезонных разноиндексных изображений, достоверность выделения различных пород древесной растительности повысилась до 0,72. 126 апрел ь май июнь NDVI июл ьавгус сентябр т ьоктябр ь апре льмай июн ьиюл EVI ьавгу сентяб ст октябр рь ь апрел ь май июнь июл ьавгу сентябр ст ьоктябр ь апре льмай июнь июл ьавгу сентябр ст ьоктябр ь апре май ль SAVI май Синтезированное разносезонное разноиндексное изображение NDWI Рис. 4.2. Синтезирование разновременных разноиндексных изображений. 4.2.3. Синтезирование разносезонных мультиспектральных изображений. Совмещение разносезонных мультиспектральных изображений полученных с апреля месяца по октябрь, повышает достоверность выделения различных древесных пород, и коэффициент каппа достигает 0,76 127 Так же при Синтезировании разносезонных преобразованных изображений, достоверности распознавания типов повышает до 0,766. В таблице 4.7 приведены значения индексов Каппа Коэна для оценки достоверности результатов классификации пород древесной растительности по синтезированным различно преобразованным изображениям. Таблица 4.7- значения индекса Каппа Коэна общей точности классификации для разных синтезированных изображений при определении разных древесных пород. Способ преобразования NDVI EVI SAVI NDWI Все ВИ Снимки PCA Каппа Общая точность классификации % 0,5518 0.5414 0.5415 0.5337 0,7191 0.7605 0.7666 65.5707% 64.4362% 64.4131% 64.2510% 79.4628% 82.4033% 82.8664% Синтезированные разносезонные изображения для 4 классов (береза, липа, сосна, ель) На территории национального парка Лосиный остров наиболее преобладающие древесные породы представлены следующими видами береза 38,8465%, липа 12,0390%, сосна 26,5832% и ель 16,5327%. Исходя из того, что для большинства из них можно создать достаточно объемную и сбалансированную обучающую выборку классификация проводилась с целью распознавания этих четырех видов, как наиболее преобладающих. Точность распознавания этих типов при использовании синтезированных разносезонных индексных изображении повысила и достигла 0,7. И при синтезировании разносезонных разноиндексных изображений точность классификации достигает 0,78. В то время точность классификации по разносезонным данным об отражательной способности составляет 0,8 и 0,8125 для PCA изображения. 128 Таблица 4.8- значения индекса Каппа Коэна общей точности классификации при классификации преобладающих типов на изображениях, полученными различными способами синтезирования Способ Каппа преобразования NDVI EVI SAVI NDWI Все ВИ Снимки PCA 0.7024 0.6748 0.6633 0.6866 0.7798 0.8062 0.8125 Общая точность классификации 80.6435% 78.4462% 77.7923% 79.5449% 85.9534% 87.3136% 87.7321% 4.3.4. Синтезирование разносезонных изображений для разделения хвойных и лиственных пород Синтезирование разносезонных индексных изображений достоверность разделения хвойных и лиственных видов повышает древесной растительности. При этом способе значения индексов Каппа Коэна варьируют в пределах 0,75-0,78. В случае синтезирования разноиндексных разносезонных изображений индекс Каппа Коэна достигает 0,84. При синтезировании разносезонных изображений и разносезонных преобразованных изображений (PCA) получены значения индекса Каппа Коэна равные 0,88. (Таблица 4.9) Таблица 4.9- Значения индекса Каппа Коэна при классификации хвойных и лиственных пород деревьев на изображениях, полученными различными способами синтезирования Способ Каппа преобразования NDVI EVI SAVI NDWI Все Ви Снимки PCA 0.7862 0.7660 0.7555 0.7821 0.8413 0.8799 0.8802 Общая точность классификации 85.3438% 83.8157% 83.1674% 85.0660% 89.2336% 91.7110% 91.7342% 129 4.3. Обновление карты леса Лосиного острова На основе полученных результатов, подтверждающих эффективность использования разносезонных индексных изображений для классификации различных типов древесной растительности, создана обновленная карта на тестовом участке территории лесного национального парка «Лосиный остров». Для этого были использованы разносезонные снимки Landsat (снимки получены в апреле, мае, июне, июле, сентябре и октябре 2018),индексные NDVI изображения. Проведена контролируемая классификация типов деревьев. Анализ полученных результатов, показывает снижение общей площади лесов, и изменение структуры площадей пород древесной растительности. В таблице 4.10 представлены динамики изменении площади разных пародов деревьев, полученных в результате их классификации на синтезированных изображениях, созданных по разработанному автором способу. Таблица 4.10 изменение площади парод древесной растительности парод древесной растительности 1998/га 1905,66 Береза 174,24 Вяз 969,12 Дуб 2932,02 Ель 357,3 Клен 1132,92 Липа 424,8 Лиственница 863,28 Ольха 529,74 Осина 933,57 Сосна 65,52 Ясень 333,72 Ива ∑/га 10621,89 2018/га Разница/га 1151,1 176,67 1631,43 1837,53 125,1 1233,27 548,55 612,09 510,75 1618,02 34,11 345,86 9824,48 -754,56 2,43 662,31 -1094,49 -232,2 100,35 123,75 -251,19 -18,99 684,45 -31,41 12,14 -797,41 В результате, используя программное обеспечение ENVI, Arc Map были получены карты, на которых отображены распределения пород деревьев в ООПТ национальном парке «Лосиный остров». (рис.4.1, рис.4.2, рис.4.3, рис.4.4) 130 Рис.4.1 карта состава древесной растительности на территорию национального парка «Лосиный остров» в 1998 г., полученных на основе классификации синтезированных разносезонных изображений. 131 мультиспектральных Рис.4.2 карта состава древесной растительности на территорию национального парка «Лосиный остров» в 2018 г., полученных на основе классификации синтезированных разносезонных изображений. 132 мультиспектральных Рис.4.3 карта состава древесной растительности на территорию национального парка «Лосиный остров» в 1998 г., полученных на основе классификации синтезированных разносезонных индексных изображений. 133 Рис.4.4 карта состава древесной национального парка «Лосиный остров» растительности на территорию в 2018 г., полученных на основе классификации синтезированных разносезонных индексных изображений. 134 Выводы по 4 главе Распознавание древесных пород на основе снимков среднего пространственного разрешения (таких, например, как Landsat) может являться затруднительной задачей. Такое разрешение пиксела (в 30 м для мультиспектрального диапазона) не позволяет различать отдельные кроны деревьев, оценить размеры этих крон и пр. Поэтому в качестве основных признаков для распознавания могут быть использованы спектральные характеристики растительности, такие как отражательная способность в отдельных каналах, вегетационные индексы. Но в таком случае дешифровщик в любом случае может столкнуться с проблемой, заключающейся в том, что разные породы деревьев на первый взгляд имеют схожие спектральные характеристики. Для решения этой задачи возможно использование разносезонных и разносезонных индексных изображений, исходя из того факта, что разные породы имеют различия в фенологических фазах, эти различия могут быть прекрасно заметы на разносезонных изображениях. Таким образом, в работе рассматривалась возможность использование разносезонных признаков для классификации древесных пород, а также проведена оценка эффективности такого подхода, были сделаны следующие выводы: 1. Использование вегетационных индексов ведут к снижению достоверности распознавания типов деревьев на территории исследовании. 2. Достоверность классификации древесной растительности на исследуемой территории с использованием исходных мультиспектральных снимков не превышает значения индекса Каппа Коэна 0,52. использовании преобразованных снимков индекс А так же при достоверности классификации разных типов древесной растительности составил 0,54. При этом следует отметить, что достоверность классификации зависит не только от выбранного метода спектральных преобразований, но и от сезона съемки, за которую был взят космический снимок. Исследования выполнены по 135 снимкам, полученным в сезоны, оптимально подходящие для распознавания пород деревьев на территории национального парка Лосиный остров. 3. Синтезирование разносезонных индексных изображений повышает достоверности разделения хвойных от лиственных пород деревьев. Индекс Каппа Коэна достигает значения 0,77. 4. Синтезирование разносезонных достоверности распознавании индексных изображений повышает разных древесных пород. Индекс Каппа Коэна достигает значения 0,55. 5. Синтезирование разносезонных мультиспектральных изображений повышает достоверности разделения хвойных от лиственных деревьев. Индекс Каппа Коэна достигает значения 0,88. 6. Синтезирование разносезонных мультиспектральных изображений повышает достоверности распознавании древесных пород. Индекс Каппа Коэна достигает величины 0,78. 7. В данной работе на основе предлагаемого подхода (классификации синтезированных разносезонных изображений) проводили мониторинга изменения площади лесов, и обновлена карта территории исследования. 136 Заключение Разработка эффективных методик оценки состава лесов, их инвентаризации и мониторинга качественных и количественных характеристик на основе спутниковых изображений, обеспечивающих возможность получения необходимой информации на больших территориях, является актуальной задачей. Диссертационная исследований работа применения содержит полученные разновременных автором индексных результаты изображений, используемых при решении задач мониторинга состояния лесов и распознавании породного состава с достаточной степенью достоверности. В работе представлена разработка обобщённой схемы мониторинга лесных угодий по разновременным зональным космическим снимкам и определены направления исследований, результаты которых возможно использовать для повышения достоверности результатов автоматизированного дешифрирования. Первым этапом в схеме мониторинга является постановка задачи получение тематических результатов обработки изображений. На следующем этапе выполняется оценка изображений для их дальнейшей обработки и объективной оценки состояния лесов. Оценка изображений включает: оптимальный выбор спектрального канала, разрешение космических снимков, оптимальность сезона съёмки. Следующий этап предусматривает калибровку и атмосферную коррекцию исходных изображений. Используя оптимальный для решения поставленной задачи вегетационный индекс, создаются разновременные индексные изображения. Метод синтезирования разновременных индексных и мультиспектральных изображений, предложенный в диссертационный работе, позволяет определить породы деревьев и их качественное состояние. Окончательным этапом является оценка достоверности классификации лесных угодий. Реализация предложенной концепции мониторинга лесов возможна при исследовании различных факторов, влияющих на повышение достоверности 137 результатов автоматизированного дешифрирования изображений. Для этого в диссертационной работе выполнены следующие исследования. - Исследование влияния наличия облачности и расположение облаков относительно лесных угодий. Результаты исследования показали, что наличие облаков на изображении, не покрывающих объект исследования, практически не влияет на значении вегетационного индекса NDVI. - Исследование динамики вегетационных индексов подтверждает их зависимость от стадии фенологического развития. Однако для наиболее эффективного распознавания необходимо использовать вегетационный индекс не как статичный признак. Характерным признаком, в особенности для лиственных пород является не сам вегетационный индекс, а его изменение во времени, которое отражает смену фенологических фаз. Так как разница в скорости фенологического развития разных пород может быть около недели, то желательно подбирать майские и октябрьские снимки, полученные с разностью по времени в одну неделю, что возможно, при использовании снимков полученных, например, со спутников Landsat или Sentinel-2. - Экспериментально доказана эффективность распознавания пород деревьев при использовании комбинации разных вегетационных индексов. - Разработана методика мультиспектральных синтезирования разносезонных индексных и изображений, позволяющая повысить достоверность распознавания пород деревьев. Экспериментально доказано следующее: 1. Синтезирование разносезонных индексных изображений повышает достоверности выделения хвойных от лиственных типов деревьев и достигает 0,77. 2. Синтезирование разносезонных индексных изображений повышает достоверности распознавании пород деревьев и достигает 0,55. 3. Синтезирование разносезонных мультиспектральных изображений повышает достоверности разделения хвойных от лиственных типов деревьев и достигает 0,88. 138 4. Синтезирование разносезонных мультиспектральных повышает достоверности распознавании изображений разных пород деревьев и достигает 0,78. На основании анализа проведенных исследований, можно рекомендовать использование синтезирование разносезонных индексных и мультиспектральных изображений для распознавания пород деревьев в целях повышения достоверности результатов. Предлагаемая методика позволит сократить временные и финансовые затраты получения актуальных данных. - С использованием разработанной методики классификации синтезированных разносезонных изображений выполнен мониторинг изменения площади лесов со сменой преобладающих пород, «Лосиный остров». обновлена карта территории Полученная карта может быть заповедника использована научными организациями и органами государственной власти в качестве актуальной картой лесонасаждений на территорию Лосиного острова, В настоящее время, сотрудники научного отдела парка используют карту лесонасаждений, созданную в1998 году. - В работе изложены научно обоснованные технологические решения, внедрение которых внесёт вклад в развитие и использования лесных угодий Сирии. Выводы и рекомендации могут быть использованы для практического применения лесоустроительными организациями в районах Латакии (Сирия). Результаты экспериментальных исследований, полученные с использованием разработанной в диссертации технологии, позволят оценивать динамику состояния лесов и создавать информационные базы данных. 139 Список литературы 1. Абросимов А.В. Возможности использования данных КА «Ресурс-П» для выявления изменений на земной поверхности / А.В Абросимов., Т.В. Орлов // Геоматика. – 2017. 2. Адамович Т. А., Анализ сезонной и многолетней динамики вегетационного индекса NDVI на территории государственного природного заповедника «Нургуш»/ Т. А. Адамович, Г. Я. Кантор Т. Я. Ашихмина, В. П. Савиных // Теоретическая и прикладная экология. 2018. №1. С. 18-24 3. Алтынов А.Е., Спектрометрирование ландшафтов./ А.Е. Алтынов, В.А. Малинников, С.М. Попов, А.Ф. Стеценко // Учебное пособие для студентов М.: Изд. МИИГАиК. УПП «Репрография», 2010 г., 120 с. 4. Бабаев A.M., Использование повторной аэрофотосъемки для изучения динамики пустынной растительности/ A.M. Бабаев, В.В. Николаев //Журнал «Проблемы освоения пустынь» №2, 1984. 5. Барталев С. А. Разработка методов оценки состояния и динамики лесов на основе данных спутниковых наблюдений: дис., д-р. тех. 01.04.01/ С. А. Барталев. — М 2007. —291 с. 6. Барталев С.А., Стыценко Ф.В., Хвостиков С.А., Лупян Е.А., Методология мониторинга и прогнозирования пирогенной гибели лесов на основе данных спутниковых наблюдений/ С.А. Барталев, Ф.В. Стыценко, С.А, Хвостиков, Е.А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса № 6, 2017, с.176-193. 7. Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В. Спутниковое картографирование растительного покрова России./ С.А. Барталев, В.А. Егоров, В.О. Жарко, Е.А. Лупян, Д.Е. Плотников, С.А. Хвостиков, Н.В. Шабанов - М.: ИКИ РАН, 2016. - 208 с. 8. Барталев С.А., Информационная система дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства РФ (состояние и перспективы развития)/ С.А.Барталев, Д.В. Ершов, Г.Н. Коровин, Р.В.Котельников, Е.А., Лупян, В.Е. Щетинский // Современные проблемы дистанционного зондирования Земли из космоса. 2008. Т. 5. № 2. С. 419-429. 9. Барталев С.А., методы использования временных серий спутниковых изображений высокого пространственного разрешения для оценки масштабов и динамики вырубок таежных лесов/ С.А. Барталева, Т.С. Курятникова, Х.Ю. Стибиг // Современные проблемы дистанционного зондирования земли из космоса,. 2005 . №2. С. 217-227. 10. Барталев С.А., Распознавание пахотных земель на основе многолетних спутниковых данных спектрорадиометра MODIS и локальноадаптивной классификации/ С.А. Барталев, В.А. Егоров, Е.А. Лупян, Д.Е.Плотников, И.А. Уваров // Компьютерная оптика. 2011. Т. 35. № 1. 11. Барталев С.С., Оценка индикаторов состояния лесов Московской области по данным спутниковых наблюдений./ С.С. Барталев // Электронный многопредметный научный журнал «Исследовано в России» том 9 стр. 948-958. 140 12. Богданов А. П., Совершенствование мониторинга лесов путем использования облачных технологий как элемента устойчивого лесоуправления/ А. П. Богданов, А. А. Карпов, Н. А. Демина, Р. А. Алешко // Современные проблемы дистанционного зондирования Земли из космоса. 2018. №1. С. 89-100. 13. Болсуновский М.А., Развитие систем ДЗЗ и информационноаналитического обеспечения данными космической съемки: ближайшие перспективы/ М.А. Болсуновский, Б.А. Дворкин // геоматика. 2010. №4. С. 11-16. 14. Братков В.В., Вегетационные индексы и их использование для картографирования горных ландшафтов российского Кавказа / В.В. Братков, З.Г. Атаев // естественные и технические науки, электронный научный журнал «APRIORI» №1 – 2017. 15. Василейский А.С. Исследование методов совмещения видеоданных дистанционного зондирования: автореф. дисс. … канд. физ.-мат. наук /А.С. Василейский; Ин-т косм. исслед. РАН.-М.,2003.- 24с. 16. Вегетационные индексы. Основы, формулы, практическое использование // [Электронный ресурс] Режим доступа: http://mapexpert.com.ua/index_ru.php?id=20&table=news 17. Владимиров И. Н., Исследования в бассейне Байкала/ Владимиров, А. П. Софронов, А. А. Сороковой, Д. В. Кобылкин, А. А. Фролов // география и природные ресурсы. 2014. №2. С. 44-53. 18. Гаврилова, Л.А. Влияние оконтуривания объектов при дешифрировании на точность определения их площадей /Л.А. Гаврилова // Совершенствование технологий аэро- и геодезических работ для целей агропромышленного комплекса: науч. тр. / МИИЗ.- М., 1989.- С.37-42. 19. Гаврилюк В.А., Методика совместной обработки разносезонных изображений Landsat TM и создания на их основе карты наземных экосистем Московской области/ Е.А. Гаврилюк, Д.В. Ершов // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т.9. №4. С. 15-23. 20. Гаврилюк Е. А., Картографирование наземных экосистем ПечороИлычского заповедника и его окрестностей на основе восстановленных мультивременных спутниковых данных Landsat/ Е.А. Гаврилюк, А. С.Плотникова, Д.Е. Плотников // Современные проблемы дистанционного зондирования Земли из космоса. 2018. №5. С. 141-153. 21. Гаврилюк Е. А., Оценка пространственного распределения видов деревьев заповедника «брянский лес» и его охранной зоны на основе разносезонных спутниковых данных landsat/ Е.А. Гаврилюк, А. В. Горнов, Д.В. Ершов // бюллетень брянского отделения русского ботанического общества. 2018. №3. С. 13-23. 22. Гаврилюк Е.А., Ершов Д.В. Тематическое картографирование породной структуры лесов на основе спутниковых изображений LandsatTM/ETM+/ Е.А. Гаврилюк, Д.В. Ершов // Пятая Всероссийская конференция с международным участием «Аэрокосмические методы и геоинформационные технологии в лесоведении и лесном хозяйстве». Москва, ЦЭПЛ РАН, 22–24 апреля 2013. Сборник трудов конференции. С. 112-115. 141 23. Гаврилюк Е.А., Тематическая обработка спутниковых данных Landsat при картографировании лесной растительности (на примере ЦФО)/ Е.А. Гаврилюк, Д.В. Ершов // Геоинформационные технологии в решении задач рационального природопользования: Материалы II Всероссийской научнопрактической конференции/ АУ «Югорский НИИ информационных технологий». − Ханты-Мансийск : Югорский формат, 2015, № 3, С. 403-416. 24. Гребень А.С., Анализ основных методик прогнозирования урожайности помощью данных космического мониторинга, применительно к зерновым культурам степной зоны Украины / А.С. Гребень, И.Г. Красовская // радиоэлектронные и компьютерной системы. - 2012. - №2. - С. 170. 25. Грингоф И.Г., Основы сельскохозяйственной метеорологии. Том I. Потребность сельскохозяйственных культур в агрометеорологических условиях и опасные для сельскохозяйственного производства погодные условия. / И.Г. Грингоф, А.Д. Клещенко// Обнинск: ФГБУ «ВНИИГМИ-МЦД», 2011. – 808 с. 26. Гук А.П. Планирование экспериментальных работ по исследованию автоматизированных технологий дешифрирования многозональных космических снимков/А. П. Гук, Л. Г. Евстратова // ГЕО-СИБИРЬ-2008. -Новосибирск: СГГА, 2008. т. 3,N ч. 1.- С.С. 102-10 27. Дейвис Ш.М., Дистанционное зондирование: количественный подход/ Ш.М. Дейвис, Д.А. Лангебе. Т.Л. Филлипс [и др.]; под ред. Ф. Свейна, Ш. Дейвис.-М.: Недра, 1983.- 415с. 28. Елагин И. Времена года в лесах России. Новосибирск/ И. Елагин // ВО «Наука». Сибирская издательская фирма, 1994. 272 с. 29. Жарко В.О., Оценка распознаваемости древесных пород леса на основе спутниковых данных о сезонных изменениях их спектральноотражательных характеристик/ В.О. Жарко, С.А. Барталев // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 3. 30. Жирин В. М., Динамика спектральной яркости породно-возрастной структуры групп типов леса на космических снимках landsat/ В. М. Жирин, С. В. Князева, С. П. Эйдлина // лесоведение. 2014. №5. С. 3-12. 31. Жирин В.М., Оценка возможностей дешифрирования лесообразующих пород по космическим снимкам IKONOS/ В. М. Жирин, С. В. Князева // Современные проблемы дистанционного зондирования земли из космоса . 2009. №6. С. 373-379. 32. Заславский А. А., Пригарина Т. А. Оценка согласованности субъективных классификаций при заданных классах // Социология: методология, методы, математическое моделирование (4М). 1994. Том. 0. № 3-4. С. 84-109. 33. Исаев А. С., Спутниковое зондирование ― уникальный инструмент мониторинга лесов России/ А. С.Исаев, С. А. Барталев, Е. А. Лупян, Н. В. Лукина // Вестник Российской Академии Наук. 2014. Т. 84. № 12. С. 1073–1079. 34. Исаев А.С., Дистанционное зондирование лесного покрова: состояние и перспективы/ А.С. Исаев, Г.Н. Коровин, В.И. Сухих, Ф.И. Плешиков// Дистанционное зондирование земного покрова и атмосферы аэрокосмическими средствами. Муром, 2001, с. 9-12. 142 35. Казарян М.Л., Мониторинг лесных массивов с помощью космических снимков-контроль вырубок леса/ М.Л. Казарян, М.А. Шахраманьян // современные проблемы науки и образования . 2015. №1. С. 1763 36. Казяк, Е. В. Спектральные преобразования космических снимков Landsat 8 для картографирования растительности агроэкосистем / Е. В. Казяк, А. В. Лещенко // Интерэкспо ГЕО-Сибирь-2015. XI Междунар. науч. конгр.: Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология»: сб. материалов в 2 т. (Новосибирск, 13–25 апреля 2015 г.). – Новосибирск: СГУГиТ, 2015. Т. 1. –С. 79–83. 37. Карта растительности Центрального Федерального округа РФ [Электронный ресурс] – Режим доступа http://mapserver.cepl.rssi.ru/VM/VMFO1.html 38. Космическая съемка. Компания Сканэкс [Электронный ресурс].Режим доступа: http://www.scanex.ru/data/satellites/?p=3 39. Кертешев Т.С., Методика космического мониторинга процессов опустынивания и деградации земель и ее апробация на аралосырдариинской и илебалхашской проектных территориях./ Т.С. Кертешев, В.Р. Светлаков // Республики Казахстан: 2017. 71 с. 40. Книжников Ю. Ф., Аэрокосмические методы географических исследований: Учеб. для студ. высш. учеб. Заведений/ Ю. Ф. Книжников, В.И. Кравцова, О. В. Тутубалина // М.: Издательский центр «Академия», 2004. — 336 с. 41. Книжников Ю. Ф., Аэрокосмические методы географических исследований: Учеб. для студ. высш. учеб. Заведений / Ю. Ф. Книжников, В.И. Кравцова, О. В. Тутубалина - М.: Издательский центр «Академия», 2004. — 336 с. 42. Книжников Ю.Ф., Аэрокосмические методы географических исследований./ Ю.Ф. Книжников, В.И. Кравцова, О.В. Тутубалина – М.: «Академия», 2004. –336с 43. Книжников, Ю.Ф. Зависимость точности компьютерных стереоизмерений от разрешения дисплея / Ю.Ф. Книжников// Изв. вузов. Геодезия и аэрофотосъёмка.- 2006.-№4.- C. 79-87. 44. Книжников, Ю.Ф. О точности визуальных измерений на компьютере / Ю.Ф. Книжников// Геодезия и картография.- 2005.-№1.- C.13-17. 45. Козодеров В.В., Аэрокосмическое зондирование почвеннорастительного покрова: модели, алгоритмическое и программное обеспечение, наземная валидация/ В.В. Козодеров, Е.В. Дмитриев // Исслед. Земли из космоса. 2010. № 1.С. 69–86. 46. Козодеров В.В., Дмитриев Е.В. Аэрокосмическое зондирование почвенно-растительного покрова: модели, алгоритмическое и программное обеспечение, наземная валидация // Исслед. Земли из космоса. 2010. № 1.С. 69–86. 47. Комарова А. Ф., Открытые мультиспектральные данные и основные методы дистанционного зондирования в изучении растительного покрова/ А. Ф. 143 Комарова, И. В. Журавлева, В. М. Яблоков // принципы экологии научный электронный журнал. 2016. №1. С. 40-74. 48. Королева Н.В., Ершов Д.В. Оценка погрешности определения площадей ветровалов по космическим изображениям высокого пространственного разрешения Landsat-TM/ Н.В. Королева, Д.В. Ершов // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 1. С. 80-86. 49. Кринов Е. Л. , Спектральная отражательная способность природных образований / Л. Кринов. Е.. – М. : Академии наук СССР, 1947. – 247 c. 50. Крылов А.М., Выявление и оценка площадей катастрофических ветровалов 2009-2010 гг. по данным космической съемки/ А.М. Крылов, Н.А. Владимирова, Е.Г. Малахова // Известия Санкт-Петербургской лесотехнической академии. 2012. Вып. 200. С. 197-207. 51. Курбанов Э. А., Распознавание лесных насаждений и доминирующих древесных пород Пензенской области по данным спутника Sentinel-2/ Э. А. Курбанов, О. Н. Воробьев, С. А. Меньшиков, Л. Н. Смирнова // Современные проблемы дистанционного зондирования Земли из космоса. 2018. №5. С. 154-166 . 52. Лабутина И.А., Использование данных дистанционного зондирования для мониторинга экосистем оопт/ И.А. Лабутина, Е.А. Балдина // Методическое пособие - Москва • 2011. 53. Лабутина И.А., Практикум по курсу "дешифрирование аэрокосмических снимков "/ И.А. Лабутина, Е.А. Балдина // Учебное пособие. М.: Географический факультет МГУ, 2013.168с. 54. Лебедева Т.А., Комплексный мониторинг и эколого-экономическая оценка лесных земель на территориях интенсивного недропользования/ Т.А. Лебедева, Ю.Ю. Копылова, А.И. Гагарин // Известия Самарского научного центра Российской академии наук. 2015. №5. С. 500-504. 55. Лекции по дисциплине АКМ в тематической картографии 7 семестр [Электронный ресурс] Режим доступа: http://lib.ssga.ru/fulltext/UMK/ 56. Лимонов А. Н., Научные основы фотограмметрии и дистанционного зондирования/ А. Н. Лимонов, Л. А. Гаврилова // электронный учебник; ФГБОУ ВПО Государственный университет по землеустройству, кафедра аэрофотогеодезии. - Москва: ГУЗ, 2014. 335 с. 57. Лимонов А. Н., Научные основы фотограмметрии и дистанционного зондирования/ А. Н. Лимонов, Л. А. Гаврилова // электронный учебник; ФГБОУ ВПО Государственный университет по землеустройству, кафедра аэрофотогеодезии. - Москва: ГУЗ, 2014. 335 с. 58. Лимонов А.Н. Разработка теоретических и методологических положений применения дистанционных методов для информационного обеспечения мониторинга земель// Лимонов А.Н.// ФГБОУ ВПО Государственный университет по землеустройству, кафедра аэрофотогеодезии. Москва: ГУЗ, 2014. 279 с. 59. Лупян Е.А., Информационная система комплексного дистанционного мониторинга лесов «Вега-Приморье»/ Е.А. Лупян, С.А. Барталев, И.В. Балашов, 144 С.С. Барталев, М.А. Бурцев, В.А. Егоров, В.Ю. Ефремов, В.О. Жарко, А.В. Кашницкий, П.А. Колбудаев, Л.С. Крамарева, А.А. Мазуров, А.Ю. Оксюкевич, Д.Е. Плотников, А.А. Прошин, К.С. Сенько, И.А. Уваров, С.А. Хвостиков, Т.С. Ховратович // Современные проблемы дистанционного зондирования Земли из космоса. 2016. №5. С. 11-28. 60. Лупян Е.А., Использования спутникового сервиса ВЕГА в региональных системах дистанционного мониторинга/ Е.А.Лупян, С.А. Барталев, В.А. Толпин, В.О. Жарко // Современные проблемы дистанционного зондирования Земли из космоса. 2014. №3. С. 215-232. 61. Лупян Е.А., Спутниковый сервис мониторинга состояния растительности (Вега)/ Е.А. Лупян, И.Ю. Савин, С.А. Барталев, В.А. Толпин, И.В. Балашов, Д.Е. Плотников // Современные проблемы дистанционного зондирования Земли из космоса. 2011. №1. С. 190-198. 62. Лурье И.К. Геоинформационное картографирование Методы геоинформатики и цифровой обработки космических снимков: учебник / И.К. Лурье. – М.: КДУ, 2008. – 424 с. 63. Малахова Е.Г., Опыт применения дистанционных наблюдений для выявления повреждений лесов/ Е.Г. Малахова, А.М. Крылов, Н.А. Владимирова, М.Н. Ягунов, Д.В. Ершов, Н.В. Королева // аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии. 2016. С. 47-48. 64. Малинников В.А., Спектрометрирование аэроландшафта. / В.А. Малинников, А.Ф. Стеценко, А.Е. Алтынов, С.М. Попов // Учебное пособие для студентов М.: Изд. МИИГАиК. УПП «Репрография», 2008 г., 120 с. 65. Малышева Н.В. Автоматизированное дешифрирование аэрокосмических изображений лесных насаждений./ Н.В. Малышева // М.: Издательство Московского государственного университета леса, 2012. 154 с. 66. Маркс А. Мониторинг лесов с помощью группировки спутников RapidEye/ А. Маркс// Геоматика. 2011. №3. С. 58-66. 67. Марчуков В.С., Дешифрирование растительного покрова с использованием спектрально-временных признаков/ В.С. Марчуков, Е.А. Стыценко // Исследование Земли из космоса. 2012, № 1, с. 77–88. 68. Марчуков В.С., Дешифрирование растительного покрова с использованием спектрально-временных признаков/ В.С. Марчуков, Е.А. Стыценко // Исследование Земли из космоса. 2012, № 1, с. 77–88. 69. Миртова И.А. Учебное пособие по курсу «Дешифрирование снимков». Изучение динамики природных процессов и объектов по аэро- и космическим снимкам / И.А. Миртова // M.: МГУГиК – 77 стр. 2006. 70. Мониторинг лесных земель: учеб.-метод. пособие / Новосиб. гос. аграр. ун-т. Агроном. фак.; сост: Л. П. Галеева – Новосибирск: Изд-во НГАУ «Золотой колос», 2016. – 147 с. 71. Назаров, А.С. Дистанционное зондирование: съёмочные системы и специфика фотограмметрической обработки / А.С. Назаров 145 //Автоматизированные технологии изысканий и проектирования.-2004.- №14.С.70-77. 72. Нехин, С.С. Цифровая фотограмметрическая система для создания и обновления карт и планов, получения информации для ГИС / С.С Нехин, Г. А Зотов // Пятая конференция «Проблемы ввода и обновления пространственной информации ».- М, -2000 .- С.107. 73. Оптические снимки. Компания Ракурс [Электронный ресурс].- Режим доступа: http://racurs.ru/ers-data/optical-images/ 74. Павловна Ж. Е., Модели компьютерного зрения в задачах дистанционного зондирования земли / Ж. Е. Павловна, Г. Я. Юрьевич , Г. А. Леонидов // Постулат. - 2018. - №4. 75. Письман Т. И., Оценка состояния лесной растительности Красноярского края (заповедник «Столбы») по спутниковым данным/ Т. И. Письман, И. Ю. Ботвич, А. П. Шевырногов // Современные проблемы дистанционного зондирования Земли из космоса. 2018. №5. С. 130-140. 76. Попович П.Р., Мониторинг состояния земель / П.Р. Попович, А.Е. Басманов, В.В. Горбачёв, М.В. Сумерин, И.К. Бельченко.-М.: Буквица, 2000.384с. 77. Плотников Д. Е., Автоматическое распознавание используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat/ Д. Е. Плотников, П. А. Колбудаев, С. А. Барталев, Е. А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса. 2018. №2. С. 112-127. 78. Плотников Д.Е., Разработка методов дистанционной оценки растительного покрова на основе многолетних спутниковых измерений квазипериодических вариаций спектральной яркости: дис. канд. физ.-мат. наук: 01.04.01 / Д. Е Плотников. – М., 2012 79. Рачкулик В. И., Отражательные свойства и состояние растительного покрова./ В. И. Рачкулик, М. В. Ситникова - Ленинград, “Гидрометеоиздат”, 1981. 80. Родионов, Б.Н. Динамическая фотограмметрия / Б.Н. Родионов.- М.: Недра, 1983.-311с. 81. Российские космические системы [Электронный ресурс] / Режим доступа: http://russianspacesystems.ru/#5 82. Стыценко Е.А. Возможности распознавания сельскохозяйственных угодий с использованием методики совместной автоматизированной обработки разносезонных многозональных космических изображений/ Е.А. Стыценко // Современные проблемы дистанционного зондирования Земли из космоса. 2017. №5. С. 172-183. 83. Стыценко Ф .В. Разработка и применение методики и автоматизированной технологии оценки пирогенной гибели лесов на основе спутниковых данных: дис. канд. тех. наук: 25.00.34./ Стыценко Ф .В. М., 2016. 131 с. 146 84. Стыценко Ф. В. Разработка и применение методики и автоматизированной технологии оценки пирогенной гибели лесов на основе спутниковых данных: дис. канд. тех. наук: 25.00.34. / Ф. В. Стыценко - М., 2016. 131 с. 85. Сутырина Е. Н. Дистанционное зондирование земли : учеб. пособие /Е. Н. Сутырина. – Иркутск : Изд-во ИГУ, 2013. – 165 с. 86. Терехин Э.А. Анализ сезонной динамики вегетационного индекса NDVI и отражательных свойств посевов кукурузы на территории Белгородской области/ Э.А. Терехин // Современные проблемы дистанционного зондирования Земли из космоса. 2014. №4. С. 244-253. 87. Терехин Э.А. Анализ спектральных свойств сельскохозяйственной растительности белгородской области по спутниковым данным MODIS/ Э.А. Терехин // Серия Естественные науки.. 2013. № 23. С. 150-156. 88. Терехин Э.А. Информативность спектральных вегетационных индексов для дешифрирования сельскохозяйственной растительности/ Э.А. Терехин // Современные проблемы дистанционного зондирования Земли из космоса. 2012 Т. 9. №4. С. 243-248 . 89. Токарева О.С. Обработка и интерпретация данных дистанционного зондирования Земли: учебное пособие/ О.С. Токарева // Томский политехнический университет. Томск: Изд-во Томского политехнического университета, 2010. 148 с. 90. Федотова Е.В., Анализ сезонной динамики растительного покрова на основе данных дистанционного зондирования Земли / Е.В. Федотова, А.А. Жолудев, В.Г. Изосимов, Ю.Д. Шпирук, Ю.А. Маглинец, Г.М. Цибульский // Журнал Сибирского федерального университета. 2014. №7. С. 976-983. 91. Федотова Е.В., Жолудев А.А., Изосимов В.Г., Шпирук Ю.Д., Маглинец Ю.А., Цибульский Г.М. Анализ сезонной динамики растительного покрова на основе данных дистанционного зондирования Земли // Журнал Сибирского федерального университета. 2014. №7. С. 976-983. 92. Фиалков Д.Н. Некоторые возможности использования повторных аэросъемок при изучении изменений в условиях физико-географической среды / Д.Н. Фиалков // Изв. Омского отдела ГО СССР, вып.7(14), 1965 93. Филиппов Д. В. Исследование особенностей спектральноотражательных характеристик растительного покрова и почв в зонах углеводородных аномалий в целях тематического дешифрирования аэрокосмической информации: дис. канд. тех. наук: 25.00.34. / Д. В. Филиппов М., 2003. 122 с. 94. Хамедов В.А. использование снимков с российского космического аппарата "ресурс-п" №1 для оценки точности определения площадей лесных рубок по данным спутника "LandsaT-8"/ В.А. Хамедов // Геоинформационные технологии в решении задач рационального природопользования. 2015. С. 36-38 95. Цыдыпов Б. З.Обработка данных дистанционного зондирования земной поверхности с помощью программного продукта ScanMagic/ Б. 147 З.Цыдыпов // учебно-методическое пособие. – Улан-Удэ: Издво БГСХА им. В. Р. Филиппова, 2008. – 43 с. 96. Чабан Л.Н., Автоматизированная обработка аэрокосмической информации при картографировании геопространственных данных: Учебное пособие. – М.: МИИГАиК,– 104 с . 97. Чандра А. М., Гош С. К. Дистанционное зондирование и географические информационные системы/ А. М. Чандра, С. К. Гош // Пер. с англ. А.В. Кирюшина. – Москва: Техносфера, 2008. – 312 с. 98. Чекалин, В.Ф. Ортофототрансформирование фотоснимков /В.Ф. Чекалин.-М.: Недра, 1986.- 166с. 99. Черепанов А.С., Спектральные свойства растительности и вегетационные индексы / А.С. Черепанов // Геоматика. – 2009. - №3. с.28-32. 100. Черепанова, Е. С. Использование индекса растительности (NDVI) как метода контроля за состоянием лесных ресурсов Пермского края / Е. С. Черепанова, С. Ю. Девятков. // сб. науч. тр. – Пермь,– 2008. – С. 155-166. 101. Шарикалов А.Г., Якутин М.В. Анализ состояния таежных экосистем с использованием методики автоматизированного дешифрирования // Известия Алтайского государственного университета. 2014. № 3 (83). Т. 1 С. 123–127. 102. Шихов А.Н., Оценка подверженности бореальных лесов Урала воздействию лесных пожаров и ветровалов по многолетним рядам спутниковых наблюдений/ А.Н. Шихов, С.И. Перминов, Е.С. Киселева // Современные проблемы дистанционного зондирования Земли из космоса. 2017. №4. С. 87–102. 103. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений./ Р.А. Шовенгердт // Техносфера, Москва 2010, - 560 с., 32 с. 104. Albert J. Peters, Elizabeth A. WalterShea, Lel JI, Andres Vliia, Mlchael Hayes, and Mark D. Svoboda., Drought Monitoring with NDVI-Based Standardized Vegetation Index. Photogrammetric engineering & remote sensing.2002, p.71-79. 105. Ahern ،F. J. ،Erdle ،T. ،Maclean ،D. A. ،and Kerppeck ،I. D. (1991). A quantitative relationship between forest growth rates and Thematic Mapper reflectance measurements. Int. J. Rem. Sens. 12 ،387–400. 106. Bayan Alsaaideh, Ahmad Al-Hanbali, Ryutaro Tateishi,Toshiyuki Kobayashi, Nguyen Thanh Hoan Mangrove Forests Mapping in the Southern Part of Japan Using Landsat ETM+ with DEM // Journal of Geographic Information System. 2013. №5. С. 369-377. 107. Björn Waske, Classifier ensembles for land cover mapping using multitemporal SAR imagery / Björn Waske, Matthias Braun // ISPRS Journal of Photogrammetry and Remote Sensing.- 2009.-Vol. 64.- P. 450-457. 108. Chander G., Markham B., Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges // IEEE Transaction on Geoscience and Remote Sensing, vol 41, number 11, November 2003, pp. 2674-2677 . 109. CNES. Centre National d'Etudes Spatiales [Electronic resource] Mode of access :https://spot.cnes.fr/en/SPOT/index.htm 148 110. Cohen, W. B. and M. Fiorella, (1998) "Comparison of methods for detecting conifer forest change with thematic Mapper imagery. " In R. S. Lunetta, & C. D. Elvidge (Eds) Remote Sensing change detection: environmental monitoring methods and applications, pp. 89-102 Ann Arbor, Ml: Ann Arbor press. 111. Copernicus Satellites – EUMETSAT [Electronic resource] / Mode of access: https://www.eumetsat.int/website/home/Satellites/FutureSatellites/CopernicusSatellites/ Sentinel4/index.html 112. Czaplewski R. Variance approximations for assessments of classification accuracy // Fort Collins: US Department of Agriculture, Forest Service. Research paper RM–316. – 1994. – 30 p. 113. Epting, J.; Verbyla, D. Landscape-level interactions of prefire vegetation, burn severity, and postfire vegetation over a 16-year period in interior Alaska. Can. J. For. Res. 2005, 35, 1367–1377. 114. Epting, J.; Verbyla, D.; Sorbel, B. Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+. Remote Sens. Environ. 2005, 96, 328–339. 115. ESA Sentinel-2 [Электронный ресурс] /Mode of access: https://sentinel.esa.int/web/sentinel/missions/sentinel-2 116. Gao B., NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment, 58, 1996, pp. 257-266. 117. https://landsat.usgs.gov/sites/default/files/documents/Landsat8DataUsersH andbook.pdf. 118. Jean Carletta Assessing agreement on classification tasks: the kappa statistic // Association for Computational Linguistics. 1996. №2. С. 17-23. Volume 22 119. Jenness, J., and J.J. Wynne. 2005. Cohen’s Kappa and classifi cation table metrics 2.0: an ArcView 3x extension for accuracy assessment of spatially explicit models: U.S. Geological Survey Open-File Report OF 2005-1363. U.S. Geological Survey, Southwest Biological Science Center, Flagstaff, AZ. 120. Justice C.O., Townshend J.R.G. , Vermote E.F. , Masuoka E. , Wolfe R.E. , Saleous N., Roy D.P., Morisette J.T., An overview of MODIS Land data processing and product status, Remote Sensing of Environment 83. 2002. p 3 – 15 121. Landsat Data Users Handbook. Version 1.0. June 2015 [Electronic resource] // Официальный сайт USGS. Landsat Missions. – Mode of access: https://landsat.usgs.gov/sites/default/files/documents/Landsat8DataUsersHandbook.pdf. 122. landsat science [Electronic resource] /Mode of access: https://landsat.gsfc.nasa.gov/sentinel-2a-launches-our-compliments-our-complements/ 123. Landsat-7 [Electronic resource] // Официальный сайт geoportal Directory. 124. landsat-7., Mode of access : https://directory.eoportal.org/web/eoportal/satellite-missions/l/. 125. Laurent Durieux A method for monitoring building construction in urban sprawl areas using object-based analysis of Spot 5 images and existing GIS data / 149 Laurent Durieux, Erwann Lagabrielle, Andrew Nelson //ISPRS Journal of Photogrammetry and Remote Sensing.- 2008.- Vol. 63.- Issue 4.- P. 399-408 126. Lu D. The potential and challenge of remote sensing-based biomass estimation // International journal of remote sensing. 2006. Vol. 27. № 7. P. 1297-1328. 127. Rees, W.G. Physical Principles of Remote Sensing. / Cambridge University Press.-Great Britain, 1990. - 247p. 128. NASA. Landsat Science [Electronic resource]. – Mode of access: http://landsat.gsfc.nasa.gov. 129. Rouse J.W., Haas R.H., Schell J.A., Deering D.W. Monitoring vegetation systems in the Great Plains with ERTS // Third ERTS Symposium, NASA SP-351 I, 1973, P. 309-317. 130. Stefanidou A., Dragozi E., Tompoulidou M., Gitas I. Z. Forest/non forest mapping using landsat thematic mapper imagery and artificial neural networkS (ANNs) // Вестник ПГТУ. 2015. №1. P. 22-33. 131. USGS. Landsat Missions [Electronic resource]. – Mode of access: https://landsat.usgs.gov.) 132. Wu, Z.; He, H.; Liang, Y.; Cai, L.; Lewis, B. Determining relative contributions of vegetation and topography to burn severity from LANDSAT imagery. Environ. Manag. 2013, 52, 821–836. 133. О.Н. Воробьев, Мониторинг состояния растительного покрова на территории республики марий эл с использованием envisat meris/ О.Н. Воробьев, Э.А. Курбанов // Лесной вестник №7, 2013, с.42-45. 150
