CC BY
338
УДК 528.854
АВТОМАТИЗИРОВАННЫЙ МОНИТОРИНГ ПЛОЩАДЕЙ АКВАТОРИЙ ОЗЕР И ВОДОХРАНИЛИЩ ПО СПУТНИКОВЫМ ДАННЫМ
Александр Андреевич Донцов
Институт водных и экологических проблем СО РАН, 656038, Россия, г. Барнаул, ул. Молодежная, 1, младший научный сотрудник, тел. (385)266-65-02, e-mail: alexdontsov@yandex.ru
Игорь Алексеевич Пестунов
Институт вычислительных технологий СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, кандидат физико-математических наук, доцент, ведущий научный сотрудник, тел. (383)334-91-55, e-mail: pestunov@ict.nsc.ru
Сергей Александрович Рылов
Институт вычислительных технологий СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, младший научный сотрудник, e-mail: RylovS@mail.ru
Игорь Анатольевич Суторихин
Институт водных и экологических проблем СО РАН, 656038, Россия, г. Барнаул, ул. Молодежная, 1, доктор физико-математических наук, главный научный сотрудник; Институт вычислительных технологий СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, профессор, старший научный сотрудник, тел. (385)266-65-02, e-mail: sia@iwep.ru
Предлагается геоинформационная система для автоматизированного мониторинга изменения площади акватории озер и водохранилищ по данным оптической спутниковой съемки. Приводятся результаты использования этой системы для определения площади водного зеркала для Большого Ярового и Красиловского озер по данным со спутника Sentinel-2А.
Ключевые слова: ГИС, мониторинг, спутниковая съемка, водные объекты, площадь акватории озера, площадь водного зеркала, спектральные индексы, водные индексы, дешифрирование, автоматическое выделение воды.
AUTOMATED MONITORING OF SURFACE AREAS OF LAKES AND WATER RESERVOIRS BY SATELLITE DATA
Alexander A. Dontsov
Institute for Water and Environmental Problems SB RAS, 656038, Russia, Barnaul, 1 Molodezhnaya St., junior researcher, tel. (385)266-65-02, e-mail: alexdontsov@yandex.ru
Igor A. Pestunov
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Аkademik La-vrentiev Prospect, Ph. D., leading researcher, tel. (383)334-91-55, e-mail: pestunov@ict.nsc.ru
Sergey A. Rylov
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Аkademik La-vrentiev Prospect, junior researcher, e-mail: RylovS@mail.ru
Igor A. Sutorikhin
Institute for Water and Environmental Problems SB RAS, 656038, Russia, Barnaul, 1 Molodezhnaya St., D. Sc., major researcher; Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Аkademik Lavrentiev Prospect, professor, senior researcher, тел. (385)266-65-02, e-mail: sia@iwep.ru
Geoinformation system for automated monitoring of surface areas of lakes and water reservoirs based on optical satellite imagery is proposed. The results of the monitoring of Bolshoye Ya-rovoye and Krasilovskoye lakes obtained by this system using Sentinel-2A satellite data are described.
Key words: Sentinel-2, satellite images, NDWI, MNDWI, GIS, monitoring, water bodies, lakes, water surface area, water indices, automatic water extraction.
В последние десятилетия под влиянием глобальных и региональных изменений в климатической системе и воздействия антропогенных факторов на территории Российской Федерации наблюдаются значительные изменения состояния и гидрологического режима водных объектов [1]. Известно [2, 3], что фундаментальное значение для понимания и оценки степени воздействия климатических изменений и человеческой деятельности на наземные водные ресурсы имеют морфометрические характеристики озер, такие как площадь водного зеркала, уровень и объем воды. В настоящее время для большинства регионов России наземное оценивание указанных характеристик озер не представляется возможным ввиду отсутствия стационарных пунктов наблюдения. В связи с этим является актуальной задача разработки эффективных методов мониторинга морфометрических параметров озер по данным спутниковой съемки, являющейся, как правило, единственным источником объективной и актуальной информации об обширных и труднодоступных территориях.
В последние годы для изучения площадей водного зеркала озер широко используются архивные и оперативные данные, получаемые со спутников серии Landsat с периодичностью 16 дней [3-7]. Пространственное разрешение мультиспектральных изображений, получаемых в настоящее время со спутников Landsat-8, составляет 30 м. Начиная с 2016 г. на регулярной основе с периодичностью съемки в 10 дней стали доступны данные со спутника Sentinel--2А (https://scihub.copernicus.eu/dhus/#/home). Разрешение снимков Sentinel-2 в видимом и ближнем инфракрасном диапазонах спектра составляет 10 м (табл. 1). Второй спутник с аналогичными характеристиками Sentinel-2B был запущен 7 марта 2017 года, что улучшит периодичность съемки до 5 дней. Более высокое разрешение позволяет производить мониторинг небольших по площади водоемов с большой точностью.
В данной работе рассматривается прототип геинформационной системы для автоматизированного мониторинга площадей акваторий озер и водохранилищ с использованием спутниковых данных. Приводятся результаты использования этой системы для автоматизированного определения площади водного зеркала для Большого Ярового и Красиловского озер, расположенных на территории Алтайского края, по данным со спутника Sentinel-2А.
Таблица 1
Спектральные каналы Sentinel-2 в сравнении с Landsat-8
Sentinel-2 Разрешение (м) данных Sentinel-2 Длина волны (мкм) Landsat-8 (разрешение 30 м)
1 - Coastal / Aerosol 60 0.443 1 - Coastal / Aerosol
2 - Blue 10 0.490 2 - Blue
3 - Green 10 0.560 3 - Green
4 - Red 10 0.665 4 - Red
5 - Vegetation Red Edge 20 0.705
6 - Vegetation Red Edge 20 0.740
7 - Vegetation Red Edge 20 0.783
8 - NIR 10 0.842
8A - Vegetation Red Edge 20 0.865 5 - NIR
9 - Water vapour 60 0.945
10 - SWIR - Cirrus 60 1.375 9 - SWIR - Cirrus
11 - SWIR 20 1.610 6 - SWIR
12 - SWIR 20 2.190 7 - SWIR
ГИС для мониторинга площадей акваторий озер. В Институте водно-экологических проблем СО РАН разрабатывается сервис-ориентированная геоинформационная система для мониторинга внутренних водоемов Сибири. Система строится на основе данных с космических аппаратов Sentinel-2 и Landsat-8, получаемых из открытых архивов ESA (European Space Agency) и USGS (United States Geological Survey). На рис. 1 представлена структурная схема разрабатываемой ГИС.
Рис. 1. Структурная схема разрабатываемой ГИС
Для работы с системой был предусмотрен Web-интерфейс и WMS/WPS-интерфейс для взаимодействия с настольными ГИС, такими как GRASS, QGIS и т. д. Так же реализована возможность интеграции со сторонними серверами и сервисами геопространственных данных.
Компоненты ГИС объединяет между собой Web-платформа Django, которая позволяет реализовывать модульные Web-приложения. Данная платформа позволяет максимально автоматизировать различные модули системы, что в свою очередь позволяет производить модификацию отдельных компонентов с минимальным влиянием на остальные.
Для управления вычислительными процессами ГИС был разработан специальный модуль, основанный на библиотеке Celery. Интеграцию Django c библиотекой Celery осуществляет пакет django-celery, который предоставляет технологию Django ORM (object-relational mapping) при сохранении результатов выполнения заданий, а также автоматически находит и регистрирует задания Celery для приложений Django, управление которыми осуществляется через панель администрирования ГИС. Для работы с растровыми и векторными геопространственными форматами данных в системе используется библиотека GDAl (Geospatial Data Abstraction Library).
Пользователи имеют доступ к результатам обработки в виде Web-карт и таблиц, а также в виде векторных полигонов в формате GeoJSON или Shapefile. Администратор имеет доступ к панели администрирования системы, где имеется возможность установить координаты водоемов (точечно или в виде полигона), для которых необходимо осуществлять мониторинг. Исходя из этих данных менеджер задач формирует запросы на спутниковые снимки на требуемую территорию из архивов ESA и USGS.
После получения спутниковых данных осуществляется их предварительная обработка, которая включает в себя атмосферную коррекцию, построение маски облачности и маски воды (для снимков Sentinel-2 тематическая карта с пространственным разрешением 60 м формируется для продукта уровня обработки 2А [8]). Если отмеченный водный объект перекрывается маской облачности, то обработка снимка не проводится. С помощью предварительной маски воды определяются границы анализируемого водоема, на основе которых из целого изображения вырезается фрагмент, содержащий рассматриваемый водоем. Далее выделенный фрагмент передается блоку тематической обработки, на котором осуществляется выделение водной поверхности с помощью набора различных алгоритмов. Полученные результаты в виде векторных полигонов в формате GeoJSON или Shapefile, значения площади водоема и длины береговой линии записываются в базу данных под управлением СУБД MongoDB.
Автоматическое выделение водной поверхности. Блок тематической обработки включает в себя алгоритмы автоматического выделения водной поверхности, такие как алгоритм пороговой сегментации по водным индексам и разработанный в ИВТ СО РАН алгоритм ECCA-Water.
Водные индексы усиливают контраст между водными поверхностями и другими объектами. Наиболее распространенными [3-5] являются нормализованный разностный водный индекс NDWI [9] и его модификация MNDWI [10].
Предполагается, что водным объектам соответствуют положительные значения этих индексов, а остальным - отрицательные. NDWI использует видимый зеленый и ближний инфракрасный (№К) каналы:
ndwi=GzNIR
G + NIR'
В свою очередь MNDWI отличается использованием канала SWIR (1.61 мкм) вместо канала NIR. Однако необходимо отметить, что для снимков Sentinel-2 канал SWIR (№ 11) имеет разрешение 20 метров, что снижает пространственную точность результатов по сравнению с использованием NDWI.
Третий используемый водный индекс строится как отношение значений в синем канале (B) и SWIR канале: (B/SWIR). Предполагается, что для водных объектов значения этого индекса больше 1. Данный индекс был выбран, так как он используется для выделения воды при формировании продукта Sentinel-2 уровня обработки 2А [8].
Алгоритм ECCA-Water [11] изначально создавался для автоматического выделения водной поверхности на спутниковых изображениях высокого пространственного разрешения для мониторинга паводковой ситуации по данным с космических аппаратов Ресурс-П и Канопус-В. Он основан на использовании непараметрического быстродействующего алгоритма кластеризации ECCA [12]. Алгоритм использует информацию в 3-х спектральных каналах: зеленом, красном и ближнем инфракрасном. В процессе работы также используется водный индекс NDWI и вегетационный индекс NDVI.
После выделения пикселей изображения, относящихся к воде, они разделяются на пространственно связные группы, из которых затем по заданным координатам (или полигону) выбираются группы, соответствующие искомым водным объектам. Кроме того, на этом этапе возможна фильтрация облаков, в случае если они не пересекают границы водоема.
Примеры мониторинга площади акватории Большого Ярового и Кра-силовского озер. Красиловское озеро (53°11'06"N, 84°21'35"E) представляет собой бессточный водоем со сложной конфигурацией береговой линии (рис. 2, а). Озеро Большое Яровое (52°52'00"N, 78°36'50"E) - высоко минерализованное, бессточное, имеющее овальную форму (рис. 3). В табл. 2 и 3 приведены площади Красиловского и Большого Ярового озер за 2016 год, вычисленные данным Sentinel-2.
Анализ полученных результатов показал, что методы на основе водных индексов зачастую относят тени от облаков к водным объектам, что приводит к существенным ошибкам в случае, если тени пересекают границу анализируемого водоема (например, на снимках озера Красиловское за 15 сентября и озера Большое Яровое за 13 июля). В тоже время метод ECCA-Water не допускает подобных ошибок (рис. 2). Кроме того, методы на основе индексов NDWI и MNDWI при выделении поверхности озера Большое Яровое на всех снимках ошибочно захватывают береговой отвал химического предприятия «Алтайхимпром», расположенный неподалеку от пляжа «Причал 22» (рис. 3, б).
Таблица 2
Площадь озера Красиловское в 2016 году по данным Sentinel-2
Дата съемки Площадь (км2)
ECCA-WATER NDWI MNDWI B/SWIR
04.06.2016 0.653 0.68 0.743 0.65
26.08.2016 0.631 0.65 0.668 0.602
15.09.2016 0.635 0.877 0.992 0.853
05.10.2016 0.643 0.672 0.685 0.618
а (исключая результат за 15.09.2016) 0.011 0.016 0.039 0.024
Таблица 3
Площадь озера Большое Яровое в 2016 году по данным Sentinel-2
Дата съемки Площадь (км2)
ECCA-WATER NDWI MNDWI B/SWIR
01.05.2016 73.53 74.17 74.35 73.54
14.05.2016 73.59 74.17 74.37 73.57
13.06.2016 73.61 76.52 78.93 76.04
11.09.2016 73.47 74.1 74.25 73.48
18.09.2016 73.54 74.15 74.26 73.53
а (исключая результат за 13.07.2016) 0.049 0.033 0.061 0.037
Рис. 2. RGB-композит снимка Sentinel-2 озера Красиловское за 26.08.2016 (каналы: Red, NIR, Blue) (а); результаты выделения акватории озера по снимку за 15.09.2016 методами ECCA-WATER (б) и NDWI (в)
Рис. 3. Результаты выделения акватории озера Большое Яровое по спутниковому снимку Sentinel-2 за 14.05.2016 методами ECCA-WATER (а), MNDWI (б) и B/SWIR (в)
Если исключить снимки, на которых выделению водоемов мешают тени от облаков, то представленные результаты вычисления площадей в течение года характеризуются низкой дисперсией для каждого из методов. Наименее устойчивые показатели продемонстрировал метод на основе индекса MNDWI. Однако наблюдаются устойчивые расхождения между результатами различных методов. Они объясняются наличием смешанных граничных пикселей, которые одновременно содержат как водную поверхность, так и сушу. Различные методы могут по-разному классифицировать такие пиксели. Площадь, занимаемая смешанными пикселями, зависит от разрешения съемки и длины береговой линии. При пространственном разрешении 10 м для озера Красиловское с периметром ~10 км (по границам пикселей) эта площадь составляет 0.1 км2. А для озера Большое Яровое с периметром ~40 км эта площадь составляет 0.4 км2. Таким образом, точность определения площади повышается для водоемов большего размера и водоемов с меньшим коэффициентом извилистости береговой линии.
Заключение. Предложенная геоинформационная система позволяет проводить мониторинг изменения площади водного зеркала водоемов по данным оптической съемки с космических аппаратов Sentinel-2, Landsat-8 и может быть использована для решения фундаментальных и прикладных задач гидрологии внутриконтинентальных водоемов.
Работа выполнена при частичной финансовой поддержке Президиума РАН (грант № 0316-2015-0006).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Решение VII Всероссийского гидрологического съезда от 13.01.2014 г. [Электронный ресурс]. - URL: http://www.meteorf.ru/press/news/6572/ (дата обращения 10.03.2017).
2. Cretaux J. F. et al. SOLS: A lake database to monitor in the Near Real Time water level and storage variations from remote sensing data // Advances in space research. - 2011. - Vol. 47. -No. 9. - P. 1497-1507.
3. Курганович К. А., Носкова Е. В. Использование водных индексов для оценки изменения площадей водного зеркала степных содовых озер юго-востока Забайкалья, по данным дистанционного зондирования // Вестник Забайкальского государственного университета. -2015. - № 6 (121). - С. 16-24.
4. Identification of Water Bodies in a Landsat 8 OLI Image Using a J48 Decision Tree / T. D. Acharya, D. H. Lee, I. T. Yang, J. K. Lee // Sensors. - 2016. - Vol. 16. - No. 7. - P. 1075.
5. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery / G. L. Feyisa, H. Meilby, R. Fensholt, S. R. Proud // Remote Sensing of Environment. - 2014. - Vol. 140. - P. 23-35.
6. Кравцова В. И., Тарасенко Т. В. Динамика термокарстовых озер центральной Якутии при изменениях климата с 1950 года // Криосфера Земли. - 2011. - Т. 15, № 3. - С. 31-42.
7. Донцов А. А., Суторихин И. А. Определение пощади акватории озер по данным дистанционного зондирования Земли и ГИС-технологий // Естественные и технические науки. - 2016. - № 11 (101). - С. 106-109.
8. Sentinel-2 technical guide. Level-2A processing - algorithm overview [Электронный ресурс]. - URL: https://sentinel.esa.int/web/sentinel/technical-guides/sentinel-2-msi/level-2a/algorithm (дата обращения 10.03.2017).
9. McFeeters S. K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features // International journal of remote sensing. - 1996. - Vol. 17. - No. 7. -P.1425-1432.
10. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery // International journal of remote sensing. - 2006. - Vol. 27. -No. 14. - P. 3025-3033.
11. Технология обработки данных с космических аппаратов «Канопус-В», «Ресурс-П» и «Метеор-М» для мониторинга и картографирования паводковой ситуации / С. А. Рылов, О. Г. Новгородцева, И. А. Пестунов, О. А. Дубровская, Ю. Н. Синявский // Материалы II Междунар. науч. конф. «Региональные проблемы дистанционного зондирования Земли». -Красноярск : СФУ, 2015. - С. 207-212.
12. Ensemble of clustering algorithms for large datasets / I. A. Pestunov, V. B. Berikov, E. A. Kulikova, S. A. Rylov // Optoelectronics, instrumentation and data processing. - 2011. -Vol. 47. - No. 3. - P. 245-252.
© А. А. Донцов, И. А. Пестунов, С. А. Рылов, И. А. Суторихин, 2017
