CC BY
16
УДК 911.5
С.С. Рязанов, В.И. Кулагина
Институт проблем экологии и недропользования АНРТ, RStanislav.soil@yandex.ru
КЛАССИФИКАЦИЯ ЗЕМНОГО ПОКРОВА ОСТРОВОВ КУЙБЫШЕВСКОГО ВОДОХРАНИЛИЩА С ИСПОЛЬЗОВАНИЕМ МУЛЬТИСПЕКТРАЛЬНЫХ ДАННЫХ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ
Выполнена классификация земного покрова островов Казанского района переменного подпора Куйбышевского водохранилища с использованием спектральных слоев снимка Landsat 8 OLI, а также 22 спектральных индексов. Выделено 5 основных типов земной поверхности (древесная растительность, травянистая растительность, открытая почва, песок, затопляемый грунт, урбанизированная территория) и дана оценка занимаемой ими площади.
Ключевые слова:острова; Куйбышевское водохранилище; земной покров; дистанционное зондирование; классификация.
Введение
Островные экосистемы водохранилищ являются наименее изученными природно-антропо-генными образованиями (Иванов и др., 2007). Вместе с тем, они являются высокопродуктивными природными комплексами, перспективными для потребительских и рекреационных нужд. Однако на данный момент хозяйственное использование островов водохранилищ ведется стихийно и научно необоснованно, что отягощает экологическую обстановку в их акваториях.
Одним из основных этапов для задач эффективного управления земельными ресурсами и мониторинга экологического состояния природных экосистем, оценки антропогенной нагрузки и ресурсного потенциала островов водохранилищ является изучение их земного покрова.
Цель работы - дать характеристику земного покрова островных систем Куйбышевского водохранилища с использованием данных дистанционного зондирования земли.
Объекты и методы исследования
В работе изучен земной покров островов, расположенных в границах Казанского района переменного подпора Куйбышевского водохранилища (Республика Татарстан, Россия): от моста Зеленодольск-Нижние Вязовые (55°49'27.1'^; 48°31'05.6''Е) до с. Тетеево (55°24'11.8"№ 49°07'59.6''Е) (рис. 1).
Границы островных систем определены путем дешифровки спутниковых снимков высокого пространственного разрешения, предостав-
ляемых картографическими онлайн-сервисами Yandex Maps, Google Maps и Bing Maps. Выбор картографического источника определялся необходимостью получения точных границ островов при НПУ. В результате дешифровки на обследуемой территории выделено 158 островов и 5 полуостровов - бывших островов, соединенных насыпью с берегом (рис. 1). Суммарная площадь обследованных объектов составляет 2669 га, из
Рис. 1. Карта района исследования
которых 73 острова имеют площадь менее 2 га, 51 остров - от 2 до 10 га, 31 остров от 10 до 100 га, и 8 островов имеют площадь более 100 га.
Для классификации земного покрова островов Куйбышевского водохранилища использован мультиспектральный спутниковый снимок Landsat 8 OLI (path 171, row 21) от 26 мая 2018 г.
Уровень воды в водохранилище характеризуется значительными годовыми колебаниями от 48.6 м до 53.5 м при нормальном подпорном уровне воды (НПУ) 53.0 абс. м. На момент создания снимка был близок к НПУ и достигал 53.04 м (Изменения..., 2018). Пространственное разрешение спутникового снимка составляет 30x30 м. Для классификации земного покрова использованы следующие спектральные слои: В2 (0.45-0.51 мкм), ВЗ (0.53-0.59 мкм), В4 (0.64-0.65 мкм), В5 (0.85-0.88 мкм), В6 (1.57-1.65 мкм), их В7 (2.112.29 мкм). Также для расчета некоторых спектральных индексов использовались термальные слои В10 (10.6-11.19 мкм) и В11 (11.5-12.51 мкм). Цифровые значения яркости (Digital Numbers) снимков конвертировались в значения отражения на поверхности атмосферы (Top Of Atmosphere
Reflectance) с последующей атмосферной коррекций по методу DOS1 (Landsat..., 2015; Chavez, 1996).
Стоит отметить, что использование только спектральных слоев снимка не позволяет провести однозначную классификацию поверхностей со схожими спектральными сигнатурами (Рязанов и др., 2015). Широкое применение для повышения точности определения типа поверхности получили спектральные индексы (Barati et al., 2011). Путем трансформации и комбинирования исходных спектральных слоев они позволяют выделить те или иные особенности земного покрова. Многими авторами отмечается, что комбинации множества спектральных индексов позволяет значительно повысить точность определения типов земной поверхности. В данной работе для повышения точности классификации земного покрова островов, совместно с исходными спектральными слоями, использовались 22 индекса, представленные в таблице 1.
Для классификации земного покрова островных систем был использован метод Random Forest, основанный на использовании ансамбля неза-
Таблица 1. Перечень использованных спектральных индексов
Спектральный индекс Источник
Biophysical composition index (BCI) Deng et al., 2015
Clay Minerals Ratio (CMR) Drury, 1987
Enhanced built-up and bareness Index (EBBI) Denge. al., 2015
Enhanced Vegetation Index(EVI) Huete et al., 2002
Ferrous Minerals Ratio (FMR) Drury, 1987
Green Leaf Index (GLI) Louhaichi e. al., 2001
Green Optimized Soil Adjusted Vegetation Index (GOSAVI) Sripada et al., 2005
Green Ratio Vegetation Index (GRVI) Sripada e. al., 2006
Iron Oxide Ratio (IOR) Drury, 1987
Leaf Area Index (LAI) Boegh et al., 2002
Modified Non-Linear Index (MNLI) Yang et al., 2008
Modified Soil Adjusted Vegetation Index (MS AVI) Qietal., 1994
Normalized Burn Ratio (NBR) Lopez, Benson, 2005
Normalized Burn Ratio 2 (NBR2) Lopez, Benson, 2005
Normalized Difference Moisture Index (NDMI) Deng et al., 2015
Normalized Difference Soil Index (NDSI) Deng et al., 2015
Normalized Difference Vegetation Index (NDVI) Rouse etal., 1973
Ratio Normalized difference soil index (RNDSI) Deng et al., 2015
Soil Adjusted Vegetation Index (SAVI) Huete, 1988
Tasseled Cap Brightness Kauth, Thomas, 1976
Tasseled Cap Greenness Kauth, Thomas, 1976
Tasseled Cap Wetness Kauth, Thomas, 1976
Травянистая растительность
Рис. 2. Типы земного покрова островов и расположение тренировочных точек
висимых деревьев классификации и регрессии и хорошо подходит для моделирования с большим количеством коррелированных предикторов. Недостатком метода является низкая интерпретируемость зависимостей между предикторами и зависимой переменной, что в случае задач картирования земного покрова не играет значительной роли (Jameset al., 2013).
Для обучения модели в пределах границ островных систем случайным образом создан тренировочный набор из 300 точек. Дополнительно сформировано еще 200 точек, распределенных по области, покрываемой спутниковым снимком. Каждая из 500 тренировочных точек путем дешифровки мультиспектральных снимков и снимков высокого разрешения вручную классифицировалась как один из 7 типов земной поверхности. На рисунке 2 представлен перечень выделенных типов земной поверхности и примеры тренировочных точек, наложенные на снимки Landsat 8 и снимки высокого разрешения.Типы «древесная растительность» и «травянистая растительность» характеризуют соответствующий растительный
покров островов разной степени плотности покрытия. Тип «открытая почва» - редко встречающийся непосредственно на островах тип поверхности, представленный почвами различного гранулометрического состава без какого-либо растительного покрова. Тип земного покрова «песок» характеризует либо поверхности есте-
Иственного намыва песка (пляжи), либо искусственно намытые территории. Отдельно стоит отметить тип «затопляемый грунт» - данный тип поверхности приурочен к низким частям островов, оказывающимся затопленными при незначительном повышении уровня воды. Ввиду высокой насыщенности водой, спектральная сигнатура «затопляемого грунта» значительно отличается как от спектральной сигнатуры открытой почвы, так и от сигнатуры песка (рис. 3).
Предварительная обработка снимков Landsat и финальная компоновка карт проводились с использованием геоинформационной системы QGIS (QGIS..., 2018) и модуля Semi-Automatic classification Plugin (Congedo, 2013) . Для метода Random Forest использована реализация в пакете «random-Forest» для статистической среды R (Liaw, Wiener, 2002; RCoreTeam, 2018).
Результаты и их обсуждение
Классификация и оценка точности
Результатом применения алгоритма Random-Forest для классификации типов земного покрова с использованием спектральных слоев и спектральных индексов в качестве предикторов стала карта земного покрова, представленная на рисунке 4. Точность классификации оценивалась методом перекрестной проверки, итоговая матрица ошибок представлена в таблице 2.
Общая точность модели классификации составляет 89.04%; коэффициент Cohen's Kappa, равный 0.87, позволяет сделать вывод о высокой производительности модели классификации (Banko, 1998).
Низкая точность классификатора наблюдается для урбанизированного типа земной поверхности (табл. 2). Одной из причин ошибок классификации урбанизированных территорий является
Рис. 3. Спектральные сигнатуры типов земного покрова
схожесть спектральных сигнатур урбанизированного класса с сигнатурами песка и открытой почвы (рис. 3). Вторая причина обусловлена видом использования территории островных систем: при отсутствии больших площадей сплошной застройки, урбанизированный тип поверхности островов представлен в первую очередь домами садовых и дачных участков, размеры которых меньше разрешения спутникового снимка Landsat 8 30x30 м. В данных условиях спектральные
характеристики ячеики спутникового снимка представляют собой комбинацию спектров попадающих в ее пределы поверхностей.
Характеристика земного покрова островов
В таблице 3 представлены сводные данные по земному покрову островов Казанского района переменного подпора. На настоящий момент острова характеризуются относительно небольшим количеством урбанизированных территорий, которые представлены преимущественно дачными участками и базами отдыха. При этом территория островов, пригодная для хозяйственного и/ или рекреационного использования, значительно ограничена из-за колебания уровня воды в водохранилище. Так, при оценке границ островов при нормальном подпорном уровне около трети от общей площади островов отнесено к затопляемым территориям (табл. 3). Второй по площади тип земного покрова островов представлен древесной
Таблица 2. Матрица ошибок модели классификации
Реальные классы
ЗГ* ДР TP П ОП УТ ВП Пользовательская точность, %
зг 66 1 1 1 2 6 2 83.5
а ДР 2 114 7 0 3 1 0 89.8
TP 1 1 62 0 2 2 0 91.2
К -е s п 0 0 0 30 2 5 0 81.1
о % Ч ОП 0 1 0 2 59 4 0 89.4
УТ 2 0 1 3 1 51 0 87.9
ВП 2 0 0 0 0 0 65 97.0
Точность классификатора, % 90.4 97.4 87.3 83.3 85.5 73.9 97.0
*ЗГ - затопляемый грунт, ДР - древесная растительность, ТР - травянистая растительность, П - песок, ОП - открытая почва, УТ - урбанизированная территория, ВП - водная поверхность.
Таблица 3. Сводная характеристика земного покрова островов
Тип земного покрова Площадь, га %
Затопляемый грунт 961.88 35.2
Древесная растительность 862.42 31.6
Травянистая растительность 270.50 9.9
Песок 181.12 6.6
Открытая почва 222.48 8.2
Урбанизированная территория 231.06 8.5
ч 1 ' Щ i , < .'- .А V Б
> 1 ^ vi F5 / -L ll v ^ > i
^■Древесная растительность [ □Травянистая растительность ^■Открытая почва
Типы земного покрова Песок
Затопляемый грунт Урбанизированная территория Водная поверхность
Рис. 4. Примеры классификации земного покрова островов в сравнении с исходным снимком
растительностью разной степени разреженности.
Заключение
Использование мультиспектральных снимков, совместно со спектральными индексами на их основе, позволило провести классификацию земного покрова островных систем. Полученная карта типов земной поверхности показывает низкий уровень освоенности островов Казанского района переменного подпора и их высокую за-лесенность. Стоит отметить, что классификация земной поверхности по данным дистанционного зондирования земли позволяет оценить антропогенную нагрузку в виде прямой застройки территории обследования. Скрытым от глаз в данном случае остается стихийное рекреационное использование островов.
Работа выполнена при финансовой поддержке РФФИ и Правительства Республики Татарстан в рамках научного проекта № 18-44-160002.
Список литературы
1. Иванов Д.В., Григорьян Б.Р., Бойко В.А., Баршева К.В., Марасов А.А. О правовом статусе островов водохранилищ Российской Федерации // Экологическое право. 2007. №3. С. 33-38.
2. Изменения уровней водохранилищ ГЭС РусГидро, 2018. [Электронный ресурс]. Режим доступа: М1р://%'%глг. rushydro.ru/hydrology/informer. (Проверено: 17.10.2018).
3. Рязанов С.С., Сахабиев И.А., Галимов Д.З. Классификация земного покрова островов Куйбышевского водохранилища с использованием данных дистанционного зондирования // Российский журнал прикладной экологии. 2015. №3. С. 50-55.
4. Banko G. A review of assessing the accuracy of classifications of remotely sensed data and of methods including remote sensing data in forest inventory. Luxemburg: International Institute for Applied Systems Analysis, 1998. 42 p.
5. Barati S., Rayegani В., Saati M., Sharifi A., Nasri M. Comparison the accuracies of different spectral indices for estimation of vegetation cover fraction in sparse vegetated areas // The Egyptian Journal of Remote Sensing and Space Science. 2011. V. 14,1. 1. P. 49-56.
6. Boegh E., Soegaard H., Broge N., Hasager C., Jensen N., Schelde K., Thomsen A. bAirbome Multi-spectral Data for Quantifying Leaf Area Index, Nitrogen Concentration and Photo synthetic Efficiency in Agriculture //Remote Sensing of Environment. 2002. V. 81. №2-3. P. 179-193.
7. Chavez PS. Image-Based Atmospheric С orrections - Revisited and Improved Photogrammetric Engineering and Remote Sensing // American Society of Photogrammetry. 1996. №62. P. 1025-1036.
8. Congedo L., Munafo M., Macchi S. Investigating the relationship between land cover and
vulnerability to climate change in Dar es Salaam. Working Paper.Rome: Sapienza University, 2013. 58 p.
9. Deng Y., Wu C., Li M., Chen R. RNDSI: A ratio normalized difference soil index for remote sensing of urban/suburban environments // International Journal of Applied Earth Observation and Geoinformation. 2015. №39. P. 40-48.
10. Drury S. Image Interpretation in Geology. London: Allen and Unwin, 1987. 243 p.
11. Huete A.,Didan K., Miura T., Rodrigez E., Gao X., Ferreira L. Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices // Remote Sensing of Environment. 2002. №83. P. 195-213.
12. Huete A. A soil adjusted vegetation index SAVI // Remote Sensing of Environment.1988. №25. P. 295-309.
13. James G., Witten D., Hastie T., Tibshirani R. An introduction to Statistical Learning with Applications in R. London, Springer, New York, Heidelberg, Dordrecht, 2013. 440 p.
14. Kauth R., Thomas G. The Tasselled Cap - A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT. LARS Symposia, 1976. Paper 159. P. 41-51.
15. Landsat 8 (L8) data users handbook.South Dakota: EROS. Sioux Falls, 2015. 106 p.
16. Liaw A., Wiener M. Classification and Regression by random Forest.RNews. 2002. V. 2/3. P. 18-22.
17. Lopez G., Caselles V. Mapping Burns and Natural Reforestation using Thematic Mapper Data // Geocarto International.1991. № 6. P. 31-37.
18. Louhaichi M., Borman M., Johnson D. Spatially Located Platform and Aerial Photography for Documentation of Grazing Impacts on Wheat // Geocarto International.2001. № 1. P. 65-70.
19. QGIS Development Team.QGIS Geographic Information System. Open Source Geospatial Foundation, 2018. [Электронныйресурс]. Режим доступа: http://qgis.osgeo. org(npoBepeHo: 11.10.2018).
20. Qi .Т., Chehboimi A., Huete A., Kerr Y., Sorooshian S. A modified soil adjusted vegetation index (MSAVI) // Remote Sensing of Environment. 1994. №48. P. 119-126.
21. R Core Team.R: A Language and Environment for Statistical Computing.R Foundation for Statistical Computing, Vienna, Austria, 2018.[Электронный ресурс]. Режим доступа: http://www.R-project.org. (Проверено: 11.10.2018).
22. Rouse .Т., Haas R., Schell .Т., Deering D. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium. NASA, 1973. P. 309-317.
23. Sripada R., Heiniger R., White J., Mejer A. Aerial Color Infrared Photography for Determining Early In-season Nitrogen Requirements in Com // Agronomy Journal. 2006. № 98. P. 968-977.
24. Sripada R. Determining In-Season Nitrogen Requirements for Com Using Aerial Color-Infrared Photography // Ph.D. dissertation, North Carolina State University, 2005. 262 P-
25. Yang Z., Willis P., Mueller R. Impact of Band-Ratio Enhanced AWIFS Image to Crop Classification Accuracy // Proceedings of the Pecora 17 Remote Sensing Symposium, Denver, 2008. 11 p.
S.S. Ryazanov, V.I. Kulagina. Land cover classification of the Kuibyshev reservoir islands using multispectral remote sensing data.
The classification of islands land cover of the Kazan region of the Kuibyshev reservoir variable affluent was carried out. Spectral layers of the Landsat 8 OLI image, as well as 22 spectral indices, were used for classification. 5 main types of land cover (woody vegetation, grass vegetation, bare soil, sand, flooded soil, urbanized territories) were identified and the occupied area was estimated on the territory of island systems.
Keywords: islands; Kuibyshev reservoir; land cover; remote sensing, classification.
Информация об авторах
Рязанов Станислав Сергеевич, научный сотрудник, Институт проблем экологии и недропользования АН РТ, 420087, Россия, г. Казань, ул. Даурская, 28, e-mail: erydittoîyandex.ru.
Кулагина Валентина Ивановна, кандидат биологических наук, заведующая лабораторией, Институт проблем экологии и недропользования АН РТ, 420087, Россия, г. Казань, ул. Даурская, 28, e-mail: viksoil(a!mail.ru.
Information about the authors
Stanislav S. Ryazanov, Researcher, Research Institute for Problems of Ecology and Mineral Wealth Use of Tatarstan Academy of Sciences, Daurskaya st., 28, Kazan, Russia, 420087, e-mail: erydit(S)yandex.ru.
Valentina I. Kulagina, Ph.D. in Biology, Head of Laboratory, Research Institute for Problems of Ecology and Mineral Wealth Use of Tatarstan Academy of Sciences, Daurskaya st., 28, Kazan, Russia, 420087, e-mail: viksoil(a!mail.ru.
