CC BY
158
удк 504.064.36
Л.Н. Липина, В.И. Усиков
ИСПОЛЬЗОВАНИЕ ГЕОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДЛЯ ОЦЕНКИ И ПРОГНОЗА СОСТОЯНИЯ ОКРУЖАЮЩЕЙ СРЕДЫ
Аннотация. Возрастающая необходимость в систематизации, получении и использовании экологической информации о рельефе, почвах, водах, климатических особенностях, а также о характере и степени антропогенного воздействия на среду для определенной территории, требует организации достаточно сложных информационных систем. Аккумуляция этих данных организовывается на разных уровнях сложности, а их систематизация осуществляется по разным признакам. Проблема аккумуляции и систематизации решается путем формирования банка метаданных, структурированных, кодированных данных, которые описывают характеристики объектов-носителей информации, способствующие идентификации, обнаружению, оценке и управлению этими объектами. Современные ГИС-приложения позволяют работать со всеми тремя видами данных: векторными, растровыми и базами данных. Для оценки экологических обстановок территорий повышается роль картографических баз данных и географических информационных сетей. Для решения экологических задач оптимальным выбором оказался продукт Quantum GIS. Применение геоинформационных технологий дает возможность связать разнородную экологическую, геологическую, геофизическую, геохимическую информацию, а также данные ДЗЗ. Позволяет наиболее полно проводить комплексную интерпретацию данных, ранжировать территорию по уровню устойчивости, подготавливать оперативную информацию искать и выявлять неочевидные природные связи между природными объектами и т.д. С разработкой геоинформационных технологий экология приобрела новые мощные средства для мониторинга, оценки и прогноза состояния окружающей среды, которое в свою очередь определит динамичное и стабильное развитие региона.
Ключевые слова: геоинформационные технологии, картографическая база данных, ГИС (географическая информационная система), дистанционное зондирование Земли, NDVI.
Проекты развития Дальнего Востока России направлены на создание возможностей и условий для динамичного и стабильного развития региона, позволяющего, прежде всего, обеспечить существенное повышение качества жизни населения, а с ним и привлекательность региона для проживания.
Основным конкурентным преимуществом восточных регионов является при-родно-ресурсный потенциал. Именно освоение природных ресурсов и привлекательность для инвесторов, и собственно богатые природные ресурсы могут стать
doi: 10.25018/0236-1493-2018-8-0-46-53
залогом динамичного развития экономики региона.
Освоение природных ресурсов Дальнего Востока затруднено их недостаточной изученностью и особой удаленностью от индустриально развитых и аграрных центров, что обуславливает необходимость создания устойчивой и гибкой системы изучения, мониторинга и управления этих регионов. При добыче и переработке минеральных ресурсов, требуется разработка и внедрение инновационных технологий, соответствующих принципам рационального при-
ISSN 0236-1493. Горный информационно-аналитический бюллетень. 2018. № 8. С. 46-53. © Л.Н. Липина, В.И. Усиков. 2018.
родопользования. Для полного и комплексного использования ресурсов территории, каждый природопользователь (независимо от формы собственности), должен обладать информацией, адекватно описывающей объекты и ресурсы. Подобного рода информацию, максимально достоверно освещающая количество и стоимость всех природных ресурсов позволит дать адекватную оценку планируемой хозяйственной деятельности, разработать экологическую политику предприятия. Задача очень сложная и требует привлечения различных, часто не связанных с основным направлением деятельности предприятия знаний и данных. Освоение минеральных ресурсов на территории без ущерба ее экономической и экологической безопасности способствует созданию картографической базы данных на основе создания ГИС (геоинформационной системы).
Геоинформационные системы и технологии, позволяющие автоматизировать ряд функций, ранее осуществляемые человеком. Примером могут служить: поиск требуемой информации об объектах местности, вычисление длин и площадей объектов, оптимизация маршрутов движения или трассирования линейных сооружений, пространственный анализ явлений и процессов и др. Для этого необходимо получение пространственной информации [1].
Векторная модель данных ГИС отображает пространственные данные, как совокупность геометрических (точек, линий, полигонов), так и атрибутивных — признаков, связанных с объектами, а также связями между объектами. При построении векторных моделей объекты создаются разными способами, один из них векторизация растровых изображений. Аккумуляция этих данных организовывается на разных уровнях сложности, а их систематизация осуществляется по разным признакам: тематическому, тер-
риториальному и др. Проблема аккумуляции и систематизации решается путем формирования банка метаданных, структурированных, кодированных данных, которые описывают характеристики объектов-носителей информации, способствующие идентификации, обнаружению, оценке и управлению этими объектами. По сути метаданные это данные о данных. Применение метаданных на практике осуществляется согласно ISO 19139 Geographic Information - XML Schema Implementation, определяющего требования и рекомендации к схеме кодирования метаданных, соответствующих стандарту ISO 19115:2003. ISO/TS 19139:2007 Geographic Information— Metadata—XML Schema Implementation. Для применения на практике должен использоваться формат данных, указанный в стандарте OGC-CSW AP ISO 1.0. Он основан на ISO/TS 19139:2007 [2].
Для хранения цифровой атрибутивной информации и статистических данных предназначены базы данных, управляемые системами управления базами данных (СУБД), такими, как Oracle SQL, MS SQL, MySQL, SQLite, Postgre SQL. Первые две из них проприетарные, остальные — свободные, распространяемые по лицензии GPL.
Современные ГИС-приложения позволяют работать со всеми тремя видами данных: векторными, растровыми и базами данных.
Для оценки экологических обстано-вок территорий повышается роль картографических баз данных и географических информационных сетей, методика которых показана на рис. 1.
Значимость инфраструктур пространственных данных для успешного и устойчивого развития природы и общества признана на мировом уровне, об этом свидетельствует официальный сайт ООН об учреждении Комитета ООН по управлению глобальной геоинформацией (UN
Материалы дистанционного зондирования (ДЗЗ)
I
База пространственных данных 1
Обработка ДЗЗ:
- первичная;
- тематическая
Цифровые модели рельефа (ЦМР)
I
Обработка ЦМР: проекционное трансформирование, интерполяция и др.
Векторная информация в формате esri shape
Обработка вектора: обновление контуров, генерализация объектов, создание новых векторных слоев
Интеграция ДЗЗ и ЦМР Визуализация в QGIS различного тематического содержания
i
Обработка растровой графики у
1 i
Формирование картографической базы данных
Рис. 1. Методика создания картографической базы данных Fig. 1. Map data base creation procedure
Committee on Global Geospatial Information Management) [3].
Благодаря геологической службе США USGS, имеется возможность получать и работать с материалами дистанционного зондирования Земли (ДЗЗ): спутниковыми и другими геопространственными данными, находящимися в свободном доступе. Для обработки получаемых данных существует множество прикладных пакетов программ (ArcGIS, ERDAS, ENVI и др.), разработанных как в России, так и за рубежом.
Особую ценность для решения прикладных задач играют данные систем многоспектрального зондирования атмосферы и поверхности Земли. Число спектральных каналов может быть от десятка и больше, а пространственное разрешение (в свободном доступе находятся материалы, имеющие разрешение от 15 м/пиксел) от десятков сантиметров до сотен метров на пиксел. Получаемые при измерениях излучения из различных участков спектра сигналы (изображения) содержат информацию о параметрах атмосферы (температура, аэрозоли, газо-
вый состав и др.) и поверхности Земли (типы поверхности, температура и др.).
В этой связи возникает необходимость выбор программных продуктов, которые позволяют получать, накапливать, проводить предварительную и тематическую обработку, а также анализ полученных результатов. Процедуры предварительной (первичной) обработки, как правило, являются типичными и предназначены для подготовки получаемых спутниковых данных (изображений) для процесса обработки. Эти процедуры включают геометрическую, радиометрическую и атмосферную коррекции, расчет маски облачности, составление мозаик изображений и др. Тематическая (вторичная) обработка — завершающий этап работы со снимками (дешифрирование). Тематическое дешифрирование изображений представляет собой распознавание объектов (выявление объектов на снимке) и отнесение их к некоторому типу; измерение — определение размеров, расстояний между объектами, при использовании снимков и т.п.
В настоящее время существует большой опыт автоматизированной обработки и анализа цифровых изображений. Часть автоматизированных методов реализована и успешно применяется в процессе интерактивного дешифрирования аэрокосмической информации. Одной из главных задач в данном направлении является поиск таких прямых и косвенных дешифровочных признаков, при которых результат автоматизированного дешифрирования будет наиболее устойчив к изменениям условий аэрокосмической съемки исследуемых объектов на земной поверхности.
Для решения экологических задач оптимальным выбором оказался продукт Quantum GIS. Это свободная кроссплат-форменная геоинформационная система, которая позволяет формирование архитектуры программного обеспечения под конкретные задачи.
Программой поддерживаются следующие основные форматы: векторные форматы, поддерживаемые установленной библиотекой OGR, включая shape-файлы ESRI, MapInfo, SDTS (Spatial Data Transfer Standard) и GML (Geography Markup Language) и др.; форматы растров и графики, поддерживаемые библиотекой GDAL (Geospatial Data Abstraction Library), такие, как GeoTIFF, Erdas IMG, ArcInfo ASCII Grid, JPEG, PNG и др.; растровый и векторный форматы GRASS [3, 4]; базы данных пространственные таблицы PostgreSQL с использованием PostGIS, SpatiaLite MySQL, Oracle SQL, MS SQL, MS Access.
При создании любых карт важное значение имеет вопрос о выборе картографических проекций, обеспечивающих оптимальное решение по этим картам различных задач.
В QGIS поддерживается порядка 2700 проекций с помощью библиотеки PROJ.4. Все проекции основаны на базе идентификаторов Europen Petroleum Survey
Group (ESPG). ESPG-коды представляют собой реестры определений различных систем координатипараметров перехода между ними. Изначально по умолчанию используется геодезическая система координат ESPG: 4326 - WGS 84 (+proj= = longlat + datum = WGS 84 + no_defls). В формате создаваемой проекции расписаны картографические параметры проекции, proj — название проекции и картографические параметры в формате PROJ.4. Выбранная программа поддерживает как западную систему координат WGS84, так и российские — (СК-42 и СК-95), например, Pulkovo 42 основанную на ГОСТ Р 51794-2008.
При работе со спектральной информацией часто прибегают к созданию «индексных» изображений. На основе комбинации значений яркости в определенных каналах, информативных для выделения исследуемого объекта, и расчета по этим значениям «спектрального индекса» объекта строится изображение, соответствующее значению индекса в каждом пикселе, что и позволяет выделить исследуемый объект или оценить его состояние. В настоящее время существует около 160 вариантов вегетационных индексов. Они подбираются экспериментально (эмпирическим путем), исходя из известных особенностей кривых спектральной отражательной способности растительности и почв.
Одним из самых распространенных и используемых индексов для решения задач, использующих количественные оценки растительного покрова, является NDVI (Normalized Difference Vegetation Index — нормализованный относительный индекс растительности) — простой количественный показатель количества фотосинтетически активной биомассы. Вычисляется по формуле (1):
NDVI = (NIR — RED) / (NIR+RED), (1) где NIR — отражение в ближней инфракрасной области спектра, а RED — от-
Рис. 2. Карта NDVI на район горнопромышленного освоения Fig. 2. NDVI map of a mining region
ражение в красной области спектра. Согласно этой формуле, плотность растительности (NDVI) в определенной точке изображения равна разнице интенсив-ностей отраженного света в красном и инфракрасном диапазоне, деленной на сумму их интенсивностей [5—7]. Используя формулу, вычисляется значение NDVI для каждого пиксела и строится изображение в соответствии с дискретной шкалой.
Результат вычисления с помощью калькулятора растров QGIS — индексное изображение (рис. 1). Величина индекса может колебаться от — 1,0 до +1,0, но величина индекса растительности принимает положительные значения, и чем больше фитомасса, тем он выше и обычно колеблется от 0,2 до 0,8 [6, 7]. Более высокая величина индекса связана с более высоким уровнем здорового растительного покрова.
На рис. 2 проиллюстрирована оценка ущерба, нанесенного растительности золотодобывающей промышленностью в районе деятельности Многовершин-
ного ГОКа. Данная методика успешно апробирована в Сутарском золоторос-сыпном узле, на золотороссыпном месторождении Болотистом.
Использование NDVI позволило оценить характер и скорость самозароста-ния нарушенных земель на золоторос-сыпных объектах и объектах угледобычи. Для этого проводились совместные исследования с ИКИ РАН с применением разработанной этим институтом системы «Вега^аепсе» [8].
Так, восстановление растительного покрова на полигонах россыпной золотодобычи до состояния, сравнимого с примыкающими площадями, проходят за семь лет.
Совмещение спутниковых изображений с цифровой моделью рельефа (ЦМР) позволяет получить наглядное представление о горнорудных объектах на местности, т.е. построить уже цифровую модель исследуемой площади (пространственное трехмерное моделирование) [9, 10]. Благодаря этому появляется возможность оценивать особенности и
характер распространения поллютантов в горнорудных районах и факторы влияющие на это распространение, а также сделать прогноз на будущее [11, 12].
В частности по уровню здорового растительного покрова определен уровень загрязнения почв, оценен характер почв Комсомольского рудного района через воздушную среду и степень влияния рельефа на их загрязнение [7, 13].
Созданная ГИС на территорию юга Дальнего Востока, которая состоит из отдельных информационных слоев (рис. 3), такие как, цифровая модель рельефа местности, каталоги названий, тематическая информация об отдельных горнопромышленных объектах, особо охраняемых территориях местности и т.п. с помощью продукта Quantum GIS по назначению является справочно-карто-графической. Предназначена для работы с цифровыми и векторными картами,
с атрибутивной информацией, а также дает возможность для анализа данных, так как имеет встроенный язык программирования.
Применение геоинформационных технологий дает возможность связать разнородную экологическую, геологическую, геофизическую, геохимическую информацию, а также данные ДЗЗ. Позволяет наиболее полно проводить комплексную интерпретацию данных, ранжировать территорию по уровню устойчивости, подготавливать оперативную информацию искать и выявлять неочевидные природные связи между природными объектами и т.д. С разработкой геоинформационных технологий экология приобрела новые мощные средства для мониторинга, оценки и прогноза состояния окружающей среды, которое в свою очередь определит динамичное и стабильное развитие региона.
Рис. 3. QGIS: Макет карты юга Дальнего Востока, слой горнодобывающих предприятий
Fig. 3. QGIS: Draft map of the southern Far East of Russia, mines
СПИСОК ЛИТЕРАТУРЫ
1. Лисицкий Д. В., Кацко С. Ю. Изменение сущности и функций картографических изображений на современном этапе развития общества // Геодезия и картография. — 2008. — № 2. — С. 29—32.
2. Методанные и их место в хранилище данных http://bourabai.ru/tpoi/metadata.htm.
3. Интернет-ресурс: http://mapservis.ru/docs/Sist_proekt_RIPD.
4. Интернет-ресурс: http://www.gisa.ru
5. Borzuchowski J., Schulz K. Retrieval of Leaf Area Index (LAI) and Soil Water Content (WC) Using Hyperspectral Remote Sensing under Controlled Glass House Conditions for Spring Barley and Sugar Beet, Remote Sensing 2010, no 2, pp. 1702—1721.
6. Черепанов А. С. Вегетационные индексы // Геоматика. — 2011. — № 2. — С. 98—102.
7. Грехнев Н. И., Липина Л. Н., Усиков В. И. К вопросу оценки экологического риска с использованием метода дистанционного зондирования земли // Горный информационно-аналитический бюллетень. — 2015. — СВ 30: геомеханические и геотехнологические проблемы освоения Севера. — С. 437—446.
8. Бубнова М. Б., Озарян Ю.А. Экологический мониторинг природно-горнотехнических систем на основе данных дистанционного зондирования // Экологические системы и приборы. — 2015. — № 11. — С. 15—22.
9. Мячина К.В. Исследование динамики ландшафтной структуры нефтедобывающих территорий степной зоны Предуралья с применением ГИС-технологий на основе спутниковых данных // Геоинформатика. — 2016. — № 2. — С. 2—13.
10. Устинов С.А., Петров В.А. Использование детальных цифровых моделей рельефа для структурно-линеаментного анализа (на примере Уртуйского гранитного массива) // Геоинформатика. — 2016. — № 2. — С. 51—60.
11. Калабин Г. В., Горный В. И., Крицук С. Г. Спутниковый мониторинг реакции растительного покрова на воздействие предприятия по освоению Сорского медно-молибденового месторождения // Физико-технические проблемы разработки полезных ископаемых. — 2014. — № 1. — С. 153—161.
12. Усиков В.И., Липина Л.Н. Геоинформационный мониторинг для обеспечения экологической безопасности в регионе / Экология и безопасность жизнедеятельности города: проблемы и решения: материалы 5-й Всероссийской научно-практической конференции с международным участием, 23—24 августа 2016 г. — Хабаровск: Изд-во ДВГУПС, 2016. — С. 268—271.
13. Усиков В. И., Липина Л. Н. Использование информационных технологий в эколого-гео-химической оценке отходов горнообогатительных комбинатов юга Дальнего Востока // Экология промышленного производства. — 2016. — № 4. — С. 2—8. и^
КОРОТКО ОБ АВТОРАХ
Липина Любовь Николаевна1 — кандидат технических наук, научный сотрудник, e-mail: [email protected], Усиков Виталий Игнатьевич1 — кандидат экономических наук, старший научный сотрудник, e-mail: [email protected], Федеральное государственное бюджетное учреждение науки 1 Институт горного дела Дальневосточного отделения РАН.
ISSN 0236-1493. Gornyy informatsionno-analiticheskiy byulleten'. 2018. No. 8, pp. 46-53.
Application of geoinformation technologies in estimation and prediction of environmental condition
Lipina L.N.1, Candidate of Technical Sciences, Researcher, e-mail: [email protected], Usikov V.I1, Candidate of Economical Sciences, Senior Researcher, e-mail: [email protected], 1 Institute of Mining of Far East Branch of the Russian Academy of Sciences, 680000, Khabarovsk, Russia.
Abstract. The rising relevance of systematization, acquisition and use of ecological information on the relief, soil, water, climate, as well as the nature and rate of anthropogenic impact on the environment in a certain area calls for complex information systems. Such data are accumulated in accordance with their complexity level and systematized based on different features: subject, territory, etc. The problem of accumulation and systematization is solved by generating a base of metadata, structured and encoded data that describe characteristics of data-carrying objects, which favors to identification, detection and control of these objects. Modern GIS-applications allow operating all three types of data: vector data, raster data and databases. Regarding the ecological evaluation of areas, the role of map data and geographic information networks grows. For solving environmental problems, the Quantum GIS product appears to be an optimal choice. Application of geoinformation technologies enables connecting heterogeneous geological, geophysical and geochemical information and remote sensing data. Furthermore, it becomes possible to perform higher-level integrated interpretation of data, to rank areas by the stability category, to prepare operational information, to seek and find inexplicit natural ties between nature objects, etc. With the development of geoinformation technologies, ecology has acquired new mighty tools for monitoring, estimation and prediction of environmental condition, which, in turn, governs dynamic and sustainable development in a region.
Key words: geoinformation technologies, map data base, GIS (Geographic Information System), remote sensing, NDVI.
doi: 10.25018/0236-1493-2018-8-0-46-53
REFERENCES
1. Lisitskiy D. V., Katsko S. YU. Izmenenie sushchnosti i funktsiy kartograficheskikh izobrazheniy na sovremennom etape razvitiya obshchestva [Changing the nature and functions of map images at the current stage of development of society]. Geodeziya i kartografiya. 2008, no 2, pp. 29—32. [In Russ].
2. Metodannye i ikh mesto vkhranilishche dannykh http://bourabai.ru/tpoi/metadata.htm.
3. Internet resource: http://mapservis.ru/docs/Sist_proekt_RIPD.
4. Internet resource: http://www.gisa.ru
5. Borzuchowski J., Schulz K. Retrieval of leaf area index (LAI) and soil water content (WC) using hyper-spectral remote sensing under controlled glass house conditions for spring barley and sugar beet, Remote Sensing, 2010, no 2, pp. 1702—1721.
6. Cherepanov A. S. Vegetatsionnye indeksy [Vegetation index]. Geomatika. 2011, no 2, pp. 98—102. [In Russ].
7. Grekhnev N. I., Lipina L. N., Usikov V. I. K voprosu otsenki ekologicheskogo riska s ispol'zovaniem metoda distantsionnogo zondirovaniya zemli [On the question of environmental risk assessment using the method of remote sensing of the earth]. Gornyy informatsionno-analiticheskiy byulleten'. 2015. Special edition 30, pp. 437—446. [In Russ].
8. Bubnova M. B., Ozaryan Yu. A. Ekologicheskiy monitoring prirodno-gornotekhnicheskikh sistem na os-nove dannykh distantsionnogo zondirovaniya [Environmental monitoring natural-mining systems based on remote sensing data]. Ekologicheskie sistemy i pribory. 2015, no 11, pp. 15—22. [In Russ].
9. Myachina K. V. Issledovanie dinamiki landshaftnoy struktury neftedobyvayushchikh territoriy stepnoy zony Predural'ya s primeneniem GIS-tekhnologiy na osnove sputnikovykh dannykh [Investigation of the dynamics of landscape structure of the oil-producing areas of the steppe zone of Ural region using satellite-based GIS technology]. Geoinformatika. 2016, no 2, pp. 2—13. [In Russ].
10. Ustinov S. A., Petrov V. A. Ispol'zovanie detal'nykh tsifrovykh modeley rel'efa dlya strukturno-linea-mentnogo analiza (na primere Urtuyskogo granitnogo massiva) [Using a detailed digital elevation models for structural and lineament analysis (for example, Urtuyskogo granite massif)]. Geoinformatika. 2016, no 2, pp. 51—60. [In Russ].
11. Kalabin G. V., Gornyy V. I., Kritsuk S. G. Sputnikovyy monitoring reaktsii rastitel'nogo pokrova na vozdey-stvie predpriyatiya po osvoeniyu Sorskogo medno-molibdenovogo mestorozhdeniya [Satellite monitoring of vegetation response to the impact of the company on the development of Sora copper-molybdenum deposit]. Fiziko-tekhnicheskie problemy razrabotki poleznykh iskopaemykh. 2014, no 1, pp. 153—161. [In Russ].
12. Usikov V. I., Lipina L. N. Geoinformatsionnyy monitoring dlya obespecheniya ekologicheskoy bezo-pasnosti v regione [Geoinformation monitoring for environmental security in the region]. Ekologiya i bezo-pasnost' zhiznedeyatel'nosti goroda: problemy i resheniya: materialy 5-y Vserossiyskoy nauchno-praktich-eskoy konferentsii s mezhdunarodnym uchastiem, 23—24 August 2016, Khabarovsk, Izd-vo DVGUPS, 2016, pp. 268—271. [In Russ].
13. Usikov V. I., Lipina L. N. Ispol'zovanie informatsionnykh tekhnologiy v ekologo-geokhimicheskoy ot-senke otkhodov gornoobogatitel'nykh kombinatov yuga Dal'nego Vostoka [Use of information technologies in eco-geochemical assessment of waste ore processing plants south of the Far East]. Ekologiya promyshlen-nogo proizvodstva. 2016, no 4, pp. 2—8. [In Russ].
