CC BY
37
УДК 528.8
ОЦЕНКА ТОЧНОСТИ МЕТОДОВ АНАЛИЗА ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ В ПРОЦЕССЕ МОНИТОРИНГА ЭКОСИСТЕМ В ПОДЗОНЕ СЕВЕРНОЙ ТАЙГИ
Андрей Геннадьевич Шарикалов
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры экологии и природопользования, тел. (383)361-08-86, e-mail: sharikalov.andrey@gmail.com
Михаил Владимирович Якушин
Институт почвоведения и агрохимии СО РАН, 630090, Новосибирск, пр. Академика Лаврентьева, 8/2, доктор биологических наук, доцент, старший научный сотрудник лаборатории биогеоценологии; Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, профессор кафедры экологии и природопользования, тел. (383)363-90-25, e-mail: yakutin@issa.nsc.ru
Проведена оценка точности алгоритмного дешифрирования при анализе состояния экосистем на территории Сугмутского месторождения нефти в Ямало-Ненецком Автономном Округе. Продемонстрировано, что предложенная методика дешифрирования территорий в северной тайге, обладает высокой эффективностью при выделении территорий хвойных лесов, а также других видов земель.
Ключевые слова: Западная Сибирь, ЯНАО, северная тайга, нефтедобыча, дистанционное зондирование Земли, мониторинг, алгоритмное дешифрирование.
THE ASSESSMENT OF THE ACCURACY OF THE DATA ANALYSIS METHODS OF EARTH REMOTE SENSING DURING THE MONITORING OF ECOSYSTEMS IN THE SUBZONE OF NORTHERN TAIGA
Andrei G. Sharikalov
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., post graduate student, department of ecology and nature use, tel. (383)361-08-86, e-mail: sharikalov.andrey@gmail.com
Mikhail V. Yakutin
Institute of Soil Science and Agrochemistry SB RAS, 630090, Russia, Novosibirsk, 8/2 Akademician Lavrentjev Avenue, ScD, assistant professor, senior researcher of laboratory of biogeocenology; Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., professor of department of ecology and nature use, tel. (383)363-90-25, e-mail: yakutin@issa.nsc.ru
The accuracy algorithmname interpretation in the analysis of the state of ecosystems on the territory of the Sugmutsk oil fields in the Yamalo-Nenets Autonomous District is made. It is demonstrated that the technique of interpretation of territories in the Northern taiga, has a high efficiency in the allocation of areas of coniferous forests, as well as other types of lands.
Key words: Western Siberia, YaNAO, northern taiga, oil production, remote sensing, monitoring, algorithmname interpretation.
Основным агентом воздействия на природный экосистемы в таежной зоне Западной Сибири является нефте- газодобывающая промышленность. Разработка нефтегазовых месторождений в Западной Сибири началась в 1963-1964 гг. Расширение нефте- газодобычи в регионе привело к развитию городской промышленности, коммунального хозяйства и дорожно-транспортной сети. При этом темпы добычи постоянно нарастали, а площади отчужденных и загрязненных земель расширялись. В настоящее время значительная часть нефтяных запасов крупнейших месторождений Западной Сибири выработана на 60-70%, и идет постепенное сокращение объемов добычи нефти и газа. Но площадь нарушенных экосистем продолжают увеличиваться за счет освоения новых месторождений, развития и реконструкции старых, разработка, которых не достигла плановых величин [1].
При освоении нефтяных и газовых месторождений в подзоне северной тайги значительное воздействие оказывается на состояние многолетнемерзлых пород, в большинстве случаев находящихся под защитой тонкого почвенно-растительного (мохово-торфяного) покрова и леса. Глубинные изменения могут произойти в процессе бурения скважин, при сооружении наземных строений и различных коммуникаций Корневая система северных лесов расположена близко к поверхности земли. Гибель древесной растительности в этих условиях часто происходит в результате неправильной эксплуатации земельных участков, ведущей к вытаиванию земли и к повреждению корней [2].
При обустройстве нефте- газопромыслов интенсивно вырубаются значительные участки леса. Это приводит, с одной стороны, к растеплению много-летнемерзлых пород, с другой - к сокращению площадей лесотундры, пастбищ, охотничьих, ягодных и грибных угодий. Вырубка леса в зоне лесотундры приводит к сдвигу границы этой зоны на юг по коридорам вырубок трассы нефтегазопроводов [2].
Таким образом, в процессе активизации нефтегазового промысла на территории Западной Сибири наблюдается неуклонный рост антропогенного воздействия на таежные экосистемы по площади и по интенсивности. Такое воздействие характеризуется значительным, часто необратимым изменением ландшафтов, как в границах землеотвода, так и за его пределами.
Дистанционное зондирование Земли - это процесс, посредством которого собирается информация об объекте, территории или явлении без непосредственного контакта с ним. В последнее время существенно возросли объем, разнообразие и качество материалов ДЗ. К настоящему времени накоплен огромный фонд (более 100 миллионов) аэрокосмических снимков, полностью покрывающих всю поверхность Земли. Для значительной части районов имеется возможность многократного перекрытия [3].
Использование данных дистанционного зондирования Земли для исследования изменения ландшафтов в зоне действия объектов нефтегазового промысла является весьма перспективным мониторинговым направлением. Целью аэрокосмического мониторинга в этом случае является получение достоверной информации о состоянии окружающей среды для обеспечения безаварийного
функционирования объекта, оптимизация природопользования на нарушенных участках в целях организации управления природными процессами, а также обеспечения территориальной привязки рекомендуемых природоохранных мероприятий [4].
Полученные космические снимки не могут быть непосредственно использованы в работе. Необходима модификация данных с целью улучшения зрительного восприятия изображения, либо преобразование его в форму, более удобную для дальнейшего анализа; а также классификация - тематическая обработка, которая позволяет производить автоматизированное разбиение снимков на однородные по какому-либо критерию области. Получающееся в результате изображение является тематической картой. Различают два основных методологических подхода к проведению классификации: классификацию с обучением и автоматическую классификацию. В случае классификации с обучением, задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об исследуемом участке земной поверхности. Методологической основой автоматической классификации является кластерный анализ, в ходе которого пытаются определить все встречаемые типы объектов при некотором уровне обобщения, а задача их интерпретации решается на втором этапе. Существуют алгоритмы сочетающие элементы классификаций с обучением и автоматической классификацией. Часто возникает необходимость тематической корректировки результатов классификации, особенно автоматической, выполняемой фактически по информационным характеристикам объектов. Для этого используется целый набор процедур: слияние классов, разделение классов, устранение мелких ложных объектов, сглаживание границ объектов и т.п. Важным этапом в процессе классификации является оценка точности полученных изображений. Данная область обработки ДЗ в настоящее время довольно интенсивно развивается: появляются новые классификаторы, основанные на последних достижениях в области моделирования искусственного интеллекта и других областях прикладной математики [3, 5, 6, 7].
Цель данной работы состояла в оценке точности двух методов анализа данных дистанционного зондирования Земли в процессе мониторинга экосистем в подзоне северной тайги Западной Сибири. Для выполнения этой работы было проведено алгоритмное дешифрирование (классификация) двух космических снимков на территорию Сугмутского нефтяного месторождения (2011 год съемки). Сугмутское нефтяное месторождение находится в разработке с 1995 года и, соответственно, характеризуется значительными площадям объектов промышленности, инженерной и транспортной инфраструктуры, а также наличием деградированных земель [8]. Параллельно с алгоритмным дешифрированием было проведено эталонное камеральное дешифрирование этого снимка, с использованием имеющихся топографических данных (рисунок). Результаты сравнения данных представлены в таблице.
Под деградированными землями в данной работе подразумеваются лишенные растительности незастроенные территории. В результате анализа ошибки ал-горитмного дешифрирования Сугмутского месторождения было установлено, что
с наилучшей точностью исследуемым алгоритмом классифицируются хвойный лес, водные объекты, болота и площадные промышленные объекты.
а) б)
Рис. Сравнение результатов алгоритмного (а) и эталонного (б) дешифрирования Сугмутского нефтяного месторождения (снимок 2011 года) (1 - объекты промышленности, 2 - деградированные земли, 3 - болота, 4 - водные объекты, 5 - хвойные лес, 6 - смешанный и лиственный лес)
Низкая точность результатов алгоритмного дешифрирования (классификации) данных по выделам: смешанный и лиственный лес, деградированные земли, а также линейные объекты транспортной инфраструктуры, - указывает на необходимость использования иного алгоритма классификации, либо исходного набора данных для более точного их выделения и соответствующих вычислений.
Таким образом, в результате оценки точности алгоритмного дешифрирования можно сделать вывод о высоком качестве выделения территорий занятых хвойными лесами. Также приемлемые результаты получаются при использовании данного алгоритма дешифрирования для анализа территорий занятых водно-болотными угодьями, объектами промышленности и транспортной инфраструктурой, за исключением объектов имеющих значительную протяженность при малой ширине (линейных объектов).
Таблица
Оценка точности алгоритмного дешифрирования Сугмутского нефтяного месторождения (снимок 2011 года)
Наименование Доля площади Площадь, занимаемая выделом, км2 Относительное
выдела занимаемой выделом, % отклонение, %
алгоритмное дешифри- эталонное дешифри- алгоритмное дешифри- эталонное дешифри-
рование рование рование рование
Деградирован- 7,94 6,15 39,87 30,87 +29,11
ные земли
Водные 23,14 22,72 116,20 114,10 +1,84
объекты
Объекты про- 2,25 2,05 11,31 10,31 +9,76
мышленности и
транспорта
Хвойный лес 5,44 5,45 27,29 27,35 -5,45
Смешанный и 8,05 11,45 40,43 57,47 -29,69
лиственный лес
Болота 53,18 52,18 267,00 262,00 +1,92
Общая площадь 100,00 100,00 502,10 502,10
Необходимо использовать иной алгоритм классификации либо дополнительные исходные данные, если исследование касается деградированных земель, территорий, занятых лиственными и смешанными лесами, а также линейных объектов транспортной инфраструктуры.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Васильев С. В. Воздействие нефтегазодобывающей промышленности на лесные и болотные экосистемы. - Новосибирск: Наука, 1998. - 136 с.
2. Панов Г. Е., Петряшин Л. Ф., Лысяный Г. Н. Охрана окружающей среды на предприятиях нефтяной и газовой промышленности. - М.: Недра, 1986. - 244 с.
3. Чандра А. М., Гош С. К. Дистанционное зондирование и географические информационные системы. - М.: Техносфера, 2008. - 312 с.
4. Седых А. Д. Экологические проблемы газовой промышленности. - М.: Нефть и газ, 1996. - 25 с.
5. Шарикалов А. Г., Якутии М. В. Геоэкологический анализ состояния антропогенных экосистем // Вестник СГГА. - 2011. - Вып. 3 (16). - С. 95-100.
6. Шарикалов А. Г., Якутин М. В. Анализ состояния таежных экосистем с использованием методики автоматического дешифрирования // Известия Алтайского государственного университета. - 2014. - № 3/1. - С. 123-127.
7. Якутин М. В., Ван А. В., Шарикалов А. Г. Динамика площадей экосистем на территории мамонтовского месторождения нефти (Западная Сибирь) // Изв. вузов. Геодезия и аэрофотосъемка. - 2013. - № 4/1. - С. 167-170.
8. Клещев К. А., Шеин В. С. Нефтяные и газовые месторождения России: справочник: В 2 кн. - Кн. 2. Азиатская часть России. - М.: ВНИГНИ, 2010. - 711 с.
©А. Г. Шарикалов, М. В. Якутия, 2016
