CC BY
830
Научно-технические разработки
УДК 614.8
М.А. Шахраманьян д.т.н., С.Г. Дорошенко, А.В. Епихин к.в.н.,
В.М. Резников к.т.н., Щербенко Е.В. к.с.-х.н.
МЕТОДЫ ТЕМАТИЧЕСКОЙ ОБРАБОТКИ КОСМИЧЕСКИХ СНИМКОВ ПРИ МОНИТОРИНГЕ ПРИРОДНЫХ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ
В статье описаны методики тематической обработки космических снимков для оперативного выявления масштабных природных ЧС и экспресс-оценки их последствий
М.А. Шахраманьян
С.Г. Дорошенко
А.В. Епихин
В.М. Резников
Е.В. Щербенко
а:я Российской Федерации с ее колоссальными, зачастую малолюд-шми, территориями космический мониторинг является практичес-:и безальтернативным, когда речь идет о масштабных природных змах, предупредить которые невозможно. Для снижения рисков таких природных ЧС остается только с максимальной оперативностью их обнаружить и определить масштаб, что позволит принять обоснованные управленческие решения по их локализации и ликвидации. Эту задачу и призван выполнять космический мониторинг ЧС на территории РФ.
В настоящее время по ряду технических и экономических причин отечественные системы космического мониторинга (в том числе МЧС) в полной мере готовы выполнять эту задачу в части таких природных ЧС, как лесные пожары, наводнения и паводки, засухи. Именно этот вид ЧС связан с наибольшими потерями материальных и людских ресурсов.
Реальные масштабы горимости лесов России и размеры наносимого огнем ущерба до настоящего времени не установлены. Регулярные наблюдения за лесными пожарами ведутся только в зоне активной охраны лесов, охватывающей 2/3 общей площади лесного фонда. В северных районах Сибири и Дальнего Востока, охватывающих 1/3 лесного фонда, активная борьба с огнем и учет пожаров практически отсутствуют. В зоне активной охраны лесов ежегодно регистрируется от 10 до 30 тысяч лесных пожаров, охватывающих площадь от 0,5 до 2,1 млн. га. Предполагают, что площадь, охватываемая огнем в целом по России, составляет около 2,0 млн. га в год.
Указанное обстоятельство, а также наличие больших неохраняемых территорий свидетельствуют о сравнительно низком уровне противопожарной защиты лесов в нашей стране.
Космическая съемка позволяет регистрировать пожары как на охраняемых, так и на неохраняемых территориях в оперативном и полуоператив-ном режиме, имеет относительно низкую стоимость по сравнению с авиасъемкой больших территорий и обеспечивает оперативность получения данных о пожарной обстановке в любом регионе России. Методика космического мониторинга пожаров может быть использована для выявления очагов лесных пожаров как на региональном, так и глобальном уровнях. Полученные результаты используются при решении лесоохранных задач, при выборе оптимального количества средств ликвидации пожаров и т.д.
Наводнения представляют собой грозную и коварную стихию и угрожают почти трем четвертям земной поверхности. За последнее столетие, по данным ЮНЕСКО, от наводнений погибло 9 млн. человек. По оценке Международного Общества Красного Креста и Красного Полумесяца в период времени с 1968 г. по 1992 г. число пострадавших от этого стихийного бедствия составило свыше 42 млн. человек.
Огромен и причиняемый паводками материальный ущерб. За период 1976 — 1995 гг. ущерб от паводков составил около 55 млрд. долларов. Основными причинами являются интенсивные дожди, таяние снега, ветровые нагоны и приливные явления в устьях рек, ледовые заторы, прорывы дамб и плотин.
На территории России наводнения являются наиболее разрушительными и часто происходящими (35 % от общей частоты возникновения опасных событий) природными стихиями. Угроза наводнений существует в России более чем для 40 городов и нескольких тысяч других населенных пунктов. Общая площадь пойменных земель, пери-
одически затопляемых речными и озерными водами, составляет примерно 500 тыс. кв. км. Огромный материальный ущерб наносится сельскохозяйственным угодьям в результате ливневых дождей, при которых смываются, затапливаются и, в результате этого, гибнут сельскохозяйственные культуры. Среднестатистический ущерб от наводнений по стране составляет 3,25 млрд. долларов в год.
Традиционные методы сбора информации о площадях сельскохозяйственных культур, погибших в результате паводков, не отвечают современным требованиям, так как сбор необходимой информации только наземными данными занимает несколько недель, а иногда и месяцев. Оперативное получение необходимой информации может обеспечить только использование данных космических съемок, которые позволяют получить интересующую информацию в течение 1-3 дней.
Засуха является одним из негативных природных явлений, которое может привести к гибели людей и к значительному материальному ущербу. В ряду чрезвычайных ситуаций по количеству погибших засухи занимают третье место в мире после землетрясений и циклонов. Самой значительной и известной засухой в России в прошлом веке была засуха в Поволжье в 1930-1932 годах. Она усугублялась тем, что продолжалась несколько лет подряд. Это привело к длитель-
ному голоду и гибели миллионов людей, к тяжелому экономическому положению всего региона и страны в целом.
Своевременное выявление территорий, подвергшихся засухе и передача информации в органы МЧС для принятия соответствующих мер по уменьшению человеческих и материальных потерь требует использования оперативной космической информации. В настоящее время, используя данные космических съемок, можно проследить развитие и распространение засухи, выявить территории, в разной степени пораженные этим явлением, вычислить материальный ущерб, нанесенный сельскому хозяйству засухой.
Актуальной проблемой при проведении космического мониторинга, помимо вопросов получения данных дистанционного зондирования Земли (ДЗЗ) и технического оснащения комплексов приема и обработки космической информации, является методология тематической расшифровки космических снимков.
В течение ряда лет ФГУ ВНИИ ГОЧС (ФЦ) наряду с созданием системы космического мониторинга МЧС России ведет исследования по методологии тематической обработки космических снимков с целью оперативного выявления ЧС и оценки их последствий. В настоящей статье излагаются некоторые основные результаты этих исследований.
1. АППАРАТУРА ПОЛУЧЕНИЯ И ОБРАБОТКИ КОСМИЧЕСКИХ СНИМКОВ
1.1. Космические аппараты (КА) и съемочная аппаратура
Общие характеристики аппаратуры КА, используемых СКМ для мониторинга ЧС, приведены в табл. 1. В табл. 2 приведены характеристики РЛС КА «Radarsat». В табл. 3 — подробные спектральные характеристики многоспектральной аппаратуры MODIS, а в табл. 4
— остальных оптических средств.
Использование данных MODIS космического аппарата (КА) «EOS» («Тегга» и «Адиа») позволяет вести мониторинг ЧС, связанных с природными пожарами с точностью несколько сотен метров; мониторинг ЧС, обусловленных паводками, контроль за развитием неблагоприятных метеоусловий, мониторинг техногенных ЧС (техногенные аварии на суше и на воде, контроль загрязнения атмосферы городов).
Прием данных с КА «Метеор-ЗМ» с более высоким, по сравнению с данными MODIS, разрешением, позволяет проводить более детальный мониторинг объектов.
Для решения задач мониторинга ЧС, связанных со сходом снежных лавин, активизацией экзогенных процессов, а также мониторинга засухи на с/х угодьях, поражения вредителями и с миграцией саранчи требуется использовать данные высокого пространственного разрешения (до нескольких метров). Такие данные могут быть получены с индийских спутников IRS-Ю/Ш и канадского радиолокационного спутника «Radarsat-1».
Использование радиолокационной съемки для мониторинга ЧС особенно важно, т.к. эта съемка
проводится в любое время суток и при любой погоде («прозрачность» для ночи и облаков) Эта способность позволяет повысить вероятность съемки интересующей территории практически до 100 %.
Использование данных NOАА вместе с данными MODIS позволит увеличить периодичность съемки одной территории за одни сутки до 10 раз: 6 раз данными NOАА и 4 раза данными MODIS. Данные NOАА традиционно используются для мониторинга пожаров и метеообстановки. Для повышения эффективности мониторинга используются архивные географически привязанные данные (точность привязки до 10 м) со спутника «Lаndsat-7» с пространственным разрешением 15 и 30 м для совмещения с данными, принятыми в качестве базовой топоосновы. Данные «Landsat-7» могут использоваться для сопоставления состояния территории, где произошла авария или ЧС, а также для уточнения координат места происшествия, обнаруженного по изображениям NOАА, «Метеор-ЗМ» или «EOS».
Помимо решения задач мониторинга ЧС, использование спутниковых изображений часто незаменимо при необходимости перемещения в малодоступные районы.
1.2. Аппаратно-приемные комплексы Космическая информация, используемая в методиках, получается с помощью АПК, разработанных НТП «СканЭкс»:
Станция УниСкан — прием данных КА «Адиа», IRS-Ю/D, «Radarsat-1» радиус зоны видимости 2500 км;
Научно-технические разработки
Научно-технические разработки
Таблица 1
Характеристики съемочной аппаратуры КА
Спутник Аппаратура Пространственное разрешение, м Полоса обзора, км Число спектральных каналов Темп передачи, Мбит/сек
<^а(іагеа1-1» SАR 8-100 50-500 1 (РЛ 5,6 см) 105
шя-ю/т РАN 6 70 1 (видимый) 84,9
шя-ю/т 23 140 3 (видимый, ближний ИК) 42,45
EOS МОDIS 250-1000 2300 36 (видимый, ИК) 13,125
«Метеор-3М» МСУ-Э 45 60 3 (видимый, ближний ИК) 15,36
^АА АVHRR 1100 3000 5 (видимый, ИК) 0,66
Таблица 2
Характеристики режимов работы РЛС радиолокационного спутника «Radarsat-1»
Режим Ширина полосы обзора, км Угол падения луча, град. Разрешение (поперек х вдоль направления полета), м
Стандартный 100 20-49 28 х 25
Широкополосный 150 20-45 28 х 23-35
Детальный 50 35-49 9 х 8-9
Обзорный широкий 500 20-50 100х100
Обзорный узкий 300 20-40, 32-36 50 х 50
Расширенный дальний 75 50-60 28 х 25
Расширенный ближний 75 10-20 28 х 25
Таблица 3
Характеристики съемочной аппаратуры MODIS (КА EOS)
Канал Пространственное разрешение, м Спектральные диапазоны, мкм Канал Пространственное разрешение, м Спектральные диапазоны, мкм
1 250 0,620-0,670 19 1000 0,915-0,965
2 250 0,841-0,876 20 1000 3.660-3,840
3 500 0,459-0,479 21 1000 3,929-3,989
4 500 0,545-0,565 22 1000 3,929-3,989
5 500 1,230-1,250 23 1000 4,020-4,080
6 500 1,628-1,652 24 1000 4,433-4,498
7 500 2,105-2,155 25 1000 4,482-4,549
8 1000 0,405-0,420 26 1000 1,360-1,390
9 1000 0,438-0,448 27 1000 6,535-6,895
10 1000 0,483-0,493 28 1000 7,175-7,475
11 1000 0,526-0,536 29 1000 8,400-8,700
12 1000 0,546-0,556 30 1000 9,580-9,880
13 1000 0,662-0,672 31 1000 10 780-11 280
14 1000 0,673-0,683 32 1000 11 770-12 270
15 1000 0,743-0,753 33 1000 13 185-13 485
16 1000 0,862-0,877 34 1000 13 485-13 785
17 1000 0,890-0,920 35 1000 13 785-14 085
18 1000 0,931-0,941 36 1000 14 085-14 385
Таблица 4
Характеристики съемочной аппаратуры
Наименование сканера Пространственное разрешение, м Спектральные диапазоны, мкм Полоса обзора, км Несущая частота, МГц
РА1М 5,8 0,5—0,75 70
1Л85-3 23 0,52—0,59 142 8225
0,62—0,68 8150
0,77—0,86 8350
XVI Р 5 188 0,62—0,68 810
188 0,77—0,86
188 0,77—0,86
МСУ-Э 32x37 0,60—0,70 60 8192
32x37 0,80—0,90
250 0,55—0,70
250 0,70—0,90
МСУ-С 20/40 0,63—0,68 2 100 8192
20/40 0,79—0,90
Станция ЕОСкан — прием данных КА «Тегга», «Метеор-ЗМ», IRS-1C/1D, радиус зоны видимости-1500 км;
Станция СканЭкс — прием данных КА NOAA.
На прием данных КА IRS-1C/D, «Radarsat-1» необходимо приобретать лицензию.
Снимки КА «Landsat» необходимо приобретать.
Перечень и оборудование рабочих мест операторов пунктов приема и обработки космической информации приведен в табл. 5.
1.3. Программное обеспечение первичной обработки изображений
1.3.1. Приложение приема SсапRесеivеr
Приложение управления станцией ScanRecever
предназначено для работы только под MS Windows 98.
Основные функции приложения:
• расчет траектории спутников и расписаний приема по орбитальным элементам спутников в формате NОRАD TLE;
• автоматическая активизация приложения и станции по расписанию;
• автоматическое управление антенной во время приема;
• кадровая синхронизация принимаемых данных и ввод в ПЭВМ;
• распаковка КИ, преобразование в формат Lеvеl0 (PDS) и запись на СD;
• контрольная визуализация изображения одного из каналов;
• измерение характеристик АПУ и ручное управление антенной;
• сквозное и пошаговое тестирование станции;
• индикация состояния станции на всех этапах работы.
1.3.2. Приложение предварительной обработки изображений SсапViеwеr
Основные функции приложения:
• визуализация фрагментов изображений в целочисленном масштабе, в сером тоновом, псевдоцветном или композитном (RGB) представлении;
• географическая привязка изображений по орбитальным элементам спутника с наложением векторной карты;
• фрагментация изображений и запись фрагментов в исходном формате;
• экспорт изображений в формат ВМР и вывод на печать;
• расчет калибровочных коэффициентов и запись их в заголовок файлов;
• пересчет сигналов каналов АVНRR в значения альбедо и радиационной температуры;
• расчет абсолютных значений температуры поверхности воды и вегетационного индекса, автоматическое детектирование очагов пожаров по температурным признакам.
1.3.3. Приложение управления каталогом изображений SсапЕх Саtаlоg Мапаgеr
Прошедшие предварительную обработку изображения сохраняются в архиве. С помощью приложения управления каталогом производится автоматическое занесение в базу данных информации об основных параметрах снимка (дата и время приема, тип датчика, количество спектральных каналов, размеры, данные для географической привязки). При этом в базе также сохраняется прореженная и сжатая копия изображения для быстрого просмотра. Кроме того, оператор имеет возможность связать с конкретным снимком тематический комментарий к изображению, замечания по качеству приема или обработки.
Приложение позволяет осуществлять поиск данных в базе и отбор записей о сохраненных снимках по ряду критериев. Для отобранных в результате запроса
Научно-технические разработки
Научно-технические разработки
Таблица 5
Типовое оборудование рабочих мест (РМ) операторов пунктов обработки космической информации (КИ)
№ Наименование РМ Оборудование РМ Назначение РМ
1 РМ оператора приема КИ с КА серии ^АА CPU Intel P4 RAM 2X 1Gb DDR-400 HDD 2X Seagate Barracuda 7200.7 Plus ST-3120026A; 4X Seagate Barracuda 7200.7 SATA ST-3120026AS; CD-ROM DVD+RW8xW/ 4xRW/12xR//32xW/16xRW/40xR NEC “ND-2500A/GBP; Monitor 19” Управление приемом (расчет траектории КА, времени сеанса связи, сопровождение КА) и запись КИ с КА. Оперативное хранение файлов (объем до 120 Мб), запись архивов
2 РМ оператора приема КИ с КА серий «Тегга» и «Метеор» То же - с КА серии «Тегга». (объем до 900 Мб)
3 РМ предварительной обработки КИ с КА NOAA, «Тегга» и «Метеор» CPU, MB, RAM, HDD, Monitor;- аналогично 1,2. CD-ROM CD-RW IDE 52xW/32xRW/52xR TEAC W552D” VGA SVGA AGP 128Mb Предварительная обработка КИ (калибровка, привязка, вырезка фрагментов изображений). Пакет данных для NOAA 200Мб. Для КА «Тегга» - объем пакета данных - до 2-3 Гб
4 РМ тематической обработки изображений со спутников серии NOAA CPU Intel P4; RAM 4X 1Gb DDR-400 HDD 2X Seagate Barracuda 7200.7 Plus ST-3120026A; CD-ROM DVD+RW 8xW/4xRW/ 12xR//32xW/16xRW/ 40xR NEC “ND-2500A/ GBP” VGA SVGA AGP 256Mb Monitor 19” Тематическая обработка КИ, окончательная привязка вырезанного сектора изображений. Оперативное хранение файлов (объем одного пакета до 60 Мб), ведение долгосрочного архива тематических пакетов
5 АРМ ГИС оперативного дежурного «Пожары», АРМ ГИС «АУ - Метео» CPU, MB RAM HDD, Case, Case FAN -аналогично 4,5 CD-ROM DVD/CD-RW IDE int 16xDVD/ 52xW/32xRW/52xR TEAC “DW-552G”VGA; Monitor 20” Подготовка карт-схем и таблиц пожаров. Построение ГЕО-привязанных обзорных снимков пожаров с дымовыми шлейфами и сшивки облачной системы над принимаемой территорией
6 РМ оперативной тематической обработки КИ с КА серии ^АА АРТ («Космос-М1») CPU, MB - аналогично 4,5 RAM 4X 1Gb; HDD Seagate CD-ROM CD-RW IDE 52xW/32xRW/52xR VGA SVGA AGP 128Mb Monitor 19” Усовершенствование ПО оперативной работы с изображениями с КА NOAA и «Тегга», секторизации изображений КА NOAA и «Тегга», маскирования облачности
7 Файловый сервер CPU, MB, RAM, VGA, HDD FAN, Case FAN — аналогично 7 CD-ROM DVD/CD-RW IDE int 16xDVD/ 52xW/32xRW/52xR Monitor 17” Оперативное хранение и архивация на DVD дисках принятых и обработанных файлов. Раздельное хранение базы данных опорных снимков по годам приема и по сезонам
8 РМ обмена КИ в корпоративной сети МЧС CPU, MB, RAM, HDD, HDD FAN CD-ROM, VGA, Case FAN - аналогично Организация обмена информацией в корпоративной сети МЧС
снимков каталог предоставляет необходимую информацию, уменьшенное изображение и возможность просмотра положения отснятой территории на карте. Для работы непосредственно со снимком каталог выдает информацию об его местонахождении в архиве и вызывает его загрузку в приложение просмотра.
1.3.4. Программное обеспечение обработки изображений SсапМаgiс
Программа SсаnМаgiс в настоящий момент поддерживает более 70 картографических проекций и более 40 эллипсоидов.
В большинстве случаев SсаnMagiс позволяет выполнить полный цикл работ по подготовке выходных продуктов дистанционного зондирования Земли без привлечения дополнительных программных средств.
При этом выполняется:
• визуализация изображений в режимах Grayscalt и RGВ с масштабированием и контрастированием;
• географическая привязка изображений по орбитальным элементам КА;
• коррекция географической привязки методом подбора поправок к положению спутника на орбите и углам его ориентации;
• привязка изображений по технологиям «изображение к карте» и «изображение к изображению» с использованием опорных точек местности;
• импорт и наложение на изображение географических карт;
• трансформирование изображений в картографические проекции;
• создание мозаик изображений от различных сенсоров на заданный географический регион с произвольным комплексированием данных различных каналов и пространственных разрешений;
• экспорт изображений в обменные графические и ГИС форматы и вывод на печать.
1.3.5. Программа SсаnЕх Imаgе Рrосеssоr
Программа предназначена для геометрической и радиометрической нормализации данных и дополнительной обработки геометрически нормализованных данных. В программе реализована возможность полуавтоматической геопривязки данных, основанная на использовании коррелятора. В программе существует возможность создания тематических продуктов по алгоритмам, описанным в ATBD для данных спектро-радиометра MODIS. Программа имеет возможность просмотра и редактирования векторной информации в форматах МартАз.
Геометрическая нормализация данных ДЗЗ может проводится в два этапа:
• Геометрическая нормализация по орбитальным данным спутника.
• Уточнение геопривязки по опорным точкам.
В настоящий момент в программе реализована возможность геометрической нормализации, по орбитальным данным, радиометрически нормализованных данных, получаемых со следующих спутников:
• IRS-1C/1D - камеры PAN, LISS-III, WiFS;
• «Terra»- камеры MODIS и ASTER;
• «Метеор-ЗМ» — камера МСУ-Э;
• серий спутников «Ресурс»/«Океан» — камеры МСУ-Э, МСУ-СК.
Для данных «Terra» радиометрическая коррекция проводится непосредственно в программе. Для пересчета между системами координат в программе используется модуль PROJ.4 поддерживающий более 26 типов картографических проекции, более 60 систем координат и более 50 референцэллипсоидов. Уточнение геопривязки может проводится для любых типов данных, в т.ч. «ЬапёБа1-5» — ТМ, «Lendsat-7» — ЕТМ+, SPOT, представленных в одном из поддерживаемых программой форматов. Для чтения/записи распространенных графических растровых и геоинформационных растровых форматов в программе используется модуль GDALLv1.5, поддерживающий большое количество распространенных графических форматов ГИС.
Уточнение геопривязки можно проводить как вручную (по опорным точкам), так и в полуавтоматическом режиме, используя встроенный коррелятор.
При привязке по опорным точкам может использоваться как векторная карта в формате E5RI Shаре File (*^р) и/или МартЮ ШегсЬа^е (*.mif), так и бумажная топографическая карта. В полуавтоматическом режиме, для уточнения геопривязки могут быть использованы любые спутниковые/аэрофото данные, удовлетворяющие по точности задачам оператора (например, ЛапёБаЪ» 7-ЕТМ+, «Те1та» —ASTER).
В программе реализован алгоритм интерактивной смены картографической проекции и разрешения изображений.
В программе используются алгоритмы «ресамп-линга (геБатрИ^)», позволяющие с наименьшими потерями сохранять исходные яркости пикселей после трансформации.
В программе существует возможность получения тематических продуктов из данных спектрорадиомет-ра MODIS, по алгоритмам, описанным в ATВD.
• Детектирование пожаров по алгоритму ATВD-MOD-14.
• Детектирование облачности по алгоритму ATВD-MOD-06.
• Расчет температуры земной поверхности и детектирование снежного/ледового покрова по алгоритму ATВD-MOD-10.
• Расчет индексов вегетации по ATВD-MOD-13.
• Дополнительная обработка растровых изображений.
Дополнительную обработку геометрически и радиометрически нормализованных данных можно разделить на следующие пункты.
• Синтезирование синего канала для создания представления в псевдонатуральных цветах.
• Imаgе Fusion процедура слияния панхроматического изображения (с высоким пространственным разрешением) и многозонального изображения (с низким пространственным разрешением) с целью получения синтезированного цветного изображения высокого разрешения.
• Создание тонально сбалансированных мозаик.
• Проведение арифметических операций с растровыми слоями.
В программе реализован алгоритм, позволяющий синтезировать синий канал, используя спектральные характеристики имеющихся каналов (Ближний ИК, Видимый красный, Видимый зеленый). Использование синтезированного синего канала позволяет получать RGВ изображение в «псевдонатуральных» цветах, что актуально для камер, не имеющих синего спектрального канала («Метеор-ЗМ» (МСУ-Э), IRS-1C/1D (LISS-1II), «Теп-а» (ASTER)).
Процедура Imagе Fusion используется для получения RGВ изображения с высоким пространственным разрешением с использованием спектральных каналов и панхрома. В программе реализован интерактивный алгоритм слияния, который можно использовать как для изображений, полученных с одного спутника, так и для изображений с различных платформ. Например, для увеличения пространственного разрешения данных «Landsat-7» (ЕТМ+) по данным IRS-1Q/1D (PAN).
Многие задачи, решаемые при обработке данных дистанционного зондирования, включают вычисления с использованием «алгебры карт» (арифметических операций над растровыми слоями). К ним относятся, например, вычисление вегетационных индексов или пересчет значений каналов снимка из условных чисел в физические величины, такие, как температура. Поскольку используемые для этого выражения и константы специфичны как для типа снимка, так и для изображенной на нем территории, в программе предусмотрены средства, позволяющие пользователю самому задавать алгоритмы обработки снимков.
Научно-технические разработки
Научно-технические разработки
2. МЕТОДИКА ВЫЯВЛЕНИЕ ЛЕСНЫХ ПОЖАРОВ
2.1. Актуальность мониторинга лесных пожаров
В процессе обработки данных дистанционного зондирования земли (ДЗЗ) по настоящей методике производятся:
- идентифицикация очагов лесных пожаров на космических изображениях;
- определение местоположения очагов пожаров (координатная привязка);
- определение ближайших объектов инфраструктуры, которые могут пострадать (или пострадавших) в результате развития пожара.
Разработанная методика основана на цифровой обработке космических изображений, чем отличается от большинства опубликованных по данному вопросу. Ранее, как правило, использовались фотоматериалы, а не сканерные изображения и не велась их цифровая обработка. В настоящей методике предложен новый метод дешифрирования изображений, содержащих лесные пожары, основанный на анализе излу-чательной способности черного тела с температурой 800—1000 К. Географическая привязка очагов горения вычисляется автоматически по орбитальным данным спутников дистанционного зондирования Земли. Предложен новый подход представления результатов распознавания, заключающийся в отображении очагов пожаров непосредственно на векторной ГИС-карте. При необходимости векторная карта может быть заменена растровой топографической.
Методика составлена на основе исследований спектральных и энергетических свойств крупных лесных пожаров. В ней используются следующие материалы:
- космические данные с ИСЗ NOAA с аппаратуры AVHRR;
- векторные ГИС-карты в масштабе 1:1 000 000;
- топографические карты в масштабе 1:200 000.
Цифровая обработка космических изображений
проведена на следующих программных средствах:
- Fire Detection (2.3);
- «Arcview»(3.0);
- «Scanview»(3.1).
2.2. Принятые ограничения и допущения
В данной методике для выделения лесных пожаров приняты следующие допущения и ограничения:
- лесные пожары выделяются только на свободной от облачности территории, поскольку облачность является непрозрачной средой для ИК-излучения;
- выявляемые пожары в момент съемки должны находиться в стадии устойчивого горения или в начальной стадии с высокой температурой горения;
- в связи с ухудшением пространственного разрешения на краях космического изображения, в методике используется только та часть исходного изображения, которая находится не далее чем 2/3 от центральной линии;
- пороги в соответствующих спектральных каналах выбирались на основе анализа отражательной
и излучательной способности различных природных объектов на территории Центральной части России, Севера Европейской территории России, Греции и Болгарии.
Поэтому предложенные в методике пороги удовлетворительно работают для указанных выше территорий — исходная космическая информация должна быть цифровой и иметь формат DUF2.
Исходными данными для расчетов являются космические изображения с пространственным разрешением до 1,1 км, обеспечивающие выявление очагов пожаров и их местоположения (географические координаты).
2.3. Требования к исходной космической информации
При выявлении лесных пожаров космическая информация должна отвечать следующим требованиям:
- иметь пространственное разрешение не хуже 1,1 км;
- иметь набор спектральных каналов: 0,58—0,68;
0,725-1,1; 3,55-3,93; 10,3-11,3 мкм;
- иметь географическую привязку каждой точки изображения (т.е. должна быть геореферентной);
- радиометрическое разрешение должно быть не хуже 10 бит;
- временное разрешение должно не превышать 1 дня для того, чтобы хотя бы 1 раз в сутки можно было заснять интересующий участок земной поверхности.
2.4. Укрупненный алгоритм методики
Алгоритм выявления очагов лесных пожаров
(рис. 1) состоит в выполнении следующих этапов:
- получение и калибровка исходного многозонального космического изображения;
- выбор фрагмента исходного изображения с минимальным содержанием облачности;
- выявление всех ТА на выбранном фрагменте исходного изображения;
- отсев ложных тревог, вызванных отражением электромагнитной энергии кромками облаков, водой (при определенных условиях наблюдения), перегретыми горными породами и песком;
- определение географических координат очагов пожаров по космическим данным;
- импорт выделенных очагов пожаров в ГИС с целью определения ближайших объектов инфраструктуры к соответствующему очагу пожара.
2.5. Порядок проведения расчетов
Выбор фрагмента исходного многозонального космического изображения осуществляется в программе просмотра и предварительной обработки космической информации ScanViewer версии 3.1 и выше. При выборе фрагмента изображения следует помнить, что облачность является непрозрачной средой для теплового излучения. Поэтому выявить очаги пожаров, находящиеся под облачностью, с помощью тепловых каналов не представляется возможным. В связи с этим, для обработки принятого космического изображения с целью уменьшения времени на выявление температурной аномалии (ТА) следует
выбирать фрагмент изображения с минимальным содержанием облачности.
Следующие три шага алгоритма методики (рис. 1) реализованы в программе «Fire Detection», разработанной во ВНИИ ГОЧС.
Выявление всех ТА на выбранном фрагменте исходного изображения основано на законе излучения черного тела. Лесные пожары и другие ТА с температурой горения 800—1000 К близки к черным телам, поэтому к ним применимы законы черного тела. Согласно закону Планка для спектральной плотности лучистой энергии черного тела максимум излучения объектов нагретых до температуры 800—1000 К приходится на электромагнитный диапазон с длинами волн 2,9—3,6 мкм.
где: С1 = 3,741832х10-16 Wм2 ,
С2 = 1,438786х10-2 мК.
В качестве основного признака ТА используются данные третьего канала аппаратуры AVHRR. Следует также отметить, что на спутниках NOAA-15,-16 и т.д. третий канал сделан переключаемым в зависимости от
освещенности снимаемой территории, т.е. над светлой стороной Земли работает канал ЗА в диапазоне 1,58—
1,64 мкм, а над темной — канал ЗВ в диапазоне 3,55—3,93 мкм. Поэтому для выделения ТА с использованием этих космических аппаратов пригодна только та информация, которая была получена в темное время суток.
Для выделения очагов пожаров используются, в основном, пороговые и контекстуальные алгоритмы. Большим быстродействием, но меньшей точностью, обладают пороговые. Наиболее известные из них выглядят следующим образом.
Алгоритм Кауфмана: если элемент разрешения удовлетворяет условиям
Т3 > 316, Т3-Т4 > 10 и Т4 > 250, то он относится к классу пожаров, если же он не удовлетворяет хотя бы одному из этих условий, то он относится к фону.
Алгоритм Франса:
Т3>320, Т3-Т4>15, 0< (Т4-Т5) <5, А1< 9 %, где А1 — значение альбедо в 1-м канале. Алгоритм Кэннеди:
Т3 > 320, Т3-Т4 > 15, А < 16 %, где: А2 — значение альбедо во 2-м канале,
Т3, Т4, Т5 — радиояркостная температура в 3-м, 4-м и 5-м каналах аппаратуры AVHRR, соответственно.
Получение и калибровка исходного многозонального космического изображения
і Г
Выбор фрагмента исходного изображения с минимальным содержанием облачности
і г
Выявление всех ТА на выбранном фрагменте исходного изображения
Отсев ложных тревог, вызванных отражением электромагнитной энергии кромками облаков, водой (при определенных условиях наблюдения), перегретыми горными породами и песком
_____________________________________1______________________________________
Определение географических координат очагов пожаров по космическим данным
Программа Fire Detection
Импорт очагов пожаров в ГИС с целью определения ближайших объектов инфраструктуры к соответствующему очагу пожара
Рис. 1. Алгоритм выявления очагов лесных пожаров
Научно-технические разработки
Научно-технические разработки
Все эти алгоритмы ориентированы на очаги пожаров достаточно большой площади и интенсивности, что для решения задач выявления пожарной обстановки является неприемлемым, так как важно обнаруживать пожары в начальной степени их развития с целью минимизации материальных затрат на ликвидацию очага возгорания.
Для автоматического выделения ТА в программе Fire Detection за основу принимается пороговый алгоритм Кауфмана с уменьшенным значением порога в третьем канале. При сильном уменьшении данного порога (до значений близких к фоновым) значительно возрастает количество ложных тревог. Поэтому в общем случае для различных природных зон пороговое значение в третьем канале будет разным и для его выявления требуется проводить дополнительную работу. Например, для территории Западной Сибири значение порога в третьем канале равное 310 дает достаточно хорошие результаты при минимальных потерях и ложных тревогах; для территории Греции и Болгарии в летний пожароопасный период значение этого порога равно 315.
Выделение всех ТА на выбранном фрагменте исходного изображения происходит в том случае, если подозрительные на пожар точки удовлетворяют условиям: т3 > 310, T3-T4 > 10 и т4 > 284. (2)
Данные пороговые значения были определены экспериментальным путем на основе наблюдений за развитием пожарной обстановки на территории Западной Сибири и центральных районов России в 1997—2001 гг.
Отсев ложных тревог (ЛТ), вызванных отражением электромагнитной энергии кромками облаков, водой (при определенных условиях наблюдения), перегретыми породами и песком
Отсев ЛТ производится путем анализа отражательной способности объектов в первом и втором каналах аппаратуры AVHRR. Так для кромки облачности и воды алгоритм выглядит следующим образом: если выполняется условие (2) и значение альбедо в первом канале больше значения альбедо во втором канале А1>А2, то данная точка относится к ложной тревоге. Похожее условие имеет место для перегретого песка и горных пород: если выполняется условие (2) и значение альбедо в первом канале больше порогового значения в первом канале А1>А1пор, то данная точка также относится к ложной тревоге. Кроме этого накладывается условие и на саму облачность: если выполняется условие (2) и значение альбедо во втором канале больше порогового значения во втором канале А2 > А2пор, то данная точка — ложная тревога. Блок-схема такого модифицированного порогового алгоритма, реализованного в программе Fire Detection, для каждой точки исходного изображения представлена на рис. 2.
Определение географических координат очагов пожаров по космическим данным
Для получения географических координат ТА необходимо выполнить географическую привязку изображения. Такая привязка осуществляется на основе записанных в файл данных орбитальных параметров спутника NOAA на момент приема информации
наземной станцией. Существует несколько форматов записи таких параметров, один из которых, так называемый двух линейный, получил наиболее широкое распространение. Разработан он в космическом центре NASA (США) и имеет полное название как: «Keplerian Elements», «NASA Two Line Element format» или сокращенно «TLE format».
Данные Кеплеровские элементы используются как входные параметры алгоритма расчета местоположения спутника SGP8.
Далее, выделенные очаги пожаров импортируются в ГИС ArcView версии 3.0 и выше. В геоинформаци-онной системе ArcView стандартными средствами системы определяются ближайшие к каждому очагу пожара объекты инфраструктуры и вычисляются соответствующие расстояния.
Ошибка в вычислении координат пожаров на основе орбитальных параметров составляет — 4 км на местности, что обусловлено положением «пожарного» пиксела в исходном изображении, принятом непосредственно с космического аппарата. Так, пространственное разрешение аппаратуры AVHRR на местности в надире составляет 1,1 км, а на краю снимка — более 3 км. В связи с этим возникают ошибки в географической привязке всего изображения. Однако эти ошибки можно свести к минимуму, если перед расчетом координат визуально выполнить географическую коррекцию изображения.
2.6. Уточнение площади пожара
Идея уточнения площади пожара внутри одного пиксела состоит в выделении энергии пожара из всей, получаемой с данной площади, путем сравнения ее с энергией от соседнего пиксела. Решение проводится с использованием теории спектрального анализа, поэтому характеристики приборов берутся в функции частоты, а не длин волн, как это обычно принято. Задача может быть решена при некоторых, не очень жестких допущениях.
Первое. Величина выходного сигнала приемника есть свертка плотности излучения принятого сигнала ф^) с функцией фильтра приемника F(v). Вообще говоря, функция F(v) имеет вид колокола с далеко простирающимися хвостами. Однако в силу ограниченности этой функции и на основании теоремы о среднем, ее свертка с входным сигналом может быть представлена в виде интеграла входного сигнала в пределах от vt до v2, умноженного на некое значение F(v*), где
V < V* < V2 .
Допущение состоит в том, что используемые в характеристиках прибора Я и Я2 соответствуют значениям частот V1 и V2 , используемым в предлагаемом методе.
Второе, строго говоря, необязательное допущение состоит в соответствии ограничения величины выходного сигнала определенной температуре источника, независимо от того под каким углом к надиру он находится. Это допущение основывается на компенсации уменьшения сигнала из-за увеличения дальности (пропорционально ее квадрату) увеличением видимого размера площади излучателя (примерно в той же пропорции).
Рис. 2. Блок-схема модифицированного порогового алгоритма
Наконец, третье допущение состоит в предположении одинаковости фонового излучения в соседних двух пикселях. Для больших лесных массивов, для которых только и имеет смысл уточнение размеров площади, такое предположение представляется вполне корректным.
Рассмотрим значения выходных сигналов от двух соседних пикселов, в одном из которых выявлен пожар. На вход приемника в пикселе с пожаром поступает сигнал Е1 = (Бфф(у) + 8ф»), (3)
где: фф(у) — плотность фонового излучения;
Бфп(у) — плотность излучения зоны пожара. Аналогично для соседнего пиксела имеем:
Е2 = вф».
(4)
Как известно, собственное излучение любого тела подчиняется закону излучения черного тела Планка и описывается формулой:
ф(у,Т) = (2лу2е-2)^/(ехр(^ / кТ)-1), (5)
где: h — постоянная Планка; к — постоянная Больцмана;
Т — абсолютная температура тела (Кельвина).
В исследуемой области спектра ^ значительно превосходит кТ и (5) может быть переписана в виде:
ф(у,Т) = (2лу2е-2) / ехр(^/кТ). (6)
После интегрирования (5) и (6) в пределах от у1 до у2 получаем значение выходных сигналов: и1 = К2лЬе-2(Б^ 3Т^-1 + Зу2Т№2 + 6уТ3к3у+6 Т4к%-4) + б(у3 ©й-1 + 3у202к2^2 + 6у©3к%-3 + 6©4к%-4)), (7) где Т: — температура фона;
© — температура пожара;
К — коэффициент, учитывающий параметры прибора (усиление, эффективную площадь линзы, расстояние до источника и т.п.).
Аналогично имеем сигнал от соседнего пиксела: и2 = К2лЬ:-2 ^(уЗТ^-1 + Зу2Т2№2 + 6уТЗ№З+ 6Т4к%-4. (8)
Обозначив множители при Б и б как F(v) и ^у) соответственно получаем:
и1 = К2^е-2(Б (Б^) - Б^)) + 8(^) - f(v2))). (9)
и2 = К2лЬ:-2(в (F(vl) - F(v2)) .
(10)
Научно-технические разработки
Научно-технические разработки
Поделив (9) на (10), окончательно получаем:
Ul/ U2 = 1 + oAf(Vj,v2) / AF(vl,v2). (11)
Откуда находим долю в площади, охваченной пожаром от всей площади, покрытой пикселом:
а = (Ul/ U2 -l)AF(vpv2) / Af(vpv2). (12)
Проведенные расчеты показали, что применительно к аппаратуре КА NOAA информативными каналами являются только 4-й и 5-й, охватывающие диапазон от 10,3 до 12,5 мкм. К сожалению, там принято ограничение сигнала на уровне, соответствующем температуре 330 К. это приводит к тому, что площадь более 0,6 га и 1,0 га, соответственно, для 5-го и 4-го каналов воспринимается как полные 100 га.
2.7. Специальное программное обеспечение
2.7.1. Модуль обнаружения тепловых аномалий по данным КА «Terra»
Общее описание Язык реализации C++.
Назначение
Модуль обнаружения тепловых аномалий предназначен для обнаружения лесных и степных пожаров по данным КА «Terra» в формате Level-IB.
Модуль подразделяется на несколько законченных блоков:
• блок фрагментирования данных в формате Level-IB;
• блок классификации пожарных пикселей;
• блок связывания соседних пикселей в очаги;
• блок фильтрации ложных тревог.
Модуль реализован в составе библиотеки для работы с данными дистанционного зондирования в виде многослойных карт, он использует структуры данных этой библиотеки и используется внутри приложений, написанных на ее основе.
Подключение модуля обнаружения тепловых аномалий.
Модуль подключается к программе на этапе компиляции. Для подключения модуля необходимо включить в файл приложения файл заголовков «fire-layer.h», и добавить слой «fire-layer» в дерево слоев главного окна карты выше слоя изображения, чтобы пожары не перекрывались другими слоями. Также необходимо обеспечить вызвов методов командами главного меню и включить в проект упоминавшиеся файлы с расширением «.срр».
Алгоритмы
Классификация пожаров основана на том факте, что распределение теплового излучения пожара по длинам волн значительно отличается от такового для нормального растительного покрова, а именно: максимум теплового излучения пожара приходится на диапазон 3,5 — 4 мкм (21 канал MODIS), тогда как для нормального растительного покрова — на 10 мкм (31 канал MODIS). При прозрачной атмосфере достаточно рассмотреть разницу между показаниями 21 и 31 каналов MODIS, чтобы отличить горящую растительность от негорящей. Но существует ряд факторов, осложняющих эту задачу. Основным из них является излучение Солнца, отражаемое облака-
ми. Также наличие помех в начале и в конце витка, а иногда и в середине, делает необходимым ручной отсев ложных тревог. Главный алгоритм можно представить в виде двух стадий:
• обнаружение пикселей пожаров на изображении;
• связывние соседних пикселей в очаги.
На первой стадии попиксельным анализом в соответствии с порогововым методом Кауфмана выделяются пиксели, содержащие в себе горящие области. Решение о классификации пикселя принимается на основе трех критериев:
• яркостная температура в 21 канале MODIS должна быть больше порога 1;
• разность между 21 и 31 каналами MODIS должна быть больше порога 2;
• яркостная температура в 31 канале MODIS должна быть больше порога 3.
Первые два критерия собственно выделяют тепловые аномалии, а третий критерий отсеивает большую часть облачности.
Первый порог выбирается в диапазоне 32—48 °С, в зависимости от температуры земной поверхности; чем она выше, тем выше должен быть порог.
Второй порог выбирается в диапазоне 12—20 °С в зависимости от однородности температуры поверхности: чем она однороднее, тем меньше может быть выбран порог, тем более чувствительным становится метод.
Третий порог выбирается в диапазоне 0—20 °С, пропорционально температуре облачности: чем теплее облачность тем выше должен быть порог. На второй стадии отдельные пиксели связываются в очаги методом минимальной дистанции в два приема: сначала пиксели связываются в непрерывные строчные фрагменты, затем строчные фрагменты связываются в очаги. Во втором случае строчки объединяются в очаги на основе критерия касания друг друга.
Приемы работы
Исходное изображение интересующего района для обнаружения пожаров должно содержаться в 21, 31 каналах MODIS. Формируется псевдоцветное RGB изображение, в котором красная R полоса соответствует данным 21 канала, зеленая G и синяя В полосы — данным 31 канала.
Далее, чтобы указать параметры обнаружения, необходимо с помощью опции «Вид/Пожары» главного меню вызвать диалоговою панель. Для обнаружения пожаров задается пороговое значение температуры пикселя в пределах 30—48 °С для третьего канала (опция «Температура в 4 мкм больше»). Более точный подбор значения определяется временем приема — для дневных проходов спутника температура порога будет выше, чем для вечерних или ночных, погодными условиями — ясная солнечная погода определяет высокое значение фоновых температуры— и другими условиями. При обнаружении пожаров дополнительно вычисляется пожарный индекс как разность значений температур в 21-м и 31-м каналах — Т3-Т4. Пожарный индекс (опция «Разность между 4 и 11 мкм больше») показывает степень интенсивности
лесного пожара. Он также зависит от времени суток, погодных условий и времени года, и для пикселей с аномально высокими температурами в 21-м канале колеблется в пределах 8-14 °С.
Пороговый метод определения пожаров заключается в установлении температурного порога для каждого используемого канала. Значение пороговой температуры для основного — 21-го канала — определяется фоновым значением температуры и долей пикселя, на которую приходится высокотемпературная зона. Такой метод является наиболее быстрым и простым для целей обнаружения пожаров. Однако, обнаружение пожаров только по значению температуры в 21-м канале затруднено наличием засветок, обусловленных отражением солнечного излучения от облачного покрова и водной поверхности. Значение пороговой температуры для 21го канала задается как описано выше.
Пороговая температура для 31-го канала (опция «Температура в 11 мкм больше») определяется фоновым значением, т.к. излучение пожара не оказывает существенного повышения исходящей радиации для этих каналов, а излучение от облачного покрова в них значительно меньше. Пороговый многоканальный метод хорошо определяет крупные пожары, исключает ложные засветки 21-го канала, позволяет быстро обрабатывать снимки, но дает завышенные значения площади огня, которые определяются разрешающей способностью аппаратуры.
После установки параметров в диалоговой панели с помощью кнопки «Старт» запускается подпрограмма обнаружения пикселей, значения температур в которых соответствуют указанным параметрам.
Результаты обнаружения сводятся в таблицу. Слева направо номер обнаруженного очага пожара, решение оператора о достоверности пожара, географические координаты пожара, площадь пожара в кв. км, площадь и температура горящей кромки в гектарах. Для отсева ложных тревог оператор просматривает последовательно все пожары. Кнопкой [Insert] он помечает все достоверные пожары, при этом поле «Пожар?» автоматически заменяется с «Может быть» на «Да». Кнопкой «Delete» он помечает все сомнительные пожары — например, находящиеся на краю облачности — при этом поле «Пожар?» автоматически заменяется с «Может быть» на «Нет», а цвет пожара на изображении — с красного на синий.
При коррекции пороговых значений и заново запущенном обнаружении пожаров статус пожара сохраняется, что позволяет экономить время и не просматривать ранее подтвержденные или отбракованные очаги.
Данные на обнаруженные пожары могут быть сохранены на диске (кнопка «Сохранить...» и «Сохранить как...» на диалоговой панели) в формате ArcView вместе с полигонами очагов. Сохраняются все подтвержденные и не просмотренные записи.
2.7.2. Модуль определения параметров очагов горения
Общее описание
Разработка модуля определения очагов горения по данным с КА «Terra». Язык реализации C++.
Назначение
Модуль предназначен для определения площади пикселей пожара в квадратных километрах, определения площади горящей зоны в гектарах и средней температуры горящей зоны по данным КА «Terra».
Состав
Модуль реализован в виде дополнения к модулю обнаружения высокотемпературных аномалий и подразделяется на два отдельных блока:
• блок определения площади пикселей пожара;
• блок определения площади и средней температуры горящей зоны методом Дозаера.
Модуль реализован в составе библиотеки для работы с данными дистанционного зондирования в виде многослойных карт, он использует структуры данных этой библиотеки и используется внутри приложений, написанных на ее основе.
Приемы работы
Для работы модуля никаких действий оператора не требуется. Параметры очага горения определяются автоматически в конце всего процесса обнаружения высокотемпературных аномалий. Результаты представляются в табличной форме тремя колонками с соответствующими названиями.
Алгоритмы
Область высокотемпературной аномалии представляется на изображении группой соседних пикселей. В физическом смысле, это область, в которой локализована высокотемпературная аномалия. Сама по себе горящая зона значительно меньше по площади, чем суммарная площадь пикселей этой группы, и находится где-то внутри нее. В силу этого различия целесообразно рассматривать отдельно эти площади.
Площадь пикселей высокотемпературной аномалии может быть определена только с учетом геометрии сканирования радиометра MODIS, поскольку закон сканирования этого радиометра равномерный по углу. Это означает, что размер пикселя увеличивается к краю витка. Для MODIS размер пикселя увеличивается от 1 до 4,5 км и тем быстрее, чем ближе к краю изображения. Блок определения площади пикселей пожара рассчитывает правильную площадь пикселей с учетом увеличения размеров пикселей. Для ускорения подсчета площадей используется тот факт, что геометрия всех сканов одинакова. Поэтому размеры каждого пикселя в пределах скана рассчитываются один раз и используются для подсчета площадей всех пожаров в пределах кадра.
В предположении о постоянстве температуры в горящей и негорящей зонах в пределах одного пикселя интегральное уравнение выглядит следующим образом:
00
F(X)= \ (Н, 7„„ (/ )У (1 - .S'M, T^„d (/))) а
о
Р — функция Планка.
Площадь горящей зоны в пределах каждого пикселя рассчитывается по методу Дозаера (Dozier). В этом методе используется зависимость излучения
Научно-технические разработки
Научно-технические разработки
на разных длинах волн от температуры черного тела. Если рассмотреть состав энергетической яркости излучения одного пикселя на определенной длине волны, то получится следующее уравнение: В этом уравнении S — доля горящей площади пикселя, Р — плотности распределения горящей и фоновой температуры.
Для каждого пикселя известна левая часть уравнения — она регистрируется радиометром на нескольких длинах волн. В правой части неизвестны доля площади и температура пожара, а температура фона, в принципе, может быть определена по температуре окрестных, «не горящих» пикселей.
Таким образом, мы имеем одно уравнение и две неизвестные величины. Поскольку неизвестные величины не зависят от длины волны — в силу предположений о постоянстве температур пожара и фона в пределах пикселя — можно составить систему из двух таких уравнений для двух разных длин волн и решить ее относительно этих двух неизвестных, получив в результате температуру и долю пощади горящей зоны.
Данный метод был предложен впервые Дозаером и носит его имя. В блоке определения площади и средней температуры горящей зоны методом Дозае-ра реализован одноименный вышеописанный метод применительно к данным радиометра MOD1S. Используются измерения в двух диапазонах длин волн 21 и 31 каналов.
Для определения фоновой температуры используются окрестные пиксели. Берутся не менее 20 пикселей, причем они не должны содержать высокотемпературных аномалий и облачности. Если в указанных пределах не найдено достаточного количества пикселей, или полученное значение фоновой температуры больше, чем температура горящего пикселя, то дальнейшие вычисления не выполняются. В качестве признака облачности используется порог по температуре в 31 канале.
2.8. Выходные данные
Выходными данными методики являются геогра-
фические координаты очагов лесных пожаров и удаленность их от объектов инфраструктуры.
В общем случае выходные данные методики выявления лесных пожаров с использованием данных космической съемки сводятся в таблицу, пример которой представлен ниже.
Точность выделения очагов пожаров зависит от местоположения пожарного пикселя в исходном изображении. На краю изображения пространственное разрешение уменьшается, поэтому мелкие пожары не выделяются вследствие того, что значение физической величины в третьем канале становится меньше порогового. При уменьшении порогового значения, как упоминалось выше, значительно возрастает вероятность ложной тревоги. Таким образом, для получения точных результатов необходимо использовать фрагменты исходного изображения, которые находятся не далее чем в 2/3 от центральной линии исходного изображения.
Выходные данные расчетов сводятся в таблицу, пример которой с данными по Северо-Западному округу приведен в табл. 6, где видно, как уверенно выделяются пожары, имеющие геометрические размеры на местности не менее чем 25х25 м.
Ошибка в вычислении координат пожаров на основе орбитальных параметров составляет 1—8 км на местности, что обусловлено положением «пожарного» пиксела в исходном изображении, принятом непосредственно с космического аппарата. Так, пространственное разрешение аппаратуры AVHRR на местности в надире составляет 1,1 км, а на краю снимка — более 3 км. В связи с этим возникают ошибки в географической привязке всего изображения.
Однако эти ошибки можно свести к минимуму (до 1 км), если перед обработкой изображения в программе Fire Detection и расчетом координат в программе просмотра и предварительной обработки космических изображений ScanViewer визуально выполнить географическую коррекцию изображения.
Таблица 6
Пример выходных данных методики
N °вд °сш Субъект Район Нас. пункт Расстояние до ближ. нас. пункта, км
1 48,69 65,17 Архангельская обл. Лешуконский Вожгора 66
2 47,47 65,98 Ненецкий АО Сафоново 32
3 50,12 64,88 88
4 50,19 65,43 49
5 50,12 65,43 52
6 49,84 65,80 Усть-Цимлевский Трусово 71
7 50,62 65,89 Республика Коми 50
8 51,03 65,74 28
9 51,68 65,19 41
10 51,84 65,10 52
11 54,28 65,32 Ижемский Ижма 39
3. ЭКСПРЕСС-ОЦЕНКИ ПОТЕРЬ ДРЕВЕСИНЫ ОТ ЛЕСНЫХ ПОЖАРОВ
3.1. Возможности использования космической информации для экспресс-оценки ущерба от лесных пожаров
Разработанная методика позволяет получать оперативную оценку ущерба от лесных пожаров с учетом потерь древесины. При добавлении данных, полученных иными способами, может быть оценен ущерб от уничтожения или повреждения ресурсов побочного и прижизненного пользования, загрязнения атмосферы выбросами загрязняющих веществ, гибели животных и растений, включая занесенных в Красную книгу России.
В методике решаются следующие задачи: идентификация лесных гарей на космических изображениях;
определение местоположения лесных гарей (координатная привязка);
выявление и вычисление площадей леса, пройденных огнем в текущем году;
оценка ущерба от лесных пожаров в стоимостном выражении (в денежных единицах, при использовании справочных и иных данных, не связанных с космическим мониторингом).
Предложен новый метод дешифрирования изображений лесных гарей, основанный на сравнительном анализе спектральных кривых природных объектов и сгоревших участков леса. Впервые при выявлении лесных гарей использованы методы распознавания без обучения (unsupervised classification). Площади лесных гарей и их географическая привязка вычисляются автоматически. Предложен новый подход к представлению результатов распознавания, заключающийся в отображении контуров лесных гарей непосредственно на растровой топографической или тематической карте. При необходимости растровая карта может быть заменена векторной.
Цифровая обработка космических изображений и тематическое дешифрирование исследуемых объектов проведено на следующих программных средствах: «ERDAS Imagine» (8.2, 8.3.1) с модулями «HRP», «Arcview»(3.0), «Scanview»(3.1).
3.2. Исходные данные для расчетов Исходными данными для расчетов являются результаты выявления площадей гарей и горельников по данным космической съемки.
Денежная оценка потерь может быть получена с использованием данных о минимальных ставках платы за древесину основных (лесообразующих) пород, отпускаемых на корню.
3.3. Требования к исходной космической информации Кроме полученных непосредственно при выявлении пожаров, для выявления ущерба от лесных пожаров можно также использовать снимки, полученные со следующих спутников:
спутник «Landsat», аппаратура ЕТМ (тематический картограф); спектральные каналы 2, 3, 4; пространственное разрешение 30 м; временное разрешение 16 дней;
спутник SPOT, аппаратура HVR, спектральные каналы 1, 2, 3; пространственное разрешение 20 м; временное разрешение 26 дней;
спутник IRS, аппаратура LISS III, спектральные каналы 1, 2, 3 , пространственное разрешение 23,5 м, временное разрешение 24 дня.
3.4. Укрупненный алгоритм (блок-схема) методики
Алгоритм выявления ущерба от лесных пожаров
состоит в выполнении следующих этапов:
• определение местонахождения лесных гарей по космическим данным;
• идентификация контуров лесных гарей на космических изображениях среднего и высокого разрешения;
• выделение контуров лесных гарей цифровой обработкой космических изображений.
Цифровая обработка включает:
1. Выбор фрагментов космических изображений участков местности, на которых предположительно имеются гари от лесных пожаров.
2. Импорт фрагментов в ERDAS Imagine 8.2.
3. Распознавание лесных гарей методом классификации JSODATA (кластерный анализ) без обучения.
4. Идентификацию классов методом анализа их спектральных кривых.
5. Создание «маски» из классов, соответствующих гарям и горельникам.
6. Подготовку картографического материала, включая перевод карты в электронный (растровый) вид.
7. Импорт карты в формат ERDAS Imagine, геореферирование карты.
8. Наложение маски «гарей» на карту и определение географических координат. Подсчет площадей очагов лесных пожаров.
9. Определение величины (объема) потерь древесины.
10. Определение величины общего ущерба от лесного пожара (при наличии дополнительных данных)
11. Верификация методики.
На рис. 3 представлена блок-схема расчета величины ущерба от лесных пожаров с использованием космических данных.
3.5. Определение местонахождения и идентификация лесных гарей на космических изображениях
Местоположение лесных гарей определяют по координатам, полученным при обнаружении лесных пожаров в пожароопасный период по наземным (1) или дистанционным (2, 3) данным.
Наземные данные содержатся в сводках ЦБ «Авиа-лесохрана», местных органов управления.
При обнаружении лесных пожаров по данным ДЭЗ используется информация со спутника NOAA, аппаратура AVHRR. Пожары распознаются по программе «Fire Detection». Определяются географические координаты очагов пожаров,
Научно-технические разработки
Научно-технические разработки
площади горящего леса, удаленность от населенных пунктов.
При визуальном дешифрировании космических снимков высокого и среднего пространственного разрешения.
3.6. Обнаружение лесных гарей по изображениям среднего и высокого разрешения
Лесные гари идентифицируются по космическим снимкам среднего и высокого пространственного разрешения. Для этого во вьювер ERDAS Imagine загружается изображение таким образом, чтобы 2-й (0,6-0,7 мкм) спектральный канал («Ре-сурс-О» и SPOT) был окрашен красным цветом, 3-й (0,8-0,9 мкм) спектральный канал — зеленым цветом и 1-й (0,5-0,6 мкм) спектральный канал
— синим цветом.
Известно, что основным дешифровочным признаком свежих гарей после сильных низовых и повальных верховых пожаров является темно-серый и темный тон в панхроматическом канале, неровные, чаще всего клиновидные границы. Первый признак обусловлен черной поверхностью гари, образующейся в результате полного выгорания напочвенного (мохового) покрова, подростка и подлеска, а также обугливания валежника. Неровный характер кромки гарей связан с различными видами и интенсивностью пожаров в течение суток, неравномерным созреванием типов насаждений, различными категориями площадей, встречающимися на пути распространения пожара и, наконец, изменениями направления ветра во время пожара.
При распознавании лесных гарей по многозональным изображениям тон лесной гари меняется в зави-
симости от спектрального канала. В зеленом (0,5-0,6 мкм) участке спектра гари практически не видны, имеют такой же серый тон, что и хвойные леса. Во втором спектральном канале (красном участке спектра) лесные гари немного более светлые, чем окружающие их хвойные леса. Хорошо различимы гари в третьем спектральном канале (ближнем инфракрасном участке спектра) и имеют почти черный тон в отличие от лесов, имеющих серый тон изображения.
Первые два спектральных канала наряду с третьим необходимо использовать для отделения лесных гарей от других природных объектов, таких как хвойные леса, редколесья, торфяники, вырубки, болота. При синтезировании спектральных каналов описанным выше способом лесные гари имеют темно-сиреневый тон (красновато-пурпурный R = 0,647; G = 0,153; В = 0,522), в то время как хвойные леса отображаются более темным сиреневым тоном с небольшим зеленым оттенком ^ = 0,451; G = 0,336; В = 0,464).
Редколесья имеют более светлый, чем лесные гари, оттенок и отличаются от последних идеально монотонной текстурой. Вырубки, как и редколесья, имеют светло-сиреневый тон изображения, но правильные границы. Распаханные торфяники темно-сиреневые, почти черные и имеют правильные границы. Дешифровочные признаки лесных гарей и природных объектов, имеющих похожие спектральные характеристики, представлены в табл. 7.
3.7. Описание методов цифровой обработки, применяемых для выявления лесных гарей
Дешифровочные признаки гарей позволяют визуальным путем идентифицировать гари на кос-
Рис. 3. Блок-схема расчета величины ущерба от лесных пожаров с использованием космических данных
мических изображениях, но велика вероятность пропуска небольших площадей сгоревшего леса, к тому же, автоматическое выявление точных географических координат и площадей гарей возможно только с использованием методов цифровой обработки изображений.
Методологический подход к решению задачи оценки ущерба от лесных пожаров на основе использования космических изображений высокого разрешения (35x35 м), полученных со спутника «Ресурс-О».
1. На первом этапе с помощью программы Scanview производится выбор фрагментов космических изображений участков местности, на которых предположительно имеются гари от лесных пожаров.
2. Выбранные фрагменты импортируются в ERDAS Imagine 8.2, где производится радиометрическая коррекция выбранных изображений, трансформирование их в географическую проекцию и совмещение с картой М 1:200 000 или 1:500 000.
3. На третьем этапе производится распознавание лесных гарей методом классификации ISODATA (кластерный анализ) без обучения. Задается 40 классов с целью уменьшения методической погрешности классификации, вызванной «перекрыванием» классов в случае недостаточного из количества. При использовании 20 классов, гари от пожаров объединяются или перекрывались с близко лежащими в спектральном поле признаков объектами (водой, болотными почвами, торфяниками, редколесьем), что значительно искажает реальную картину.
4. После проведения кластерного анализа проводится идентификация классов методом анализа их спектральных кривых. Так, спектральная кривая, соответствующая классу воды убывает с увеличе-
нием длины волны от видимого (0,5—0,6 мкм) к ближнему инфракрасному (ИК) диапазону (0,8—1,1 мкм), спектральные кривые растительных объектов падают от зеленого (0,5—0,6 мкм) к красному (0,6—0,7 мкм) участку спектра и резко возрастают к ближнему ИК диапазону (0,8—1,1 мкм), спектральные кривые открытых от растительности почв, а также облаков, горных пород, асфальтовых покрытий и т.д. монотонно растут с увеличением длины волны и отличаются друг от друга разной интенсивностью отражения.
Спектральная кривая лесных гарей подобна спектральным кривым темнохвойных лесов и мокрой болотной растительности, т.е. падает от первого ко второму спектральному каналу и незначительно возрастает к третьему каналу.
Для более наглядного представления спектрального распределения объектов можно использовать представление данных в красном (ось X) и ближнем ИК канале (ось Y). Гари и горельники имеют самые низкие значения яркости как по оси X, так и по оси У. После проведения идентификации классу, соответствующему лесной гари, присваивается красный цвет, классу, соответствующему горельнику присваивается желтый цвет.
Создание «маски» из классов, соответствующих гарям и горельникам
В растровом редакторе включается прозрачность всех классов, кроме классов, соответствующих гарям и горельникам. На заранее подготовленную растровую топографическую карту накладывается слой, содержащий только классы гарей и горельников. Тем самым определяется географическое местоположение сгоревших участков.
Таблица 7
Дешифровочные признаки лесных гарей и других природных объектов
Объект Тон изображения в отдельных спектральных каналах Цвет изображения в синтезированных цветах Форма контура Текстура изображения
1 2 3
Лесные гари Серый Светло- серый Черный Темно-сиреневый тон (красновато-пурпурный) R = 0,67; G = 0,153; В = 0,522 Неровный характер кромки. Очертания имеют неправильную форму Пятнистая
Хвойные леса Серый Серый Серый Сиреневый тон с небольшим зеленым оттенком R = 0,451; G = 0,336; В = 0,464 Образуют фон, контуры разного размера и неправильной формы
Редколесье Почти белый Светло- серый. Почти белый Серый и темносерый Светлее, чем лесные гари Неправильная, чаще округлая Монотонная
Вырубки Почти белый Светло- серый Темно- серый Светло-сиреневый Угловатая Мелкопят- нистая
Торфяники Темно- серый Темно- серый Темно- серый. Почти черный Темно-сиреневый, почти черный Правильная прямоугольно- ромбовидная Монотонно- пятнистая
Болота Светло- серый Почти белый Почти белый Розовый, светло-розовый, светло-сиреневый Неправильная округлая Полосато- пятнистая
Научно-технические разработки
Научно-технические разработки
3.8. Определение площади, пройденной огнем лесного пожара
Для вычисления площади пройденной огнем лесного пожара необходимо перевести изображение из географической проекции, в проекцию карты, например, в проекцию Transverse Mercator с описанием сфероида по модели Красовского и данными Pulkovo. Затем добавить в Растровом редакторе функцию «площадь» и получить площадь лесных гарей в гектарах.
3.9. Определение характеристик сгоревшего леса
Характеристики сгоревшего леса получают по топографическим и специальным картам. На топографической карте указан средний диаметр древостоя (в метрах). На специальной карте преобладающая порода древостоя, высота и среднее расстояние между деревьями.
3.10. Порядок проведения расчетов
Определение преобладающей породы древостоя
(по специальной карте или таблице).
Оценка среднего числа сгоревших деревьев на единицу площади и объема потерянной древесины. Статистические характеристики древостоя могут быть взяты из соответствующих табл. 8, 9 или карты исследуемого участка.
3.10.1. Определение среднего запаса древесины на площади, пройденной огнем по i- и преобладающей породе древостоя
Данные карты о среднем расстоянии между деревьями используются двумя способами. Если сгорели посадки, считается, что расположение между деревьями регулярное. В противном случае необходимо использовать теорию Марковских процессов, считая регулярным относительно приращения площади входной поток деревьев при расширении площади круга относительно любой точки.
При наличии табличных данных (табл. 10), о плотности деревьев на конкретном участке используются эти данные. Однако такой метод не относится к собственно космическим технологиям и ценовая оценка потерь не входит в круг задач МЧС России.
Таблица 8
Географические координаты гарей и горельников (пример)
Географические координаты гарей и горельников
№ п/п Долгота Широта
1 40° 18’ 13” 63° 15’ 16”
2 40° 45’ 34” 63° 08’ 20”
3 41° 06’ 52” 63° 20’ 02”
3.11. Пример выходных данных
Выходными данными методики является величина ущерба от верховых лесных пожаров в стоимостном выражении (в рублях).
Точность оценки ущерба зависит от точности определения величины площади, пройденной огнем, полученной по данным космических изображениях. При пожаре горит не только лес, но и прилегающие болота, на которых присутствует мелколесье и травянистый покров. На космических изображениях характерным тоном отображаются и лесные и болотные гари, поэтому необходимо после распознавания и наложения «маски» на карту выделить участки, не относящиеся к лесной растительности и посчитать площади, не соответствующие лесу. В нашем случае во втором участке гари к болоту относится 34,58 га, что составляет ошибку 1,77 % по отношению к площади всех гарей. Как «гари» могут также быть распознаны берега рек и озер. В нашей работе были учтены только крупные гари, мелкие были опущены. Поэтому в качестве ошибки можно представить все пикселы, распознанные как гари, но не учитывавшиеся в работе. Площадь всех контуров, выделенных как «гари» составляет 2568,7 га, площадь выделенных гарей 1958,2 га, что составляет 76,23 %.
Таблица 9
Фрагмент таблицы «Географические координаты, высотный уровень и породный состав лесов по лесорастительным зонам и подзонам в пределах административных частей России»
Республика, область, край Координаты, град Породный состав лесов
долгота широта
Архангельская область 45,8 66,0 1С, 8Е, 1Б
Мурманская область 31,5 68,4 2С, 4Е, 4Б
Республика Коми 54,0 66,0 2С, 7Е, 1Б
Тюменская область 78,0 64,0 2С,1Е,3Лц,4Кд
Хабаровский край 144,0 60,0 10 Лц
Камчатская область 162,0 58,0 7Лц, 3Б
Республика Саха 132,0 62,5 10 Лц
Примеры расчетов
Примеры расчетов проведены для трех лесных пожаров последовательно по расчетному алгоритму методики и для удобства анализа сведены в табл. 11. При этом величина площади гарей и координаты очагов пожаров получены в результате обработки космической информации. Средний диаметр древостоя определен по растровой электронной топографической карте. Величина ущерба рассчитана в соответствии с изложенным выше алгоритмом.
Таблица 10
Фрагмент таблицы «Средние запасы приспевающих, спелых и переспелых лесов, м3/га, в пределах лесорастительных зон и административных частей РФ»
Территория лесного фонда (области, республики, края) Породный состав лесов
Сосна Ель Лиственница Пихта Кедр Дуб Бук Береза Осина Липа
Лесотундра и редколесная тайга
Архангельская область 99 105 90 - - - - 93 115 -
Мурманская область 64 62 - - - - - 31 - -
Подзона северной тайги
Архангельская область 114 129 166 - - - - 84 118 -
Мурманская область 81 69 - - - - - 33 - -
Таблица 11
Примеры расчетов величины ущерба от лесных пожров
№ Географические координаты гарей, долгота/широта Пло- щадь гари, га Преобладающая порода древостоя Средний диаметр древостоя, см Средний запас древесины по і-й основной породе, м3 /га Объем потерь древесины, м3 Величина ущерба по потерям древесины, тыс. руб. Вели- чина общего ущер- ба, тыс. руб.
1 40°18’13’’ / 63°15’16’’ 298,2 Ель 22 129 38468 5500,9 660,1
2 40°45’34” / 63°08’16” 560,8 Ель 17 129 72343 10345,0 1241,4
3 41°06’52’’ / 63°20’02” 325,6 Ель 18 129 42002 600,6 720,8
4. МЕТОДИКА ВЫЯВЛЕНИЯ ПАВОДКОВОЙ ОБСТАНОВКИ
4.1. Назначение методики
Целью методики является оперативное обнаружение начала паводка на реках, мониторинг паводковой ситуации, выявление зон затопления и подтопления и их площадей, выявление населенных пунктов, попавших в зону паводка, выявление площадей занятых только паводковой водой (без учета русловой).
Методика позволяет решить следующие задачи:
1. Оперативное обнаружение паводка на реках:
- обнаружение рек, на которых начался паводок;
- визуальное определение зоны разлива, нанесение их на снимок или карту и выделение населенных пунктов, попавших в зону паводка.
2. Мониторинг паводковой ситуации:
- цифровая обработка космических изображений высокого или среднего разрешения с целью распознания водной поверхности;
- нанесение зоны затопления и подтопления на топографическую растровую (векторную) карту;
- выявление населенных пунктов, коммуникаций и других объектов, попавших в зону затопления
и определение масштаба (площади) затопления.
3. Выявление территорий и площадей, занятых только паводковой водой:
- совместная цифровая обработка космических изображений высокого или среднего разрешения двух дат съемки — во время паводка и во время нормального состояния реки;
- распознавание поверхности только паводковой воды (разлива);
- вычисление площади паводковой воды.
В методике предложен новый способ выделения водных объектов, основанный на анализе спектральных кривых природных объектов.
Для выявления только паводковой воды предложен новый метод совместного дешифрирования двух изображений, полученных в период паводка и в период нормального состояния реки. Площади затопленных территорий и их географическая привязка вычисляются автоматически. Результаты распознавания представляются на растровой (векторной) топографической карте.
Научно-технические разработки
Научно-технические разработки
В методике использованы следующие материалы:
- космические данные с ИСЗ «Ресурс-0» с аппаратурой МСУ-Э и МСУ-СК, с ИСЗ NOAA (аппаратура AVHRR);
- растровые и векторные карты.
Цифровая обработка космических изображений, тематическое дешифрирование исследуемых объектов и анализ данных проведены на следующих программных средствах:
- “ERDAS Imagine”(8.2, 8.3.1) с модулями «HRP» и «Ресурс»;
- “Arcview”(3.0);
- “Scanview”(3.1).
Результаты методики могут быть использованы при принятии решений органами МЧС.
Блок-схема обнаружения и мониторинга паводковой ситуации представлена на рис. 4.
Рис. 4. Блок-схема обнаружения и мониторинга паводковой ситуации
5. ЭКСПРЕСС-ОЦЕНКА УЩЕРБА,
НАНОСИМОГО СЕЛЬСКОХОЗЯЙСТВЕННЫМ КУЛЬТУРАМ ПАВОДКАМИ
5.1. Назначение методики
Большое значение при получении оценки ущерба потери сельскохозяйственных культур от паводков имеет объективность получения этой оценки, так как известно, что местные органы управления склонны эту оценку либо завышать, либо занижать в зависимости от сложившейся ситуации. Поэтому, объективная оценка ущерба может быть получена только от независимых источников, а именно по данным космических съемок. К тому же только космические изображения, имеющие большой охват территории, в состоянии обеспечить полный обзор пострадавших от паводка участков, а значит получить более правильную оценку ущерба.
Цифровая обработка изображений необходима не только для более оперативного и объективного получения результатов, но также это единственный способ (в противовес визуальным методам дешифрирования) выделить площади сельскохозяйственных культур с одинаковым состоянием и дать количес-
твенную оценку их состояния, а также выделить участки с одинаковой степенью затопления и дать количественную оценку затопления.
Целью методики является получение экспресс-оценки ущерба, наносимого сельскохозяйственным угодьям паводками.
При выявлении погибших сельскохозяйственных культур использованы методы распознавания без обучения (unsupervised classification). Площади погибших сельскохозяйственных культур и их географическая привязка вычисляются автоматически. При необходимости результаты распознавания могут быть представлены на растровой (векторной) топографической карте.
Объектами исследования являются погибшие сельскохозяйственные культуры на территории, подвергшейся паводкам.
Методика может быть использована для выявления ущерба, нанесенного сельскохозяйственным
культурам на региональном и глобальном уровнях. Результаты методики могут быть использованы при решении продовольственных и других задач.
5.2. Принятые ограничения и допущения
Ограничения данной методики в основном связаны с используемой космической информацией и заключаются в следующем:
• для выявления ущерба, нанесенного сельскохозяйственным культурам в результате паводка, необходимо выявить их состояние до и после паводка, а для этого необходимо использовать космическую информацию двух дат съемки;
• информация, полученная до паводка, по срокам ее получения должна быть максимально приближена ко времени паводка, срок не должен превышать одну-две недели;
• используемые космические материалы должны быть высокого пространственного разрешения (не менее 35х35 м), для того чтобы сельскохозяйственные поля имели площадное отображение на изображении;
• космические данные должны иметь соответствующий набор спектральных каналов и их спектральное разрешение. Известно, что растительность лучше всего выделять по спектральным данным, полученным в зеленом (0,5—0,6 мкм), красном (0,6—
0,7 мкм) и ближнем инфракрасном (0,8—0,9мкм) диапазонах съемки.
Для упрощения расчетов в методике принято, что:
• вся сельскохозяйственная растительность представлена одним видом, преобладающим на исследуемой территории (это достаточно мягкое допущение, т.к. в противном случае площадь паводка может быть разбита на отдельные участки);
• состояние сельскохозяйственных культур определяется только по их проективному покрытию от 0 до 100 %, при этом дается качественная оценка их состояния;
• рассматриваются только те сельскохозяйственные угодья, на которых растительность погибла полностью.
5.3. Исходные данные для расчетов
Исходными данными для расчетов являются:
• космические изображения с пространственным разрешением до 35 м, которые обеспечивают выявление площади (га) и состояния сельскохозяйственных культур, подвергшихся паводку, до и после паводка;
• стоимость 1 центнера сельскохозяйственной продукции, выращиваемой в исследуемом районе;
• планируемая урожайность с 1 га.
5.4. Требования к исходной космической информации
При выявлении погибших в результате паводков сельскохозяйственных культур космическая информация должна отвечать следующим требованиям:
• иметь пространственное разрешение не хуже 35х35 м;
• иметь следующий минимальный набор спектральных каналов: 0,6—0,7 и 0,8—0,9 (0,8—1,1) мкм; оптимальный набор спектральных каналов: 0,5—0,6;
0,6—0,7; 0,8—1,1 мкм;
• радиометрическое разрешение должно быть не хуже 8 бит;
• временное разрешение должно не превышать 14 дней для того, чтобы выявить изменение состояния сельскохозяйственной растительности от паводков, а не в результате естественного природного изменения.
Для выявления ущерба, нанесенного сельскохозяйственным культурам в результате паводка можно использовать также информацию со следующих спутников и с установленной на них аппаратуры:
• спутник «Landsat», аппаратура ETM (тематический картограф); спектральные каналы 2, 3, 4; пространственное разрешение 30 м; временное разрешение 16 дней;
• спутник «SPOT», аппаратура HVR, спектральные каналы 1, 2, 3; пространственное разрешение 20 м; временное разрешение 26 дней;
• спутник IRS; аппаратура LISS III; спектральные каналы 1, 2, 3, пространственное разрешение
23,5 м; временное разрешение 24 дня;
• спутник «Terra»; аппаратура ASTER; спектральные каналы 1, 2, 3; пространственное разрешение 15 метров; временное разрешение 15 дней.
5.5. Определение стоимости 1 центнера сельскохозяйственной продукции
Стоимость зерна величина не постоянная, она колеблется в зависимости от времени года, урожайности зерновых, района и т.д. Поэтому мы в своих расчетах принимаем среднюю стоимость зерна на 12 января 2001 года в размере 320 рублей за один центнер.
Планируемая урожайность сельскохозяйственных культур.
Каждый сельскохозяйственный регион характеризуется своими многолетними урожаями сельскохозяйственных культур. Прогноз получаемого урожая связан с этими данными. То, что для одного региона является очень хорошим показателем, для другого региона может быть низким.
В методике используется среднемноголетнее значение урожайности сельскохозяйственных культур в данном регионе. Разброс этих значений может составлять до 10 %.
5.6. Укрупненный алгоритм (блок-схема) методики
Алгоритм выявления ущерба, нанесенного сельскохозяйственным культурам паводками, состоит в выполнении следующих этапов:
• определение по космическим данным участков, подвергшихся паводку;
• подбор космических изображений из архива на эту же территорию, но полученных за 1-2 недели до паводка;
• цифровая обработка космических изображений с целью выявления состояния до паводка сельскохозяйственных культур, погибших в результате паводка, вычисления их площадей.
Цифровая обработка включает:
• выбор фрагментов космических изображений одной и той же территории с районом затопления до и после паводка («ScanViewer»);
Научно-технические разработки
Научно-технические разработки
• импортирование и радиометрическую коррекцию изображений в “ERDAS Imagine”(8.2) (модуль «Ресурс»);
• трансформирование изображений в проекцию карты в М 1:200000 (“ERDAS Imagine”(8.2));
• попиксельное совмещение двух разновременных изображений одной и той же территории; (“ERDAS Imagine”(8.3));
• создание нового изображения, каждый слой которого представляет спектральные каналы двух разновременных изображений (т.е. первые три слоя представляют собой 1, 2 и 3 спектральные каналы изображения, полученного до наводнения, а 4, 5, и 6 слои — 1, 2 и 3 спектральные каналы изображения, полученного после наводнения);
• неконтролируемую классификацию (кластерный анализ) этого изображения;
• идентификацию классов методом анализа их спектральных кривых;
• выявление состояния сельскохозяйственных культур, погибших в результате паводка, до паводка;
• вычисление площадей погибших сельскохозяйственных культур с разным состоянием;
• вычисление прогнозируемой урожайности сельскохозяйственных культур с одного гектара;
• вычисление оценки ущерба в натуральных показателях (руб.);
• определения оценки точности методики.
На рис. 5 представлена блок-схема расчета по космическим данным величины ущерба, нанесенного сельскохозяйственным культурам в результате паводка.
5.7. Выявление участков, подвергшихся паводкам, на космических изображениях
Местоположение участков, подвергшихся паводкам, определяется или по наземным данным, или по данным ДЗЗ.
Наземные данные содержатся в сводках МЧС, в местных органах управления.
Территории, подвергшиеся паводку, визуально выявляются также по космическим данным, имеющим высокую обзорность и оперативность, но низкое пространственное разрешение, таким как данные со спутников NOAA аппаратура AVHRR и «Тегга» (MODIS). Эти данные пригодны лишь для обнаружения факта затопления и оценки площади затопления, но не годятся для вычисления оценки ущерба, нанесенного паводком, при визуальном дешифрировании космических снимков высокого пространственного разрешения.
5.8. Выделение водных объектов и затопленных участков по космической информации
Дешифровочные признаки водных объектов хорошо известны и описаны в литературе. Как правило, водные объекты имеют темный, почти или совсем
Рис. 5. Блок-схема алгоритма расчета величины ущерба, нанесенного сельскохозяйственным культурам в результате
паводка с использованием космических данных
а) б)
Рис. 6. Исходное трансформированное в проекцию карты космическое изображение территории бассейна реки Малый Дунай:
а) полученное 24 июля 1997г.; б) полученное 22 июня 1997г.
черный тон изображения, ровную текстуру, четкий рисунок, обусловленный формой водоема. Спектральная кривая водных объектов, которая используется как дешифровочный признак при цифровой обработке изображений, имеет характерный ход: падает с увеличением длины волны от видимого (0,5-0,6 мкм) к ближнему ИК диапазону (0,8-1,1 мкм). Спектральные кривые растительных объектов падают от зеленого (0,5-0,6 мкм) к красному (0,6-0,7 мкм) участку спектра и резко возрастают к ближнему ИК диапазону (0,8-1,1 мкм). Спектральные кривые открытых от растительности почв, а также облаков, горных пород, асфальтовых покрытий и т.д. монотонно растут с увеличением длины волны и отличаются друг от друга разной интенсивностью отражения.
Другая картина возникает при дешифрировании подтопленных или частично затопленных территорий. Как правило, тон изображения этих участков тоже очень темный и чем сильнее подтоплен или затоплен участок, тем тон его изображения темнее. Спектральная кривая этих объектов падает с увеличением длины волны от видимой к ближней ИК части спектра или проходит ниже и параллельно спектральной кривой сухого объекта. При сильных ливневых дождях часто сельскохозяйственные культуры смываются или заносятся смытым материалом. В этом случае поверхность полей представляет собой открытую почву, спектральная отражательная способность которой высокая, спектральная кривая постепенно увеличивается с ростом длины волны.
5.9. Методологический подход к решению задачи оценки ущерба, нанесенного сельскохозяйственным культурам паводком
Предлагаемый методологический подход был разработан на примере территории Словакии. В июле 1997 года на территории многих европейских стран наблюдались сильные наводнения, вызванные ливневыми осадками. В Словакии были затоплены и подтоплены территории бассейна р. Малый Дунай.
Для контроля за сложившейся ситуацией были
подобраны два изображения с аппаратуры МСУ-Э спутника «Ресурс-О» в период наводнения 24 июля 1997 года и до наводнения 22 июня 1997 года (рис. 6).
5.10. Цифровая обработка космических изображений
Предварительная обработка
Цифровая обработка изображений проводится следующим образом.
На первом этапе с помощью программы ScanViewer производится выбор фрагментов космических изображений двух дат съемки участков местности, подвергшихся затоплению. Выбранные фрагменты импортируются в ERDAS Imagine 8.2, где производится радиометрическая коррекция выбранных изображений, и трансформирование их в географическую проекцию.
На втором этапе проводится попиксельное совмещение двух разновременных изображений. Для этого используются программы Transform Editor системы ERDAS Imagine. Для улучшения качества полученного шестислойного изображения проводится обработка по методу главных компонент, затем последняя компонента отбрасывается и проводится обратное преобразование. Этот этап обработки необязателен, но желателен, так как он устраняет низкочастотные шумы.
Тематическая обработка
На третьем этапе производится распознавание природных объектов, отображенных на изображении, методом классификации ISODATA (кластерный анализ) без обучения. При классификации для более точного выделения объектов задается 30 классов. В результате кластерного анализа получают кластерную схему с выделенными объектами и таблицу статистик, в которой представлены средние значения кластеров. Средние значения классов (кластеров) используют для получения спектральных кривых объектов.
На четвертом этапе производится идентификация выделенных на кластерной схеме объектов методом анализа их спектральных кривых.
Научно-технические разработки
Научно-технические разработки
5.11. Анализ спектральных кривых природных объектов
1. Отбор классов, соответствующих погибшим в результате паводка сельскохозяйственным культурам. Для анализа выбираются только те объекты, спектральные кривые которых изменились в результате паводка. Для этого просматривается спектральная кривая каждого кластера, визуально сравнивается ее ход в первых трех и последних трех слоях, соответствующих разным датам съемки. Если ход спектральной кривой не изменился, значит не изменилось и состояние природного объекта.
К таким объектам относятся леса, населенные пункты, некоторые сельскохозяйственные поля. Открытые почвы, подтопленные в результате паводка, не относятся к объекту исследования и не выбираются. Если ход спектральной кривой класса изменился, то определяется, был ли этот объект растительностью.
Отбираются только те классы, которые соответствуют погибшей растительности после паводка, т.е. имеющие характерный для растительности ход кривой до паводка и характерный для открытой (мокрой, частично или полностью затопленной или подтопленной) почвы ход спектральной кривой после паводка.
До паводка (1-3 слои) спектральные кривые соответствуют зеленой растительности с разным проективным покрытием, т.е. в разном состоянии. После паводка (4-6 слои) спектральные кривые соответствуют мокрой почве, что говорит о том, что как раз эти объекты изменили свое состояние, т.е. были растительностью, а стали почвами. Принимая во внимание, что космические снимки имеют небольшой временной разброс, можно сделать вывод, что эти изменения носят не естественно природный характер, а обусловлены влиянием ливневых дождей.
По падению спектральной кривой можно также судить о степени затопления и подтопления территории, но в данном случае это не имеет большого значения, так как наличие воды на поверхности почвы означает, что все находящиеся на этом участке культуры погибли.
5.12. Определение состояния сельскохозяйственных культур до паводка
Состояние сельскохозяйственных культур по космическим данным можно оценить по величине проективного покрытия. Известно, что нормализованный вегетационный индекс (NDVI) линейно связан с проективным покрытием растительностью почвы (11, 12). Поэтому для выявления количественной характеристики растительного покрова
— его проективного покрытия - необходимо вычислить нормализованный вегетационный индекс (рис. 7). В качестве входных параметров служат средние значения кластеров, отобранных как «сельскохозяйственные объекты, пострадавшие от паводка».
Нормализованный вегетационный индекс равен
где: Ж — среднее значение класса в ближнем инфракрасном канале,
R — среднее значение класса в красном канале. Если принять, что проективное покрытие растительностью почвы линейно связано с нормализованным вегетационным индексом, то его можно вычислить по следующей формуле:
^руі,-круітхпут
Рис. 7. Зависимость между покрытием растительности (Р) и нормализованным вегетационным индексом
для территории Словакии (NDVI)
где:
Pj— проективное покрытие растительности i класса,
NDVI — значение нормализованного вегетационного индекса i класса, NDVI — минимальное
’ mm
значение вегетационного индекса, соответствующего классу «открытая почва»;
NDVI — максимальное значение вегетационно-
max
го индекса, соответствующего классу «зеленая растительность с проективным покрытием 100 %».
Полученные значения заносятся в таблицу, округляются и им присваиваются качественные оценки состояния растительности. Для облегчения расчетов предложено использовать четыре состояния:
- плохое, при проективном покрытии растительности до 40 %;
- удовлетворительное, при проективном покрытии 40—60 %;
- хорошее, при проективном покрытии 60—80 %;
- очень хорошее, при проективном покрытии 80-100 %.
Выражение проективного покрытия в качественном виде нужно для получения оценочных значений количества прогнозируемого урожая с единицы площади. Более точные расчеты в данном случае нецелесообразны. Расчеты удобно проводить в программе Microsoft Excel. Для рассматриваемого случая составлена таблица зависимости качества состояния растительности от значения NDVI (табл.12).
5.13. Определение площади сельскохозяйственных культур с разным их состоянием до паводка и степенью затопления после паводка
Для вычисления площади сельскохозяйственных культур, пострадавших от паводка необходимо перевести изображение из географической проекции, в проекцию карты, например, в проекцию Transverse Mercator с описанием сфероида по модели Красовс-
кого и данными Pulkovo. Затем добавить в растровом редакторе функцию «площадь» и получить площадь сельскохозяйственных культур с разным их состоя -нием до паводка в гектарах.
Оценка прогнозируемого урожая Преобладающими сельскохозяйственными культурами в Словакии являются зерновые — пшеница, ячмень, рожь и зернобобовые. Средняя урожайность зерновых культур в Словакии составляет 47 центнеров с гектара. Поэтому, можно принять, что с самых лучших полей планировали получить урожай зерновых около 60 ц/га, с полей с сельскохозяйственными культурами в хорошем состоянии — 50 ц/га, с полей в удовлетворительном состоянии — 30 ц/га, с полей в плохом состоянии 20 ц/га.
Урожай сельскохозяйственных культур зависит от состояния растительности в период вегетации, а значит от проективного покрытия растительностью почвы. Существует ряд других факторов, которые влияют на урожай, которые мы рассматривать не будем.
5.14. Порядок проведения расчетов Ущерб, нанесенный сельскохозяйственным культурам в результате паводка, в денежном эквиваленте (руб.) равен количеству прогнозируемого с этой территории урожая (ц), умноженный на стоимость одного центнера зерна (руб./ц), т.е.
U = DC,
где: D — прогнозируемый урожай до паводка с затопленной площади (ц), C — стоимость 1 центнера зерна (руб./ц). Прогнозируемый с затопленной площади урожай D равен сумме площади каждого участка (га) S. с разным состоянием сельскохозяйственных культур, умноженного на прогнозируемый урожай с этой площади Р.(ц/га), т.е.
Таблица 12
Оценка состояния сельскохозяйственной растительности до паводка
Номер класса Объект Значение NDVI Проективное покрытие растительности в процентах % Качественная оценка состояния растительности
2 С/х поля с растительностью 0.190287 43.12029 удовлетворительное
3 С/х поля с растительностью 0.121122 17.69205 плохое
4 Заливные луга 0.2546 66.76475 хорошее
5 С/х поля с открытыми почвами 0.073157 0.057704 растительность отсутствует
10 С/х поля с растительностью 0.240984 61.75866 хорошее
11 С/х поля с растительностью 0.335268 96.4222 очень хорошее
12 С/х поля с растительностью 0.266173 71.01936 хорошее
13 С/х поля с растительностью 0.264632 70.45279 хорошее
14 С/х поля с растительностью 0.325444 92.81042 очень хорошее
19 С/х поля с растительностью 0.344842 99.94182 очень хорошее
Научно-технические разработки
Научно-технические разработки
Вычислив площади сельскохозяйственных культур в разном состоянии и предполагаемый урожай, можно оценить материальный ущерб, нанесенный территории во время наводнения в Словакии в 1997 году. Расчет ущерба, нанесенного сельскохозяйственным культурам паводком 1997 году в Словакии, приведен в табл. 13. Из таблицы видно, что наибольшая площадь была затоплена под зерновыми культурами в очень хорошем состоянии (16564,55 га), максимальный ущерб составил 318,039 млн. рублей. Общий материальный ущерб от паводка на территории Словакии в районе р. Малый Дунай составил 624,5 млн. руб.
5.15. Выходные данные
Выходными данными методики является оценка ущерба, нанесенного паводками сельскохозяйственным культурам в рублях.
Точность оценки ущерба определяется следующими составляющими.
Методическая ошибка
При вычислении проективного покрытия растительностью почвы по значениям нормализованного вегетационного индекса мы предположили, что между этими двумя параметрами существует линейная зависимость. На самом деле, зависимость имеет линейный характер только при малых и средних значениях про-
Таблица 13
Ущерб, нанесенный сельскохозяйственным культурам паводком 1997 году в Словакии
Состояние с/х культур до паводка Площадь класса в га, ( 3) Прогнозируемая урожайность с 1 га до паводка в ц/га (Р) Стоимость прогнозируемой продукции, руб./ц (С) Прогнозируемый ущерб, млн. руб. (Ц)
Заливные луга 1 834,8 Урожай не поврежден
Зерновые в плохом состоянии (ПП до 40 %) 4 145,76 20 320 26,532
Зерновые в удовлетворительном состоянии с ПП 40-60 % 2 982,25 30 320 28,629
Зерновые в хорошем состоянии с ПП 60-80 % 15 704,95 50 320 251,279
Зерновые в очень хорошем состоянии с ПП 80-100 % 16 564,55 60 320 318,039
Итого: 624,479
ективного покрытия, при очень высоких значениях она принимает экспоненциальный вид. Ошибка, возникающая при этом, составляет 15 %, причем реальные значения занижены по сравнению с теми, которые получаются по расчетам методики.
Приборная ошибка, определяемая уровнем разрешения, составляет 35х35 м для аппаратуры МСУ-Э КА «Ресурс-0».
Ошибка оценки планируемого урожая. Так, предположение о том, что планируемый урожай составляет от 20 до 60 ц/га в зависимости от проективного
покрытия растительности приводит к ошибке примерно 10 %;
Ошибка оценки площади, связанная с присутствием облачности на изображении, что уменьшает полученный по расчетам методики ущерб, так как облака и тени от облаков не рассматриваются как объекты, пострадавшие в результате паводка. Реальную ошибку от наличия облачности на космических изображениях получить невозможно. Для избежания ошибок, необходимо использовать космическую информацию с облачностью не более 10 %.
6. ЭКСПРЕСС-ОЦЕНКА УЩЕРБА,
НАНОСИМОГО СЕЛЬСКОХОЗЯЙСТВЕННЫМ КУЛЬТУРАМ ЗАСУХОЙ
6.1. Назначение методики
Цифровая обработка изображений необходима не только для более оперативного и объективного получения результатов, но также это единственный способ (в противовес визуальным методам дешифрирования),
— выделить площади погибших сельскохозяйственных культур в результате засухи.
Разработанная методика позволяет:
- идентифицировать на космических изображениях территории, подвергшиеся действию засухи;
- провести совместный анализ космических изображений, полученных до и после наступления засухи и выделить участки, на которых произошли изменения состояния сельскохозяйственных объектов;
- оценить состояние сельскохозяйственных культур до засухи и после наступления засухи, вычислить площади погибших сельскохозяйственных культур;
- оценить ущерб в натуральных показателях (руб.).
В методике предложены принципиально новые
способы:
• выявления наступления засухи, основанные на анализе изменения вегетационных индексов в период засухи и суммы ночных и дневных яркостных температур (впервые предложен и используется индекс «засухи»);
• выявления изменений состояния сельскохозяйственных культур, происшедших на территории, подвергшейся засухе, при котором используются два разновременных изображения.
Используется метод совместного дешифрирования двух изображений, основанный на анализе изменения спектральных кривых природных объектов.
При выявлении погибших сельскохозяйственных культур использованы методы распознавания без обучения (unsupervised classification) и метод главных компонент. Площади погибших сельскохозяйственных культур и их географическая привязка вычисляются автоматически. При необходимости результаты распознавания могут быть представлены на растровой (векторной) топографической карте.
В методике использованы следующие материалы: данные с КА «Ресурс-0» с аппаратуры МСУ-СК, а также дневные и ночные космические снимки, полученные с аппаратуры AVHRR, установленной на спутниках NOAA-12 и NOAA-14. Временной интервал изображений взят с конца апреля по конец июля
— начало августа 1998—2000 гг.
Методика может быть использована при решении продовольственных и других задач.
6.2. Принятые ограничения и допущения
Ограничения данной методики заключаются в
следующем:
необходимость использования космической информации двух дат съемки для выявления их состояния до наступления и в период засухи;
требование высокой обзорности (не менее 500-600 км) используемых космических материалов для того, чтобы исследуемая территория полностью покрывалась при одном пролете спутника и среднего или высокого пространственного разрешения (не менее 250 м), для того чтобы сельскохозяйственные поля могли быть оконтурены на изображении;
космические данные должны иметь соответствующий набор спектральных каналов и их спектральное разрешение.
Известно, что растительность лучше всего выделять по спектральным данным, полученным в зеленом (0,5—0,6 мкм), красном (0,6—0,7 мкм) и ближнем инфракрасном (0,8—0,9 мкм) диапазонах съемки.
При выявлении наступления засухи используется также 4-й (10 мкм) спектральный канал аппаратуры AVHRR, который позволяет определять яркостную температуру поверхности в ночное и дневное время суток. Для упрощения расчетов принято:
• Вся сельскохозяйственная растительность представлена одним видом, преобладающим на исследуемой территории. Например, основные массивы распаханных земель в Заволжье заняты зерновыми культурами, поэтому оценку на этой территории можно проводить только по этим культурам.
• Состояние сельскохозяйственных культур определяется только по их проективному покрытию от
0 до 100 %, при этом дается качественная оценка их состояния.
• Рассматриваются только те сельскохозяйственные угодья, на которых растительность погибла полностью.
6.3. Исходные данные для расчетов
Исходными данными для расчетов являются:
• космические изображения с пространственным разрешением до 250 м, которые обеспечивают выявление площади (га) и состояния сельскохозяйственных культур, подвергшихся засухе, до и после наступления засухи;
• космические изображения в тепловом канале, полученные в ночное и дневное время суток;
• стоимость 1 центнера сельскохозяйственной продукции, выращиваемой в исследуемом районе;
• планируемая урожайность с 1 га.
6.4. Требования к исходной космической информации
При выявлении погибших в результате засухи сельскохозяйственных культур космическая информация должна отвечать следующим требованиям:
- радиометрическое разрешение должно быть не хуже 8 бит;
- временное разрешение не должно превышать 1—5 дней; обеспечивающее своевременность выявления засухи и возможность слежения за изменением состояния сельскохозяйственной растительности.
Научно-технические разработки
Научно-технические разработки
В методике могут быть использованы как данные с аппаратуры AVHRR и аппаратуры МСУ-СК, так и данные аппаратуры ЕТМ (тематический картограф спутника «Landsat» со спектральными каналами 2, 3, 4, 6, с пространственным разрешением 30—80 м; временным разрешением 16 дней) и аппаратуры MODIS спутника «Terra» (спектральные каналы
1, 2, 31 с пространственным разрешением 250 и 1000 метров, временное разрешение 1 день).
6.5. Определение стоимости 1 центнера сельскохозяйственной продукции
Стоимость зерна величина не постоянная, она колеблется в зависимости от времени года, урожайности зерновых, района и т.д. Поэтому мы в своих расчетах принимали среднюю стоимость зерна на 12 января 2001 года в размере 320 рублей за один центнер.
6.6. Планируемая урожайность сельскохозяйственных культур
Каждый сельскохозяйственный регион характеризуется своими многолетними урожаями сельскохозяйственных культур. Прогноз получаемого урожая связан с этими данными. То, что для одного региона является очень хорошим показателем, для другого региона может быть низким. В нашей методике используется среднемноголетнее значение урожайности сельскохозяйственных культур в данном регионе. Для Заволжья средняя урожайность зерновых культур составляет 19 ц/га. В качестве максимального значения планируемой урожайности принимаем 70 ц/га, в качестве минимального — 1 ц/га.
6.7. Укрупненный алгоритм (блок-схема) методики
Алгоритм обнаружения засухи и выявления ущерба, нанесенного сельскохозяйственным культурам засухой, состоит в выполнении следующих этапов:
- определение по космическим данным участков, подвергшихся засухе;
- подбор текущих космических изображений и изображений из архива на эту же территорию до наступления засухи;
- цифровая обработка тепловых ночных и дневных спектральных каналов;
- цифровая обработка многозональных космических изображений с целью выявления состояния сельскохозяйственных культур до и после засухи, вычисления площадей сельскохозяйственных культур, погибших в результате засухи.
Цифровая обработка включает:
• выбор фрагментов космических изображений одной и той же территории с районом засухи до и после наступления засухи («ScanViewer);
• импортирование и радиометрическую коррекцию изображений в “ERDAS Imagine “(8.2) (модуль «Ресурс»);
• трансформирование изображений в проекцию карты в М 1:200 000 (“ERDAS Imagine”(8.2));
• вычисление индекса «засухи» по тепловым каналам;
• попиксельное совмещение двух разновременных изображений одной и той же территории;
• создание нового изображения, каждый слой которого представляет спектральные каналы двух
разновременных изображений (т.е. первые два слоя представляют собой 1, 2 спектральные каналы изображения, полученного до засухи, а 3 и 4 — 1, 2 спектральные каналы изображения, полученного после наступления засухи);
• неконтролируемую классификацию (кластерный анализ) этого изображения;
• идентификацию классов методом анализа их спектральных кривых;
• идентификацию классов методами вегетационных индексов и методом главных компонент;
• выявление состояния сельскохозяйственных культур, погибших в результате засухи, до наступления засухи;
• вычисление площадей погибших сельскохозяйственных культур с разным состоянием;
• вычисление прогнозируемой урожайности сельскохозяйственных культур с одного гектара;
• вычисление оценки ущерба в натуральных показателях (руб.);
• определение оценки точности методики.
На рис. 8 представлена блок-схема расчета величины ущерба, нанесенного сельскохозяйственным культурам в результате засухи с использованием космических данных.
6.8. Физические основы выявления участков, подвергшихся засухе и определение изменения состояния растительности, погибшей в результате засухи по дистанционным данным
Местоположение участков, подвергшихся засухе, определяют или по наземным (1) или по дистанционным (2) данным.
Наземные данные содержатся в сводках МЧС, в местных органах управления.
Территории, подвергшиеся засухе, выявляются также по космическим данным, имеющим высокую обзорность и оперативность и тепловой канал съемки, с возможностью получать данные в дневное и ночное время суток. Такими данными являются материалы со спутника NOAA аппаратура AVHRR и «Тегга» (MODIS). Эти данные пригодны для обнаружения факта наступления засухи и оценки площади подверженной засухе, но не годятся для вычисления оценки ущерба, нанесенного засухой.
Критерием наступления засухи является значение индекса «засухи», который должен превышать значение 1 400.
6.8.1 Выделение территорий, подвергшихся засухе по космической информации
В 1998 году природа поставила уникальный эксперимент по воспроизводству экстремальных параметров засухи в Среднем Поволжье. Вегетационный период 1998 года отличался острым дефицитом влаги и высокими среднесуточными температурами воздуха. В мае — июне выпало 24,7 % осадков от средней многолетней величины. Весенняя засуха сопровождалась высоким температурным фоном, превышение среднесуточной температуры составило в мае + 1,7; в июне + 4,6; в июле + 2,9 градуса.
Блок-схема алгоритма расчета величины ущерба от потери сельскохозяйственных культур в результате засухи с использованием данных космических съемок
I
Обнаружение территорий, пострадавших от засухи по космическим изображениям
Средний многолетний урожай, ц/га, Р
Стоимость 1 центнера зерна
(руб./ц), С
Вычисление ущерба погибших сельскохозяйственных культур, U=PCS
Вычисление площадей погибших сельскохозяйственных культур, S
Цифровая обработка изображений
Выбор фрагментов космических изображений одной и той же территории с районом засухи до и после наступления засухи («Scanviewer»)
Импортирование и радиометрическая коррекция изображений в «ERDAS Imagine» (8.2) (модуль «Ресурс»)
Трансформирование изображений в проекцию карты в М 1:200000 («ERDAS Imagine» (8.2))
Попикссльнос совмещение двух разновременных изображений одной и той же территории («ERDAS Imagine» (8.3))
Создание нового изображения, каждый слой которого представляет спектральные каналы двух разновременных изображений
Неконтролируемая классификация (кластерный анализ) изображения
Идентификация классов методом анализа их спектральных кривых
Идентификация классов методами вегетационных индексов и методом главных компонентов
Рис. 8. Блок-схема алгоритма расчета величины ущерба, нанесенного сельскохозяйственным культурам в результате засухи
с использованием космических данных
Характерными особенностями вегетации пшеницы явились: высокая изреженность всходов в мае, ослабление и гибель части всходов от засухи и повреждение хлебной блохой в фазе 1-2 листа, ускоренное развитие и укорочение вегетационного периода до 55 —77 (время от всходов до полной спелости растений) дней, слабое развитие вторичной корневой системы, неравномерное созревание и слабый налив зерна.
По данным Ильина А.В. и Калинина Ю.А., во время вегетации в 1998 году практически отсутствовали осадки (выпало 4,5 мм при норме в 75). Рост и созревание растений проходили при повышенных температурах воздуха (максимальная температура была достигнута в период «конец трубкования»
— «восковая спелость» и составила 38—40 градусов) и среднесуточной относительной влажности воздуха на 10—15 % ниже среднемноголетней.
У ячменя вообще произошла полная стерилизация колосьев, а потом плохой налив тех зерен, которые завязались. Урожайность составила 1,7—5,4 ц/га, а в производственных условиях 0,5—1,0 ц/га. Практически ячменные посевы находились на грани полной гибели.
Из-за крайне неблагоприятных климатических условий погибло огромное количество зерновых культур — при доле зерновых в посевных площадях в 66 % ( яровых 48 % и озимых 18 %) их доля в валовом сборе составила всего 21 % (яровых 12 % и озимых 9 %), т. е. в 3,14 раза меньше, чем доля в посевных площадях. Экстремально неблагоприятные для роста растений условия в 1998 году в Самарской области можно продемонстрировать динамикой валового сбора продукции за длительный период (1913-1999 годы) в этом регионе (рис. 9).
Научно-технические разработки
Научно-технические разработки
год
Рис. 9. Динамика валового сбора продукции в Самарской области в 1913-1999 годах
Самыми низкими значениями валового сбора за почти вековой отрезок времени характеризуется именно 1998 год. Поэтому он вполне подходит для выбора его в качестве года с экстремально сильной засухой.
В 2000 году соотношение количества осадков и температур оказались оптимальными. За апрель
— июль выпал 281 мм осадков или 192 % к норме, что привело к получению урожайности некоторых сортов пшеницы до 70,6 ц/га. Этот год по условиям для роста растительности вполне можно считать хорошим и взят этот год в качестве эталонного при сравнения с засушливым 1998 годом.
Традиционно состояние сельскохозяйственных культур по дистанционным данным определяется по значению нормализованного вегетационного индекса NDVI, который тем выше, чем лучше состояние растительности. Но, при выявлении участков, пострадавших от засухи использование только вегетационного индекса недостаточно, так как он не дает представления о явлении, происходящем на данной территории. Например, он может быть низким не из-за засухи, а из-за того, что территория не была вовремя засеяна. Поэтому предлагается использовать дополнительно к вегетационному индексу суммарное значение ночных и дневных температур. К тому же из литературных источников известно, что засуха — это метеорологическое явление, связанное с жаркими погодными условиями и низким количеством осадков. Так, Н.А. Багров в статье «Засуха и ее определение» пишет, что основной показатель засухи — это недостаток влаги на фоне теплой и даже жаркой погоды. Д.А. Педь
— выразил это в формуле
S = 5Т/стт - 8Q/ стч,
где: 5Т и 5Q — аномалии температуры и осадков в среднем за месяц, стт и ст? — их среднее квадратичное отклонение.
В качестве основного критерия засухи берется значение Б > 2, причем среднее величины Б = 0, ее дисперсия Бт= 2(1-Я), где R — коэффициент корреляции между температурой и осадками. Исследования показали, что при засухе наблюдается повышенный фон не только дневных, но и ночных температур. Поэтому при выявлении территорий, подвергшихся засухе предлагается использовать индекс «засухи», который прямо пропорционален сумме ночной и дневной температур и обратно пропорционален значению нормализованного вегетационного индекса.
Исследования показали, что при засухе наблюдается повышенный фон не только дневных, но и ночных температур. Поэтому при выявлении территорий, подвергшихся засухе, предлагается использовать индекс «засухи», который прямо пропорционален сумме ночной и дневной температур и обратно пропорционален значению нормализованного вегетационного индекса.
Индекс «засухи» вычисляется по следующей формуле:
ГО = (Т4д+Т4н)/^У1, NDVI = (Т2-Т1)/(Т2+Т1),
где: Т4д и Т4н — наиболее характерные значения яркостной температуры в четвертом канале дневного и ночного снимков соответственно;
Тп — номер спектрального канала аппаратуры ЛУНЯЯ.
Очевидно, что чем выше значения индекса, тем больше вероятность того, что на исследуемой территории наблюдается засуха. Экспериментальным
путем определено, что для территории Поволжья и Заволжья значения индекса в июне от 1000 до 1400 являются нормальными, от 1400 до 1600 свидетельствуют о средней и сильной засухе, свыше 1600 — катастрофической засухе.
6.8.2. Физические основы выявления растительности, погибшей в результате засухи по космическим данным
Основным дешифровочным признаком зеленой растительности является ход ее спектральной кривой. Спектральные кривые зеленых растительных объектов падают от зеленого (0,5—0,6 мкм) к красному (0,6—0,7 мкм) участку спектра и резко возрастают к ближнему ИК диапазону (0,8—1,1 мкм). Спектральные кривые пожелтевшей (погибшей) растительности, открытых от растительности почв, а также облаков, горных пород, асфальтовых покрытий и т.д. монотонно растут с увеличением длины волны и отличаются друг от друга разной интенсивностью отражения.
На этом свойстве основана концепция вегетационных индексов, широко используемая в дистанционном зондировании. Наши практические исследования показали, что наиболее устойчивым к аппаратуре, времени суток, углу Солнца над горизонтом, углу сканирования является нормализованный вегетационный индекс (NDVT).
6.9. Методологический подход к решению задачи оценки ущерба, нанесенного сельскохозяйственным культурам засухой
Предлагаемый методологический подход был разработан на примере территории Заволжья (Самарская область, северо-западная часть Оренбургской области и южная часть Татарии) путем сравнения космических изображений двух дат: 2 и 18 июня 1998 года. Именно эти даты были выбраны в качестве основных, т.к. именно в этот период растения находятся в важнейшей стадии своего развития (озимые находятся на стадии колошение-цветение, а яровые на стадии выхода в трубку-колошение). Именно в этот период развитие растений зависит от наличия влаги в почве.
Таким образом дата 18 июня является показательной, т.к. если к этому числу не произошло формирования достаточной зеленой массы, то далее это вряд ли произойдет.
Общая площадь Самарской области составляет
5356,5 тыс. га. Площадь сельскохозяйственных земель в 1998 году равнялась 4021,4 тыс. га, т.е. 76 % от всей территории. В структуре землепользования преобладают пашни — их площадь составила 3 094,5 тыс. га (75 % площади с/х земель).
При этом помимо класса просто «пашни» встречается класс «пашни в сочетании с естественными кормовыми угодьями степной зоны» (15 %). Небольшой процент земель составляют орошаемые пашни степной зоны, расположенные на юге области (Самарская область —1999, 2000 гг.).
В табл. 14 представлена структура посевных площадей в Самарской области в 1998 году.
Почти половина площади посевов области принадлежит яровым культурам (48 %) и только 18 % озимым. Кормовые культуры, такие как многолетние травы, однолетние травы, кукуруза на силос и кормовые корнеплоды, занимают 20 % посевных площадей. Техническим культурам (сахарной свекле и подсолнечнику) отведено 11 %. Картофель и овощи занимают всего 3 % посевных площадей.
Основной яровой культурой, высеваемой в регионе, является пшеница (46 %) (табл. 15). Ячмень занимает второе место (38 %); менее 10 % принадлежит овсу (7 %), просу (2 %) и гречихе (7 %).
6.10. Цифровая обработка космических изображений
6.10.1. Описание методов цифровой обработки
Предварительная обработка
Цифровая обработка изображений проводится следующим образом.
На первом этапе с помощью программы ScanViewer производится выбор фрагментов космических изображений двух дат съемки участков местности, подвергшихся засухе. Выбранные фрагменты импортируются в ERDAS Imagine 8.2, где производится радиометрическая коррекция выбранных изображений, и трансформирование их в географическую проекцию.
На втором этапе проводится попиксельное совмещение двух разновременных изображений. Для этого используются программы Transform Editor системы ERDAS Imagine.
Таблица 14
Структура посевных площадей в 1998 году
Культура яровые кормовые технические озимые картофель овощи
% 48 20 11 18 2 1
Таблица 15
Структура посевных площадей яровых культур в 1998 году
Культура ячмень овес просо гречиха пшеница кукуруза
% 38 7 2 7 46 0,2
Научно-технические разработки
Научно-технические разработки
Тематическая обработка
На третьем этапе производится распознавание природных объектов, отображенных на изображении, методом классификации ISODATA (кластерный анализ) без обучения. Используется подход, при котором кластерный анализ проводится для одного файла, содержащего в себе два снимка с двумя каналами каждый. Количество классов, заданных программе, равняется 40. Такое большое число классов было выбрано для того, чтобы максимально точно отдешифрировать территорию.
Далее проводится распознавание каждого класса по ходу его спектральных кривых, причем наличие информации по двум датам съемки позволяет выделять классы с учетом изменений, происходящих в них от одной даты к другой. В результате кластерного анализа получают кластерную схему с выделенными объектами и таблицу статистик, в которой представлены средние значения кластеров. Средние значения классов (кластеров) используются для получения спектральных кривых объектов.
На четвертом этапе производится идентификация выделенных на кластерной схеме объектов методом анализа их спектральных кривых.
Анализ спектральных кривых природных объектов
Отбор классов, соответствующих погибшим в результате засухи сельскохозяйственным культурам. Анализируются все спектральные кривые природных объектов, выделившиеся на многослойном изображении методом кластерного анализа.
По характерному ходу спектральных кривых (высокие значения во втором канале в первый срок и низкие во второй срок) выявляются кластеры, соответствующие погибшей или сильно ухудшившей свое состояние растительности. Классам давались названия, характеризующие состояния на каждую дату, например, хорошая растительность, открытая почва. Кроме того, для более точной идентификации классов и выявления состояния растительности до засухи вычислялись вегетационные индексы (NDVI) для каждого класса.
Анализ вегетационных индексов позволяет отредактировать выделенные ранее классы. Классы, у которых вегетационный индекс резко уменьшился от 2 до 18 июня, считаются классами с погибшей растительностью.
Следующим шагом является проведение генерализации выделенных классов. Из 40 классов были отобраны для анализа 7, основой для выделения которых послужило изменение состояния растительности за период со 2 по 18 июня.
Кластерный анализ позволил выделить две большие группы сельскохозяйственных угодий, находя -щихся в удовлетворительном и неудовлетворительном состоянии.
К первой группе относятся следующие классы:
• с/х угодья, состояния которых незначительно улучшилось за период;
• с/х угодья, состояния которых на обе даты самое лучшее;
• с/х угодья, состояния которых значительно улучшилось за период;
• с/х угодья, состояния которых почти не изменилось за период.
Вторая группа включает в себя:
• с/х угодья, состояния которых резко ухудшилось за период;
• с/х угодья, состояния которых ухудшилось за период;
• погибшие всходы с/х культур.
Классы других объектов, которые включают в себя леса, реки, населенные пункты, и промышленные объекты не являются объектами данной методики и не рассматриваются.
6.11. Определение площади сельскохозяйственных культур с разным состоянием
Для вычисления площади сельскохозяйственных культур, пострадавших от паводка необходимо перевести изображение из географической проекции, в проекцию карты, например, в проекцию Transverse Mercator с описанием сфероида по модели Красовс-кого и данными Pulkovo. Затем добавить в Растровом редакторе функцию «площадь» и получить площадь каждого кластера, а значит площадь соответствующих сельскохозяйственных культур с разным состоянием в гектарах.
В табл. 16 представлены результаты анализа площади сельскохозяйственных культур, изменивших состояние в результате засухи.
6.12. Определение параметра «планируемый урожай»
Засуха наступает постепенно в течение вегетации. Если это летняя засуха, то уже с конца мая
— начала июня растения страдают от недостатка влаги и слабо развиваются. Поэтому исходное состояние растительности до наступления решающего этапа засухи (в нашем случае 2 июня 1998 года) не может быть контрольным, с которым можно сравнивать состояние растительности в разгар засухи (18 июня 1998 года). Для более точного сравнения нужно брать значения среднего многолетнего урожая (в нашем случае 19 ц/га) для всей исследуемой территории. Сравнение изображений двух дат съемки нам дает только площади культур, погибших, ухудшивших и сильно ухудшивших свое состояние. Чистых паров в данном регионе практически нет, класс «открытые почвы» означает, что на сельскохозяйственных полях, соответствующих данному классу, растительность не выросла из-за сильной засухи. Поэтому площади этого класса тоже относятся к «погибшим культурам». Если растение в начальный период вегетации ухудшает свое состояние, то это приводит к почти полной потере урожая. Поэтому класс «состояние растительности ухудшилось» относим тоже к классу с полной потерей урожая.
6.13. Порядок проведения расчетов
Ущерб, нанесенный сельскохозяйственным культурам в результате засухи, в денежном эквиваленте (руб.) равен количеству прогнозируемого с этой
Таблица 16
Площади сельскохозяйственных культур, изменивших состояние в результате засухи
Объект Площадь, тыс. га Доля класса, % Планируемый урожай, ц/га
Погибшие всходы 219,7 7,0 19,0
Резкое ухудшение 196,0 6,0 19,0
Ухудшение 533,7 16 19,0
Без изменений 724,3 22 19,0
Незначительное улучшение 477,1 14 19,0
Хорошее состояние оба срока 103,7 3 19,0
Значительное улучшение 98,3 3 19,0
Открытые почвы 984,6 29 19,0
территории урожая (ц) умноженный на стоимость
1 центнера зерна (руб./ц), т.е.
и = DC,
где: Б — прогнозируемый урожай с площади, на которой с/х культуры погибли в результате засухи (ц), С — стоимость 1 центнера зерна (руб./ц).
Б = SP,
где: S — площадь погибших культур (га),
Р — среднемноголетнее значение урожая для данного региона (ц/га).
Тогда и = SSPC Таким образом, вычислив площади погибших и ухудшивших свое состояние сельскохозяйственных культур, зная среднемноголетние значения урожая зерновых в данном регионе и стоимость зерна, можно вычислить ущерб, нанесенный засухой сельскохозяйственным культурам в данном регионе (табл. 17).
6.14. Выходные данные
Выходными данными методики является экспресс оценка ущерба, нанесенного засухой сельскохозяйственным культурам в рублях. Точность оценки ущерба зависит от следующих возникающих ошибок и предположений:
- приборная ошибка составляет 240x240 м («Ресурс-0», аппаратура МСУ-СК);
- предположение о том, что планируемый урожай составляет 19 ц/га приводит к ошибке примерно 10 %, так как это среднемноголетнее значение, средний урожай в разные годы на территории Заволжья колеблется в пределах 5-30 ц/га.
Разработанный пакет методик космической информации позволяет значительно повысить оперативность обнаружения чрезвычайных ситуаций и их предвестников, а также повысит эффективность операторов-дешифровщиков.
Таблица 17
Ущерб, нанесенный сельскохозяйственным культурам засухой в 1998 году в Заволжье
Объект Площадь, в тыс. га (8) Стоимость 1 центнера зерна руб. /ц (С) Среднестатистический многолетний урожай (Р), ц/га
С/х поля с открытыми почвами 984,6 320 19
Погибшие всходы 219,7 320 19
Состояние растительности резко ухудшилось 196,0 320 19
Состояние растительности ухудшилось 553,66 320 19
Всего: 1953,9
и = Е8РС = 1953910х19 = 11,8 млрд. руб.
Научно-технические разработки
